"Machine learning RFP" puede significar dos cosas muy distintas
Antes de seguir, conviene aclarar una ambigüedad que confunde bastante. "Machine learning RFP" suele significar una de dos cosas:
-
Un RFP para un proyecto de machine learning — un documento que una empresa redacta para contratar a un proveedor de IA/ML (por ejemplo: "lanzamos un RFP para un modelo de detección de fraude, los proveedores deben responder antes de..."). Si es esto lo que buscas, necesitas una plantilla/checklist de RFP para contratación de ML — definir el problema de negocio, las métricas de éxito, la disponibilidad de datos y los criterios de evaluación desde el principio, porque un RFP de ML poco concreto es la causa número uno de respuestas de proveedores que no encajan.
-
Machine learning aplicado a la respuesta de RFPs/licitaciones — usar IA para leer, puntuar y ayudar a responder a las licitaciones y RFPs a los que tu empresa se presenta. De esto trata el resto del artículo, y es donde la tecnología ha avanzado más en los últimos dos años.
Si venías buscando lo primero, es un problema distinto con herramientas distintas (plantillas de contratación, marcos de evaluación de proveedores). Todo lo que sigue trata sobre lo segundo: cómo funciona realmente el machine learning dentro del proceso de respuesta a una licitación.
Qué implica de verdad que "la IA lea" un pliego
Una licitación o RFP no es un documento único — es un paquete: el anuncio principal, el Pliego de Prescripciones Técnicas, el Pliego de Cláusulas Administrativas, criterios de valoración, y a menudo decenas de anexos, muchos de ellos PDFs escaneados.
"La IA lee el pliego" se descompone en varios pasos distintos:
1. Extracción de texto y OCR
Muchos documentos de licitación son PDFs escaneados o exportaciones mal etiquetadas. El primer paso es la extracción de texto — y para páginas escaneadas, OCR. Suena trivial, pero es donde fallan en silencio muchas herramientas de "IA para licitaciones": si la extracción se salta una tabla de criterios de valoración por ser una imagen, todos los pasos posteriores heredan ese hueco.
2. Extracción de campos estructurados
Con el texto limpio, un LLM extrae los campos que importan para decidir si presentarse o no: plazo de presentación, presupuesto base de licitación, requisitos de solvencia, criterios de adjudicación y sus ponderaciones, certificaciones exigidas, códigos CPV. Esto convierte un PDF de 80 páginas sin estructura en un registro estructurado.
3. Puntuación de relevancia según el perfil de tu empresa
Este es el paso que separa lo "potenciado por IA" de lo "con etiqueta de IA". Un modelo compara el objeto real del contrato — no solo el título — con las especialidades concretas de tu empresa y genera una puntuación de relevancia. En Nomos, esto es una puntuación de 0 a 10 por especialidad (por ejemplo, una empresa de instalaciones eléctricas y climatización recibe puntuaciones separadas para cada una), generada leyendo el pliego técnico completo, no buscando palabras clave en el título.
4. Generación del borrador
Para una licitación que merece la pena, el último paso es generar un primer borrador de la memoria técnica — sección por sección, basado en los requisitos reales extraídos del pliego, no en una plantilla genérica. Aquí es donde se concentra la mayor parte del ahorro de tiempo: pasar de la página en blanco a un primer borrador estructurado que ya responde a cada requisito del pliego.
Un ejemplo concreto
Imagina una licitación titulada "Servicio de mantenimiento de instalaciones" — un título tan genérico que no dice casi nada. El pliego técnico, sin embargo, especifica que el servicio cubre instalaciones eléctricas de baja tensión, climatización VRV y sistemas de detección de incendios, con un mínimo de dos técnicos certificados ISO en plantilla.
Un monitor basado en palabras clave hace match con "mantenimiento de instalaciones" y se queda ahí — inútil si tu empresa hace instalaciones eléctricas pero no climatización. Un sistema basado en machine learning lee el pliego, identifica el alcance real (eléctrico: relevancia alta; climatización: relevancia alta; detección de incendios: relevancia menor si no es tu especialidad), puntúa cada dimensión por separado y, si decides presentarte, redacta las secciones de la memoria técnica que hacen referencia al requisito de certificación ISO que de verdad aparece en el pliego.
Esa es la diferencia práctica entre "machine learning para licitaciones" como concepto de marketing y como algo que cambia cuántas licitaciones puede afrontar realmente un equipo pequeño.
De dónde sale el dato sobre el que trabaja la IA
Nada de esto funciona sin acceder antes a los pliegos. Para licitaciones españolas, la fuente son los datos abiertos de la PLACSP en formato ATOM/CODICE; para licitaciones europeas, TED; para Estados Unidos, la API pública de SAM.gov; para Reino Unido, Find a Tender/Contracts Finder vía OCDS. Lo explicamos todo — incluida la verdad sobre si hacen falta proxies con IP rotativa (casi seguro que no) — en nuestra guía sobre las fuentes de datos reales de licitaciones.
Las limitaciones que casi nadie menciona
El machine learning para licitaciones es realmente útil, pero tiene límites reales:
- Riesgo de alucinación en afirmaciones factuales. Un LLM que redacta una sección de la memoria técnica puede generar afirmaciones plausibles pero incorrectas sobre tu empresa (certificaciones que no tienes, proyectos anteriores que no existen) si no está anclado a los datos reales de tu empresa. Cualquier herramienta seria necesita una capa que vincule el contenido generado a hechos verificados sobre tu empresa.
- No sustituye a la estrategia. La puntuación y la generación de borradores aceleran la parte mecánica de presentarse a licitaciones. Decidir si presentarse o no — estrategia de precio, alianzas, argumentos diferenciales — sigue siendo una decisión humana.
- La presentación automática es mala idea. Todo borrador generado por IA necesita revisión humana antes de presentarse. El valor no es "presentarse sin tocar nada" — es comprimir un proceso de redacción de varios días en unas horas de revisión y ajuste.
Manual vs. software de licitaciones vs. potenciado por machine learning
| Manual | Software de licitaciones genérico | Potenciado por ML (Nomos) | |
|---|---|---|---|
| Encontrar licitaciones relevantes | Búsqueda manual diaria | Alertas por palabra clave/CPV | Puntuación 0-10 sobre el pliego completo |
| Leer el pliego | Lectura manual completa | Manual | Resumen estructurado generado por IA |
| Primer borrador | Desde cero | Plantilla genérica | Redactado a partir de los requisitos reales |
| Tiempo hasta tener un borrador presentable | Días | 1-2 días | Horas |
| Riesgo de pasar por alto un requisito | Alto | Medio | Bajo (se extraen todos los requisitos) |
Conclusión
"Machine learning RFP" suele significar una de dos cosas — contratar un proveedor de ML o usar ML para responder a licitaciones — y requieren herramientas completamente distintas. Si tu objetivo es lo segundo, el impacto práctico viene de tres cosas funcionando juntas: documentos leídos por completo (no solo títulos), relevancia puntuada según tus especialidades reales, y borradores anclados a los requisitos reales de cada licitación.
¿Quieres verlo con una licitación real? Genera el borrador de tu memoria técnica a partir de cualquier pliego con Nomos.