11 · La búsqueda vectorial desnuda

Antes de añadir una sola capa —ni híbrido, ni rerank, ni topes— hay que conocer la base sobre la que se apoyarán todas. Este capítulo mira sin adornos la búsqueda por similitud sobre los vectores del doble campo: qué hace de verdad —no la magia de los folletos, sino la mecánica estadística—, en qué es extraordinaria, en qué falla de forma previsible y por qué conviene conocerla desnuda antes de vestirla. Porque las capas siguientes solo se diseñan bien si se sabe qué recibe cada una.

Qué hace, de verdad, una búsqueda vectorial

La mecánica, contada sin números, es esta. En la ingesta —el libro primero lo contó— cada píldora pasa por un modelo que la convierte en un vector: una lista de centenares de números que funciona como una especie de coordenada de significado: textos que hablan de lo mismo quedan cerca, textos de asuntos distintos, lejos. No hay reglas ni palabras clave: el modelo aprendió, de millones de ejemplos, qué textos se refieren a lo mismo aunque no compartan vocabulario. En la consulta, el mismo proceso al revés: la pregunta se convierte en una coordenada del mismo espacio, y el motor devuelve las píldoras cuyas coordenadas están más cerca.

Lo que esto compra es real y revolucionario, y conviene decirlo sin cortapisas antes de listar sus límites: la búsqueda vectorial entiende de significados, no de letras. Encuentra el convenio que regula "la prestación por incapacidad" cuando el usuario pregunta por "estar de baja". Encuentra el párrafo del traslado cuando la consulta dijo "me mudan a otra provincia". Esa capacidad de puentear paráfrasis y sinónimos —el abismo que hundía a la búsqueda por palabras clave de toda la vida— es la razón por la que ningún sistema serio vuelve atrás, y en el despacho resolvió de golpe una clase entera de consultas que antes requerían saber cómo escribía el documento lo que uno buscaba.

El segundo encanto es la degradación elegante del sentido: funciona con preguntas mal formuladas, incompletas, con erratas moderadas, porque el vector de "plazo traslado sanción muy grave prescribio" sigue quedando cerca del territorio correcto. La consulta desastrada de aquel jueves —con la que abrimos el primer capítulo— fue la prueba: ningún buscador léxico la habría sostenido, y el vector al menos aterrizó en la zona del asunto, aunque la ordenación fina fallara. Esa robustez de aterrizaje es, probablemente, el mayor regalo cotidiano de la búsqueda semántica.

Dónde falla, y por qué no es culpa suya

Ahora los límites —no como advertencia legal sino como mapa de obra, porque cada límite delatará más adelante a la capa que lo corrige—. El primero y más sonoro: los símbolos exactos no significan nada para un vector. Siglas, números de sentencia, códigos de convenio, artículos: "STS 249/2019" es para el espacio semántico una mancha sin patria, igual de cercana a mil textos que mencionan sentencias. El vector de la consulta "ERTE fuerza mayor" no distingue el acrónimo de las palabras que tenga cerca; y el documento que dice exactamente "ERTE por fuerza mayor" puede quedar por detrás de otro que parafrasea el asunto sin usar el acrónimo. Para el usuario, eso es un escándalo —¡está escrito igual!—; para el vector, no hay tal igualdad: hay coordenadas. La corrección de este límite tiene nombre —el canal disperso del capítulo doce— y es la que explica que el híbrido no sea un lujo.

El segundo límite es el que ya abrió el capítulo dos: similitud no es relevancia. El motor devuelve lo más parecido al texto de la consulta, y un texto puede ser engañosamente parecido —las mismas palabras, otra pregunta—. El párrafo del período de prueba que respondió mal a la consulta de contratos encadenados no era un fallo del vector: era el coste de un sistema que solo sabe comparar superficies de significado. Corregir eso exige, en cascada, casi todo el resto del libro: coordenadas que acoten (parte segunda), rerank que juzgue (parte quinta).

El tercero es más discreto y más traicionero: la palabra aislada no tiene contexto de mundo. Los vectores captan relaciones estadísticas entre textos, no estados del mundo: no saben qué está derogado (por eso el capítulo nueve), no distinguen la norma de la glosa de la norma, no distinguen el convenio de 2024 del de 2019 si el texto no lo declara. Un vector es analfabeto institucional: lo sabe todo del lenguaje y nada del archivo. La parte segunda del libro —metadatos, dominios, facetas— es, vista desde aquí, la alfabetización del corpus.

Y el cuarto, puramente mecánico pero con consecuencias de diseño: la búsqueda no es exhaustiva, y no por pereza sino por ingeniería. Comparar la consulta contra millones de vectores uno a uno sería exacto, pero inviable dentro de un presupuesto de milisegundos; los índices de vecindad —el mapa de barrios del capítulo siete— compran milisegundos a cambio de una aproximación estadística: devuelven casi siempre los vecinos que toca, con márgenes de error minúsculos pero reales. No hay que temerlo —el compromiso está sobradamente pagado—, pero sí saberlo: explica por qué la misma consulta puede devolver órdenes ligeramente distintas en ejecuciones distintas, y por qué los umbrales finísimos construidos sobre posiciones concretas del ranking son frágiles. La robustez del diseño nunca debe depender del puesto tres exacto de una ordenación aproximada.

La prueba de la desnudez

¿Por qué este capítulo si el libro ya trae capas mejores? Porque hay una trampa de constructor que solo se esquiva sabiendo qué hace la base: atribuir a las capas los méritos o los vicios de la base. Cuando el híbrido llegue y lo mejore todo, convendrá saber qué parte venía ya resuelta; cuando una consulta falle con el sistema completo, saber si el fallo nace en la similitud o en una capa posterior ahorra semanas. La técnica del despacho fue sencilla y este libro la recomienda: durante la fase de construcción, cada consulta del banco de pruebas se ejecutó en tres modos —vector desnudo, vector con filtros, sistema completo— y los resultados se compararon a la vista. Esa comparación a tres bandas es el equivalente del médico que palpa antes de pedir la radiografía: enseña dónde está sano el sistema y dónde duele, capa por capa.

De esa prueba salió, además, el conocimiento que decide el diseño del capítulo siguiente: qué consultas resuelve sola la similitud —las de intención difusa, las parafraseadas— y qué consultas la desbordan —las de términos exactos, las de entidad concreta—. Esa frontera empírica, dibujada con las preguntas del despacho y no con la intuición, es la que legitimó el híbrido como necesidad y no como moda.

Criterio de salida

El banco de consultas reales ejecutado en modo vector desnudo, con resultados anotados: qué clase de consultas aterriza bien la similitud y cuáles desborda —paráfrasis contra términos exactos—. El equipo sabe explicar, con casos propios, los cuatro límites: símbolos exactos, similitud contra relevancia, analfabetismo institucional y aproximación del índice.

Conocida la base, se ve con claridad qué le falta. La siguiente capa no es una mejora: es una corrección de categoría — el canal disperso y la fusión de los dos mundos. El híbrido, en la página siguiente.