Analizar un solo proceso de licitación pública tomaba un día y medio completo de trabajo. Con ese ritmo, un equipo comercial apenas lograba revisar 5 oportunidades al mes, y cada una que no alcanzaban a leer a tiempo era un contrato que quedaba fuera de alcance.
Esto no es un solo caso. Son tres organizaciones colombianas que confiaron en nosotros y dentro de nuestros servicios de IA en Acción, resolvieron cuellos de botella parecidos en sus áreas comerciales, cada una con su propio proceso y su propia cifra de resultado.
Cuando decidir si participar en una licitación tomaba más tiempo que prepararla
El desafío: el equipo comercial de una empresa de servicios necesitaba saber si podía participar en una licitación, y para eso invertía 12 horas leyendo pliegos, anexos y matrices completas. A ese ritmo, apenas lograban analizar 5 procesos al mes y perdían oportunidades de negocio por no llegar a tiempo.
Cómo lo resolvieron: configuraron Gemini siguiendo la metodología de Danalytics. El resultado: el análisis pasó de 12 horas a hora y media, una mejora del 70% en el tiempo operativo. Con ese tiempo liberado, el equipo proyecta pasar de 5 a 8 licitaciones analizadas al mes, lo que impacta directamente la rentabilidad y la probabilidad de ganar contratos.
Cuando el filtro de participar o no participar se automatizó por completo
El desafío: en otra organización, el equipo comercial debía revisar manualmente pliegos extensos de SECOP I y II, validar requisitos técnicos, financieros y normativos, y decidir si la empresa realmente cumplía las condiciones mínimas. Muchas veces, después de invertir horas leyendo, el proceso terminaba descartado por un solo indicador financiero o un código que no calzaba. Y cuando el pliego estaba en fase de borrador, detectar restricciones que limitaban la participación exigía una lectura técnica minuciosa para presentar observaciones a tiempo.
Cómo lo resolvieron: desarrollaron agentes especializados sobre Copilot. El primero actúa como analista experto en contratación pública: revisa el pliego de forma estructurada, detecta requisitos restrictivos o desproporcionados, identifica posibles indicios de direccionamiento, y genera una tabla de hallazgos con nivel de riesgo, un resumen ejecutivo y observaciones jurídicas listas para presentar en SECOP. El segundo hace la validación objetiva de participar o no: compara los requisitos habilitantes del pliego (indicadores financieros y códigos UNSPSC) contra el RUP de la empresa, y entrega una conclusión clara.
El resultado: el análisis del pliego pasó de 3.5 horas a 30 minutos, y la validación de participar o no pasó de 2.5 horas a 30 minutos. Con 48 ejecuciones anuales de cada proceso, son 240 horas ahorradas al año entre ambas tareas, y una mejora del 85% en velocidad de respuesta, con menos riesgo de omitir un requisito crítico.
Cuando 134 registros de prospectos tardaban días en convertirse en una decisión
El desafío: un tercer equipo, esta vez de comercial y mercadeo, necesitaba segmentar su base de clientes potenciales, 134 registros, para dirigir mejor sus campañas. El proceso de consolidar y analizar esa base era puramente manual, y esa demora retrasaba las campañas porque nunca tenían claro el target ni los canales más eficientes.
Cómo lo resolvieron: usando ChatGPT, Gemini y Gamma, procesaron la base completa evaluando demografía, ingresos y profesiones. El análisis fue más allá de lo esperado: midieron el tiempo exacto entre que un prospecto se registra y cierra el negocio, y cruzaron qué fuente de captación produce qué tipo de resultado.
El resultado: el tiempo de procesamiento se redujo 90%, recuperando 3.6 días laborales completos. Y el equipo obtuvo presentaciones gerenciales de alto impacto de forma inmediata, para dirigir con precisión sus pautas digitales y sus esfuerzos comerciales.
Lo que conecta a estas tres organizaciones
Ninguna de las tres empezó con un proyecto grande de IA. Cada una identificó un cuello de botella puntual, en un caso una licitación, en otro un filtro de participación, en otro una base de datos sin explotar, y lo resolvió con una herramienta que ya tenían disponible. Ese es exactamente el punto de partida de IA en Acción: no una capacitación genérica, sino un resultado medible en semanas, sobre el trabajo real de cada equipo comercial.
El patrón se repite en organizaciones de sectores distintos, con procesos distintos, y siempre en la misma área: ventas. La pregunta que le sigue a cada uno de estos casos no es si la IA funciona ahí. Es qué otro proceso, dentro o fuera de comercial, está esperando el mismo tipo de ejercicio.