Artículos y análisis
Metodología de bid management, sesgos cognitivos de los evaluadores, estrategia de respuesta a licitaciones, lecciones aprendidas. Artículos del equipo TenderGraph.
Todos los artículos
Cada semana, el director comercial hace la misma pregunta. Cada semana, el bid manager responde lo mismo: \
El bid manager promedio utiliza diez herramientas para un solo expediente. Cada herramienta resuelve un problema y crea otros dos — hasta que el propio stack se convierte en el primer factor de pérdida de tiempo, errores y derrotas.
Todo el corpus del bid management está escrito desde el punto de vista del licitador. Nadie describe lo que ocurre del otro lado — la lectura en tres pasadas, el baremo ponderado, los sesgos del evaluador, la dinámica de comisión. Este artículo invierte la perspectiva.
Semanas de redacción, miles de euros invertidos, y luego 45 minutos de presentación oral preparada en el taxi. La defensa oral es el momento en que el 80 % de las decisiones de adjudicación se cristalizan — y el único que nadie prepara en serio.
Bronce, plata, oro: tres niveles de revisión, tres nuevos archivos, tres actas que nadie relee. El pilotaje de los expedientes de preventa es un teatro organizacional. La IA no corrige ese teatro: lo hace visible. Y lo que revela obliga a repensar la codificación, el almacenamiento y la circulación de la información estratégica.
Comparativo estructurado de las soluciones de IA para la respuesta a licitaciones en 2026: extracción, redacción, orquestación. Lo que cada herramienta hace realmente, lo que no hace y cómo elegir.
Todo el mundo conoce los 5 pasos para responder a una licitación. Nadie habla del único que determina si usted gana o pierde: la decisión de no responder.
Una propuesta técnica convincente no se redacta — se construye. Estructura, codificación de la señal, adecuación al baremo: anatomía de un documento que marca la diferencia en la nota.
Se lee en todas partes que el asistente hace ganar tiempo, y la mayoría de los directivos que lo han probado lo cerraron al cabo de un mes. La explicación no es la calidad del modelo, sino una asimetría de expectativa: se esperaba un servicio cuando se trataba de una relación. Este artículo describe la trayectoria en cuatro escalones — devolverle algo, hacer con él, dejarle hacer con nosotros, dejarle hacer sin nosotros — al término de la cual el asistente deja de hacer ganar tiempo para hacer visible cuánto valía ese tiempo.
Cartografiar el terreno. Componer con sus fuerzas. Reducir la fricción. La preventa comparte con la planificación de operaciones la misma estructura fundamental: un objetivo, restricciones, un adversario (el statu quo del cliente), y un plan que nunca sobrevive al primer contacto con la realidad.
En dieciocho meses, la IA ha vaciado de su sustancia lo que hacía un consultor júnior. La cuestión no es saber si el oficio va a desaparecer (sobrevivirá), sino qué hay que transmitir, y a qué coste, para que esta mutación no produzca una generación de operadores sin raíces. El artículo retoma tres ángulos que nadie formula con claridad en 2026: el sénior firma ahora sin red, los júniores eran un sensor sociológico invisible cuya existencia el despacho acaba de descubrir al perderlo, y el fin de la esclusa de entrada podría volver a cerrar uno de los últimos ascensores sociales del capitalismo terciario.
Una vez lanzado el agente semiautónomo sobre una misión compleja —una licitación, un diagnóstico estratégico, una propuesta consolidada—, el humano no puede ni hacerlo todo en su lugar, ni dejarlo derivar solo, ni limitarse a validar al final. Debe pilotar sobre la marcha. Esta competencia no es ni el prompt engineering, ni la evaluación a posteriori, ni el uso de herramientas. Ninguna formación clásica en IA la enseña. Exige comprender al agente como un espejo y como una persona, medir el coste oculto de cada observación en un contexto en el que el agente no sabe decir no, y distinguir permanentemente tres niveles de intervención —estratégico, táctico, operativo— que nunca deben mezclarse en un mismo turno. Es probablemente, en 2026, la competencia en IA más rara y más diferenciadora de un directivo sénior.
En 2026, los modelos de razonamiento — OpenAI serie o, Anthropic Opus extended thinking, DeepSeek R1, Gemini 2.0 thinking — han dejado de ser una curiosidad de laboratorio para convertirse en una categoría de producto que hay que saber pilotar. Este artículo didáctico explica lo que hacen técnicamente (una deliberación interna antes de responder, facturada aparte), en qué se diferencian del chain-of-thought prompting (entrenamiento por refuerzo frente a una simple instrucción), para qué sirven realmente, para qué no sirven, y dónde pueden incluso ser contraproducentes. Aplicación a las dos actividades centrales del bid management: la producción documental (donde casi siempre son un derroche) y el solutionning (donde son decisivos). Jerarquía 2026: patrón de razonamiento humano > modelo de razonamiento > modelo clásico.
Los consejos clásicos para evaluar una salida de IA — verificar las fuentes, pedir un red team interno, multiplicar las sesiones — han envejecido en 2026. Ninguno responde a la verdadera pregunta: cómo producir una salida excelente sobre un tema que no se domina, y cómo verificar que se ha alcanzado el objetivo sin poder juzgar el contenido en el fondo. La respuesta cambia de plano. El conocimiento y el razonamiento son dos objetos distintos. La IA posee el primero, no tiene ninguna preferencia intrínseca sobre el segundo. Dejada libre, aplica el razonamiento mediano de su corpus — un promedio sin superioridad particular. La superioridad debe imponérsele. Y es el humano la única fuente posible — a condición de haber reconocido su propio patrón de razonamiento, y de aceptar hacerlo trabajar.
La actualidad y las licitaciones comparten el mismo problema fundamental: un flujo de información que mezcla señal y ruido, donde la opinión se disfraza de hecho y donde la inferencia apresurada reemplaza al análisis. La diferencia: para las licitaciones, existe una herramienta que sabe distinguir.
El prompt engineering ha tocado techo en las organizaciones que más habían invertido en él, y el diagnóstico más extendido es falso. Lo que ahora separa a los operadores de IA de alto rendimiento del resto ya no es la calidad de su formulación, sino su capacidad de explicitar un método que hasta entonces movilizaban en silencio. La trayectoria de los prompts desde 2024 (instrucción directa → currículum → modo operatorio → jerarquía de principios) revela un desplazamiento más profundo: ya no es al agente a quien se instruye, es al experto a quien se enseña a formalizar lo que hacía sin decirlo.
En 2026 la palabra agente engloba varios objetos cuya naturaleza técnica diverge profundamente — del chatbot disfrazado hasta el sistema verdaderamente autónomo que elige sus propias acciones. La diferencia no reside ni en el modelo de lenguaje empleado, ni en la calidad de la interfaz, sino en el grado de autonomía concedido sobre la cadena de decisión. Este artículo desenreda la confusión, narra la trayectoria de investigación desde ReAct (2022) hasta el umbral de viabilidad industrial alcanzado en 2025-2026, y aplica la grilla al bid management — donde la verdadera agéntica cambia por primera vez lo que la máquina sabe hacer sola sobre un expediente.
DeepSeek V4 salió el 24 de abril de 2026 — primer modelo open source de gran envergadura SOTA, código y pesos abiertos, contexto de 1M tokens. Rendimientos que pisan los talones a Claude Opus 4.7 y GPT-5.5 sin igualarlos, a una séptima parte del precio. Por primera vez, un modelo cercano a la cima es desplegable sobre infraestructura propietaria. Pero el open source no se reduce a 'más barato': reabre la cuestión de la soberanía de los datos, añade una opción de resiliencia frente a los proveedores y sienta las condiciones de un posicionamiento estratégico en tres niveles. Este artículo desenreda lo que el open source cambia realmente, lo que no cambia, y por qué usarlo para ahorrar es el principal error estratégico.
La IA generativa parece barata porque el capital riesgo financia su consumo desde hace tres años. Cuando se mira el coste real de un uso profundo —una licitación tratada con un modelo premium y un bucle humano serio— la aritmética cambia. Un agente sénior consume entre 150 y 400 dólares de tokens por expediente, no por mes. OpenAI duplicó su tarifa de API el 23 de abril de 2026; la subvención del capital riesgo alcanza su cénit. Esta columna hace explícito el verdadero coste de inferencia, desmonta el dilema del director de sistemas entre un Copilot capado y un premium auto-racionado, propone la única arquitectura que sale rentable y defiende una tesis contraintuitiva: la ventana actual es, paradójicamente, la más barata que veremos en mucho tiempo.
Microsoft Copilot, ChatGPT y Gemini se apoyan en realidad sobre modelos de contexto largo (128 k+ tokens). Pero los editores los limitan deliberadamente en sus interfaces de consumo: el tope no es técnico, es económico. La aparente gratuidad está subvencionada por el capital riesgo, y las herramientas disponibles resultan cognitivamente decepcionantes en la mayoría de los casos donde haría falta profundidad, porque se ha renunciado a asumir su precio. Consecuencia: la licitación, las reuniones largas sensibles y el análisis documental transversal escapan al ámbito de uso legítimo de los chatbots de consumo.
1981, Tversky y Kahneman publican el experimento de la enfermedad asiática: mismas opciones, mismas probabilidades, preferencias invertidas por la sola reformulación. Es esta mecánica la que gobierna la lectura de una memoria técnica. El encuadre no es el argumento — es lo que el argumento da por sentado antes de comenzar. Y en la era de los modelos de razonamiento, el reencuadre humano previo a un prompt es probablemente más rentable que cualquier prompting o fine-tuning: redefine la distribución de completado del modelo, y permite a la IA extraerse de forma fiable del consenso estadístico.
Octubre de 1962, Comité Ejecutivo sobre Cuba: ninguna afirmación de los analistas senior salía sin su marcador de certeza. Cincuenta años más tarde, Tetlock demuestra que los superpronosticadores aficionados superan a los analistas de la CIA en un 30 % solo por la calibración probabilística. Una respuesta a una licitación es un sistema de operadores epistémicos disfrazado de lenguaje natural — y el exceso de confianza de los LLM, por construcción del gradiente RLHF, hace de ella uno de los últimos terrenos donde la firma humana sigue siendo estructuralmente más fiable que la producción de la máquina.
«Todas las opciones están sobre la mesa.» La frase es diplomática, gramaticalmente completa, semánticamente vacía. Es la aposiopesis moderna — y la herramienta más precisa del bid manager para marcar la casilla de un cliente sin bloquear un compromiso que no puede cumplir. Forma: nada de puntos suspensivos en una memoria técnica, sino una fórmula-pantalla de referente colectivo. Los LLM la producen mal, bajo tres patologías recurrentes — sobrecompromiso, suspensión cosmética, fórmula-pantalla sin anclaje en la realidad.
La IA absorbe la redacción, la extracción, la conformidad. Lo que queda — y que se convierte en el único diferenciador — pertenece a tres registros que nadie enseña: la lectura emocional del cliente, la altura estratégica, y el dominio lingüístico. Cartografía de una profesión en mutación.
Decir menos para significar más. De Gaulle en agosto de 1940, Corneille acto III escena 4, el understatement británico de Beatty a Churchill. La lítote exige exactamente aquello que el RLHF entrenó a los LLM a no hacer: retener la información. RoBERTa se estanca en el 21,1 % en la descodificación de las dobles negaciones. Es la figura donde la brecha entre producción humana y producción máquina es más profunda — y el marcador de seniority más fiable en la consultoría y el bid management.
«No preguntéis qué puede hacer vuestro país por vosotros; preguntad qué podéis hacer vosotros por vuestro país.» Kennedy, 1961. Diecisiete palabras, una inversión, una frase que entró en la historia. El quiasmo —AB/BA— es una de las pocas figuras que los LLM reproducen mal porque exige una intención semántica que la imitación estadística no proporciona. Sigue siendo, por esa misma razón, una firma humana.
«I have a dream» ocho veces en once minutos. «We shall fight» siete veces en una sola frase. La anáfora —la repetición inicial— es la figura retórica más poderosa de la historia oratoria. Y también una de las más reproducidas mecánicamente por los LLM, porque corresponde a un circuito de atención preciso llamado induction head. Cuando Martin Luther King y un Transformer explotan la misma mecánica cognitiva.
Veni, vidi, vici. Libertad, igualdad, fraternidad. Life, liberty, the pursuit of happiness. El tricolon está en todas partes — y la IA lo reproduce masivamente. Dos mil años antes de los LLM, los oradores griegos habían identificado el óptimo. Las neurociencias cognitivas lo validaron en 2001. Los estudios de marketing lo cuantificaron en 2014: tres argumentos maximizan la persuasión; cuatro disparan el escepticismo. He aquí por qué.
Hasta 2024, un LLM completaba «Los pájaros no pueden ___» con «volar» en el 85 % de los casos. Los modelos frontier han resuelto este ejemplo, pero la asimetría que revelaba sigue presente en la arquitectura. Explica por qué la correctio — «no X, sino Y» — sigue siendo estructuralmente más eficaz que una afirmación sola, incluso en los LLM de 2026.
El debate público sobre la IA documenta sus sesgos — alucinaciones, adulación, prosa hueca. El mismo debate olvida poner en perspectiva los sesgos del cerebro humano, documentados desde hace setenta años. El inventario comparado es inapelable: los sesgos humanos son más numerosos, más sistémicos y más invisibles. Corolario: la IA, correctamente arquitecturada, se convierte en el principal contrapoder frente a los sesgos humanos — con la condición de dejar de tratarla como un chatbot.
El patrón «no X, sino Y» se ha convertido en la firma burlona de la escritura de la IA. Salvo que existía antes. Que tiene un nombre en retórica desde Aristóteles. Que su crecimiento en la literatura de management es anterior a los LLM. Y que es estructuralmente más eficaz que una afirmación simple para transmitir un mensaje. La IA no tiene un tic. Optimiza.
Un expediente completo en pocas horas. Iteraciones en veinte minutos. La IA resuelve el problema de producción. Pero crea otro, que nadie anticipa: ¿qué se hace con el tiempo liberado — y cómo absorbe la organización el impacto?
La mayoría de las organizaciones fracasan al integrar la IA en sus procesos de licitación — por una razón cognitiva que nadie nombra. Se representan la IA como un chatbot seguro a desplegar internamente. No saben qué es un agente. No tienen un proceso humano-agente. Resultado: compran herramientas de 2024 para problemas de 2026.
La IA es la mayor máquina de producir ruido jamás inventada. También es la única que puede eliminarlo. La cuestión no es si usted utiliza la IA — es de qué lado de la paradoja se encuentra.
Un pliego de condiciones de 200 páginas nunca lo dice todo. Lo que no dice es a menudo lo que hace ganar o perder un contrato. El verdadero peligro no es la ambigüedad — es la inferencia silenciosa que la resuelve en su lugar.
Tiene 15 referencias. El evaluador no retiene ninguna. El problema no es el volumen — es que usted confunde prueba de experiencia con prueba de comprensión. Anatomía de un error universal.
El mercado está inundado de autoproclamados expertos en IA que en realidad son expertos en automatización reconvertidos. La diferencia no es semántica. Es fundamental: uno hace workflows, el otro simula razonamiento. Y casi nadie sabe hacer lo segundo.
La mayoría de las guías de ingeniería de prompts se limitan a recetas. Esta guía sienta las bases teóricas —teoría de la información, arquitectura de los transformers, pragmática de Grice— y extrae ocho principios operativos para pasar de la artesanía del prompt a su ingeniería rigurosa.
El mercado está inundado de herramientas que prometen 'responder más rápido a las licitaciones gracias a la IA'. Nadie hace la verdadera pregunta: responder más rápido a más contratos con respuestas mediocres, ¿es un progreso — o un acelerador de fracaso?
El resumen ejecutivo se supone que es su arma letal. En realidad, la mayoría son resúmenes vacíos que nadie lee hasta el final. Anatomía del problema — y de la solución.
El bid manager no pierde sus contratos por falta de competencia. Los pierde porque su cerebro lo traiciona — sesgo de recencia, heurísticas, impresiones no formalizadas. La verdadera palanca no es trabajar más, es dejar de reproducir los mismos errores invisibles.
Una empresa de servicios invierte millones para entrenar un modelo con sus ofertas pasadas. Resultado: una máquina de producir respuestas medianas, pertinentes para nadie. Autopsia de un fracaso previsible.
La IA ya puede automatizar gran parte del proceso de respuesta a licitaciones. Pero el verdadero cambio no está ahí. Es la relación con el cliente la que está mutando.
