Sector público / Administración Propuesto por Ayuntamiento de Madrid

Valoración inteligente de proyectos de innovación · Sandbox Madrid

Automatizar y dar consistencia a la evaluación de proyectos de innovación en convocatorias públicas con IA, aprendiendo de evaluaciones pasadas para prever viabilidad e impacto.

Sector

Sector público / Administración

Empresa

Ayuntamiento de Madrid

Sistemas propuestos

4

Sobre la empresa

A

Ayuntamiento de Madrid

Sector público / Administración

El Ayuntamiento de Madrid impulsa la innovación urbana a través de iniciativas como el Sandbox Madrid, un marco que permite pilotar tecnologías y proyectos emergentes en entornos controlados antes de su despliegue a escala de ciudad. Gestiona convocatorias públicas que reciben un gran volumen de propuestas de empresas, startups, centros de investigación y ciudadanía.

La valoración de los proyectos que concurren a estas convocatorias se realiza de forma mayoritariamente manual por comités de expertos. El volumen de propuestas, la heterogeneidad de criterios entre evaluadores y la falta de memoria estructurada de convocatorias anteriores generan inconsistencias, sesgos y plazos de resolución largos, además de dificultar la comparación objetiva entre proyectos.

Web de la empresa

El problema

"Evaluar decenas o cientos de proyectos de innovación de forma manual es lento, costoso y difícilmente reproducible. Dos evaluadores pueden puntuar de forma distinta el mismo proyecto, no se aprovecha el conocimiento de convocatorias pasadas y es muy complejo prever, en el momento de la valoración, qué proyectos tienen más probabilidades de ser viables y de generar impacto real en la ciudad."

Por qué con tecnología e IA

Un sistema basado en IA y machine learning puede leer y estructurar cada propuesta —memoria técnica, presupuesto, equipo, indicadores—, puntuarla contra una rúbrica común y consistente, y compararla con un histórico de proyectos ya evaluados y ejecutados. Aprendiendo de esas evaluaciones pasadas y de sus resultados reales, el modelo estima viabilidad, impacto y probabilidad de éxito, y ofrece a los comités una valoración objetiva, trazable y explicable que acelera la decisión sin sustituir el criterio humano.

Qué buscamos

Objetivo del caso

Construir un piloto end-to-end con las 4 fases (Ingesta de propuestas → Análisis y scoring → Recomendación al comité → Aprendizaje continuo) capaz de valorar proyectos de innovación contra una rúbrica común, predecir su viabilidad e impacto a partir del histórico y entregar al comité un informe explicable que justifique cada puntuación.

Cómo funciona

El recorrido del sistema de extremo a extremo, en 4 fases.

01
Ingesta de propuestas

Recogida y estructuración de todas las propuestas presentadas a la convocatoria.
- Memoria técnica, presupuesto y equipo a un modelo común
- Anonimización para reducir sesgos en la evaluación
- Trazabilidad de la fuente y la versión de cada documento
02
Análisis y scoring

Valoración de cada proyecto contra una rúbrica común y consistente.
- Puntuación por criterio: innovación, viabilidad, impacto, presupuesto
- Combinación de reglas codificadas y modelos de IA
- Explicabilidad de cada puntuación asignada
03
Recomendación al comité

Entrega de una valoración objetiva, comparable y trazable a las personas evaluadoras.
- Ranking y comparativa entre proyectos
- Informe explicable por proyecto
- El comité decide; la IA asiste y justifica
04
Aprendizaje continuo

El sistema aprende de cada convocatoria para afinar sus predicciones.
- Feedback del comité y resultados reales de los proyectos
- Reentrenamiento con el histórico acumulado
- Mejora de la predicción de viabilidad e impacto

Sistemas que podrían abordarlo

Ejemplos de ejecuciones técnicas progresivas que podrías llevar a cabo para construir el sistema. La idea es iterar sobre un sistema base: cada paso amplía el anterior, de modo que —te quedes en la fase que te quedes— tengas algo que ya aporta valor. No es una receta cerrada: cada grupo decide su propio diseño, con servicios gestionados de AWS o herramientas open-source.

01

Ingesta y estructuración de propuestas

El punto de partida: un pipeline que recoge las propuestas en formatos heterogéneos (memorias en PDF, presupuestos, formularios), extrae y normaliza los campos clave (objetivos, presupuesto, equipo, KPIs) a un modelo común y los anonimiza para reducir sesgos. Ya solo con esto el comité tiene todas las propuestas estructuradas y comparables.

Apache Tika PyMuPDF spaCy Amazon Textract

02

Motor de scoring contra rúbrica común

Con las propuestas ya estructuradas, se añade el motor de evaluación: puntúa cada proyecto contra una rúbrica ponderada (innovación, viabilidad técnica, impacto, presupuesto, equipo) combinando reglas codificadas y modelos, y devuelve una puntuación por criterio con explicabilidad.

scikit-learn LangChain Amazon Bedrock Amazon DynamoDB Amazon S3

03

Modelo predictivo de viabilidad e impacto

El siguiente evolutivo mira al pasado para predecir el futuro: aprovecha el histórico de convocatorias y los resultados reales de proyectos ya ejecutados para estimar viabilidad, impacto y probabilidad de éxito de cada nueva propuesta, enriqueciendo el score del paso anterior.

XGBoost scikit-learn Amazon Athena Amazon SageMaker

04

Panel de recomendación y trazabilidad para el comité

Por último, todo confluye en un cuadro de mando para el comité: ranking, comparativa entre proyectos y justificación de cada puntuación. Captura la decisión final, que retroalimenta los modelos y mejora la valoración convocatoria tras convocatoria.

React FastAPI Metabase Amazon Cognito

El sistema no decide por el comité: ofrece una valoración objetiva, comparable y explicable, y deja la decisión final en manos de las personas evaluadoras.

Los criterios exactos de la rúbrica, las fuentes del histórico y el modelo de gobernanza del dato se concretan con el Ayuntamiento de Madrid en la primera semana de la academia.

¿Listo para construir esto?

Accede al portal de la academia y empieza a trabajar en tu cuenta AWS sandbox.

Acceder al portal