Desarrollo de funcionalidades mediante inteligencia artificial orientada al análisis de negocios

Abstract

El presente Trabajo de Fin de Grado aborda la creciente complejidad del análisis de empresas, donde los analistas financieros deben procesar volúmenes masivos de documentos (estados financieros, reglamentos internos, transcripciones de conferencias) de manera manual, lo que ralentiza la toma de decisiones y eleva el riesgo de omisiones. El objetivo principal consiste en diseñar e implementar un agente de inteligencia artificial que automatice las tareas repetitivas de búsqueda y síntesis de información, tanto en fuentes locales (documentos cargados por el usuario) como externas (noticias y recursos web), reduciendo la fricción y aumentando la productividad.

Para ello, se trabajó con herramientas como Langchain y Langgraph para la orquestación de pipelines de IA, junto con la modelización OPM para documentar arquitecturas y flujos de trabajo.. En la funcionalidad de búsqueda local se implementó un agente RAG con metadatos enriquecidos para extraer y vectorizar fragmentos de texto, optimizando la recuperación semántica y minimizando alucinaciones. Paralelamente, se desarrollaron agentes de búsqueda externa, incorporando refinamientos en generación de consultas, verificación iterativa y memoria conversacional con una arquitectura agencial.

Los resultados experimentales revelan un aumento de aproximadamente 11 puntos percentuales en la precisión de las respuestas con respecto a un RAG básico, gracias a los bucles de validación del agente, así como una mejora notable en la calidad de informes. La herramienta fue validada con analistas de Azvalor Asset Management, quienes destacaron la autonomía controlada del agente, la interfaz conversacional y la capacidad para generar informes estructurados.

En conclusión, el prototipo desarrollado cumple los objetivos planteados, ofreciendo una solución escalable y fácilmente integrable en entornos profesionales, sentando las bases para su despliegue en producción, la incorporación de guardrails de auditoría y futuras extensiones funcionales.

This Bachelor's Thesis addresses the growing complexity of company analysis, where financial analysts must manually process massive volumes of documents (financial statements, internal regulations, conference call transcripts), which slows down decision-making and increases the risk of omissions. The main objective is to design and implement an artificial intelligence agent that automates repetitive tasks related to information retrieval and synthesis, both from local sources (documents uploaded by the user) and external ones (news and web resources), thereby reducing friction and increasing productivity.

To achieve this, tools such as Langchain and LangGraph were used for orchestrating AI pipelines, along with OPM modeling to document architectures and workflows. For local search functionality, a RAG agent with enriched metadata was implemented to extract and vectorize text fragments, optimizing semantic retrieval and minimizing hallucinations. In parallel, external search agents were developed, incorporating enhancements in query generation, iterative verification, and conversational memory within an agentic architecture.

Experimental results show an approximate 11 percentage point increase in response accuracy compared to a basic RAG, thanks to the agent’s validation loops, as well as a notable improvement in report quality. The tool was validated by analysts at Azvalor Asset Management, who highlighted the agent’s controlled autonomy, conversational interface, and ability to generate structured reports.

In conclusion, the developed prototype meets the stated objectives, offering a scalable and easily integrable solution in professional environments, laying the groundwork for production deployment, the incorporation of auditing guardrails, and future functional extensions.