Una mejor búsqueda elevó la precisión de este agente de IA del 36% al 98% - Aamir Shakir, Mixedbread
Original · Better Search Took This AI Agent From 36% to 98% Accuracy - Aamir Shakir, Mixedbread
Key Takeaway
La precisión de los agentes de IA se eleva al 98% al sustituir las pilas fragmentadas de recuperación de datos por un modelo multimodal de interacción latente.
Highlights
Mixedbread ofrece un sistema de búsqueda multimodal y multilingüe diseñado para procesar datos complejos y hacerlos accesibles a agentes de IA.
La precisión en las respuestas de los agentes aumentó del 36% al 98% en un fondo de cobertura tras implementar la plataforma Mixedbread.
El uso de una recuperación de datos optimizada reduce tres veces el gasto en tokens de los modelos de lenguaje gracias a la precisión del contexto.
Los sistemas tradicionales de recuperación aumentada por generación sufren pérdidas constantes de información debido a fragmentaciones imperfectas y OCR con errores.
La tecnología de interacción latente procesa múltiples incrustaciones por documento para contextualizar información detallada en páginas complejas.
Timeline
Fundación y capacidades de Mixedbread
El proyecto nació ante la insatisfacción con el estado de la recuperación de información en el sector tecnológico. La arquitectura propia abarca modelos desde cero, bases de datos y canalizaciones de ingestión automáticas que evitan la gestión manual de OCR. Instituciones financieras y fondos de cobertura ya operan con miles de millones de documentos gracias a estas garantías de privacidad.
- Mixedbread funciona como un laboratorio de investigación enfocado en mejorar la recuperación de datos durante dos años y medio.
- La plataforma procesa datos diversos como PDF, hojas de cálculo, imágenes, vídeo y audio en más de 100 idiomas.
- Los servicios implementan retención de datos cero y el modo de traer tu propio bucket para cumplir con normativas de seguridad SOC 2 e ISO.
Las limitaciones del enfoque RAG tradicional
Ante consultas complejas de análisis financiero, las herramientas estándar obligan al agente a leer numerosos documentos de forma ineficiente. La llamada pila de Frankenstein requiere combinar proveedores independientes de OCR, bases de datos vectoriales y reordenadores, lo que degrada la calidad de las respuestas a medida que el volumen de datos aumenta y encarece notablemente la ejecución.
- Los métodos convencionales basados en grep y búsqueda léxica generan costes elevados de tokens y fallan ante formatos binarios o escaneados.
- Cada etapa de una canalización RAG tradicional, como la transcripción, el OCR y la fragmentación, introduce ruido y pérdidas de información.
- Los modelos de incrustación puros asignan un único punto en el espacio vectorial que resulta insuficiente para distinguir informes financieros complejos de diferentes años.
Evolución de la recuperación y modelo de interacción latente
El sistema contextualiza cada fragmento de información vinculándolo con metadatos relevantes como el nombre de la compañía emisora en un informe financiero. Esta estructura simplifica la labor de los agentes, permitiendo búsquedas rápidas que identifican datos numéricos específicos y referencias mediante cuadros delimitadores para una trazabilidad exacta.
- La industria tardó 27 años en superar la coincidencia de palabras clave de BM25 con la llegada de los primeros modelos de incrustación en 2022.
- El nuevo modelo de interacción latente genera múltiples incrustaciones para documentos y consultas de forma simultánea.
- La multimodalidad visual permite realizar incrustaciones basadas en capturas de pantalla de páginas completas sin perder información de tablas o gráficos.
Resultados de rendimiento y adopción
Los casos de estudio demuestran que el verdadero cuello de botella en los sistemas de IA no reside en la inteligencia del modelo, sino en el acceso eficiente a los datos propios. La plataforma ofrece créditos gratuitos y configuración rápida para evaluar grandes corpus documentales antes de su integración definitiva en producción.
- Un fondo de cobertura con más de mil millones de documentos integró la plataforma en semana y media.
- La precisión de las respuestas evaluadas por expertos humanos subió del 36% al 98% con el nuevo sistema de búsqueda.
- El gasto total en modelos de lenguaje se reduce tres veces al disminuir el volumen de tokens dedicados a leer y analizar información irrelevante.
Description
Agents are smart enough. Most of the time, the real problem is getting them to the right data. Aamir Shakir of Mixedbread explains why the usual stack of OCR, chunking, embeddings and a vector database loses information and leaves agents reading every document. He shows multimodal, late-interaction retrieval on Intel earnings reports, and shares a customer whose answer accuracy went from 36% to 98% after switching their search. 0:00 Intro to Mixedbread 1:30 The equity analyst problem 3:30 The key bottlenecks 4:00 The "Frankenstein stack": OCR, chunking and vectors 6:02 Why "just add a vector database" falls short 8:26 The bottleneck is access to your data 9:04 How retrieval has evolved 11:08 Demo: searching Intel earnings reports 14:57 Customer result: 36% to 98% accuracy Aamir Shakir, Mixedbread Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!