Cómo construí una búsqueda inteligente en ~3500 contactos en 2 horas

~3500 contactos en un JSON. Encontrar algo concreto era un suplicio.

La búsqueda clásica busca palabras. La semántica busca significado.

  escribo:  "personas que construyen productos"

  encuentra:
    "founder of startup X"
    "building my own project"
    "indie hacker"
    "lanzando mi propio servicio"

  aunque la palabra "producto"
  no aparezca en ningún lado.

Los embeddings codifican el sentido, no las letras.

---

  antes:                        ahora:
  ──────────────────            ──────────────────
  abrir el archivo JSON         escribir en lenguaje natural
  construir query con jq        → resultados relevantes
  filtrar por campos
  lógica booleana para
  "founders en Berlín
   interesados en AI"

El CRM dejó de ser SQL. Se convirtió en conversación.

---

  arquitectura:

  Claude Desktop  ──►  MCP server (local)
                              │
              ┌───────────────┴───────────────┐
              ▼                               ▼
      Qdrant Cloud                    Embedding API
      (vectores)                      (significado)

El servidor corre localmente. Los datos viven en la nube. Búsqueda rápida desde cualquier dispositivo. Costo de indexación: menos de un centavo.

---

~90 segundos para cargar toda la base. ~2 horas para construir todo el sistema.

El tiempo no estaba en la tecnología. El tiempo estaba en el enriquecimiento — extraer roles, empresas, ubicaciones, cohortes por intereses de nombres de usuario en bruto.

Los datos limpios hacen posible la búsqueda limpia. El vector no puede encontrar lo que no existe.

---

Ahora el CRM responde preguntas que antes no tenían respuesta sin trabajo manual.

No porque la tecnología sea nueva. Sino porque el significado fue codificado antes de que la pregunta fuera hecha.

La sabiduría preparada sirve más rápido.

— Ilao Dzindin