Embeddings: cómo se mide el parecido entre dos textos sin comparar palabra por palabra

Qué es

Los embeddings son representaciones numéricas del significado de un texto o de

otro dato. El sistema convierte el contenido en una lista de números

—un vector— colocada en un espacio donde dos textos que hablan de lo mismo

quedan cerca aunque no compartan una palabra.

Un embedding no se lee: no es resumen ni traducción, es una coordenada. Lo útil

no es el número sino la distancia entre números: comparar dos vectores mide qué

tanto se parecen dos documentos por su contenido y no por sus letras.

En palabras de contador

Piénsalo como la ficha de clasificación que le pones a cada papel al

archivarlo. No es el documento ni su resumen: es el dato que permite

compararlo con los demás. Dos papeles con fichas parecidas tratan el mismo

asunto, aunque uno sea un contrato y el otro un correo.

La diferencia es que esa ficha no la llena nadie a mano ni depende del

vocabulario de quien redactó el papel. Por eso dos documentos quedan

emparejados aunque uno diga "gratificación anual" y el otro "aguinaldo": lo que

se compara es el asunto.

Ejemplo aplicado

Agrupar consultas de clientes. Ordenas los correos del trimestre por

cercanía de significado y descubres que treinta consultas aparentemente

distintas son la misma duda sobre deducción de gastos.

Homologar catálogos de cuentas. Al integrar la contabilidad de un cliente

nuevo comparas sus nombres de cuenta contra los del catálogo del despacho. El

parecido señala cuáles corresponden a lo mismo aunque estén redactadas

distinto; tú decides la equivalencia.

Conciliar conceptos de nómina entre empresas del grupo. "Bono de

productividad" en una e "incentivo por desempeño" en otra quedan cerca, y eso

te muestra qué conceptos conviene revisar juntos antes de resolver su

tratamiento.

Para qué sirve en un despacho

• Medir qué tan parecidos son dos documentos sin depender de la palabra exacta.
• Detectar expedientes duplicados o casi idénticos entre clientes y ejercicios.
• Alimentar una base vectorial que sostenga la búsqueda semántica del despacho.
• Dar sustento a un sistema de RAG que responda con tus documentos.

Riesgos o limitaciones

Parecido no significa aplicable. Un embedding mide cercanía de significado, no

vigencia ni jerarquía normativa: puede colocar juntos un criterio ya sustituido

y el que lo reemplazó, porque tratan el mismo tema. También acerca documentos con

vocabulario común que resuelven supuestos distintos.

Hay dos puntos operativos. La privacidad: generar embeddings suele

implicar enviar el contenido a un proveedor externo —salvo que uses un modelo

que corra en tu propia infraestructura—, y eso pesa con información de

clientes bajo secreto profesional. Y la actualización: si un documento cambia

y su vector no se regenera, la comparación seguirá señalando la versión

anterior.

Buena práctica

Combina la cercanía semántica con filtros duros: cliente, ejercicio, fecha,

tipo de documento. El vector propone, el filtro acota y tú

resuelves. Sin ese acotamiento obtienes parecidos que no

corresponden al periodo ni al contribuyente.

Guarda junto a cada fragmento su origen —archivo, fecha y versión— y haz que el

resultado lo muestre, para confirmar la fuente antes de citarla. Define además

cuándo se regeneran los vectores.

Preguntas frecuentes

¿Los embeddings entienden el texto? No como una persona lo entiende.

Detectan que dos contenidos aparecen en contextos parecidos y de ahí sale la

cercanía; no razonan sobre sus consecuencias fiscales.

¿Qué tan parecido es "parecido"? La cercanía se expresa como un número y el

umbral lo fijas tú, probando con documentos que ya conoces. No hay un valor

universal: depende del acervo.

¿Se pueden leer o revertir? No están hechos para leerse, son listas de

números. Aun así conservan información del original, así que trátalos

con el cuidado que darías al documento del que salieron.

Escrito y revisado por Ernesto Sobrino, contador.
Última revisión: 24 de agosto de 2026.