Los embeddings son la capacidad básica que convierte texto en vectores; sin ellos no hay RAG, búsqueda semántica, deduplicación ni agrupamiento. Mucha gente empieza preguntando si se pueden usar gratis. La respuesta es sí, pero los límites de lo gratuito son más numerosos de lo que parece.

Este artículo separa los distintos orígenes de la vectorización gratuita, explica las restricciones de cuota, velocidad, privacidad, dimensión y calidad, y después identifica los escenarios adecuados e inadecuados, además de cuándo conviene pasar a un servicio de pago. No se incluyen cifras concretas de cuota, porque las políticas gratuitas de las plataformas cambian con rapidez; prevalece siempre la página oficial.

Nota: OpenAI y otros nombres son marcas de sus titulares; BGE, E5, GTE y Jina Embeddings son nombres de modelos de sus respectivos proyectos o comunidades. Este artículo tiene carácter técnico; las cuotas gratuitas, los términos y los precios se rigen por las páginas oficiales.

1. De dónde suelen venir los embeddings gratuitos

En el mercado hay cuatro fuentes habituales:

  • Cuotas de prueba para nuevos usuarios de plataformas cloud, normalmente con vigencia y límite de llamadas.
  • Niveles gratuitos de API de embeddings, limitados por número de solicitudes o de tokens, aptos para poco tráfico.
  • Modelos de pesos abiertos que se descargan y se despliegan en servidores o GPU propios.
  • Modelos locales pequeños, integrados en aplicaciones de escritorio o tuberías offline.

La estructura de costos de las cuatro es muy distinta. En las dos primeras, otra parte asume el cómputo y el precio son las cuotas, los límites de velocidad y las condiciones; en las dos últimas, el equipo asume el cómputo: los pesos son gratuitos, pero el hardware, la operación y el ajuste corren por su cuenta.

2. Dónde suelen estar los límites de la cuota gratuita

Rara vez el nivel gratuito se reduce a "tantos tokens al mes". En la práctica, las restricciones habituales son:

  1. Máximo de solicitudes y de tokens por minuto o por día, que las tareas por lotes alcanzan con facilidad.
  2. Límite de tamaño por solicitud, que obliga a dividir los documentos en varias llamadas.
  3. Longitud máxima por entrada, que exige fragmentar antes los documentos largos.
  4. Dimensión fija o no configurable, de modo que cambiar de modelo obliga a cambiar la estructura del índice.
  5. Ausencia de SLA en el nivel gratuito, con más probabilidad de colas o fallos en hora punta.
  6. Condiciones de tratamiento de datos distintas de las de la versión de pago, el punto que más se pasa por alto.

Por eso, al evaluar una opción gratuita no basta con mirar cuánto se regala: hay que considerar juntos los límites de velocidad, el tamaño de lote, la dimensión y las condiciones.

3. Modelos abiertos autodesplegados: gratis son los pesos, no el costo total

Los modelos de pesos abiertos (por ejemplo, los modelos públicos de las familias BGE, E5, GTE y Jina Embeddings) se pueden descargar y desplegar, y encajan en equipos cuyos datos no pueden salir de la intranet. Pero lo gratuito son solo los archivos de pesos; el costo real incluye recursos de inferencia en GPU o CPU, selección y evaluación del modelo, empaquetado del servicio, monitoreo y mantenimiento de versiones.

Aspecto Cuota gratuita de API Despliegue propio abierto
Inversión inicial Baja; basta registrarse Requiere hardware y trabajo de despliegue
Costo marginal Limitado por velocidad y cuota Sobre todo electricidad y personal de operación
Ubicación de los datos Los datos van al proveedor Los datos permanecen en el entorno propio
Calidad Depende del modelo del proveedor Depende de la selección y el ajuste
Escalabilidad Sujeta a la cuota gratuita Sujeta a la capacidad del hardware
Responsabilidad de mantenimiento Del proveedor Del equipo propio

Si el equipo no tiene experiencia operando GPU, el costo oculto del despliegue propio suele superar lo previsto. A la inversa, si los datos son sensibles y el volumen de llamadas es grande y estable, el costo a largo plazo del despliegue propio puede ser más controlable.

4. Hacer primero una evaluación pequeña antes de decidir

El mayor riesgo de una opción gratuita no es gastar dinero, sino elegir mal el modelo y construir el índice con vectores equivocados. Se recomienda una evaluación que pueda completarse en dos semanas:

  1. Seleccionar entre 50 y 100 textos representativos del negocio real, que cubran distintas longitudes, idiomas y tipos de contenido.
  2. Preparar un conjunto de consultas y resultados relevantes anotados a mano como referencia de recuperación.
  3. Ejecutar los mismos datos contra la API gratuita candidata y contra el modelo abierto, registrando dimensión y tiempo.
  4. Calcular la tasa de acierto, la distribución de similitud y la tasa de fallos, prestando especial atención al español y a la terminología sectorial.
  5. Estimar el total de tokens de todos los documentos, el tiempo de reconstrucción del índice y el costo futuro de las consultas.

Un script muy pequeño permite comprobar si la interfaz y la similitud funcionan:

from openai import OpenAI

client = OpenAI(
    api_key="sk-tu-clave",
    base_url="https://ai.zhongshangqihang.com/v1",
)

texts = ["cuál es la política de devoluciones", "cómo solicitar un reembolso", "cómo emitir una factura"]
resp = client.embeddings.create(model="text-embedding-3-small", input=texts)
vectors = [item.embedding for item in resp.data]

def cosine(a, b):
    dot = sum(x * y for x, y in zip(a, b))
    norm = (sum(x * x for x in a) ** 0.5) * (sum(y * y for y in b) ** 0.5)
    return dot / norm

print(cosine(vectors[0], vectors[1]))

El nombre de modelo del ejemplo solo sirve para la demostración; los modelos y dimensiones disponibles deben consultarse en los precios de los modelos y en la documentación del sitio.

5. Privacidad y cumplimiento: el costo que más se ignora en el nivel gratuito

Los servicios gratuitos suelen intercambiar condiciones de datos más permisivas por volumen de uso. Antes de integrarlos hay que confirmar al menos tres cosas: si los datos de entrada se conservan, si pueden usarse para mejorar o entrenar modelos y cómo se tramitan las solicitudes de eliminación. Las condiciones pueden variar entre plataformas, regiones y versiones gratuitas o de pago.

En escenarios con contratos de clientes, datos personales, información financiera o código fuente, no conviene tomar la API pública gratuita como opción predeterminada. Se puede validar la funcionalidad con muestras anonimizadas y dirigir los datos de producción a un servicio de pago con un acuerdo claro de tratamiento de datos o a un despliegue interno.

6. Qué escenarios admiten vectorización gratuita

Los casos adecuados suelen compartir estas características: datos poco sensibles, escala pequeña, tolerancia a límites de velocidad y resultados usados para validar, no para decidir en producción. Por ejemplo, proyectos personales de aprendizaje, búsqueda semántica en un prototipo de producto, validación de viabilidad de una base de conocimiento interna pequeña o experimentos offline de agrupamiento de textos.

Los casos poco adecuados también son claros: servicios externos que necesitan un SLA estable, procesamiento diario de gran volumen documental, datos sujetos a privacidad u obligaciones contractuales, o necesidad de una dimensión y una versión de modelo fijas a largo plazo. En esos escenarios, la cuota gratuita no ahorra dinero: solo pospone el riesgo hasta después del lanzamiento.

7. Ruta de actualización de gratuito a pago

La ruta más prudente es validar primero con la cuota gratuita o un despliegue abierto y después trasladar el tráfico de producción a una API de pago. En la migración hay que atender tres puntos: si el modelo nuevo admite una dimensión igual o mapeable; si los vectores antiguos se pueden conservar, ya que cambiar de modelo normalmente obliga a reconstruir todo el índice; y si la interfaz es compatible, porque una interfaz compatible con OpenAI reduce los cambios de código.

Si además se quieren comparar varios modelos, se puede usar primero una pasarela unificada para pruebas de bajo tráfico y después separar claves y presupuestos por proyecto, evitando abrir una cuenta en cada proveedor. Los precios cambian; prevalece la página de precios de los modelos.

8. Preguntas frecuentes

¿Cuánta cuota suele ofrecer un embedding gratuito?

Las plataformas varían mucho. Lo habitual es fijar un máximo diario o mensual de solicitudes o tokens, junto con un límite por minuto. Las cifras y la vigencia concretas dependen de la página oficial; no conviene dimensionar la capacidad con cifras de rumores.

¿Se puede usar comercialmente una cuota gratuita?

Depende de los términos del servicio. Algunos niveles gratuitos permiten uso comercial con restricciones de uso de datos; otros solo permiten evaluación. Antes de contratar o lanzar, conviene que lo confirme el área legal: no hay que dar por hecho que "se puede usar" equivale a "se puede usar comercialmente".

¿Los modelos abiertos siempre son peores que una API comercial?

No necesariamente. En recuperación en español, un modelo abierto adecuado, con buena fragmentación y evaluación, puede cubrir muchas necesidades de negocio. Las diferencias aparecen más en textos largos, multilingüismo y estabilidad lista para usar; hay que medirlo con datos propios.

¿Los datos del nivel gratuito se usan para entrenar?

Las políticas varían según la plataforma, y también entre versiones gratuitas y de pago. Cuando no se pueda confirmar, hay que asumir que pueden usarse y no enviar datos sensibles a interfaces públicas gratuitas.

¿Sirven los vectores antiguos después de cambiar de modelo de embeddings?

Normalmente no se pueden mezclar directamente. Los espacios vectoriales de modelos distintos no son compatibles; al cambiar de modelo hay que volver a vectorizar todos los documentos y actualizar también el modelo del lado de la consulta. Por eso el costo de migración debe considerarse desde la selección.

Siguiente paso

Si ya se validó el resultado con una muestra pequeña, el siguiente paso es conectar el tráfico de prueba a un punto de entrada unificado: se puede registrar en ZSQH AI Gateway, comparar con poca cuota la dimensión, la latencia y la recuperación de distintos modelos de embeddings y después decidir la solución de producción. La lista de modelos y los precios figuran en los precios de los modelos.

Lecturas relacionadas: