Las propuestas generadas por IA están debilitando las señales tradicionales en la adquisición federal

Google News puso de relieve una seria advertencia sobre la adquisición impulsada por IA: un mejor lenguaje en las propuestas puede dificultar ahora la identificación de la capacidad real de entrega. El comentario de Federal News Network describe este conflicto como la «paradoja de la propuesta perfecta» y lo vincula con la «ley de García». Las etiquetas son provocadoras, pero el problema de fondo es práctico. Los contratistas pueden elaborar respuestas pulidas y conformes con mayor rapidez, mientras las agencias siguen teniendo que determinar quién puede ejecutar el trabajo.

Esto cambia la naturaleza de una competencia federal. La calidad de las propuestas antes reflejaba varias capacidades escasas, entre ellas el conocimiento institucional, la planificación disciplinada, el criterio técnico y la capacidad de coordinar a expertos bajo presión. La IA generativa ahora puede imitar muchas señales externas de esas capacidades. Puede organizar requisitos, estandarizar terminología, reescribir pasajes débiles e identificar secciones faltantes en cuestión de minutos.

El resultado no es simplemente un aumento de la redacción automatizada. Es un desplome del valor del pulido como señal. Cuando todos los licitadores pueden producir prosa clara y un formato perfecto, los evaluadores deben buscar pruebas de comprensión en otros lugares. La competencia principal se está convirtiendo en presentación asistida por IA frente a desempeño demostrado de forma independiente.

Google News es aquí solo el canal de descubrimiento, no la fuente del argumento. La historia importante se refiere a compradores federales, contratistas, evaluadores y las misiones públicas afectadas por sus decisiones. El gobierno debe aprovechar la velocidad de la IA sin permitir que un texto persuasivo se convierta en sustituto de la evidencia, la responsabilidad o el criterio humano.

Lo que realmente cambia la historia de Google News

La propuesta perfecta es cada vez más fácil de fabricar, por lo que su perfección aporta menos información de la que aportaba antes.

La IA generativa ya encaja de forma natural en el trabajo de propuestas. Un modelo puede resumir una solicitud, extraer requisitos, elaborar matrices de cumplimiento, sugerir temas y comparar secciones con los criterios de evaluación. Los sistemas de recuperación también pueden fundamentar los resultados en los registros de proyectos aprobados de un contratista, currículos y descripciones de desempeño previo.

Estas funciones reducen el trabajo repetitivo. Ayudan a los equipos a encontrar omisiones antes de la entrega y proporcionan a los expertos en la materia un borrador más limpio para revisar. Los contratistas más pequeños también pueden utilizarlas para competir con organizaciones que mantienen grandes departamentos de propuestas.

La tensión comienza cuando la asistencia se convierte en sustitución. Un sistema puede producir una narrativa técnica creíble sin saber si el personal, el calendario, la arquitectura o los controles de gestión propuestos funcionarán. Predice un lenguaje convincente a partir del contexto disponible. No asume responsabilidad contractual por las afirmaciones que genera.

Esta distinción importa porque la selección federal de fuentes no es un concurso de redacción. Según FAR 15.305, la evaluación de propuestas analiza tanto la presentación como la capacidad del oferente para ejecutar con éxito el contrato previsto. Una respuesta bien redactada solo tiene valor cuando representa con precisión los recursos, las decisiones, las dependencias y los riesgos.

La paradoja aparece cuando la optimización debilita esa conexión. Cuanto más acerca la IA cada respuesta a una forma retórica ideal, menos pueden inferir los evaluadores de la forma en sí. Una organización sólida ya no demuestra que un equipo haya organizado el trabajo. Un lenguaje detallado sobre riesgos ya no demuestra que alguien haya identificado los riesgos reales del proyecto.

La investigación presentada a través del simposio de adquisición de la Naval Postgraduate School describe un escenario relacionado. La industria podría utilizar IA para redactar propuestas mientras los sistemas gubernamentales usan IA para evaluarlas. El consiguiente problema de agencia humana se refiere a la responsabilidad, la equidad, el criterio ético y el conocimiento institucional.

Aquí es donde resulta útil la segunda etiqueta del comentario. La «ley de García» no debe confundirse con una ley, regulación o doctrina vinculante de contratación pública. Funciona como un principio editorial dentro del argumento expuesto. A medida que el coste de generar contenido de propuesta plausible se acerca a cero, aumenta el coste de verificar ese contenido.

Esa carga de verificación no desaparece porque una respuesta sea gramaticalmente impecable. Se traslada a los evaluadores, los funcionarios de contratación, los equipos técnicos, los revisores de seguridad y, finalmente, los gestores de programa. Deben comprobar si la experiencia citada es pertinente, si el personal propuesto está disponible, si las premisas son realistas y si los compromisos son trazables.

Por tanto, la historia marca un cambio en el valor probatorio. La redacción sigue siendo necesaria, pero la redacción pulida se está convirtiendo en un indicador más débil de competencia operativa. Las agencias que continúen puntuándola como un indicador sólido corren el riesgo de premiar al licitador con el mejor flujo de generación.

Una redacción más rápida crea un problema de verificación más lento

La IA ahorra tiempo antes de la presentación, pero los resultados no verificados pueden trasladar más trabajo y riesgo al gobierno después de la presentación.

El argumento más sólido a favor de la IA en la adquisición es la velocidad. La contratación federal incluye investigación de mercado, desarrollo de requisitos, redacción de solicitudes, gestión de preguntas, análisis de propuestas, documentación y administración de contratos. Muchas de estas actividades implican buscar y conciliar texto en grandes conjuntos de documentos.

La investigación de la Government Accountability Office confirma que las agencias ya están adquiriendo IA mediante distintos enfoques contractuales. Su revisión de abril de 2026 concluyó que el uso federal de IA reportado se duplicó con creces entre 2023 y 2024. La revisión de adquisición también identificó dificultades para obtener expertos técnicos que evalúen propuestas y para comprender los costes relacionados con la IA. Por separado, el memorando M-25-22 sobre adquisición federal de IA de la Office of Management and Budget ordena a las agencias adquirir IA eficaz y confiable, al tiempo que abordan la competencia, la portabilidad de datos, la dependencia de proveedores y la supervisión del desempeño.

Estos hallazgos ponen de manifiesto el desajuste de capacidad detrás de la paradoja. La IA permite a los licitadores crear presentaciones más completas y sofisticadas. Sin embargo, una agencia puede no contar con suficientes científicos de datos, especialistas en adquisición o expertos de misión para validar eficientemente cada afirmación técnica.

Las respuestas más extensas pueden intensificar el problema. Un modelo puede producir amplios detalles de implementación para cada requisito, incluso cuando el licitador tiene poca experiencia directa. Los evaluadores se enfrentan entonces a cientos de afirmaciones que suenan específicas, pero que pueden basarse en patrones genéricos, registros obsoletos o supuestos sin respaldo.

Las alucinaciones son solo un riesgo. Una propuesta no necesita contener una falsedad espectacular para inducir a error a un evaluador. Distorsiones menores pueden acumularse mediante desempeño previo embellecido, compromisos de personal incompatibles, planes de transición optimistas o controles de seguridad copiados de otro entorno.

La generación aumentada por recuperación reduce algunos errores al proporcionar a un modelo material fuente aprobado. No elimina la necesidad de revisión. Un documento recuperado puede estar obsoleto, ser irrelevante para la solicitud o haber sido despojado de salvedades que cambian su significado.

El peligro aumenta cuando el resultado de la IA se vuelve recursivo. Un modelo redacta un enfoque técnico a partir de una biblioteca interna. Otro puntúa ese enfoque frente a la solicitud. Un tercero redacta las conclusiones del evaluador. Si los tres sistemas comparten patrones lingüísticos o familias de modelos similares, la aparente coincidencia puede reflejar un comportamiento correlacionado en lugar de una confirmación independiente.

El sesgo de automatización añade otra capa. Las personas tienden a deferir ante un resultado estructurado cuando llega con confianza, detalle y puntuación numérica. Un revisor ocupado puede examinar la conclusión del modelo en lugar de reconstruir la evidencia que la sustenta.

La American Bar Association ha examinado cómo estos riesgos pueden alcanzar la integridad de la contratación pública. Su análisis del riesgo de contratación automatizada analiza el envenenamiento de datos, la evasión, la inyección de instrucciones y el sesgo de automatización. Un escenario incluye texto oculto que indica a un sistema de evaluación que califique favorablemente una propuesta.

Ese ejemplo demuestra por qué la revisión documental convencional es insuficiente. Una propuesta puede contener contenido invisible para una persona pero legible para una máquina. A la inversa, un extractor automatizado puede omitir gráficos, salvedades o formato que un evaluador humano consideraría importantes.

Por ello, las agencias necesitan controles en ambos límites. Los documentos entrantes requieren saneamiento e inspección antes del procesamiento automatizado. Los resultados de los modelos requieren citas, registros, criterios de evaluación reproducibles y responsables humanos identificados.

El gobierno también debe distinguir la asistencia administrativa del juicio sustantivo. La IA puede ayudar a localizar un requisito o identificar terminología incoherente. Decidir si un enfoque crea un riesgo inaceptable para la misión es una función diferente. Esa decisión debe seguir siendo atribuible a un funcionario autorizado.

Nada de esto elimina el ahorro de tiempo. Cambia dónde deberían medirlo los líderes. Las horas eliminadas de la redacción no representan un beneficio neto si producen colas de revisión más grandes, expedientes más débiles o disputas sobre el desempeño más adelante.

Las propuestas asistidas por IA presionan a los evaluadores

Los evaluadores federales deben sustituir las señales estilísticas por evidencia difícil de generar y fácil de verificar.

La presión inmediata recae en los equipos de adquisición. Disponen de períodos de evaluación limitados, acceso desigual a especialistas técnicos y el deber de tratar a los competidores de forma justa. También necesitan un expediente claro que explique por qué el gobierno seleccionó a un oferente en lugar de otro.

Ese expediente importa más allá de la adjudicación inicial. Sirve de respaldo para las sesiones informativas, las revisiones internas, las auditorías y los litigios de impugnación de licitaciones. Si una agencia utiliza un modelo opaco para alcanzar una conclusión sustantiva, reconstruir la decisión se vuelve difícil.

La contratación federal ya proporciona una estructura de responsabilidad humana. Los comités de evaluación analizan las propuestas, los funcionarios de contratación gestionan la adquisición y las autoridades de selección de fuentes emiten juicios documentados. La IA no encaja automáticamente en esos roles porque un modelo no puede ostentar autoridad delegada ni explicar su razonamiento como lo haría un funcionario responsable.

Una línea divisoria útil es si una herramienta cambia el fondo de una evaluación. La búsqueda, la indexación, el formato y el rastreo de requisitos pueden respaldar a los revisores. Asignar fortalezas, debilidades, riesgos o valor comparativo afecta a la decisión de adjudicación y, por tanto, exige un control más estricto.

La misma distinción se aplica a los contratistas. Usar IA para dar formato a un plan de personal aprobado es distinto de pedirle que invente uno. Resumir un desempeño previo verificado es distinto de generar un historial de proyecto idealizado. Los responsables de propuestas necesitan controles de aprobación que reflejen esas diferencias.

Las agencias también pueden rediseñar lo que piden a los licitadores que presenten. Las secciones narrativas largas son altamente compatibles con la generación de texto. Las muestras de trabajo, los desafíos técnicos, los datos estructurados, las presentaciones orales y las respuestas a escenarios pueden revelar más sobre las personas que se espera que ejecuten el trabajo.

Las demostraciones en vivo no son inmunes al asesoramiento ni a la automatización. Sin embargo, permiten a los evaluadores poner a prueba supuestos y formular preguntas de seguimiento. Un equipo que comprende su diseño debería poder explicar compensaciones, modos de fallo, dependencias y alternativas sin depender de una respuesta preescrita.

El desempeño anterior también adquiere más valor cuando se verifica cuidadosamente. En lugar de aceptar afirmaciones generales, los evaluadores pueden examinar si el trabajo citado involucró una misión, un entorno operativo, un perímetro de seguridad y un nivel de complejidad comparables. Las referencias deberían confirmar el papel real del contratista.

La evidencia sobre personal requiere un escrutinio similar. La IA puede crear una narrativa de gestión convincente alrededor de currículums que no la respaldan. Las agencias pueden comprobar disponibilidad, adecuación a las categorías laborales, compromisos del personal clave y la relación entre el personal propuesto y el enfoque técnico.

El realismo de costes sigue siendo esencial. Un plan bellamente generado puede prometer calendarios agresivos, pruebas exhaustivas y supervisión continua sin incluir la mano de obra necesaria para cumplirlos. Comparar los compromisos narrativos con la dotación de personal y los precios puede revelar contradicciones.

La presión también se extiende a las agencias más pequeñas. Los grandes departamentos pueden construir entornos de evaluación seguros y reunir equipos de revisión multidisciplinarios. Los compradores más pequeños pueden depender de herramientas comerciales sin un respaldo jurídico, técnico y de seguridad equivalente.

Los servicios compartidos de contratación pueden ayudar, pero la estandarización introduce otra preocupación. Si muchas agencias utilizan el mismo modelo de puntuación, los contratistas aprenderán sus preferencias. La optimización de propuestas podría entonces dirigirse al evaluador en lugar de a la misión.

Esta es la versión de contratación pública de la optimización para motores de búsqueda. Google News clasifica y organiza la información para facilitar su descubrimiento, mientras los editores se adaptan a sus señales. Un evaluador automatizado crea un ciclo de retroalimentación de mayor riesgo. Los contratistas adaptarán la redacción, la estructura y la evidencia a aquello que el sistema recompense.

La solución no es únicamente el secretismo. Un proceso de puntuación oculto puede socavar la equidad y dificultar la impugnación de errores. Las agencias necesitan criterios transparentes, al tiempo que protegen las instrucciones del sistema y vigilan la manipulación.

Un buen diseño de evaluación hace que manipular el sistema tenga menos valor. Recompensa los hechos corroborados, los compromisos medibles, la experiencia pertinente y las compensaciones coherentes. También utiliza múltiples formas de evidencia, en lugar de permitir que una sola puntuación narrativa determine el resultado.

La verdadera disputa es persuasión frente a prueba

La IA puede mejorar la persuasión en ambos lados de una competencia, pero no puede sustituir la evidencia de que un contratista puede ejecutar.

Esta es la inversión central del artículo. La IA generativa parece hacer que la calidad de la propuesta sea más importante porque cada presentación puede volverse más clara y receptiva. En la práctica, hace que el pulido convencional de las propuestas sea menos decisivo.

Las señales antiguas no desaparecen de inmediato. Una propuesta confusa puede seguir indicando una mala coordinación, y una respuesta incompleta aún puede incumplir los requisitos de la licitación. El umbral de una presentación aceptable simplemente se eleva, mientras la diferenciación se desplaza a otros ámbitos.

La prueba comienza con la trazabilidad. Cada afirmación significativa debería vincularse a una fuente aprobada, un responsable identificado, un compromiso medible o un supuesto documentado. Los contratistas necesitan saber qué declaraciones proceden de un modelo y quién las validó antes de la presentación.

Un registro interno práctico puede asociar cada afirmación con el requisito de la licitación, el documento fuente, el revisor experto y la aprobación final. Esto se asemeja a una base de conocimiento con capacidad de búsqueda, pero su propósito es la disciplina contractual, no la conveniencia.

La trazabilidad también ayuda después de la adjudicación. Los equipos de programa pueden ver qué compromisos de la propuesta se convirtieron en obligaciones contractuales y qué supuestos requieren confirmación. Sin esa continuidad, la propuesta sigue siendo un artefacto persuasivo desconectado de la ejecución.

Las agencias deberían solicitar evidencia en formatos reutilizables. Los datos estructurados sobre personal, las definiciones de hitos, los criterios de prueba, las responsabilidades de seguridad y las listas de dependencias son más fáciles de comparar que la prosa sin restricciones. La narrativa sigue siendo útil para explicar el criterio aplicado, pero no debería ocultar los compromisos subyacentes.

Las demostraciones técnicas aportan otra capa de prueba. Un licitador puede mostrar cómo su arquitectura propuesta responde a un fallo, protege los datos gubernamentales o facilita la portabilidad. Los evaluadores pueden entonces comparar el comportamiento observado con las afirmaciones escritas.

En los sistemas de IA, las pruebas deberían incluir datos imperfectos, entradas adversariales, deriva y restricciones operativas. Un modelo que funciona bien durante una demostración seleccionada puede fallar cuando los usuarios introducen solicitudes ambiguas o información sensible.

La norma propuesta por la GSA para sistemas de modelos de lenguaje de gran tamaño ilustra el creciente enfoque en las salvaguardas operativas. La cláusula preliminar sobre LLM de junio de 2026 aborda los datos gubernamentales, la propiedad intelectual, la privacidad, la portabilidad, la notificación de cambios, la evaluación y la subsanación.

El borrador también muestra por qué los controles rígidos pueden crear sus propios problemas. Los requisitos que se apartan drásticamente de las prácticas comerciales pueden desincentivar a los proveedores o resultar difíciles de trasladar a los proveedores de modelos y subcontratistas. Las agencias deben proteger los intereses gubernamentales sin especificar obligaciones que ningún proveedor creíble pueda aceptar.

Se trata de una compensación, pero debería seguir siendo contexto de apoyo. El conflicto principal sigue siendo persuasión frente a prueba. La divulgación y las salvaguardas de datos importan porque determinan si las agencias pueden confiar en los sistemas implicados y verificarlos.

La revisión independiente es otro mecanismo de prueba. Una persona que no haya redactado la respuesta debería contrastar las afirmaciones principales con los registros fuente. Las secciones de alto riesgo, incluidas seguridad, personal, costes, transición y desempeño anterior, merecen una revisión más sólida que el formato de bajo riesgo.

La IA puede respaldar esta función de cuestionamiento, pero no debería calificar su propio trabajo. Un corpus de recuperación, modelo, prompt o equipo de revisión independiente puede reducir los errores correlacionados. Los especialistas humanos deben resolver los conflictos materiales.

Los contratistas también necesitan reglas claras sobre la información confidencial y controlada. Cargar datos de licitación, precios, currículums o diseños técnicos en un servicio no aprobado puede generar riesgos para la privacidad, la seguridad y la propiedad intelectual.

Los evaluadores de las agencias tienen un deber equivalente. La información de las propuestas es sensible, y colocarla en un modelo público puede comprometer la integridad de la contratación. Los entornos aprobados deberían definir la retención, el uso para entrenamiento, el control de acceso, el registro y la respuesta a incidentes.

La organización ganadora no será necesariamente la que evite la IA. Será la que utilice la automatización y preserve, al mismo tiempo, una cadena fiable desde la evidencia fuente hasta el compromiso final.

Lo que la ley de Garcia aún no puede decirnos

La advertencia es creíble, pero ni la paradoja de la propuesta perfecta ni la ley de Garcia se han establecido como una regla formal de contratación pública.

La terminología exige cautela. El artículo subyacente de Google News remite a un comentario de Federal News Network, no a una regulación, decisión judicial o política aplicable a todo el gobierno. Los lectores deberían tratar sus conceptos denominados como una abreviatura analítica.

No existe evidencia pública de que toda propuesta asistida por IA sea poco fiable. Muchos contratistas ya utilizan flujos de trabajo controlados que limitan los modelos al contenido aprobado y exigen revisión experta. La IA puede mejorar la precisión al detectar omisiones, cifras incoherentes o declaraciones sin respaldo.

Tampoco hay base para asumir que las propuestas redactadas por humanos sean inherentemente fiables. Los equipos tradicionales de propuestas pueden exagerar capacidades, reutilizar contenido irrelevante o hacer promesas que los equipos de ejecución no pueden cumplir. El problema de integridad es anterior a la IA generativa.

La IA cambia la escala, la velocidad y la detectabilidad. Permite a los equipos crear material más verosímil con menos esfuerzo. También puede dificultar la reconstrucción del origen de una declaración, salvo que la organización mantenga registros y citas.

Los mandatos de divulgación no son una solución automática. Una simple casilla que pregunte si se utilizó IA revela poco, porque el término abarca corrección ortográfica, recuperación, redacción, puntuación y generación autónoma. Una divulgación excesivamente amplia también puede castigar usos benignos sin exponer prácticas riesgosas.

Un enfoque mejor se centra en la materialidad. A las agencias debería importarles si la IA influyó en afirmaciones sobre costes, rendimiento, seguridad, personal, calendarios o capacidad técnica. También deberían preguntar qué validación y aprobación se produjeron.

Es poco probable que la detección de modelos proporcione una aplicación fiable. Los detectores de texto generan falsos positivos y pueden eludirse mediante edición. Los evaluadores deberían examinar la evidencia y la coherencia, en lugar de intentar adivinar quién escribió cada frase.

El sesgo sigue siendo otra preocupación sin resolver. Los datos históricos de contratación pueden reflejar preferencias pasadas, acceso desigual o puntuaciones incoherentes. Entrenar un sistema de evaluación con ese registro puede reproducir esos patrones mientras los presenta como objetivos.

La transparencia también tiene límites. Publicar todas las instrucciones del modelo podría ayudar a los contratistas a manipular el sistema. Mantener el proceso completamente secreto podría negar a los licitadores una comprensión significativa de cómo los juzgó la agencia. Las agencias necesitan suficiente divulgación para respaldar la equidad sin exponer detalles explotables.

La calidad de los datos puede ser la limitación más difícil. Un evaluador no puede comparar el desempeño de forma fiable si los registros anteriores están incompletos, son incoherentes o están desconectados entre sistemas. Los mejores modelos no corrigen por sí solos datos deficientes de contratación.

El llamamiento de la GAO para que las agencias recopilen y apliquen lecciones aprendidas es pertinente en este caso. Los compradores federales necesitan registros de qué métodos de contratación de IA funcionaron, qué falló durante la ejecución y cómo las conclusiones de evaluación predijeron los resultados reales.

Esto crea una prueba medible para la paradoja. Si las propuestas cada vez más pulidas se correlacionan menos con el desempeño contractual, las agencias deberían reducir el peso concedido a la presentación narrativa. Si la evidencia estructurada y las demostraciones predicen mejor los resultados, los planes de evaluación deberían favorecerlas.

Hasta que se acumule esa evidencia, las agencias deberían evitar dos afirmaciones excesivas. No deberían presentar la evaluación mediante IA como neutral simplemente porque utiliza software. Tampoco deberían asumir que todo juicio humano es superior simplemente porque lo tomó una persona.

La posición defendible es más acotada. Las decisiones materiales requieren funcionarios responsables, evidencia revisable y un proceso capaz de detectar errores o manipulación. La IA puede ayudar a ese proceso, pero no cumple esas condiciones automáticamente.

Tres señales que pondrán a prueba la paradoja

La siguiente fase estará determinada por el diseño de la contratación, los registros de protestas y la evidencia del desempeño contractual.

La primera señal es un cambio en la estructura de las licitaciones. Observe si las agencias reducen los requisitos de narrativa extensa y añaden desafíos técnicos, presentaciones orales, compromisos estructurados o demostraciones. Ese cambio reforzaría el argumento de que la prosa convencional ha perdido valor como elemento diferenciador.

Los detalles importarán. Sustituir un ensayo escrito por una presentación guionizada cambia poco. Una prueba significativa pide al personal propuesto que explique decisiones, responda a hechos nuevos o demuestre una capacidad bajo restricciones realistas.

La segunda señal es la primera disputa visible sobre el uso material de IA en la evaluación de propuestas. Una protesta, auditoría o revisión de un inspector general podría revelar si una agencia se basó en hallazgos automatizados y si sus funcionarios humanos ejercieron un juicio independiente.

Las preguntas centrales girarán en torno al expediente. ¿La herramienta generó una calificación o simplemente organizó la evidencia? ¿Podrían los evaluadores reproducir su resultado? ¿Examinaron información contraria? ¿Quién asumió la responsabilidad del juicio final?

Un caso bien documentado reforzaría la confianza en una asistencia de IA con límites definidos. Un proceso opaco que no pueda explicar una calificación sustancial reforzaría la paradoja y aumentaría la presión para establecer controles a escala de todo el gobierno.

La tercera señal son los datos de desempeño. Las agencias deberían comparar las afirmaciones de las propuestas con la estabilidad de la plantilla, los hitos de entrega, el aumento de costes, los incidentes de seguridad y los resultados para los usuarios tras la adjudicación. Esa evidencia puede mostrar qué señales de evaluación predicen realmente el éxito.

La medición del desempeño también pondrá a prueba los controles internos de los contratistas. Las organizaciones que conecten el contenido generado con registros verificados deberían experimentar menos contradicciones durante la ejecución. Aquellas que optimicen únicamente para la presentación podrían tener dificultades cuando los equipos del programa hereden compromisos poco realistas.

Google News seguirá mostrando debates sobre políticas de IA, contratos federales y trabajo automatizado. Los lectores deberían mirar más allá de la etiqueta de agregación y preguntarse si las agencias están cambiando lo que recompensan.

La mejor respuesta no es ni prohibir la IA ni permitir una automatización sin control. Los compradores federales deberían considerar el lenguaje pulido como el punto de partida, no como el final. Deberían exigir pruebas, verificar las afirmaciones clave, proteger los datos sensibles y documentar decisiones humanas con responsables identificables.

Para los contratistas, el mismo principio se aplica antes de la presentación. Construyan una cadena revisable desde los registros de origen hasta las afirmaciones de la propuesta y consérvenla durante la ejecución. Los equipos que gestionan grandes colecciones de evidencia pueden usar knowledge blending para organizar el contexto, pero expertos responsables deben seguir aprobando cada promesa sustancial.

¿Qué demostraría que este enfoque funciona? Estén atentos a narrativas más breves, demostraciones más exigentes, trazas de auditoría más claras y mejores vínculos entre los hallazgos de la evaluación y los resultados de los contratos. Si aparecen esas señales, la paradoja de la propuesta perfecta habrá impulsado una corrección útil. Si no lo hacen, la IA podría facilitar la producción de propuestas federales sin que lograr una adquisición exitosa deje de ser igual de difícil.