La búsqueda por palabras clave devuelve documentos que contienen los términos de la consulta; la búsqueda semántica intenta devolver los que significan algo pertinente, aunque no compartan palabras. Fue una de las primeras aplicaciones industriales de los modelos de lenguaje: meses después de la publicación de BERT, Google anunció que lo usaba en su buscador (Alammar y Grootendorst, 2024, p. 225).
Ejemplo mínimo. Consulta: «¿cómo arreglo una pinchadura?». Documento: «Guía para reparar la cámara de la bici». No comparten una sola palabra, pero sus embeddings quedan cerca, y el documento aparece entre los primeros resultados.
La técnica central es la recuperación densa: se parte el archivo en fragmentos, se calcula el embedding de cada uno, se guardan en un índice o base de datos vectorial y, ante una consulta, se buscan sus vecinos más cercanos, típicamente por similitud coseno (Alammar y Grootendorst, 2024, pp. 226–229). Suele seguirle un reranker, un modelo que lee consulta y documento juntos y reordena los mejores candidatos; y es la primera mitad de los sistemas de recuperación aumentada (Generación aumentada por recuperación (RAG)), en los que lo recuperado se le pasa a un generador (Alammar y Grootendorst, 2024, pp. 226–227). Sentence-BERT hizo práctico este esquema al producir, para cada oración, un vector directamente comparable (Reimers y Gurevych, 2019).
Límites que una teoría del significado ayuda a ver. Cercanía no es pertinencia: una pregunta y su respuesta no siempre son semánticamente parecidas, y por eso los modelos de recuperación se entrenan con pares pregunta–respuesta (Alammar y Grootendorst, 2024, p. 229). Siempre hay un vecino más cercano, aunque ningún documento responda: preguntar por la masa de la Luna a un artículo sobre una película igual devuelve tres oraciones (Alammar y Grootendorst, 2024, p. 234). Las búsquedas de frases exactas funcionan mejor con palabras clave, de ahí los sistemas híbridos, y el rendimiento cae fuera del dominio de entrenamiento, por ejemplo en textos jurídicos (Alammar y Grootendorst, 2024, p. 235). Y no hay aquí control de verdad: la búsqueda semántica encuentra textos parecidos, no textos correctos.