La búsqueda privada con IA acaba de ganar una pieza importante. Google ha publicado EmbeddingGemma 2, un modelo abierto, con licencia Apache 2.0 que permite el uso comercial, capaz de entender texto, código, imágenes, vídeo y audio y de funcionar en el propio dispositivo. En la práctica, permite montar un buscador inteligente sobre los documentos, fotos o grabaciones de una empresa sin enviarlos a un servidor de terceros para indexarlos. Explicamos qué es, qué cifras ha dado Google y en qué casos merece la pena para una pyme.
Qué es un modelo de embeddings y por qué importa tanto
Cuando una empresa monta un asistente que responde con sus propios documentos, lo que técnicamente se llama RAG, hay dos modelos trabajando. Uno es el que redacta la respuesta, el que todo el mundo conoce. El otro, menos visible, es el modelo de embeddings: convierte cada fragmento de documento en una lista de números que representa su significado. Cuando alguien pregunta, se convierte la pregunta de la misma forma y se buscan los fragmentos con un significado parecido.
Si ese segundo modelo falla, el primero responde con los documentos equivocados, y lo hace con total seguridad. Buena parte de la calidad de un asistente sobre documentos depende de este bibliotecario discreto. Hasta ahora, la opción cómoda para muchas empresas era usar el de un proveedor en la nube, lo que obliga a enviarle todo el contenido que se quiere indexar.
Qué trae EmbeddingGemma 2
Google lo presentó el 6 de octubre de 2026. Está construido sobre la arquitectura de Gemma 4 y estas son las cifras que da la propia empresa:
- Tamaño: 740 millones de parámetros en total. Si solo se necesita texto y código, basta con unos 270 millones; el módulo de visión suma 170 millones y el de audio, 300 millones.
- Memoria: unos 191 MB de RAM para texto y unos 567 MB para el modelo multimodal completo, medidos por Google en un móvil Pixel 11 Pro con el modelo cuantizado.
- Un solo espacio para todo: texto, código, imágenes, vídeo y audio se convierten en vectores de 768 dimensiones comparables entre sí. Eso permite, por ejemplo, buscar una foto escribiendo una frase.
- Vectores más pequeños si hace falta: se pueden reducir a 512, 256 o 128 dimensiones, con hasta seis veces menos espacio de almacenamiento a cambio de algo de precisión.
- Más contexto: 8.000 tokens por fragmento, cuatro veces más que la primera versión. Google lo traduce en unos 5,5 minutos de audio, 29 imágenes o 58 fotogramas de vídeo.
- Código: en el test MTEB de código pasa de 68,76 a 78,68 puntos respecto a la versión anterior.
- Dónde se usa: se descarga en Hugging Face y Kaggle, y funciona con herramientas habituales como Ollama, LM Studio, llama.cpp o sentence-transformers, e incluso en el navegador.
Una cautela: todas estas cifras son de Google. Antes de tomar decisiones, lo sensato es probarlo con documentos propios y en el idioma en que trabaja la empresa, porque Google habla de buen rendimiento multilingüe pero no detalla cuántos idiomas cubre ni con qué calidad.
La privacidad deja de ser un coste extra
Hasta ahora, montar un buscador inteligente sin sacar los documentos de la empresa exigía modelos grandes, servidores con tarjeta gráfica o renunciar a calidad. Un modelo que cabe en medio giga de memoria cambia esa cuenta: se puede ejecutar en un servidor modesto, en un ordenador de la oficina o incluso en el móvil.
Eso tiene una lectura directa en protección de datos. Si los documentos se indexan dentro de la empresa, no hace falta enviarlos a un proveedor externo para esa fase, y desaparece una transferencia de datos que habría que justificar y documentar. Pero conviene no exagerar: si después la respuesta la redacta un modelo en la nube, los fragmentos encontrados sí viajan a ese proveedor en cada consulta. La privacidad completa exige también un modelo de lenguaje local, y Google propone precisamente combinarlo con Gemma 4 para eso. Y los vectores, aunque sean números, salen de tus documentos: hay que protegerlos con el mismo cuidado que los originales.
Casos de uso razonables para una pyme
- Catálogos y recambios: buscar una pieza a partir de una foto, o encontrar productos describiéndolos con palabras, sin depender de que alguien haya etiquetado bien cada referencia.
- Manuales y documentación técnica: preguntar en lenguaje natural sobre fichas, planos o procedimientos que mezclan texto e imágenes.
- Formación interna en vídeo: localizar el momento exacto de un vídeo en el que se explica algo, buscando por texto.
- Clasificar lo que entra: ordenar correos, incidencias o solicitudes por tema para enviarlos a quien corresponde, otro uso que Google menciona expresamente.
- Grabaciones de audio: buscar dentro de llamadas o reuniones. Aquí, antes que la técnica, hay que tener resuelto el consentimiento y la base legal de esas grabaciones.
Antes de cambiar de modelo, ten en cuenta esto
Si ya tienes un asistente sobre documentos funcionando, cambiar de modelo de embeddings no es instantáneo. Los vectores de un modelo no son compatibles con los de otro, así que hay que volver a indexar todo el contenido. Tampoco conviene fiarse solo de los benchmarks: lo que importa es si encuentra los documentos correctos para las preguntas reales de tu equipo. Y la parte multimodal multiplica el volumen de lo que se indexa; empezar solo por texto suele ser lo más prudente. Si quieres que tu equipo entienda estos conceptos antes de decidir, los trabajamos en nuestras formaciones de IA para empresas. Seguimos los nuevos modelos en la sección de modelos y LLMs.
Análisis Blixel
Lo relevante de este lanzamiento no es la mejora en un benchmark, sino el tamaño. Un modelo abierto, multimodal y con licencia comercial que funciona en medio giga de memoria debilita uno de los argumentos más repetidos para mandar los documentos de una empresa a la nube: «en local no hay calidad suficiente». Para despachos, clínicas, ingenierías o cualquier empresa que maneje información delicada, abre una vía razonable para tener un buscador inteligente sin ceder sus documentos.
Dicho esto, no recomendaríamos a nadie cambiar un sistema que ya funciona por el simple hecho de que haya salido un modelo nuevo. La forma seria de decidir es aburrida: preparar una batería de preguntas reales del equipo, con la respuesta correcta conocida, y comparar los dos modelos con esos mismos documentos. Es lo que hacemos antes de tocar cualquier asistente en producción, y casi siempre depara alguna sorpresa en los dos sentidos.
También conviene no confundir local con seguro. Un servidor en la oficina mal configurado puede ser más arriesgado que un proveedor serio con su contrato de encargado del tratamiento firmado. La privacidad la da el diseño completo: dónde se indexa, dónde se responde, quién accede y cuánto tiempo se guarda cada cosa.
Aun así, es una buena noticia para las pymes: la búsqueda inteligente sobre documentos propios es cada vez más barata y más fácil de mantener dentro de casa.
¿Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido común. Hablemos.
Deja una respuesta