Cómo la inteligencia artificial está cambiando la preparación, evaluación y selección de proyectos de I+D+i
La inteligencia artificial generativa ha transformado la forma en que se preparan propuestas de I+D+i. En Pleyad somos, en buena medida, una empresa “nativa IA”, y utilizamos de forma intensiva distintas herramientas y modelos, como ChatGPT, Claude o Perplexity, entre otros.
Sin embargo, el impacto más relevante puede no estar en la productividad de quienes redactan proyectos, sino en las consecuencias que esta tecnología está teniendo sobre los propios sistemas de financiación competitiva.
Durante los últimos meses han comenzado a aparecer señales que apuntan en la misma dirección: convocatorias con un volumen creciente de solicitudes, tasas de éxito cada vez más reducidas, preocupación por la carga de trabajo de los evaluadores y debates institucionales sobre el uso de la IA tanto por parte de solicitantes como de revisores.
La pregunta ya no es si la IA ayuda a redactar propuestas. Lo hace. La cuestión es cómo afecta al funcionamiento de mecanismos de financiación diseñados en un contexto donde preparar una propuesta competitiva requería una inversión considerable de tiempo, conocimiento y recursos.
El aumento de solicitudes ya no es una buena noticia
Uno de los indicadores más llamativos procede de Horizon Europe.
En noviembre de 2025, Science|Business publicaba un análisis sobre el fuerte incremento de solicitudes presentadas a diversas convocatorias europeas. El artículo recogía casos de programas con tasas de éxito próximas al 2% y planteaba una pregunta que empieza a repetirse con frecuencia en el ecosistema de innovación europeo: ¿está contribuyendo la IA generativa a disparar el volumen de propuestas presentadas?
La cuestión ha adquirido especial relevancia en el European Innovation Council (EIC). La primera convocatoria de las Advanced Innovation Challenges recibió 709 propuestas para únicamente 20 ayudas disponibles, lo que sitúa la tasa de éxito prevista en torno al 2,8%.
Aunque el debate se ha centrado hasta ahora en programas europeos, algunas señales similares empiezan a observarse también en convocatorias nacionales y regionales. En la Comunitat Valenciana, IVACE+i ha informado de la gestión de más de 2.300 solicitudes de ayudas en 2026, vinculadas a proyectos de I+D+i y digitalización, para un presupuesto global de 85 millones de euros.
Es un hecho que cada vez más solicitantes compiten por unos presupuestos públicos de innovación incapaces de crecer al mismo ritmo.
Evidentemente, sería incorrecto atribuir esta situación exclusivamente a la inteligencia artificial. La creciente demanda de financiación, la madurez del ecosistema deep tech europeo, la insuficiencia de recursos públicos respecto al número de proyectos potencialmente financiables, la profesionalización de los equipos de preparación de propuestas o un cambio cultural en muchas empresas y organizaciones también forman parte de la explicación.
Pero sería igual de ingenuo ignorar el efecto de una tecnología capaz de reducir de forma drástica el coste de producir una propuesta formalmente correcta.
Cuando desaparece una barrera de entrada
Durante años, una parte importante de la dificultad asociada a las convocatorias públicas no residía únicamente en la calidad de la idea. La preparación de una propuesta exigía interpretar correctamente los requisitos de la convocatoria, comprender los criterios de evaluación, estructurar memorias complejas, redactar en inglés cuando era necesario y adaptar el lenguaje a las expectativas de los evaluadores.
Estas capacidades actuaban como una barrera de entrada.
No necesariamente seleccionaban las mejores ideas. Tampoco garantizaban que los proyectos financiados fueran siempre los más innovadores. Pero sí limitaban el número de organizaciones capaces de competir con garantías razonables.
La IA generativa está reduciendo significativamente esa barrera, hasta casi disolverla.
Desde una perspectiva de política pública, este fenómeno tiene una doble lectura. Por un lado, democratiza el acceso a la financiación y permite que más actores participen en programas que históricamente podían resultar inaccesibles. Por otro, incrementa la presión sobre sistemas de financiación y evaluación cuya capacidad no crece al mismo ritmo que el número de solicitudes.
Aquí aparece una de las externalidades menos comentadas de la financiación competitiva. Una convocatoria con una tasa de éxito muy baja no sólo implica que muchos proyectos, algunos excelentes, se queden sin financiación. También implica que cientos o miles de profesionales y entidades han dedicado tiempo, recursos y conocimiento experto a preparar propuestas con una probabilidad muy reducida de éxito.
Paradójicamente, la IA puede agravar esta dinámica: cada actor tiene incentivos para presentar más propuestas, porque le cuesta menos prepararlas; pero el sistema en su conjunto asume más carga, más revisión, más competencia y más dificultad para seleccionar bien.
El coste individual se reduce a la vez que aumenta el coste colectivo, y en última instancia merma la eficiencia del propio sistema de innovación.
El problema no es la calidad: es la diferenciación
La IA también tiende a homogeneizar determinados patrones de redacción En Pleyad lo hemos comprobado de primera mano. Los profesionales que trabajamos habitualmente con convocatorias públicas reconocemos ya estructuras narrativas similares, formulaciones recurrentes, impactos descritos de forma genérica o textos formalmente impecables que, sin embargo, presentan escasa diferenciación.
Esto no implica necesariamente una reducción de la calidad media de las propuestas. De hecho, es probable que la calidad formal haya mejorado en muchos casos.
La cuestión es otra.
Cuando la mayoría de propuestas están razonablemente bien redactadas, la capacidad de escribir correctamente deja de constituir una ventaja competitiva.
La diferenciación pasa a depender de factores mucho más difíciles de automatizar: la solidez de la hipótesis planteada, la evidencia disponible, la credibilidad del impacto esperado, la lógica de intervención, la validación tecnológica o el conocimiento profundo del problema que se pretende resolver.
La IA también está llegando a la evaluación
Como hemos visto, la presión sobre el sistema no afecta únicamente a quienes presentan propuestas, también sobre quienes recae la obligación de evaluar: financiadores y personas expertas.
A comienzos de 2026, la Defensora Europea del Pueblo abrió una investigación relacionada con el uso de inteligencia artificial por parte de expertos externos encargados de evaluar solicitudes de financiación en programas europeos. Su investigación se centra en cuestiones de transparencia, confidencialidad y garantías procedimentales. Sin embargo, el hecho de que exista ya un debate institucional sobre esta cuestión resulta revelador.
Evaluar una propuesta de I+D+i no consiste simplemente en leer un documento y asignar una puntuación. Exige entender la intención del proyecto, valorar la consistencia científica o técnica de lo que se propone y distinguir entre una memoria bien escrita y un proyecto realmente sólido.
Quienes hemos participado en procesos de evaluación sabemos que esta tarea requiere tiempo, concentración y criterio experto.
La IA introduce aquí una dificultad adicional. Si una memoria puede estar muy bien redactada sin reflejar necesariamente la calidad científica, técnica o estratégica del proyecto, el evaluador ya no puede apoyarse tanto en la solvencia formal del documento como señal indirecta de calidad. Tiene que dedicar más esfuerzo a separar la calidad de la escritura de la calidad de la propuesta.
Esto ocurre, además, en un contexto en el que el número de solicitudes crece y los sistemas de evaluación no siempre cuentan con recursos proporcionales. En muchas convocatorias, los honorarios de evaluación son cada vez más reducidos en relación con el tiempo y la responsabilidad que exige una revisión rigurosa.
Para los financiadores, el reto consiste en preservar la calidad, integridad y equidad del proceso de evaluación. Para las personas evaluadoras, el reto consiste en mantener el juicio experto en un entorno donde las memorias son cada vez más numerosas, formalmente más pulidas y, en ocasiones, menos representativas de la profundidad real del proyecto.
En cierto modo, el sistema se encuentra ante una situación inédita: tecnologías capaces de aumentar la productividad tanto de quienes preparan propuestas como de quienes deben evaluarlas, pero que pueden disminuir la capacidad institucional para seleccionar los mejores proyectos.
Un desafío que va más allá de lo tecnológico
Desde la perspectiva de los organismos de financiación de la innovación, sería un error plantear esta cuestión como un debate sobre la conveniencia o no de usar inteligencia artificial. La cuestión de fondo es institucional y política.
Los sistemas de financiación competitiva fueron diseñados en un contexto donde producir propuestas técnicamente solventes era costoso. Un contexto de escasez. La IA está transformando esa premisa.
Cuando los costes de preparación disminuyen, aumenta el volumen de solicitudes. Cuando aumenta el volumen, los mecanismos de evaluación se vuelven más críticos. Y cuando la calidad formal de las propuestas converge, resulta más difícil identificar cuáles aportan realmente mayor valor científico, tecnológico, económico o social.
Porque la IA no parece estar deteriorando necesariamente la calidad de los proyectos; en muchos casos puede mejorarla. Lo que sí es cierto es que la IA facilita que se presenten más proyectos, incluidos proyectos débiles que seguirán siéndolo aunque estén mejor redactados.
La ventaja ya no está en escribir
Para quienes diseñamos y preparamos propuestas de I+D+i, el principal aprendizaje es que la capacidad de producir texto correcto ha dejado de ser un elemento diferencial.
La ventaja competitiva ya no reside en redactar más rápido ni en generar más contenido. Reside en comprender mejor la convocatoria, identificar oportunidades alineadas con objetivos científicos y de negocio, construir propuestas coherentes para hacerlas realidad, aportar evidencias sólidas, diseñar estrategias de validación y de go-to-market creíbles y revisar los proyectos desde el punto de vista del evaluador (incluso aunque este termine siendo una IA).
La IA puede ayudar en todas estas tareas. Pero ninguna de ellas depende exclusivamente de la IA.
Ese es precisamente el enfoque que estamos trabajando en Pleyad: utilizar la IA para analizar mejor, estructurar mejor y revisar mejor. Desplazar el valor hacia la calidad, experiencia y capacidad de construir proyectos que merezcan ser financiados.
Compartimos parte de ese sistema de trabajo mediante una formación práctica sobre IA aplicada a la preparación de propuestas de I+D+i.
Si te interesa, puedes consultar más información sobre la sesión aquí.
