Por qué tu próximo proyecto de IA no necesita una base de datos vectorial independiente

Tu estrategia de IA no necesita una nueva base de datos. Necesita que la que ya te inspira confianza rinda aún más. Descubre la última versión de HCL Informix®, la base de datos empresarial que ahora está preparada para la IA.

Imagina que tu equipo quiere añadir un chatbot de atención al cliente que busque automáticamente tickets anteriores similares.

Al cabo de unas semanas, te topas con el típico obstáculo. Para realizar búsquedas por significado en lugar de por palabras exactas, necesitas una base de datos vectorial. Eso implica un nuevo proveedor, un nuevo proceso para copiar tus datos y una nueva revisión de seguridad antes de que pueda acceder a los datos reales de los clientes.

Crear el chatbot no se ha vuelto más difícil. Lo que sí se ha complicado es todo lo que lo rodea.

En esta entrada se explica por qué probablemente no necesites ese sistema adicional y se muestra el código SQL real para realizar búsquedas semánticas en la base de datos que ya utilizas. También verás cómo se puede utilizar la búsqueda vectorial junto con tus datos empresariales existentes sin que los equipos de desarrollo tengan que implementar y gestionar de forma independiente un servicio de base de datos vectorial aparte.

La forma más rápida de incorporar la IA no es una nueva base de datos

La forma más rápida de llegar a la IA podría ser enseñarle a tu base de datos un nuevo truco.

Imaginemos que gestionas a diario una base de datos HCL Informix de producción para los procesos empresariales de pedidos, facturación y reclamaciones. Un equipo de producto quiere un chatbot con una función de búsqueda que utilice IA, y lo quiere cuanto antes. A ti te parece bien. Lo que te preocupa es la carga de trabajo que supone añadir una base de datos completamente nueva, lo que implica un sistema más al que aplicar parches, un proveedor más del que obtener la aprobación de seguridad y un proceso más que puede fallar sin que te des cuenta.

Quizá ya hayas echado un vistazo a Pinecone, Weaviate o pgvector. Este es el caso para comprobar si realmente necesitas añadir una nueva base de datos:

Conceptos básicos rápidos: ¿Qué es un «vector» y por qué es necesario en las búsquedas?

Un vector es una lista de números que representa el significado de un fragmento de texto. Dos frases que significan lo mismo se traducen en dos listas de números muy próximas entre sí, aunque no compartan ni una sola palabra.

«¿Cómo restablezco mi contraseña?» y «He olvidado mis datos de acceso» significan lo mismo, por lo que sus vectores están muy próximos entre sí. Buscar en función de esa proximidad, en lugar de buscar coincidencias exactas de palabras, es lo que se entiende por «búsqueda vectorial». Es el truco que se esconde detrás de todos los chatbots que parecen «entender» lo que les estás preguntando.

Por qué una base de datos vectorial independiente cuesta más que el coste inicial

La configuración habitual parece sencilla, pero los gastos se acumulan rápidamente:

Configurar una base de datos vectorial independiente
Pagar por ella y ejecutarla como un sistema independiente
Crear un proceso que copie los datos a dicha base de datos y mantenga ambas partes sincronizadas
Someterla a su propia revisión de seguridad, copias de seguridad y plan de recuperación ante desastres

Es en ese tercer punto donde se esconde el verdadero coste. Un estudio de 2026 sobre los flujos de datos empresariales reveló que las grandes empresas gestionan varios cientos de ellos de media y que esos flujos fallan varias veces al mes, tardando horas en solucionarse cada uno. Eso no aparece en la página de precios de ninguna base de datos vectorial. Se hace evidente más adelante, en tu turno de guardia.

HCL Informix se salta la mayor parte de esa lista. La búsqueda vectorial está integrada a través de HCL Informix VectorBlade, por lo que los equipos de aplicaciones no necesitan implementar ni gestionar un servicio de base de datos vectorial independiente con su propio ciclo de vida operativo. La sincronización de los datos vectoriales con los datos de Informix puede iniciarse mediante la llamada a un procedimiento almacenado desde el interior de la base de datos, en lugar de depender de un proceso de sincronización independiente del lado de la aplicación.

Por qué la búsqueda vectorial integrada simplifica la arquitectura

Con VectorBlade, puedes utilizar la búsqueda vectorial junto con atributos empresariales como el nivel de cliente, la región u otros metadatos asociados al flujo de trabajo de búsqueda vectorial:

«Busca entradas como esta, pero solo de clientes Platinum de la región EMEA».

Una base de datos vectorial gestionada de forma independiente suele requerir que las aplicaciones copien y sincronicen los metadatos necesarios para el filtrado. Con HCL Informix y VectorBlade, la búsqueda vectorial se integra en el flujo de trabajo de Informix junto con los datos empresariales que tus aplicaciones ya gestionan, lo que reduce la necesidad de una integración adicional por parte de las aplicaciones y de una lógica de sincronización.

Empecemos con un caso de uso sencillo.

Gracias a la solución VectorBlade, crearemos una tabla de vectores gestionada por VectorBlade que se podrá utilizar para almacenar vectores y realizar búsquedas del «vecino más cercano» en ellos:

• Esta tabla vectorial gestionada por VectorBlade tiene tres columnas de los siguientes tipos: bigint, embedding y lvarchar.
• La columna «bigint» almacena identificadores vectoriales. Estos deben ser números únicos.
• La columna de incrustación puede almacenar vectores con cualquier número de dimensiones, pero ese número debe especificarse en el momento de crear la tabla.
• La columna `lvarchar` sirve para almacenar metadatos de tipo texto. Estos metadatos pueden ser lo que quieras y pueden resultar útiles para filtrar datos.

Suponiendo que tu clave de OpenAI esté configurada correctamente y que puedas ejecutar sin problemas la rutina lvector_embed(), te resultará interesante el siguiente ejemplo:

Ejemplo:

-- Create a new traditional table
database examples;
create table ifx_sample_tab3 (
ident bigint,
embedding_data lvector_embedding,
text_data lvarchar,
metadata lvarchar,
primary key (ident)
);

-- Generate some real embeddings and insert them into our table
insert into ifx_sample_tab3 values (
1,
lvector_embed('This text is about squirrels'),
'This text is about squirrels',
'This metadata will not be used in this example'
);

insert into ifx_sample_tab3 values (
2,
lvector_embed('This text is about car racing'),
'This text is about car racing',
'This metadata will not be used in this example'
);




insert into ifx_sample_tab3 values (
3,
lvector_embed('This text is about architecture'),
'This text is about architecture',
'This metadata will not be used in this example'
);

insert into ifx_sample_tab3 values (
4,
lvector_embed('This text is about wrestling'),
'This text is about wrestling',
'This metadata will not be used in this example'
);

insert into ifx_sample_tab3 values (
5,
lvector_embed('This text is about sound'),
'This text is about sound',
'This metadata will not be used in this example'
);

Supongamos que queremos encontrar el texto más relevante para la pregunta: «Háblame del diseño de edificios». En primer lugar, creamos una tabla de vectores gestionada por VectorBlade que podamos utilizar para realizar esta búsqueda. En este ejemplo, los vectores tienen 1536 dimensiones, lo que se corresponde con el modelo de incrustación utilizado para el ejemplo:

EXECUTE PROCEDURE lvector_create_table('sample_tab3', 1536);

Ahora sincronizamos esta tabla vectorial gestionada por VectorBlade con nuestra tabla tradicional:

EXECUTE PROCEDURE lvector_bulk_sync('ifx_sample_tab3', 'sample_tab3', 'ident', 'embedding_data');

Ahora podemos realizar una auténtica búsqueda vectorial:

Búsqueda 1:

SELECT text_data FROM ifx_sample_tab3 WHERE ident IN (SELECT * FROM TABLE(lvector_id_search('sample_tab3', lvector_embed('Tell me about building design'), 1)));

Deberías comprobar que los resultados de esta búsqueda vectorial son:

text_data Este texto trata sobre arquitectura

Búsqueda 2:

SELECT text_data FROM ifx_sample_tab3 WHERE ident IN (SELECT * FROM TABLE(lvector_id_search('sample_tab3', lvector_embed('Tell me about cute rodents'), 1)));

Resultados previstos:

text_data Este texto trata sobre las ardillas

Búsqueda 3:

SELECT text_data FROM ifx_sample_tab3 WHERE ident IN (SELECT * FROM TABLE(lvector_id_search('sample_tab3', lvector_embed('Tell me about sports'), 2)));

Resultados previstos:

text_data Este texto trata sobre las carreras de coches

text_data Este texto trata sobre la lucha libre

El equipo de desarrollo no tiene que implementar ningún servicio de base de datos vectorial independiente. No es necesaria ninguna consulta adicional por parte de la aplicación para integrar dos sistemas gestionados por separado. La búsqueda vectorial sigue formando parte del flujo de trabajo de Informix.

Cómo comprobar que todo funciona correctamente

Antes de darlo por terminado, comprueba estas cuatro cosas:

1. ¿Tienen sentido los resultados? Introduce 20 preguntas reales en lvector_search() y comprueba si las respuestas más relevantes parecen correctas a simple vista. Si menos de ocho de cada diez parecen correctas, ajusta la configuración antes de ponerla en marcha.
2. ¿Funciona realmente el filtro? Ejecuta la consulta y comprueba que todos los resultados se ajusten al filtro. Si en algún momento devuelve algún resultado que no cumpla con el filtro, se trata de un error, no de una peculiaridad.
3. ¿Es lo suficientemente rápido bajo una carga real? Pruébalo realizando muchas búsquedas a la vez, no solo una. Si es mucho más lento que tus consultas habituales, se trata de un problema de dimensionamiento, no de una razón para añadir una segunda base de datos.
4. ¿Se respeta quién puede ver qué? Asegúrate de que alguien que normalmente no pueda ver un registro tampoco pueda encontrarlo mediante la búsqueda.

Si los cuatro cumplen los requisitos, sabrás que funciona, y no es solo que la demostración haya salido bien.

Quizá sigas preguntándote: «Pero, ¿no es mejor una base de datos dedicada a vectores?». Esta es la realidad:

A una escala enorme, de miles de millones de elementos —como en una búsqueda pública en Internet—, una base de datos vectorial diseñada específicamente para ello puede resultar más rápida. Eso es cierto, no es solo una estrategia de marketing.

Pero la mayoría de las empresas no lo hacen así. Realizan búsquedas en sus propios datos, que pueden oscilar entre decenas de miles y unos pocos millones de registros, en los que la precisión es más importante que ahorrar unos pocos milisegundos. En ese caso, mucho más habitual, prescindir del sistema adicional no supone ningún inconveniente. Es más sencillo y tiene menos puntos en los que puede fallar.

Una base de datos, cinco tipos de datos

La búsqueda vectorial es la última novedad, pero no la primera. HCL Informix lleva años gestionando varios tipos de datos en un mismo lugar:

Puntos clave

La mayoría de las funciones de IA necesitan realizar búsquedas en los datos de los que ya dispones, lo que no implica necesariamente tener que implementar y gestionar un servicio de base de datos vectorial independiente.

VectorBlade te permite utilizar la búsqueda semántica junto con los datos empresariales existentes, al tiempo que reduce la necesidad de copias de datos independientes en las aplicaciones, los procesos de sincronización y la lógica de integración.

Comprueba la base de datos con IA del mismo modo que comprobarías cualquier otra cosa: si ofrece buenas respuestas, si el filtro funciona, si es lo suficientemente rápida y si respeta las normas de acceso.

No es necesario añadir ni gestionar otro servicio de base de datos solo para desarrollar funciones de búsqueda basadas en IA. Con HCL Informix y VectorBlade, puedes ampliar el entorno de base de datos que ya utilizas con capacidades integradas de búsqueda vectorial.

Aplica la IA a los datos en los que ya confías, y no al revés. Adquiere HCL Informix® 15 con VectorBlade y disfruta de las ventajas de la búsqueda vectorial integrada, las capacidades de consulta semántica y la compatibilidad con flujos de trabajo RAG a través del entorno de base de datos que ya utilizas. HCL Informix 15

Informix es una marca comercial de IBM Corporation en al menos una jurisdicción y se emplea bajo licencia.

Acerca del autor

Acerca de Gaurav Kumar

Gaurav Kumar es ingeniero sénior de soporte técnico de Informix en Actian y cuenta con más de 15 años de experiencia ayudando a clientes empresariales a resolver retos complejos relacionados con las bases de datos. Está especializado en HCL Informix® y cuenta con experiencia en la resolución de incidencias de nivel inferior, así como con conocimientos especializados en optimización del rendimiento, alta disponibilidad, replicación, seguridad y capacidades de bases de datos basadas en inteligencia artificial. Le gusta compartir sus conocimientos técnicos a través de blogs, seminarios web y vídeos de demostración, lo que facilita a los clientes la adopción de nuevas tecnologías.