Y dentro de ese mundo, Google ha lanzado Gemini Embedding 2, que según su documentación es su primer modelo de embeddings multimodal en la Gemini API. Esto significa que puede representar en un mismo espacio semántico texto, imágenes, audio, vídeo y documentos PDF, algo especialmente interesante para proyectos donde no trabajamos solo con texto, sino con materiales muy distintos entre sí. Además, Google lo ha pasado a disponibilidad general en abril de 2026.
Pero, ¿qué es exactamente un embedding?
Dicho de forma sencilla, un embedding es una forma de convertir un contenido en una representación numérica para que una máquina pueda comparar significados, similitudes y relaciones entre elementos.
No sirve para “hablar” con el usuario. No sirve para redactar textos finales. No sirve para generar imágenes.
Sirve para algo muy importante: localizar lo relevante por significado.
Eso permite, por ejemplo, que una búsqueda no dependa únicamente de palabras exactas. Permite que un sistema entienda que una consulta sobre “una obra relacionada con aviación y memoria” puede estar conectada con una ficha, una imagen, un audio o un vídeo, aunque esas palabras no coincidan exactamente igual en el contenido almacenado. Ese es precisamente el tipo de búsqueda semántica, clasificación, clustering y recuperación documental para el que Google posiciona Gemini Embedding 2.
Lo interesante de Gemini Embedding 2
Lo que hace especialmente atractivo a Gemini Embedding 2 no es solo que funcione bien con texto, sino que trabaja de forma multimodal. Google indica que acepta texto, imágenes, audio, vídeo y PDF, y que los lleva a un espacio semántico unificado. En otras palabras: una consulta en texto puede recuperar una imagen; una imagen puede relacionarse con un documento; un vídeo puede quedar conectado con un concepto descrito en un texto.
Además, genera vectores de 3072 dimensiones por defecto, aunque permite reducir ese tamaño si interesa optimizar almacenamiento o rendimiento. También admite entradas de hasta 8192 tokens, y en esta versión Google recomienda orientar la tarea con instrucciones en el propio prompt, porque en gemini-embedding-2 ya no se usa el parámetro task_type como en modelos anteriores.
Dicho de forma práctica: no estamos ante una IA “para conversar”, sino ante una IA para ordenar, relacionar y recuperar conocimiento.
Y esto, ¿para qué nos sirve a nosotros?
Aquí es donde la cosa se pone interesante, porque en nuestro caso no trabajamos con un único tipo de contenido.
Trabajamos con documentación técnica, proyectos culturales, recorridos virtuales, fichas, imágenes, audios, vídeos, contenidos para museos, territorios, experiencias inmersivas, materiales de divulgación, patrimonio, rutas, turismo y sistemas que luego tienen que responder con sentido a una persona real.
Por eso, en nuestro caso, Gemini Embedding 2 tiene sentido en varios escenarios muy concretos.
1. Para asistentes con documentación real detrás
Uno de los grandes problemas de muchos asistentes de IA es que responden “bonito”, pero no siempre responden con la información correcta. Para evitar eso se usa RAG: recuperación de información antes de generar la respuesta.
Gemini Embedding 2 encaja muy bien en ese punto, porque permite indexar documentación y recuperar los fragmentos más relevantes antes de que el modelo generativo construya la respuesta. Google lo sitúa precisamente en el contexto de sistemas RAG y recuperación semántica.
En nuestro caso esto podría aplicarse a:
- manuales internos,
- documentación técnica de proyectos,
- memorias,
- procedimientos,
- catálogos,
- explicaciones curatoriales,
- materiales de formación,
- bases documentales para asistentes.
Aquí la clave no es “hablar con una IA”, sino conseguir que la IA encuentre primero lo correcto.
2. Para museografía digital, patrimonio y proyectos culturales
Aquí es donde lo multimodal empieza a tener mucho sentido.
En un proyecto cultural no tenemos solo texto. Tenemos imágenes de obras, vídeos, audios explicativos, catálogos PDF, biografías, fichas de exposición, materiales curatoriales y contenidos derivados. Con un embedding multimodal, todo eso puede quedar relacionado semánticamente.
Eso abre posibilidades muy interesantes: una búsqueda por concepto puede recuperar obras, fichas y materiales relacionados; un sistema puede sugerir contenidos vinculados; una consulta puede cruzar distintos formatos sin depender de etiquetas manuales rígidas.
No hablamos solo de “buscar documentos”. Hablamos de construir una capa de inteligencia sobre el archivo cultural.
Y eso encaja muy bien con la forma en que nosotros entendemos la digitalización: no como una simple acumulación de archivos, sino como una infraestructura capaz de activar, conectar y reutilizar contenidos.
3. Para turismo, rutas y territorios
En turismo pasa algo parecido.
Un territorio no se compone solo de textos. Hay rutas, puntos de interés, fotografías, vídeos, mapas, fichas, audioguías, recomendaciones, patrimonio y experiencias. Si todo eso queda indexado solo por categorías manuales, el sistema es limitado. Si queda conectado por significado, la experiencia cambia.
En nuestro caso esto podría aplicarse perfectamente a entornos como geoportales, rutas inmersivas, sistemas de consulta turística, contenidos para destino y plataformas que combinan territorio, patrimonio y experiencias.
La ventaja aquí no es “usar IA por usarla”, sino mejorar algo muy concreto: que una persona encuentre contenido útil de forma más natural.
4. Para organizar grandes bibliotecas de contenido
Otro uso muy práctico es la clasificación y agrupación automática.
Google también sitúa este modelo en tareas como classification y clustering, es decir, clasificación y agrupación por similitud.
Esto puede ayudar mucho cuando se acumulan cientos o miles de materiales: fotos, documentos, audios, notas, recursos de proyecto, materiales de cliente o archivos históricos. En lugar de depender solo de carpetas o nombres, podemos crear una organización más inteligente basada en relaciones reales entre contenidos.
Y eso, en proyectos largos y complejos, ahorra muchísimo tiempo.
¿Entonces lo usaríamos para todo?
No.
Y esto es importante decirlo claro.
Que una tecnología sea potente no significa que deba usarse en cualquier escenario.
Si el proyecto necesita trabajar offline, con mucha privacidad, o en hardware local del cliente, nosotros no pondríamos toda la estrategia sobre Gemini Embedding 2. En esos casos tiene más sentido un enfoque local. Ahí entra EmbeddingGemma, que Google presenta como su modelo abierto de embeddings para uso en dispositivo, pensado para funcionar localmente, con bajo consumo y compatibilidad con herramientas como Ollama, llama.cpp y LM Studio.
Es decir:
- si queremos una gran capa central multimodal, con imagen, audio, vídeo, PDF y texto, Gemini Embedding 2 tiene mucho sentido;
- si queremos un asistente privado local, centrado sobre todo en texto y funcionando sin depender de internet, miraríamos antes EmbeddingGemma.
La parte que muchas veces se olvida
Hay algo que conviene repetir: un embedding no sustituye al modelo que finalmente responde.
Primero recuperamos información relevante. Luego, con ese contexto, otro modelo genera la respuesta final.
Eso cambia mucho la forma de plantear un proyecto de IA. No se trata solo de “poner un chatbot”. Se trata de diseñar bien la arquitectura: qué información se indexa, cómo se recupera, qué parte va en local, qué parte va en nube, qué modelo responde y con qué nivel de control.
Cuando se hace bien, la IA deja de ser un adorno y se convierte en una herramienta realmente útil.
Nuestra visión práctica
Nos interesa la IA cuando resuelve cosas reales.
Cuando ayuda a organizar conocimiento.
Cuando mejora la recuperación de información.
Cuando une formatos distintos en un mismo sistema.
Cuando permite crear asistentes útiles sobre documentación propia.
Cuando conecta cultura, territorio, patrimonio, vídeo, imagen, audio y texto de forma coherente.
Por eso tecnologías como Gemini Embedding 2 nos parecen interesantes. No porque estén de moda, sino porque pueden encajar en una línea de trabajo muy concreta: construir sistemas donde la información no solo esté guardada, sino también entendida, relacionada y lista para usarse.
Ahí es donde la IA empieza a ser verdaderamente práctica.