Mi primer acercamiento a este tema ocurrió mientras buscaba alternativas para almacenar vectores en un sistema RAG que desarrollaba para un agente. Empecé explorando PostgreSQL y pgvector, pero pronto noté un patrón: Microsoft estaba integrando SQL Server y Azure profundamente en su ecosistema de IA, Oracle y MySQL hacían lo propio, y recientemente MariaDB también ha lanzado sus esfuerzos en este nicho. Fue entonces cuando me di cuenta de que no estábamos ante una moda pasajera, sino ante una evolución masiva de los motores que ya conocemos.
Las bases de datos de siempre también están aprendiendo IA (y eso nos simplifica la vida)
Si llevas tiempo desarrollando software o administrando sistemas, probablemente tengas una relación muy clara, y a veces emocional, con tu base de datos. PostgreSQL, MySQL, SQL Server, Oracle… no son modas. Son herramientas que llevan años (o décadas) resolviendo problemas reales en producción.
Por eso, cuando empezó el boom de la IA generativa, muchos tuvimos la misma reacción:
Genial… ¿y ahora qué sistema nuevo tengo que aprender?
Bases de datos vectoriales, nuevos motores, nuevos despliegues, nuevas alertas, nuevos backups. Más piezas en un stack que ya era suficientemente complejo.
Pero algo interesante está pasando: las bases de datos relacionales de toda la vida no se están quedando fuera de esta ola. Tampoco están siendo reemplazadas. Están evolucionando de una forma mucho más pragmática de lo que parecía al principio.
No es una revolución, es una extensión (y eso importa)
El patrón es bastante claro: en lugar de decir “olvida SQL, aquí tienes algo completamente distinto”, los motores relacionales están diciendo otra cosa:
Sigue usando SQL. Solo que ahora también puedes trabajar con vectores.
PostgreSQL con extensiones como pgvector. MariaDB incorporando tipos vectoriales. MySQL, SQL Server y Oracle integrando búsqueda semántica y conectores con servicios de IA. Cada uno a su manera, pero todos con la misma idea de fondo: no romper lo que ya funciona.
Y para quienes desarrollamos o operamos sistemas, esto es una gran noticia. Porque no se trata solo de guardar embeddings; se trata de hacerlo sin tirar por la borda años de experiencia, herramientas y buenas prácticas.
La IA baja del pedestal y entra al día a día
Durante un tiempo, la IA aplicada parecía algo reservado para arquitecturas “especiales”:
- pipelines nuevos, infra distinta, servicios externos, sincronizaciones complejas.
Hoy, en muchos casos, empieza a verse más como esto:
- Una tabla más
- Un tipo de dato nuevo
- Una función adicional en una query
Y eso cambia la percepción por completo. La IA deja de ser “ese proyecto experimental” y empieza a formar parte del flujo normal de desarrollo.
Para un desarrollador que está empezando, esto reduce muchísimo la barrera de entrada. Para uno con experiencia, significa que puede aplicar IA sin sentirse fuera de su zona de competencia. Para el administrador de sistemas, implica algo aún más importante: menos sistemas nuevos que mantener.
Menos magia, más operaciones conocidas
Uno de los grandes valores de las bases de datos relacionales no es solo cómo almacenan datos, sino todo lo que ya resuelven alrededor:
- Seguridad y control de accesos
- Backups y recuperación
- Replicación
- Monitoreo
- Procedimientos operativos claros
Cuando los vectores viven dentro de la misma base de datos, heredan todo eso automáticamente. No hay que inventar nuevas políticas de backup ni aprender cómo se comporta un sistema desconocido bajo carga.
Desde el punto de vista operativo, esto es oro puro. La IA deja de ser una caja negra difícil de gobernar y pasa a ser parte del mismo entorno que ya sabemos cuidar.
Sí, hay compromisos (y está bien)
- ¿Son estas soluciones tan rápidas como una base de datos vectorial especializada? No.
- ¿Van a manejar miles de millones de vectores con latencias mínimas? Tampoco.
Pero seamos honestos: la mayoría de las aplicaciones no lo necesitan.
Muchos casos de uso reales de IA, como búsqueda semántica, RAG, recomendación contextual, clasificación, funcionan perfectamente dentro de una base de datos relacional extendida. A cambio, ganamos simplicidad, coherencia y velocidad de implementación.
No todo tiene que ser “lo más rápido posible”. A veces, lo mejor es lo suficientemente bueno y mucho más fácil de operar.
Cuando lo “tradicional” deja de ser un insulto
Durante años, llamar a una tecnología “tradicional” era casi despectivo, siempre había que estar en la moda del momento. Siempre he priorizado la estabilidad, algo que normalmente te dan las herramientas tradicionales. Hoy, en el contexto de la IA, empieza a significar algo distinto: confiable, entendible, gobernable.
Las bases de datos relacionales no están compitiendo por ser lo más innovador del mercado. Están haciendo algo más inteligente: están absorbiendo la innovación y normalizándola.
Y quizá ese sea el verdadero cambio de paradigma: la IA deja de ser un nicho extraño y empieza a convertirse en una capacidad más del stack estándar.
Para quienes construimos y operamos sistemas todos los días, eso no es aburrido. Es exactamente lo que necesitamos.
Optimizar una consulta de vectores no es tan distinto a optimizar el SQL que llevamos años puliendo. Y después de todo, qué chévere es que, para proteger y administrar la base de datos, no hay que inventar nada nuevo: nuestras herramientas de siempre siguen siendo las mejores aliadas.