Plataforma de Procesamiento de Licitaciones Impulsada por IA: Caso de Estudio iM Global Partner

CIFRAS CLAVE

• 50% de aumento en el número de licitaciones procesadas
• 30% de mejora en la tasa de éxito
• 38 mil millones de dólares en activos bajo gestión

SOBRE EL CLIENTE

Líder mundial en gestión de activos, iM Global Partner gestiona una cartera de 38 mil millones de dólares en 16 ubicaciones en Europa y Estados Unidos. Su especialización en asociaciones estratégicas con empresas de gestión independientes lo convierte en un actor de referencia en el sector financiero internacional.

DESAFÍO

En un sector tan competitivo como la gestión de activos, la capacidad de responder eficazmente a las licitaciones es crucial. iM Global Partner enfrentaba un desafío significativo: procesar un volumen creciente de documentos multilingües mientras mantenía una calidad de respuesta impecable. La extracción precisa de preguntas y la construcción de una base de conocimientos robusta a partir de documentos existentes requería una solución innovadora capaz de adaptarse a las especificidades del contexto financiero.

SOLUCIÓN

En el corazón del sistema, un proceso de coincidencia inteligente combina el poder de los embeddings para la vectorización de documentos con las capacidades de la IA generativa Mistral Nemo. Esta alianza identifica automáticamente las coincidencias más relevantes entre licitaciones y productos financieros.

Para el procesamiento de RFP (Request For Proposal), implementamos un sistema RAG (Retrieval-Augmented Generation) inteligente. Este sistema analiza profundamente los cuestionarios, busca información relevante en la base de conocimientos y genera respuestas contextualizadas. Toda la plataforma se despliega directamente en la infraestructura de iM Global Partner, garantizando así la seguridad y confidencialidad de los datos sensibles.

Coincidencia Inteligente con IA

• Uso de embeddings para vectorización de documentos
• Coincidencia automática mediante IA generativa (Mistral Nemo)
• Base de conocimientos enriquecida y contextualizada

Procesamiento Automatizado de RFP

• Análisis de cuestionarios de licitación
• Sistema RAG (Retrieval-Augmented Generation) para búsqueda de información relevante
• Generación de respuestas contextualizadas

Seguridad y Cumplimiento

• Despliegue on-premise en infraestructura del cliente
• Protección de datos sensibles
• Control completo sobre el procesamiento de información

EJEMPLO DE PROMPT PARA NORMALIZAR RFPs

La fuerza del siguiente prompt radica en su combinación de diferentes técnicas de prompting, creando una herramienta particularmente efectiva para analizar licitaciones financieras. En su núcleo, el diseño incluye few-shot learning que utiliza un caso concreto para ilustrar exactamente el formato esperado. Este enfoque se refuerza mediante una estructuración metódica en pasos, siguiendo un principio de chain-of-thought que guía el análisis de manera lógica y secuencial. El prompt también se basa en un sistema de restricciones explícitas y especificación precisa del formato de salida JSON, asegurando resultados estandarizados y fácilmente explotables. El conjunto está enmarcado por una clara definición de rol y contexto, asegurando que el análisis siempre permanezca alineado con los objetivos específicos de las licitaciones financieras.

Este enfoque multifacético crea así un sistema robusto y preciso, capaz de procesar eficientemente respuestas a licitaciones mientras mantiene un alto nivel de estandarización y reproducibilidad, elementos esenciales en el sector financiero:

Objetivo

Leer y analizar documentos para identificar parámetros clave de inversión según cuatro categorías principales:

1. Clases de Activos
2. Estilos de Inversión
3. Categorías de Capitalización
4. Enfoque Geográfico

Pasos de Análisis

1. Clases de Activos
   • Examinar referencias a clases de activos
   • Anotar todas las clases de activos identificadas
   • Debe coincidir con la lista de valores especificados
2. Estilos de Inversión
   • Examinar referencias a estrategias de inversión
   • Anotar todos los estilos identificados
   • Debe coincidir con la lista de valores especificados
3. Categorías de Capitalización
   • Examinar referencias a capitalización de mercado
   • Anotar todas las categorías identificadas
   • Debe coincidir con la lista de valores especificados
4. Enfoque Geográfico
   • Examinar referencias a regiones geográficas
   • Anotar todas las ubicaciones identificadas
   • Debe coincidir con la lista de valores especificados
5. Parámetros Opcionales
   • Identificar preferencias opcionales o alternativas aceptables
   • Anotar elementos que son:
     • Preferidos pero no obligatorios
     • Aceptables pero no prioritarios
     • Permitidos como opciones secundarias
   • Categorizar elementos opcionales dentro de las cuatro categorías principales
6. Manejo de Ambigüedades
   • Ignorar cualquier mención poco clara o ambigua
   • Incluir solo elementos claramente identificables

Formato de Salida

El resultado debe estar formateado en JSON con las siguientes categorías: