Embeddings de Gemini: la versión preview ya redirige a la estable y gemini-embedding-001 tiene apagado en 2028; por qué migrar obliga a reindexar tu buscador con IA

Cuando se habla de retiros de modelos de IA, casi siempre se piensa en el modelo que escribe las respuestas: los Gemini 2.5 que se redirigen el 1 de diciembre o los GPT que OpenAI va apagando. Hay otro modelo, menos visible, que sostiene a casi todos los asistentes que responden con los documentos de una empresa: el de embeddings. Y ese no se cambia con solo editar una línea.

Google hizo dos movimientos que conviene tener en el radar. El 6 de noviembre de 2026 retiró gemini-embedding-2-preview, cuyas peticiones ahora se redirigen a gemini-embedding-2. Y su página de retiros de la API de Gemini marca el 14 de mayo de 2028 como fecha de apagado de gemini-embedding-001, el modelo de texto estable desde julio de 2025.

Parece lejano. No lo es tanto si tu buscador interno, tu chatbot de soporte o tu asistente de políticas internas está construido sobre ese modelo.

Qué cambió y cuándo

Según el registro de cambios y la página de retiros de la API de Gemini:

Google aclara que las fechas de esa página son las más tempranas posibles y que comunicará la exacta con anticipación. Las fechas de Vertex AI o de otras plataformas pueden ser distintas: revisa las del servicio que contrataste.

Si usabas la versión preview, la noticia es buena: el registro de cambios indica que basta con actualizar el nombre del modelo, sin otros cambios de código ni reindexado, y que las peticiones ya se cobran a la tarifa de gemini-embedding-2.

Por qué un embedding no se cambia como un chatbot

En un asistente tipo RAG (lo explicamos en cómo hacer que la IA responda con los documentos de tu empresa), cada manual, contrato o ficha técnica se parte en fragmentos y cada fragmento se convierte en un vector que se guarda en una base de datos. Cuando alguien pregunta, su pregunta se convierte en vector con el mismo modelo y se buscan los fragmentos más cercanos.

Si cambias de modelo de lenguaje (el que redacta), el asistente sigue encontrando los mismos documentos. Si cambias el de embeddings sin reindexar, las preguntas y los documentos quedan en "idiomas" distintos y la búsqueda devuelve fragmentos que no tienen nada que ver. No hay error en pantalla: simplemente el asistente empieza a contestar mal.

Las trampas al migrar a gemini-embedding-2

Además de reindexar, la guía de embeddings de Google documenta cambios que rompen código escrito para el modelo anterior:

• Adiós al parámetro task_type. Con gemini-embedding-001 indicabas RETRIEVAL_DOCUMENT, RETRIEVAL_QUERY o SEMANTIC_SIMILARITY. gemini-embedding-2 no acepta ese campo: la tarea se escribe dentro del texto. Para búsqueda, las preguntas llevan el prefijo task: search result | query: ... y los documentos title: ... | text: ... (con title: none si no hay título). Google insiste en usar la tarea de forma consistente.
• Varias entradas, un solo vector. gemini-embedding-001 devolvía un embedding por cada texto de una lista. En gemini-embedding-2, varias entradas en una misma petición producen un solo embedding combinado. Si tu proceso de indexado manda lotes de fragmentos así, terminarías con un vector por lote en vez de uno por fragmento. Para separarlos hay que mandar cada entrada en su propio objeto Content o usar la Batch API.
• Dimensiones y normalización. Ambos modelos entregan 3,072 dimensiones por defecto. gemini-embedding-2 permite de 128 a 3,072 (Google recomienda 768, 1,536 o 3,072) y normaliza automáticamente cuando usas un tamaño distinto; con gemini-embedding-001 había que normalizar a mano. Si cambias de tamaño, ajusta también la definición del índice en tu base de datos vectorial.
• Ahora es multimodal. gemini-embedding-2 acepta texto, imágenes, video, audio y PDF. Es una oportunidad (buscar en fotos de producto o planos, por ejemplo), pero Google advierte que agregar prefijos de tarea al texto de una entrada multimodal puede dar resultados variables.

¿Cuánto cuesta reindexar?

En la API de Gemini, gemini-embedding-2 cobra 0.20 dólares por millón de tokens de texto en modo estándar y 0.10 dólares en batch; gemini-embedding-001 cuesta 0.15 y 0.075, respectivamente. Ambos tienen nivel gratuito en modo estándar. Imágenes, audio y video tienen tarifas propias y más altas.

Para una pyme típica, el costo de la API es lo de menos: un acervo de 10 millones de tokens saldría en unos 2 dólares en estándar. Lo caro es el trabajo: ajustar el código, reprocesar documentos, reconstruir el índice y comprobar que las respuestas siguen siendo buenas.

Qué hacer

1. Averigua qué modelo de embeddings usa cada asistente o buscador que tengas, incluidos los que te instaló un proveedor. Pregunta también en qué base de datos están los vectores.
2. Si estabas en la versión preview, cambia el nombre del modelo a gemini-embedding-2 en tu código y en tus variables de configuración, aunque ya funcione por la redirección.
3. Si estás en gemini-embedding-001, no hay prisa, pero sí calendario: aprovecha la próxima gran actualización de tus documentos para migrar, en lugar de hacerlo a la carrera en 2028.
4. Guarda junto a cada vector el nombre y la versión del modelo que lo generó. Así sabrás qué hay que reprocesar en la próxima migración.
5. Arma un juego de preguntas de prueba con sus respuestas correctas, y compáralo antes y después del cambio.
6. Indexa en paralelo: crea el índice nuevo junto al viejo, prueba y cambia cuando estés seguro. Es la misma lógica que recomendamos con las redirecciones automáticas de Gemini Omni.

Los retiros de modelos ya son parte del mantenimiento normal de cualquier sistema con IA, igual que las actualizaciones de una base de datos. La diferencia es que los embeddings guardan trabajo acumulado, y ese trabajo hay que rehacerlo.

Fuentes: registro de cambios, página de retiros, guía de embeddings y página de precios de la API de Gemini (consultados el 7 de noviembre de 2026); blog de Google sobre la disponibilidad general de Gemini Embedding 2 (22 de abril de 2026).