IA local, no en la nube
Usar Ollama con modelos locales mantiene los datos dentro de la infraestructura, elimina el costo por consulta y saca de la ecuación los límites de las APIs externas.
case study · Automatización & IA
Arce
Monitoreo y análisis de licitaciones públicas con IA local.
RolDiseño, desarrollo e infraestructura — de punta a puntaAño2025
Pythonn8nPostgreSQLOllamaIA localDockerLinuxWeb scrapingJSON
Arce monitorea las publicaciones del portal de compras estatales (ARCE), extrae cada llamado, lo estructura, lo analiza con un modelo de IA que corre en local y deja en un dashboard solo las oportunidades relevantes para el equipo comercial.
El problema
Detectar oportunidades significaba revisar a mano el portal de compras estatales (ARCE): un proceso lento, repetitivo y fácil de descuidar entre el resto del trabajo. Eran unas 2 horas diarias, 5 días a la semana.
La información llegaba como texto no estructurado, difícil de comparar y filtrar. Cuando un llamado relevante aparecía y nadie lo veía a tiempo, era una oportunidad perdida.
La solución
Arce automatiza todo ese recorrido. Monitorea las últimas publicaciones de ARCE, extrae cada llamado, lo convierte a un formato estructurado y lo evalúa con IA local para decidir si es relevante.
El tema de interés es configurable: en mi caso filtra por aluminio, el rubro de mi empresa, pero se adapta a cualquier otro sin tocar el código.
El equipo deja de revisar el portal: abre un dashboard y ve únicamente las oportunidades que importan, ya filtradas y ordenadas.
arquitectura
Cómo fluyen los datos, de la fuente al dashboard.
01
ARCE (compras estatales)
Las últimas publicaciones del portal de compras del Estado son el punto de entrada.
02
Scraping en Python
Scripts que extraen automáticamente cada llamado publicado.
03
Estructuración
El texto no estructurado se normaliza a JSON consistente y comparable.
04
PostgreSQL
Los llamados se almacenan con histórico consultable, sin reprocesar todo cada vez.
05
IA local (Ollama)
Un modelo que corre en local clasifica y filtra cada licitación por relevancia.
06
Dashboard
El equipo ve solo las oportunidades relevantes, listas para actuar.
Todo el flujo está orquestado en n8n: ajustar fuentes, reglas o frecuencia se hace sobre el workflow, sin reescribir el sistema.
decisiones técnicas
Por qué está construido así.
n8n para orquestar
Coordinar el flujo en n8n permite cambiar reglas, fuentes o frecuencia tocando el workflow, en vez de reescribir y redeployar código.
PostgreSQL como base
Guardar los llamados estructurados en Postgres habilita consultar, comparar y mantener un histórico, en lugar de procesar todo desde cero en cada corrida.
Todo en Docker
El sistema corre containerizado sobre Linux: reproducible, aislado y desplegable en un servidor propio sin dependencias frágiles.
demo
El dashboard en funcionamiento.
capturas
Por dentro.
resultados
~10 hs
de búsqueda manual ahorradas cada semana (antes: 5 días × 2 hs revisando a mano).
0
tiempo dedicado a revisar el portal de ARCE manualmente.
Configurable
el rubro de interés se cambia sin tocar el sistema (en mi caso, aluminio).
¿Tenés un proceso que se podría automatizar así?
Si algo de esto se parece a un problema tuyo, hablémoslo.