Box usa Nemotron de Nvidia: búsqueda 4x más rápida

Box Content Retrieval: qué anunció Box en su conferencia de desarrolladores

Cuatro veces más rápido, 20% menos errores y 90% menos tokens. Esos son los números que Nvidia y Box pusieron sobre la mesa en la conferencia de desarrolladores de Box, donde la compañía presentó Box Content Retrieval, una función que integra el sistema de embeddings Nemotron en el núcleo de su plataforma de gestión de contenido.

El dato lo dio Kari Briski, vicepresidenta de software de IA generativa de Nvidia, en declaraciones a TechCrunch. No es un detalle menor: si tu startup ya corre agentes sobre documentos internos, el costo por consulta es hoy uno de los frenos más concretos para escalar el uso.

La función estará disponible para todos los clientes de Enterprise Advance de Box y empezará a desplegarse a principios del próximo año.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Cómo funciona y por qué mejora la búsqueda de agentes?

El problema que ataca Box lo conoce cualquiera que haya montado un agente sobre una base documental: el agente lee documentos completos para encontrar un fragmento relevante. Eso quema tokens, suma latencia y multiplica los errores cuando el contexto es ambiguo.

Lo que hace Nemotron es preprocesar el contenido y generar embeddings: representaciones vectoriales que mapean conceptos, no solo palabras clave. Con ese material indexado, el agente puede pedir los fragmentos relevantes en lugar de tragarse el documento entero.

«Esto aumenta drásticamente la relevancia de nuestra tecnología de búsqueda para agentes», dijo Aaron Levie, CEO de Box. «En vez de que un agente tenga que leer cada documento, podemos devolver fragmentos de los documentos más relevantes para la consulta del usuario o para la tarea que el agente esté haciendo».

El caso de uso que dio Box es el legal: abogados que encuentran cláusulas y precedentes con más facilidad. Y hay una razón técnica detrás. Como los embeddings de Nemotron van más allá de la coincidencia literal y mapean conceptos subyacentes, la búsqueda puede devolver conceptos legales relacionados aunque el documento use otras palabras.

Los embeddings: la pieza que los grandes laboratorios dejaron de lado

Aquí está el insight estratégico del anuncio. Los modelos de embeddings —los que usan LLMs para preprocesar datos y hacerlos digeribles para agentes— han sido históricamente un terreno secundario para los laboratorios de frontera, que concentran su atención en los modelos generativos.

Nvidia ocupó ese hueco. Nemotron Embed es un proyecto de modelos de embeddings de pesos abiertos y, según TechCrunch, el lanzamiento más reciente de Nemotron en julio quedó primero en el benchmark RTEB, que mide calidad de recuperación.

Nvidia no se detuvo ahí. Según reportó Unite.AI sobre el anuncio de la compañía, en octubre de 2026 Nvidia amplió la colección Nemotron Retriever con modelos abiertos y de uso comercial para embedding, reranking y extracción de documentos: Nemotron 3.5 Embed en variantes 8B y 1B, Nemotron 3.5 Rerank 8B y Nemotron 3.5 Parse, de 631 millones de parámetros. La evaluación de texto cubrió 34 idiomas y la de recuperación visual multilingüe, 18 idiomas.

El mismo reporte consigna que insertar el reranker en el pipeline de un agente redujo el costo de tokens por consulta alrededor de 14% junto al modelo de embedding 8B y 13% junto al 1B, con mejora de precisión en ambos casos. Los pesos abiertos, los datos y las recetas de entrenamiento están publicados en Hugging Face, con despliegue en producción a través de NVIDIA NIM.

Para un founder, esto significa que la capa de recuperación dejó de ser un problema que solo se resuelve comprando un producto cerrado. Existen modelos abiertos y competitivos, y el argumento de Nvidia es explícitamente económico: cuando la evidencia vuelve incompleta o irrelevante, el agente hace más búsquedas y revisa más documentos, quemando tokens de inferencia antes de terminar.

¿Qué significa esto para tu startup?

Tres cosas concretas, y las tres se pueden ejecutar esta semana.

Primero: audita cómo recuperan contexto tus agentes. Si hoy tu agente lee documentos completos para responder, tu costo escala de forma lineal con el uso. Medir cuántos tokens consume cada consulta es el primer paso para saber si el cuello de botella está en el modelo o en la recuperación. Si el problema es la recuperación, un modelo de embedding abierto es una vía de prueba barata: los pesos de Nemotron están disponibles públicamente.

Segundo: no subestimes la capa de permisos y metadatos. Levie lo dijo sin rodeos a TechCrunch: aunque los modelos Nemotron son de acceso libre, el sistema se apoya fuertemente en los metadatos y los controles de permisos que Box ya tenía. «Estamos probablemente empaquetando cinco tecnologías distintas en una sola API», resumió.

Traducción para quien construye: la ventaja competitiva no está en el modelo de embeddings —que es abierto y cualquiera puede descargar— sino en la capa de gobierno del dato. Si tu producto indexa información de tus clientes, tu diferenciación real vive en saber quién puede ver qué, no en el vector.

Tercero: si eres cliente de Box, revisa tu plan. La función llega primero a Enterprise Advance, con despliegue a principios del próximo año. Vale la pena calcular si el ahorro de tokens justifica el salto de plan antes de renovar.

La carrera por el contexto empresarial se puso cara

Box no mueve esta ficha en el vacío. En septiembre de 2026 anunció una integración con OpenAI para que los usuarios puedan acceder y trabajar con su contenido de Box directamente desde ChatGPT, manteniendo los permisos y la gobernanza de Box, según el comunicado difundido por Business Wire.

Y su competidor más directo, Glean, juega exactamente la misma carta del contexto empresarial. En su conferencia Glean:GO presentó Glean Tau y publicó un benchmark propio que, según el mismo comunicado, muestra un ahorro de 81% en costos de tokens y una preferencia del 78% frente a Claude Cowork: US$0,58 por consulta contra US$2,98. La compañía afirma estar construida alrededor del contexto empresarial desde 2019.

El patrón es claro: los proveedores de contenido empresarial dejaron de competir por features de almacenamiento y ahora compiten por quién entrega mejor contexto a los agentes. Nvidia, mientras tanto, vende la infraestructura a todos. Además de la línea Retriever, presentó Nemotron 3.5 Super VL, un modelo abierto de 120.000 millones de parámetros que, según ZDNET, la compañía describe como el más rápido de su clase, cinco veces más rápido que el siguiente mejor.

Conclusión

Box Content Retrieval no es una función de búsqueda más. Es la confirmación de que la recuperación de información se convirtió en la capa donde se decide si un agente es útil o caro.

Los números que Nvidia pone sobre la mesa —4x más rápido, 20% menos errores, 90% menos tokens— apuntan directo al bolsillo de quien opera agentes en producción. Y que los modelos sean de pesos abiertos mientras la ventaja de Box siga estando en los metadatos y permisos deja una lección incómoda y valiosa: el modelo es commodity, el contexto gobernado no.

Si tu startup vende IA sobre datos de empresas, la pregunta que deberías estar respondiendo no es qué modelo usas, sino qué sabes de los datos de tu cliente que nadie más sabe.