Formación en IA para cooperativas de Almería

Tres jornadas en Almería para llevar la inteligencia artificial al trabajo real de las cooperativas

Durante los días 29, 30 y 31 de julio, COEXPHAL organizó en Almería tres jornadas centradas en la aplicación de la inteligencia artificial al entorno de las cooperativas agrarias. La formación fue impartida por Mike Mösch, Chief Digital Officer de AIVERSO y AI Tender X, y José Miguel García López, consultor de inteligencia artificial en AIVERSO. Las jornadas reunieron tanto a profesionales de distintas áreas de las organizaciones como a responsables de gerencia.

El objetivo no era enseñar una colección de herramientas ni demostrar todo lo que puede hacer hoy la inteligencia artificial. La cuestión era bastante más relevante para una organización: cómo pasar de utilizar IA de manera puntual a incorporarla con sentido dentro de los procesos reales de trabajo.

Porque una cooperativa no necesita simplemente generar textos más rápido. Necesita trabajar con información agronómica, documentación técnica, expedientes, normativa, datos administrativos, procedimientos internos y decisiones que afectan directamente a su actividad. Y es precisamente en ese contexto donde empiezan a aparecer tanto las posibilidades reales de la inteligencia artificial como sus límites.

De utilizar inteligencia artificial a saber dónde puede aportar valor

Uno de los primeros cambios que se produce cuando una organización empieza a comprender estas tecnologías es dejar de preguntarse únicamente qué puede hacer una determinada plataforma. La pregunta pasa a ser otra: ¿en qué parte de nuestro trabajo tiene sentido utilizar inteligencia artificial?

Ese cambio de perspectiva es fundamental. No todos los procesos necesitan IA. No todas las tareas deben automatizarse. Y no todos los problemas se resuelven construyendo un asistente.

Durante las jornadas se trabajó precisamente sobre esa diferencia. Antes de pensar en soluciones hay que comprender bien la tarea: qué información se utiliza, de dónde procede, qué resultado se espera, quién debe revisarlo y qué decisiones siguen dependiendo necesariamente de una persona.

Esta forma de trabajar desplaza el foco desde la herramienta hacia el proceso. Y es especialmente importante en organizaciones donde buena parte del conocimiento está distribuido entre documentos, hojas de cálculo, correos electrónicos, procedimientos, experiencia acumulada por los profesionales y sistemas que muchas veces no están conectados entre sí.

La oportunidad de la inteligencia artificial aparece cuando somos capaces de ordenar ese conocimiento y utilizarlo para apoyar tareas concretas.

El verdadero salto está en trabajar con contexto propio

Utilizar un modelo de inteligencia artificial para redactar un correo, resumir un documento o resolver una consulta puede aportar productividad individual. Pero el salto realmente interesante para una organización comienza cuando el sistema puede trabajar dentro de un contexto definido.

Ahí aparece la diferencia entre una conversación general con inteligencia artificial y un asistente especializado. Un asistente pensado para una cooperativa necesita saber cuál es su función, qué información puede utilizar, cuáles son sus fuentes de referencia, qué instrucciones debe seguir y, sobre todo, qué debe hacer cuando la información disponible no es suficiente.

Durante la formación se trabajaron conceptos como modelos de lenguaje, contexto, memoria, instrucciones y tratamiento de la información precisamente para comprender esta diferencia.

La conclusión es importante: un buen asistente no depende únicamente de tener un modelo más potente. Depende en gran medida de cómo se haya diseñado el entorno en el que trabaja.

Si las fuentes son incorrectas, si la documentación está desactualizada o si el proceso no está claramente definido, la inteligencia artificial puede producir una respuesta aparentemente convincente que no resulte útil para la organización. Por eso implantar IA también obliga a revisar cómo se gestiona el conocimiento interno.

La calidad de la información se convierte en una cuestión estratégica

Muchas organizaciones descubren algo cuando empiezan a trabajar seriamente con inteligencia artificial: buena parte del problema no está en la IA, sino en la forma en la que está organizada su información.

Documentos repartidos entre distintas ubicaciones. Versiones diferentes de un mismo archivo. Información que depende de una persona concreta. Procedimientos que se conocen por experiencia pero que apenas están documentados. Datos almacenados en formatos difíciles de relacionar entre sí.

Mientras una persona con años de experiencia puede reconstruir ese contexto, un sistema de inteligencia artificial necesita que determinadas relaciones sean explícitas. Eso convierte la gestión documental, la estructuración de la información y la definición de procedimientos en elementos directamente relacionados con la adopción de IA.

Durante las jornadas se trabajó con información procedente de distintos ámbitos habituales en una cooperativa, desde documentación técnica hasta información administrativa o agronómica, pero el aprendizaje de fondo era común: antes de pedir a un sistema que razone sobre la información de una organización, hay que asegurarse de que esa información puede ser comprendida, relacionada y contrastada.

La inteligencia artificial no elimina la necesidad de ordenar el conocimiento empresarial. En muchos casos, la hace todavía más evidente.

La IA debe ayudar a pensar, no ocultar la incertidumbre

Otro de los aspectos relevantes fue trabajar sobre situaciones en las que la información disponible no permite obtener inmediatamente una respuesta definitiva. Es especialmente importante en ámbitos técnicos.

Un sistema útil no debería limitarse a producir una conclusión. También debería ser capaz de distinguir entre información confirmada, hipótesis, datos que faltan y comprobaciones que todavía son necesarias.

Ese comportamiento cambia considerablemente la utilidad de un asistente. En lugar de actuar como una supuesta fuente infalible, puede convertirse en una herramienta que ayuda al profesional a ordenar un problema, localizar información relevante, plantear alternativas y preparar mejor una decisión.

El criterio profesional continúa siendo imprescindible. La inteligencia artificial puede reducir el tiempo necesario para analizar documentación, preparar un primer borrador o relacionar información dispersa, pero la validación sigue formando parte del proceso.

Esto resulta especialmente relevante en organizaciones donde una respuesta incorrecta puede tener consecuencias técnicas, administrativas, económicas o normativas.

De la productividad individual a la inteligencia organizativa

Existe además una diferencia importante entre utilizar IA de forma individual e incorporarla a una organización.

Cuando una persona utiliza ChatGPT, Claude, Gemini u otra plataforma para resolver una tarea puntual, el beneficio suele quedarse en esa persona. Cuando una empresa identifica un proceso, documenta cómo funciona y configura un sistema capaz de ayudar de manera consistente en determinadas tareas, el conocimiento empieza a convertirse en una capacidad compartida.

Ahí cambia la escala del problema. Ya no estamos hablando simplemente de productividad personal. Estamos hablando de cómo una organización puede hacer accesible su conocimiento, reducir determinados trabajos repetitivos, mejorar la preparación de información y facilitar que diferentes profesionales trabajen sobre una base común.

Y ese es uno de los escenarios más interesantes para las cooperativas. Muchas disponen de una enorme cantidad de conocimiento técnico y operativo acumulado durante años. Parte está documentado y parte permanece distribuido entre las personas que conocen profundamente la organización.

La inteligencia artificial ofrece nuevas formas de utilizar ese conocimiento, pero para hacerlo bien es necesario transformarlo primero en una infraestructura de información suficientemente organizada.

El papel de gerencia es diferente

La incorporación de inteligencia artificial tampoco puede quedar exclusivamente en manos de quienes utilizan las herramientas. Gerencia tiene otro problema que resolver.

Debe decidir dónde merece la pena invertir tiempo, qué procesos pueden beneficiarse realmente, qué información puede utilizarse, qué riesgos existen y cómo se supervisarán los resultados. Por eso una parte de las jornadas estuvo específicamente orientada a responsables de empresas y cooperativas.

Para un equipo directivo, conocer todas las funcionalidades de una plataforma es secundario. Lo importante es desarrollar criterio: saber distinguir entre una demostración atractiva y un caso de uso que puede aportar valor real, entender qué procesos están suficientemente maduros para empezar, determinar quién será responsable del sistema y establecer qué decisiones pueden apoyarse en IA y cuáles no deben delegarse.

Porque introducir inteligencia artificial en una organización no es únicamente una decisión tecnológica. También afecta a procesos, responsabilidades, conocimiento interno y formas de trabajar.

Empezar pequeño permite pensar en grande

Las tres jornadas también permitieron trasladar una idea especialmente relevante para cualquier organización que esté comenzando: no es necesario intentar transformar toda la cooperativa de una vez.

El punto de partida más razonable suele ser identificar un proceso concreto. Un proceso suficientemente frecuente como para que una mejora tenga impacto, suficientemente delimitado como para poder controlarlo y suficientemente conocido como para comparar el resultado antes y después de introducir inteligencia artificial.

A partir de ahí se puede documentar el funcionamiento actual, identificar la información necesaria, definir las reglas del asistente, establecer los controles y probarlo con situaciones reales. Solo después tiene sentido ampliar su alcance.

Este enfoque permite aprender mucho más que desplegar herramientas de forma generalizada desde el principio. Las propias jornadas mostraron que áreas muy diferentes de una cooperativa pueden compartir problemas similares: información dispersa, tareas repetitivas, documentación que debe revisarse o decisiones que requieren reunir múltiples fuentes. Pero cada proceso necesita sus propios datos, criterios y mecanismos de validación.

La inteligencia artificial como capacidad de la organización

Después de tres jornadas trabajando con profesionales y responsables de cooperativas, probablemente la conclusión más importante no tiene que ver con ninguna plataforma concreta.

La inteligencia artificial empieza a tener verdadero valor cuando deja de percibirse como una herramienta externa y comienza a integrarse en la forma en la que la organización trabaja con su conocimiento.

Eso exige tecnología, pero también exige procesos bien definidos, documentación adecuada, profesionales capaces de supervisar los resultados y una dirección que sepa priorizar dónde merece la pena aplicarla.

El futuro de la IA en las cooperativas no consiste en utilizar más herramientas. Consiste en construir mejores formas de trabajar con la información que ya poseen.

Y ese es el cambio que permite pasar de experimentar con inteligencia artificial a convertirla realmente en una capacidad de la organización.

¿Hablamos de tu cooperativa?

Las jornadas de COEXPHAL muestran cómo trabajamos: partimos de procesos reales y de la información que ya utiliza la organización. Si quieres analizar un proceso concreto, identificar oportunidades de IA o valorar una jornada o un piloto adaptado a tu cooperativa, puedes contactar directamente con Mike Mösch.

mikemosch@aiverso.com

656 462 176

aiverso.com

– Equipo AIVERSO

Inteligencia artificial para la gestión documental de OPFH y AOP

Inteligencia artificial aplicada a la gestión documental de OPFH y AOP

En una OPFH o AOP, el problema documental rara vez consiste en no disponer de información. Lo habitual es precisamente lo contrario: normativa, programas operativos, actuaciones, inversiones, controles, justificantes y diferentes versiones de documentos que deben interpretarse de forma conjunta.

Los días 22 y 24 de julio de 2026, AIVERSO abordó esta realidad en dos jornadas de formación celebradas en Huelva. Las sesiones fueron impartidas por Mike Mösch, Chief Digital Officer de AIVERSO y AI Tender X, y José Miguel García López, consultor de inteligencia artificial en AIVERSO.

Más que enseñar a consultar documentos con una herramienta concreta, las jornadas se centraron en una cuestión de fondo: cómo convertir un volumen documental complejo en un sistema de trabajo en el que la inteligencia artificial ayude a localizar, relacionar y revisar información sin perder la trazabilidad de las fuentes ni sustituir el criterio de quien debe tomar la decisión.

Ese enfoque cambia la conversación sobre IA. En un entorno normativo y procedimental, la calidad de la respuesta depende sobre todo de cómo se han organizado las fuentes, las reglas de análisis y la revisión profesional.

La dificultad está en relacionar documentos con decisiones

La gestión documental de una OPFH o AOP no consiste únicamente en localizar un archivo. Una misma consulta puede exigir contrastar una condición con el programa aprobado, revisar documentación justificativa, comprobar una inversión, identificar una versión vigente o detectar que falta una evidencia necesaria.

Ahí aparece uno de los usos más claros de la inteligencia artificial: reducir el tiempo dedicado a buscar, ordenar y relacionar información dispersa. El sistema puede ayudar a localizar pasajes relevantes, comparar documentos, estructurar requisitos o preparar una revisión preliminar para que el profesional concentre su esfuerzo en validar el criterio.

La respuesta solo resulta útil si puede rastrearse hasta sus fuentes. Cuando el usuario no puede saber de qué documento procede una afirmación, qué versión se ha utilizado o qué información falta, la velocidad de la IA aporta poco valor en un proceso que debe ser defendible y revisable.

Cómo pasar de una consulta puntual a un asistente documental

Una conversación puntual con IA puede servir para resumir un documento, aclarar un concepto o preparar una redacción. Es útil, pero cada interacción depende de los archivos que se hayan aportado en ese momento, de cómo se formule la petición y del contexto disponible en esa conversación.

Un asistente documental especializado responde a una lógica distinta. Tiene una función delimitada, trabaja con un conjunto de fuentes seleccionado, dispone de instrucciones estables y sigue una secuencia de comprobaciones antes de entregar el resultado.

Lo importante es que la organización define previamente cómo debe trabajar el sistema: qué documentos puede utilizar, qué debe contrastar, qué evidencias tiene que mostrar, qué no puede concluir y cuándo debe indicar que la información es insuficiente.

En ese momento, parte del conocimiento operativo deja de depender exclusivamente de la habilidad individual de quien redacta cada consulta y comienza a incorporarse al propio diseño del sistema.

 

Mike Mosch AIVERSO Inteligencia artificial

La calidad de las fuentes condiciona la respuesta

Cargar más documentación no significa construir un mejor asistente. Si el conjunto de fuentes contiene duplicados, versiones antiguas, archivos mal identificados o información difícil de interpretar, la inteligencia artificial recibe la misma desorganización que ya soportaba el equipo.

Por eso una parte esencial del trabajo consiste en preparar la base documental antes de pedirle al sistema que razone sobre ella. Durante las jornadas se abordó la transformación de determinados PDF y hojas de cálculo a formatos más adecuados para su tratamiento cuando era necesario, pero el aprendizaje importante estaba en otra parte: seleccionar, ordenar y mantener las fuentes con un criterio claro.

Una base documental preparada para IA necesita distinguir originales y versiones, conservar la procedencia de cada documento y facilitar que cualquier respuesta pueda volver a contrastarse con la fuente. En contenidos sujetos a cambios, la fecha y la vigencia también forman parte del contexto.

El asistente necesita reglas de trabajo claras

Las fuentes contienen la información, pero no explican por sí solas cómo debe actuar el asistente. Para eso es necesario trasladar parte del criterio profesional a instrucciones y procedimientos claros.

En una revisión documental no basta con pedir que se analice un expediente. Hay que definir qué elementos deben comprobarse, qué documentos son necesarios, cómo se registran las discrepancias, qué información debe citarse y en qué situaciones el sistema tiene que detenerse porque faltan datos.

Este punto es especialmente relevante porque permite convertir conocimiento que normalmente está disperso entre procedimientos escritos y experiencia acumulada en una secuencia de trabajo explícita y revisable.

También permite diagnosticar mejor los errores. Si una respuesta no es adecuada, puede analizarse si falta una fuente, si una instrucción es ambigua, si el procedimiento necesita una comprobación adicional o si el problema está en las limitaciones de la plataforma. Sin esa separación, todo termina interpretándose como un fallo genérico de la IA.

La herramienta se elige después de definir el proceso

Durante la formación se trabajó con diferentes entornos de inteligencia artificial para comprender sus posibilidades, pero la herramienta no era el punto de partida. ChatGPT, Claude, Gemini y otros sistemas pueden ofrecer capacidades distintas para conversar con información, trabajar con archivos o configurar asistentes especializados.

La elección tiene sentido cuando ya se conoce la tarea que se quiere mejorar. Antes hay que saber qué documentación interviene, cuánto contexto necesita el proceso, qué resultado debe producirse, qué nivel de trazabilidad se exige y quién será responsable de revisar la salida.

Solo después puede evaluarse qué plataforma encaja mejor o si tiene sentido combinar varias capacidades. Este criterio evita diseñar el proceso alrededor de una función concreta que puede cambiar y permite mantener el foco en la necesidad real de la organización.

Un buen primer piloto debe empezar por una tarea concreta

El siguiente paso para una OPFH o AOP no debería ser cargar toda su documentación en una plataforma y esperar que la inteligencia artificial comprenda la organización. Un primer piloto tiene más sentido cuando parte de una tarea concreta, frecuente y suficientemente delimitada como para comprobar si realmente mejora el trabajo.

Puede tratarse, por ejemplo, de una consulta documental recurrente o de una revisión en la que ya se conozcan las fuentes necesarias y el resultado esperado. A partir de ahí se puede ordenar el corpus, convertir el criterio profesional en instrucciones, probar el asistente con casos representativos y observar dónde falla.

La prueba debe incluir también documentación incompleta, versiones contradictorias o casos en los que el sistema debería reconocer que no puede llegar a una conclusión. Así se comprueba si el asistente es útil dentro del proceso y no solo convincente durante una demostración.

Después se puede medir lo importante: cuánto tiempo se reduce en búsqueda y preparación, qué errores o ausencias ayuda a detectar, cuánta revisión sigue siendo necesaria y si el resultado puede incorporarse al trabajo diario.

Las jornadas de Huelva dejaron una idea clara: la inteligencia artificial puede aportar mucho valor a la gestión documental de OPFH y AOP, pero su fiabilidad se construye con fuentes cuidadas, conocimiento convertido en procedimiento, trazabilidad y supervisión profesional.

Ahí está la diferencia entre utilizar inteligencia artificial e implantarla. La implantación comienza cuando la organización decide qué proceso quiere mejorar, qué conocimiento necesita preservar y qué controles debe mantener para que el sistema forme parte de una forma de trabajo real.

¿Hablamos de tu OPFH, AOP o cooperativa?

Las jornadas de Huelva muestran cómo trabajamos: partimos de los procesos, la documentación y las decisiones reales de la organización. Si quieres analizar una tarea documental concreta, identificar oportunidades de IA o valorar una jornada o un piloto adaptado a tu OPFH, AOP o cooperativa, puedes contactar directamente con Mike Mösch.

mikemosch@aiverso.com

656 462 176

aiverso.com

– Equipo AIVERSO

Bases Vectoriales: La Clave para Dar Memoria y Precisión a tus Agentes de IA en Licitaciones

Bases Vectoriales La Clave para Dar Memoria y Precisión a tus Agentes de IA en Licitaciones

En licitaciones, la diferencia entre competir y ganar está en el detalle. Las bases de datos vectoriales permiten a tus agentes de IA acceder al conocimiento preciso, actualizado y contextualizado para cada pliego, requerimiento o justificación legal.

✍️ Por Mike Mösch, CDO de AIVERSO y de AI-TenderX, S.C.A.

¿Qué pasaría si tu agente supiera todo lo que tu empresa ya sabe?

Durante años hemos hablado de digitalización, automatización y eficiencia en los procesos de licitación. Pero ahora la conversación ha cambiado: no basta con hacer las cosas más rápido.
Hoy, se trata de hacerlas con más precisión, inteligencia y capacidad contextual.

Y aquí es donde entra el verdadero poder de la IA. No en modelos que generan textos bonitos, sino en agentes capaces de acceder a tu conocimiento real, procesarlo y responder con fundamento.
¿La tecnología que lo hace posible? Las bases de datos vectoriales.

🔍 ¿Qué es una base vectorial y por qué necesitas una?

Una base vectorial no guarda texto, sino su significado. Toma los documentos, correos, pliegos, políticas y los convierte en vectores matemáticos que representan su contenido semántico.

Esto permite a un agente de IA hacer búsquedas por sentido, no por coincidencia de palabras. Y cuando necesita responder algo, en lugar de inventar, consulta tu propio conocimiento organizativo.

En otras palabras: conviertes tu empresa en un cerebro expandido. La IA no solo sabe, recuerda con exactitud lo que has dicho, firmado o documentado en el pasado.

⚙️ ¿Cómo funciona técnicamente una base vectorial?

Aquí tienes un flujo simplificado basado en RAG (Retrieval Augmented Generation):

  1. El usuario hace una pregunta.

  2. La IA convierte esa pregunta en un vector semántico (embedding).

  3. La base vectorial compara ese vector con los almacenados.

  4. Recupera los fragmentos más similares (“chunks” de texto).

  5. La IA usa esos fragmentos para construir su respuesta.

¿El resultado?
Una respuesta basada tanto en su conocimiento general como en tu documentación específica.

📚 Aplicaciones reales en el ciclo de vida de la licitación pública

En el contexto de las licitaciones, el uso de bases vectoriales transforma tareas críticas como:

  • ✅ Justificación de criterios técnicos: ¿Dónde se usó antes esta solución? ¿Qué normativa lo permite?

  • ✅ Respuestas a requerimientos de subsanación: Localización rápida de documentos relacionados.

  • ✅ Redacción basada en antecedentes reales: Ofertas previas, cláusulas similares, informes técnicos anteriores.

  • ✅ Análisis de pliegos históricos: ¿Qué cambió respecto al año pasado? ¿Cómo se puntuó antes este criterio?

  • ✅ Revisión y verificación automática de documentos.

Imagina un agente que, al revisar un pliego nuevo, te avise:
«Este requisito contradice lo establecido en el contrato marco firmado en 2022. Aquí está la cláusula.»

Eso es una IA con memoria contextual activa. Y tú, como licitador, juegas con ventaja.

⚠️ Principales errores al implementar una base vectorial (y cómo evitarlos)

  1. Vectorizar sin curar la información:
    Si alimentas a la IA con documentos mal estructurados o poco relevantes, obtendrás ruido. Antes de vectorizar, hay que seleccionar, limpiar y estructurar bien los contenidos.

  2. No dividir en chunks adecuados:
    Fragmentos demasiado grandes pierden precisión. Fragmentos muy pequeños pierden contexto. El equilibrio es clave.

  3. No mantener la base actualizada:
    Las normativas, requisitos y procesos cambian. Una base estática se vuelve obsoleta.

  4. No usar embeddings adecuados:
    Es esencial utilizar modelos optimizados para el idioma y el dominio (legal, técnico…).

  5. Creer que basta con cargar PDFs:
    El valor está en cómo se estructuran, en qué capas los organizas y cómo los conectas a los agentes.

🧩 ¿Qué herramientas puedes usar?

  • Pinecone: la más conocida, robusta y escalable.

  • Weaviate, Qdrant, Supabase: alternativas potentes, algunas open source.

  • LangChain + n8n: para conectar fácilmente tu base a agentes funcionales.

  • OpenAI Embedding API: para crear los vectores de alta calidad.

💡 ¿Privacidad? Puedes tener tu base vectorial en local, sin exponer nada a terceros.

🗂️ Cómo estructurar tu base de conocimiento para que tu IA funcione

  • Separa por áreas: técnico, jurídico, administrativo, histórico.

  • Usa taxonomías claras: temáticas, años, clientes, contratos.

  • Define roles de acceso y actualización.

  • Prioriza documentos útiles para preguntas reales.

  • Añade metadatos cuando sea posible (fuente, fecha, estado).

✅ Checklist: ¿Está tu empresa lista para implementar una base vectorial?

  • Tienes una colección digital de conocimiento relevante.

  • Tu equipo gasta tiempo en buscar información repetida.

  • Estás usando IA, pero aún «alucina» o es genérica.

  • Quieres una ventaja real sobre tu competencia.

  • Estás dispuesto a invertir unas horas en crear tu nueva memoria inteligente.

Si respondiste “sí” a 3 o más… estás listo para el siguiente paso.

¿Y qué gano si lo implemento?

  • ⏱️ Ahorro de horas en tareas repetitivas.

  • 🧠 Respuestas más rápidas, precisas y seguras.

  • ⚖️ Reducción de errores y riesgos jurídicos.

  • 🧩 Integración con tus flujos existentes.

  • 🏆 Una ventaja competitiva difícil de igualar.

Si tu información es poder, tu base vectorial es tu nuevo músculo

Una IA sin acceso a tus documentos es inteligente, pero está ciega.
Una IA con base vectorial propia es un socio estratégico.
Y tú puedes tenerlo ahora, sin grandes inversiones ni proyectos eternos.

¿Listo para dejar de buscar y empezar a recordar con precisión?

¿Quieres aprender a construir tu propia base vectorial y entrenar agentes con tu conocimiento?

En AIVERSO te lo mostramos paso a paso, en nuestros eventos de 2025 sobre IA aplicada a licitaciones públicas.

📍 Accede a casos reales, herramientas y metodologías.
🔗 Consulta agenda y reserva plaza en:
👉 https://aiverso.com/licita-con-ia-administraciones-publicas/

Porque en la licitación pública, no gana quien más sabe. Gana quien sabe recordar lo relevante en el momento clave.