Sabes que la nota existe. La escribiste hace tres meses, tenía la respuesta exacta al problema que tienes delante y no la encuentras, porque buscas "caché" y la nota dice "memoizar", o buscas "fallo de despliegue" y la nota dice "se rompió la release". La búsqueda por palabras clave falla justo cuando falla tu recuerdo de cómo lo escribiste, y pasadas unas semanas eso es lo normal.
La búsqueda semántica lo resuelve comparando significados en lugar de palabras exactas. En este artículo explico cómo funciona, dónde supera a la búsqueda por palabras clave, dónde no y qué cambia en la forma de organizar tus notas.
Cómo falla la búsqueda por palabras clave
La búsqueda tradicional divide tus notas en palabras y compara tu consulta con ellas, a veces con stemming ("despliega" coincide con "desplegando") y coincidencia aproximada para las erratas. Es rápida y predecible, pero en el fondo compara cadenas: la consulta y la nota tienen que compartir vocabulario.
Las notas son el peor caso. Se escriben rápido, con el vocabulario del momento, sin un editor que imponga una terminología coherente. El mismo concepto aparece como "auth", "login", "inicio de sesión" y "sesión" en cuatro notas escritas en cuatro estados de ánimo distintos. Para encontrar tu propia nota tienes que adivinar qué palabras usó tu yo del pasado: un examen de memoria, cuando la gracia de las notas es no tener que recordar.
Cómo funciona la búsqueda semántica
La búsqueda semántica cambia la comparación de cadenas por la comparación de significados, con embeddings: un modelo de aprendizaje automático convierte un fragmento de texto en un vector — una larga lista de números — colocado de forma que los textos con significado parecido reciben vectores cercanos entre sí. "Memoizar la consulta de sesión" y "cachear la comprobación de login" quedan cerca en ese espacio aunque no compartan ninguna palabra.
El mecanismo, de principio a fin:
Indexación. Cuando guardas una nota, el sistema la pasa por un modelo de embeddings y guarda el vector resultante junto a la nota. Por eso las apps de notas con IA miden los "tokens de embeddings": el texto de cada nota pasa por un modelo al guardarla.
Consulta. Tu búsqueda se convierte en embedding de la misma forma.
Comparación. El sistema encuentra los vectores guardados más cercanos al vector de la consulta y devuelve esas notas, ordenadas por cercanía.
El efecto práctico: buscas el concepto como lo piensas ahora, y la nota aparece sin importar cómo lo formulaste entonces. En Notez esto se ejecuta en cada búsqueda, junto a una coincidencia por palabras clave, y el ejemplo de la página de inicio es real: buscar "esa idea de caché" encuentra la nota, porque la coincidencia es por significado, gracias a los embeddings.
De la búsqueda a las respuestas
Una vez que las notas tienen embeddings, una segunda función sale casi gratis: la generación aumentada por recuperación (RAG). En lugar de devolver una lista de notas que coinciden, el sistema recupera las más relevantes y se las pasa a un modelo de lenguaje, que redacta una respuesta citando las notas de origen.
Esto cambia la interacción de "encontrar documentos" a "hacer preguntas". La función Pregunta a tus notas de Notez funciona así: preguntas "¿qué escribí sobre concentración y trabajo profundo?" y la función recupera las notas relevantes de toda tu bóveda y responde con fuentes. Las fuentes importan: una respuesta que puedes rastrear hasta tus propias notas es verificable; una respuesta a secas, no.
Dónde flojea la búsqueda semántica
Ser honesto con los límites mantiene las expectativas en su sitio:
Cadenas exactas. Buscar un código de error concreto, el nombre de un flag o un identificador es trabajo para la coincidencia por palabras clave. Los buenos sistemas usan las dos — Notez combina una búsqueda por palabras clave con la semántica en cada consulta y fusiona los resultados (el artículo sobre la búsqueda híbrida explica el mecanismo) —, y cuando sabes la cadena exacta, busca la cadena exacta.
Notas muy cortas. Una nota de tres palabras le da al modelo de embeddings poco significado con el que trabajar. Se sigue encontrando, solo que con menos ventaja semántica.
La recuperación es probabilística. Ordenar por vecinos más cercanos significa que la nota correcta está normalmente arriba, pero no hay garantía de que lo esté siempre. Para una referencia canónica que consultas cada semana, un favorito o un enlace es más fiable que cualquier búsqueda.
Qué cambia en la forma de organizar las notas
La consecuencia interesante está en el comportamiento. Las jerarquías elaboradas de carpetas y los esquemas de etiquetado obligatorio existen sobre todo para que la búsqueda por palabras clave encuentre algo: son un pago por adelantado para poder encontrar las cosas en el futuro. Cuando la búsqueda funciona por significado, la mayor parte de ese impuesto por adelantado pasa a ser opcional.
Un reparto razonable del trabajo:
Apunta sin ceremonias. Escribe la nota con las palabras que te salgan. Sin título, sin decidir carpeta, sin etiquetas obligatorias: la búsqueda semántica la encontrará por su contenido.
Usa las etiquetas para enumerar, no para recuperar. Las etiquetas se ganan el sueldo cuando quieres todas las notas de un tipo — todo lo etiquetado
research, cada nota1on1—, porque "todo X" es justo lo que el ranking por similitud no garantiza.Usa los enlaces para la estructura. Los enlaces explícitos entre notas (y los retroenlaces que crean) codifican relaciones que la búsqueda no puede deducir: esta decisión salió de aquella conversación.
Añade a favoritos lo que abres a diario. Para tus cinco notas más usadas, navegar gana a buscar.
¿Importa en la práctica?
La prueba es sencilla: ¿con qué frecuencia no encuentras una nota que sabes que existe? Si la respuesta es "a menudo", el cuello de botella es la recuperación, y la búsqueda semántica lo elimina a menor coste que cualquier disciplina de nombres coherentes. Los sistemas que dependen de que las personas usen las mismas palabras dos veces pierden frente a los que no, porque al cabo de unos meses nadie lo hace.
Sigue leyendo
Cómo funciona el chat de IA en Notez — las 29 herramientas que el chat de IA usa en tu espacio de trabajo, lo que no puede hacer y sus límites en cada plan.
¿Qué tareas tengo hoy? Cómo el chat de IA aprendió a leer el tablero — por qué el chat respondía con la lista equivocada hasta que pudo ver el tablero que tienes en pantalla.
Instrucciones para el chat de IA: unas para el equipo, otras para ti — instrucciones permanentes para todo un espacio de trabajo y para ti, y por qué las del propietario van al final del prompt.