Inteligencia de mercado académico: un agente de IA para decidir qué programas crear

¿Qué programa académico debería abrir una universidad el próximo año? Durante décadas esa decisión se ha tomado con comités, intuición y datos dispersos en hojas de cálculo. Es justo el tipo de decisión de alto impacto que debería apoyarse en evidencia —y casi nunca lo hace.

Uno de los proyectos que dieron origen a Arvynta atacó exactamente ese problema para una universidad colombiana.

El problema: decisiones de portafolio sin evidencia

Definir el portafolio de programas de una institución implica preguntas difíciles: ¿hay demanda laboral real para este programa? ¿cómo nos comparamos con la competencia? ¿qué programas son "estrella" y cuáles ya no se sostienen? La información para responder existe —matrícula histórica, vacantes, oferta de competidores, datos oficiales del sector— pero vive fragmentada y desactualizada. Analizarla a mano para cada pregunta es inviable.

Lo que construimos: un analista de mercado conversacional

Diseñamos un sistema conversacional multiagente. Un decano o el equipo de planeación escribe una pregunta en lenguaje natural —"¿qué programas nuevos tienen sentido en el área de datos?"— y el sistema orquesta agentes especializados que consultan datos reales y devuelven un análisis fundamentado, con gráficos interactivos. Entre sus capacidades:

• Sugerencia y evaluación de programas: propone programas viables y los califica (1–5), citando demanda laboral, brecha competitiva y contexto.
• Inteligencia de mercado laboral: demanda de vacantes, tendencias, pronósticos y salarios por área de conocimiento.
• Inteligencia competitiva: benchmarking contra otras instituciones y evolución del mercado.
• Análisis de portafolio (matriz BCG): clasifica programas en estrella, vaca, incógnita o perro, con visualizaciones.

Todo conversacional, con memoria de la conversación y trazabilidad de cada paso.

El principio que importa: evidencia auditable y revisión humana

La parte más relevante para Arvynta no es el chat: es cómo responde. Los cálculos se apoyan en herramientas deterministas, tipadas y versionadas, con fuentes identificables. Este patrón permite revisar los resultados y su origen en datos oficiales y públicos (como el SNIES en Colombia) y señales de mercado. La interpretación asistida por IA requiere revisión humana; la calidad y comparabilidad de las fuentes condicionan cada conclusión.

Sobre esa base se apoyan una capa semántica para conectar fuentes heterogéneas y una visualización embebida que convierte el análisis en algo accionable.

Lo que NO hace (y por qué importa)

Ser honestos sobre los límites es parte del producto:

• No decide solo: es una herramienta de análisis; las decisiones de portafolio las toman las personas.
• No es tiempo real: trabaja sobre cargas periódicas de datos, no sobre el mercado al segundo.
• No es un sistema académico ni un chatbot para estudiantes: es una herramienta interna de estrategia.
• Está acotado a sus fuentes: la calidad del análisis depende de los datos integrados.

Qué demuestra este caso

Demuestra el principio que guía a Arvynta: la IA aporta valor real cuando opera sobre datos verificables, con herramientas auditables y bajo decisión humana —no como un asistente que improvisa—. El mismo patrón (agentes + recuperación de conocimiento + herramientas con trazabilidad + visualización + revisión humana) que aquí resuelve estrategia de portafolio académico se aplica a operaciones de otras industrias.

Si tu organización toma decisiones importantes con datos dispersos, empecemos con una conversación exploratoria sin costo. Si existe encaje, proponemos un diagnóstico operativo pagado, con alcance y precio previos y 100% descontable de la implementación. Este caso ilustra un enfoque; la cobertura de fuentes y el alcance se validan para cada organización.