Construir o comprar ya se aplica también a la búsqueda. Qué cambian Compass Cloud y Embed 5, de Cohere
Cohere convierte su capa de búsqueda en un servicio gestionado, con API, MCP y permisos aplicados en la consulta, y lanza una nueva familia de embeddings. Cómo decidir qué construir y qué comprar.
Escuche este artículo · 6 min
Narración completa del artículo, generada con IA.
Pregunte a un equipo de IA empresarial en qué se le va el tiempo y la búsqueda suele encabezar la lista. Conectar SharePoint y Google Drive, interpretar PDF escaneados y presentaciones, elegir un modelo de embeddings, mantener un índice vectorial, añadir búsqueda por palabras clave y un reranker y, lo más difícil, garantizar que nadie recupere un documento que no tiene permiso para abrir.
Dos anuncios de Cohere a finales de septiembre muestran que esa capa se está convirtiendo en un producto que se puede contratar como servicio. Eso no simplifica la decisión, pero cambia las opciones.
Qué anunció Cohere
Compass Cloud, anunciado el 25 de septiembre, es una versión gestionada de la plataforma de búsqueda de Cohere, en beta privada con un número limitado de empresas. Según Cohere, cubre todo el pipeline:
- conecta fuentes como SharePoint, OneDrive y Google Drive;
- interpreta documentos, incluido contenido multimodal;
- genera embeddings densos y dispersos y los indexa por separado de los archivos de origen;
- recupera con búsqueda híbrida (semántica, dispersa y por palabras clave) y después reordena los resultados;
- gobierna con control de acceso multi-tenant y permisos por documento aplicados durante la búsqueda.
Se accede de tres formas: una API para aplicaciones propias de búsqueda y RAG, un servidor MCP dedicado y con versiones independientes para agentes, y un SDK de Python. El anuncio no indica en qué regiones funciona.
Embed 5, anunciado el 30 de septiembre, es una nueva familia de modelos de embeddings en dos versiones, Pro y Fast, en disponibilidad general en la API de Cohere, Microsoft Foundry y Amazon SageMaker. Cohere indica un contexto de 128.000 tokens, más de 100 idiomas, entradas de texto e imagen, vectores de 2.048 a 256 dimensiones y formatos comprimidos. Los precios publicados son de 0,12 dólares por millón de tokens de texto en Pro y 0,08 en Fast. Las cifras de benchmark que divulga son de la propia Cohere.
- Conectar las fuentes
- Interpretar documentos
- Generar embeddings e indexar
- Búsqueda híbrida y reordenación
- Aplicar permisos por documento
- Definir la relevancia y evaluar
- Gestionado en Compass Cloud, según Cohere (beta privada): Conectar las fuentes · Interpretar documentos · Generar embeddings e indexar · Búsqueda híbrida y reordenación · Aplicar permisos por documento
- Sigue siendo suyo: Definir la relevancia y evaluar
Ya se puede contratar como servicioNo se puede externalizar
Cómo plantear construir o comprar
Los permisos inclinan la balanza. La mayoría de los proyectos internos de búsqueda subestima la aplicación de permisos. Replicar los controles de acceso de SharePoint o Drive en un índice vectorial, mantenerlos sincronizados y aplicarlos en cada consulta es difícil de hacer bien. Un servicio que lo resuelve dentro de la búsqueda elimina un riesgo importante. También obliga a verificarlo: pruebe con usuarios que deben y que no deben ver documentos concretos antes de la puesta en producción.
Los embeddings crean un lock-in silencioso. Cambiar de modelo de embeddings implica regenerar los vectores y reindexar todos los documentos. En un servicio gestionado, eso lo hace el proveedor, con su calendario. En su propio stack, usted controla el momento y asume el coste. En ambos casos, trate el cambio de modelo como una migración, no como un ajuste de configuración.
Las dimensiones son una palanca de coste. Vectores más pequeños y formatos comprimidos reducen el almacenamiento y el coste de búsqueda, normalmente con alguna pérdida de calidad. Pruebe el trade-off con sus documentos en lugar de suponer que hace falta la opción más grande.
El MCP cambia quién consume la búsqueda. Una capa de búsqueda expuesta por MCP está pensada para que la llamen agentes, no solo una interfaz de chat. Eso la convierte en infraestructura compartida, con su propio responsable, niveles de servicio y política de acceso.
La evaluación sigue siendo suya. Ningún servicio gestionado sabe qué es un resultado relevante para su equipo de siniestros o para el área legal. La disciplina que describimos en nuestro artículo sobre cómo medir la búsqueda se aplica a cualquier cosa que contrate.
España: dónde viven el índice y los vectores
Los embeddings generados a partir de documentos con datos personales deben tratarse con el mismo cuidado que los propios documentos. Como Compass Cloud no indica regiones, pregunte dónde se guardan el índice y los vectores antes de conectar fuentes con datos de clientes; si salen del Espacio Económico Europeo, el RGPD exige un mecanismo válido de transferencia internacional. Para Embed 5, ejecutar el modelo a través de Foundry o SageMaker en su propia cuenta de nube puede ayudar a mantener el procesamiento cerca de los datos; compruebe la disponibilidad en la región que utiliza.
Latinoamérica: el español de cada mercado
Cohere menciona el español entre los idiomas en los que destaca el rendimiento de Embed 5. Aun así, conviene medir con sus propios documentos: el vocabulario de seguros, banca o salud cambia entre México, Colombia, Chile o Argentina, y eso afecta a la búsqueda. La misma pregunta sobre dónde se almacenan el índice y los vectores aplica bajo la ley de datos de cada país.
Qué hacer ahora
- Liste sus fuentes y el modelo de permisos de cada una antes de hablar con proveedores.
- Prepare una batería de pruebas de permisos: usuarios reales, documentos reales, resultados esperados de acceso y bloqueo.
- Compare embeddings con su propio corpus, incluidos documentos escaneados y tablas, si los tiene.
- Pregunte por la reindexación: quién la lanza, cuánto tarda y cuánto cuesta al cambiar de modelo.
- Trate una beta como una beta. Compass Cloud está en beta privada; planifique los plazos de producción en consecuencia.
En resumen
La búsqueda se está modularizando como el resto del stack de IA: interpretación, embeddings, indexación y búsqueda con permisos se pueden contratar como un único servicio o montar por piezas. La respuesta correcta depende menos de la calidad del modelo y más de sus fuentes, sus modelos de permisos y su disposición a operar infraestructura. En cualquier caso, la definición de un buen resultado sigue siendo suya. Nuestra guía del stack de 2026 sitúa esta capa en contexto.