Durante un tiempo, la idea sonaba convincente: si los grandes modelos de lenguaje ampliaban su ventana de contexto hasta tamaños enormes, quizá la búsqueda vectorial dejaría de ser una pieza central. Para muchos equipos de arquitectura, las bases de datos vectoriales parecían una solución de transición propia de la era RAG (retrieval-augmented generation), útil mientras los modelos no pudieran “llevarse” dentro todo lo necesario.

El aterrizaje en producción está contando otra historia. Con la llegada de la IA agente —sistemas que no solo responden, sino que planifican, consultan herramientas, verifican y vuelven a consultar— el problema de recuperar información no se ha encogido: se ha multiplicado. Según explicaba Andre Zayarni, CEO y cofundador de Qdrant, a VentureBeat, el contraste es radical: una persona hace unas pocas consultas cada cierto tiempo; un agente puede lanzar cientos o miles por segundo solo para reunir contexto y tomar decisiones.

Esa diferencia no es un matiz técnico. Es como comparar a alguien buscando un libro en una biblioteca con un equipo entero de documentalistas corriendo a la vez por los pasillos, abriendo índices, cotejando ediciones y trayendo referencias en paralelo. La biblioteca puede ser la misma, pero el sistema de catálogo y la logística ya no sirven igual. Continúa leyendo «Los agentes de IA están disparando la demanda de búsqueda vectorial: por qué la “memoria” no basta»