Durante años, muchas consultoras de I+D e innovación han construido auténticos tesoros documentales: bases reguladoras, convocatorias, resoluciones, resúmenes internos, instrucciones de presentación y aprendizajes acumulados convocatoria tras convocatoria.
El problema es que, en demasiados casos, todo ese conocimiento sigue viviendo en carpetas, gestores documentales (ERPs) o espacios compartidos difíciles de explotar.
La llegada de la inteligencia artificial cambia radicalmente este escenario. Ya no se trata solo de almacenar documentos, sino de convertir ese histórico en una base de conocimiento consultable, actualizada y conectada con automatizaciones que ayuden a detectar oportunidades, analizar encajes y acelerar el trabajo comercial y técnico.
Y no es un ejercicio teórico: en este artículo mostramos, con un caso real, qué aspecto tiene todo el proceso de principio a fin, desde un listado bruto de convocatorias hasta una herramienta funcional para el usuario final.
El punto de partida: un histórico con muchísimo valor
Las consultoras tradicionales de I+D tienen una ventaja enorme: conocen el terreno. Saben qué convocatorias funcionaron, qué proyectos se aprobaron, qué perfiles de solicitante encajaron mejor, qué errores se repitieron y qué documentación fue realmente necesaria. Ese conocimiento, acumulado puede convertirse en una ventaja si se estructura correctamente.
Porque ese conocimiento no lo tiene la IA.
El matiz importante es que ese histórico no sustituye a la vigilancia constante: una convocatoria de hace tres ediciones enseña cómo suele estructurarse una ayuda pero no dice si sigue abierta, si ha cambiado de importe o si ha sido sustituida por otra línea con nombre distinto o se mantiene el nombre pero cambian las condiciones.
Por eso, una buena base de datos debe tener un histórico de la consultora y el estado real de cada convocatoria.
Todo de una manera ordenada y fácil de consultar por una IA o una API que lleve la información a otro entorno que facilite la automatización de procesos previamente definidos.
El objetivo: pasar de documentos dispersos a una base de datos útil
La recomendación principal que hacemos es sencilla: mezclar lo mejor de dos mundos.
Por un lado, aprovechar la base documental y la experiencia propia de cada consultora. Por otro, incorporar tecnologías actuales como scraping, análisis automático de datos, extracción de información, búsqueda semántica y bases de datos vectoriales.
La clave está en transformar cada convocatoria en información estructurada: tipo de beneficiario, sector, presupuesto mínimo, ayuda máxima, criterios de valoración… y cualquier otro campo que permita comparar oportunidades de forma rápida.
En la práctica, estructurar un modelo de datos no es tan sencillo.
Por ejemplo, al trabajar sobre subvenciones ligadas a la contratación de personal investigador nos encontramos con que no todas las convocatorias calculan la ayuda de la misma forma: unas fijan un importe cerrado por persona y año según su categoría profesional, otras aplican una tarifa máxima por hora trabajada, y otras calculan un porcentaje sobre el presupuesto del proyecto con topes distintos según el tamaño de la empresa -y, con frecuencia, con un incremento adicional si la persona contratada tiene el título de doctor. Si el campo «tipo de ayuda» no recoge esa distinción desde el diseño inicial, cualquier automatización posterior hereda el error.
Este tipo de condicionamientos también existen en líneas más enfocadas a proyectos de I+D+i. Sobre todo en la letra pequeña de qué gastos se aceptan (limitación de coste hora, obligación de subcontratar, etc) o las condiciones a la hora de resolver y transferir la ayuda al beneficiario ya que la parte de flujo de caja también es muy importante.
Otro campo que conviene no dar por sentado: si la ayuda es una subvención a fondo perdido o un préstamo parcialmente reembolsable. Programas como los del CDTI conviven en el mismo catálogo con subvenciones puras, y mezclarlos en un mismo cálculo de «cuánto puedes recibir» sin distinguirlos es engañoso para quien consulta la base de datos.
Una metodología en cinco fases
- Diagnóstico inicial El primer paso es evaluar la información existente y su formato para saber si es reutilizable. Normalmente se parte de listados muy básicos que carecen de contexto. Por ello, resulta imprescindible revisar individualmente cada convocatoria para conocer su contenido real.
- Definición de la estructura Es fundamental diseñar una base de datos que permita realizar consultas rápidas y útiles. Para lograrlo, no bastan los campos básicos como plazos o presupuestos. Se deben incluir variables más complejas, como las fórmulas de cálculo, los requisitos del beneficiario y el estado actualizado de la ayuda.
- Automatización de la alimentación diaria El sistema debe conectar fuentes de datos para incorporar y analizar nuevas convocatorias de forma automática. Sin embargo, no basta con volcar la información directamente porque los títulos a menudo no reflejan el contenido. Es necesaria una capa de verificación profunda que analice el texto real para decidir si la ayuda interesa y extraer los datos correctamente.
- Enriquecimiento con búsqueda semántica Conviene valorar la implementación de bases de datos vectorizadas para recuperar información por significado y no solo por palabras clave. Esta tecnología avanzada facilita enormemente la comparación de convocatorias. Su uso está especialmente recomendado si el objetivo final es la creación de informes automáticos.
- Construcción de casos de uso La fase final consiste en integrar esta base de datos en herramientas concretas como calculadoras web, conectores API o asistentes para consultores. En este punto práctico es donde se pone a prueba la calidad del trabajo previo. Aquí se validará si la estructuración es correcta o si se ha olvidado algún campo importante.
Los principales retos
- Mantener la información actualizada. Hoy no tiene sentido hacerlo manualmente: una base de datos de subvenciones pierde valor si se queda obsoleta en pocos días, sobre todo en líneas que se agotan por presupuesto antes de la fecha de cierre publicada. Además, consume mucho recursos el tener a personas revisando boletines, subiendo la documentación y preparando los resúmenes (aunque sea usando la propia IA).
- Organizar bien la información. No basta con acumular PDF en carpetas; hace falta extraer, normalizar y ordenar los datos relevantes. En un ejercicio de clasificación de 200 convocatorias de I+D+i que hicimos como prueba de concepto, solo 113 resultaron realmente aprovechables tras la verificación una a una: el resto se descartó por motivos que un cribado por título nunca habría detectado —convocatorias que en realidad financian la contratación de consultoras externas y no de personal propio, líneas restringidas a universidades u organismos públicos de investigación sin acceso para empresas, ediciones ya cerradas o duplicadas de años anteriores, e instrumentos de garantía o préstamo que no son subvenciones en sentido estricto.
- Garantizar consultas rápidas. El sistema debe permitir filtrar, comparar y procesar convocatorias con agilidad, especialmente cuando se usa en procesos comerciales o técnicos. Aquí está la clave para poder comparar convocatorias de diferentes Comunidades Autónomas o elegir cuál de las líneas estatales es la que más encaja con un gran proyecto de inversión.
- Resistir la tentación de automatizar sin verificar. Cualquier proceso de alimentación automática necesita, al menos, una fase de verificación puntual -humana o asistida por IA sobre el texto completo- antes de dar por buena una clasificación hecha solo con metadatos.
Un ejemplo práctico: de la base de datos a una calculadora
Para no quedarnos en la teoría, aplicamos esta metodología a un caso concreto: subvenciones a proyectos de I+D+i con componente de gasto de personal. Partiendo de un listado de 200 convocatorias, hicimos el diagnóstico y la clasificación inicial por título, verificamos convocatoria a convocatoria con datos reales, descartamos lo que no encajaba con los motivos ya descritos, y consolidamos una base de datos con los campos de tipo de ayuda, intensidad, topes, requisitos y vigencia de cada una de las 113 líneas aprovechables.
El último paso -la fase 5 de la metodología- fue convertir esa base de datos en un caso de uso tangible: una calculadora web en la que una empresa introduce su comunidad autónoma, el tamaño de su plantilla, el tipo de proyecto y su presupuesto, y obtiene una estimación del importe de subvención al que podría optar, línea por línea y con el detalle de por qué aplica cada una. Puedes ver el resultado aquí: calculadora de subvenciones a proyectos de I+D+i.
Es, en pequeño, el recorrido completo del que habla este artículo: de las carpetas y los PDF sueltos a una herramienta que responde una pregunta concreta en segundos.
Las grandes oportunidades para las consultoras
Quien consiga ordenar y activar su conocimiento interno tendrá una ventaja clara. Las consultoras ya cuentan con un histórico muy valioso, realizan a diario análisis que podrían automatizarse y conocen de primera mano qué proyectos fueron aprobados y cuáles no. Todo eso puede alimentar modelos de decisión mucho más precisos -y, como muestra el ejemplo anterior, convertirse en herramientas que el propio cliente puede usar de forma autónoma antes incluso de la primera reunión comercial.
Conclusión: la base de datos como activo estratégico
Montar una base de datos de subvenciones ya no debería verse como un proyecto documental, sino como una inversión estratégica. Bien diseñada, puede convertirse en el núcleo de nuevas automatizaciones, mejorar la identificación de oportunidades, reducir tiempos de análisis y elevar la calidad del servicio ofrecido a los clientes. La diferencia no estará solo en tener más información, sino en saber estructurarla, verificarla y convertirla en decisiones mejores.
Ahora bien, recorrer este camino de principio a fin: scraping fiable, verificación humana o asistida por IA, un modelo de datos que distinga bien entre tipos de ayuda, búsqueda semántica y, finalmente, calculadoras o asistentes conectados por API: exige tiempo, equipo técnico y mantenimiento continuo que muchas consultoras no pueden asumir por su cuenta. Ahí es donde entra FANDIT. En lugar de construir esta tecnología desde cero, tu consultora puede apoyarse FANDIT para hacerlo y así aprovechar lo mejor de los dos mundos: la experiencia / documentación previa de la consultora junto con las últimas técnicas y oportunidades que ofrece la IA aplicada a las subvenciones.
Hola soy Pedro, cofundador y CEO de FANDIT
¿Qué hacemos? Llevamos un tiempo innovando en el sector de las ayudas públicas, tan peculiar y tradicional. Queremos que evolucione y mejore. Por eso hemos creado FANDIT, un ecosistema donde ayudamos a gestores y solicitantes con las ayudas.
