Cuando la recuperación RAG decepciona, a los ingenieros se les dice que 'añadan un reordenador'. Pero las explicaciones a menudo se quedan en el nivel arquitectónico: llamándolo cross-encoder, mecanismo de atención o modelo de relevancia entrenado—sin revelar lo que el modelo realmente aprendió. Este vacío importa: los equipos no pueden justificar el uso de un reordenador o detectar cuándo una búsqueda de palabras clave más barata sería suficiente.

La respuesta honesta es que un reordenador no es más inteligente que el paso de embeddings debajo de él. Utiliza la misma asociación estadística de tokens de los datos de entrenamiento, solo que condicionado al par consulta-paso en lugar de textos independientes. Una vez comprendido, la decisión de usar un reordenador cambia de 'porque el tutorial lo dijo' a 'solo cuando este intercambio específico vale la pena pagar'.

El artículo recorre el mecanismo: un reordenador es un transformer (cross-encoder) entrenado con etiquetas de relevancia, produciendo una puntuación basada en co-ocurrencia de tokens, no en verdadera comprensión. Resalta tres consecuencias arquitectónicas para sistemas RAG empresariales. Un cuaderno compañero permite a los usuarios probar el reordenador en PDFs, mostrando qué palabras clave impulsan el ranking.

Este artículo es la Parte I de la serie Enterprise Document Intelligence, junto al tríptico de embeddings (2A/2B/2C), y se basa en el marco Prompt, Context, Loop.