En el ecosistema de la búsqueda con IA existe la costumbre de sobredimensionar los sistemas RAG recurriendo desde el primer momento a embeddings, bases de datos vectoriales y pipelines de reordenamiento, cuando a menudo basta con una búsqueda por palabras clave bien configurada. Este artículo propone una guía práctica para escoger la técnica más adecuada según cinco factores: la frecuencia de actualización de los datos, las características del corpus (estabilidad o cambio constante), el tipo de consultas (literales frente a semánticas), el volumen de tráfico y la experiencia del equipo en aprendizaje automático.
El recorrido va de lo simple a lo complejo. La primera receta es BM25, búsqueda textual clásica: sin costes de API, latencias inferiores a 10 ms, fácil de depurar y suficiente para muchos casos; solo falla con sinónimos y con preguntas formuladas en lenguaje natural. La segunda añade un LLM que reescribe las consultas del usuario en búsquedas limpias, lo que resuelve desajustes de vocabulario y terminología propietaria (nombres internos como “Atlas” que los embeddings genéricos desconocen) sin necesidad de reindexar nada. La tercera receta combina BM25 con un reordenador de embeddings para consultas semánticas, asumiendo una latencia de 200-500 ms y un coste aproximado de 15 dólares al mes por cada 1.000 consultas diarias. La cuarta, pensada para datos muy cambiantes, genera embeddings sobre la marcha, evitando reembebidos constantes y facilitando el cambio de modelo cuando un proveedor deprecata una versión. La recomendación general es empezar arriba y bajar en la lista solo cuando los datos demuestren que hace falta.