GuíaM&A data room e IA: Datasite, Intralinks, iDeals y MCP
Usar la propia IA en la data room de M&A de Datasite, Intralinks o iDeals: IA integrada, MCP o acceso a los archivos. Lo que permite cada una y sus límites.
Benchmark · Finanzas
La prueba: 150 preguntas exigentes cuyas respuestas están en largos informes financieros.
En resumen
La prueba
FinanceBench es un conjunto público de preguntas publicado a finales de 2023 por Patronus AI para medir la capacidad de una IA de responder a preguntas de analista financiero a partir de documentos reales: informes anuales (10-K), trimestrales (10-Q), comunicados (8-K) y transcripciones de presentaciones de resultados.
Las preguntas tienen una respuesta única y verificable: un importe, un ratio, una explicación sacada del informe. La dificultad está en los documentos: informes de 150 páginas de media, cifras dentro de tablas, cálculos a partir de varias líneas, vocabulario contable.
Encontrar o calcular un indicador: inversiones en activo fijo, margen operativo, ratio de liquidez.
Preguntas genéricas que un analista se hace sobre cualquier empresa: ¿es una empresa intensiva en capital?
Preguntas propias de una empresa y de un informe, que obligan a razonar sobre su contenido.
Todos los informes en una única base, sin indicar cuál contiene la respuesta. Las condiciones reales.
La tabla completa, sin filtros: cada puntuación con sus condiciones de prueba, su alcance, su método de evaluación y su fuente.
| Sistema | Condiciones | Precisión | Latencia media | Alcance | Evaluación | Fuente |
|---|---|---|---|---|---|---|
| Sin documento | 9 % | no publicado | Benchmark completo | Revisión humana | Islam et al., FinanceBench (Patronus AI), arXiv:2311.119442023-11-20 | |
| Corpus compartido | 93 % | 31 s | Benchmark completo | Juez LLM + revisión humana | Esta prueba (2026-10-02) | |
| Corpus compartido | 92 % | 11 s | Benchmark completo | Juez LLM + revisión humana | Esta prueba (2026-10-02) | |
| Corpus compartido | 86 % | 71 s | Benchmark completo | Juez LLM | Mistral AI, Agentic Search2026-08-20 | |
| Corpus compartido | 84 % | no publicado | Benchmark completo | Comparación numérica + juez LLM | Dewey, financebench-eval (GitHub)2026-04-08 | |
| Corpus compartido | 79 % | 108 s | Benchmark completo | Juez LLM | Mistral AI, Agentic Search2026-08-20 | |
| Corpus compartido | 79 % | no publicado | Benchmark completo | Juez LLM | Mistral AI, Agentic Search2026-08-20 | |
| Corpus compartido | 70 % | no publicado | Benchmark completo | Juez LLM | Mistral AI, Agentic Search2026-08-20 | |
| Corpus compartido | 63 % | no publicado | Benchmark completo | Comparación numérica + juez LLM | Dewey, financebench-eval (GitHub)2026-04-08 | |
| FinSageGPT-4o, RAG multiaspecto | Corpus compartido | 57 % | no publicado | 149 preguntas, 83 informes | Revisión humana | Wang et al., FinSage (CIKM 2025), arXiv:2504.144932025-04-20 |
| Corpus compartido | 55 % | no publicado | Benchmark completo | Revisión humana | Anderson et al. (Balyasny Asset Management), arXiv:2411.071422024-11-11 | |
| Corpus compartido | 53 % | no publicado | 141 preguntas, 80 informes | Revisión humana | Jimeno Yepes et al. (Unstructured), arXiv:2402.051312024-02-05 | |
| Corpus compartido | 47 % | no publicado | Benchmark completo | Revisión humana | Anderson et al. (Balyasny Asset Management), arXiv:2411.071422024-11-11 | |
| Corpus compartido | 27 % | no publicado | Benchmark completo | No indicada | Ragie, How Ragie Outperformed the FinanceBench Test2024-10-22 | |
| Corpus compartido | 27 % | no publicado | Benchmark completo | Juez LLM | Mistral AI, Agentic Search2026-08-20 | |
| Corpus compartido | 23 % | no publicado | Benchmark completo | Juez LLM | Mistral AI, Agentic Search2026-08-20 | |
| Corpus compartido | 19 % | no publicado | Benchmark completo | Revisión humana | Islam et al., FinanceBench (Patronus AI), arXiv:2311.119442023-11-20 | |
| FinanceBench_RAGbúsqueda híbrida por página | Un solo informe, indexado | 76 % | no publicado | Benchmark completoFiltros por empresa y año aplicados antes de la búsqueda. | No indicada | FinanceBench_RAG (GitHub, aquib8112)2026-02-28 |
| Un solo informe, indexado | 51 % | no publicado | Benchmark completo | No indicada | Ragie, How Ragie Outperformed the FinanceBench Test2024-10-22 | |
| Un solo informe, indexado | 50 % | no publicado | Benchmark completo | Revisión humana | Islam et al., FinanceBench (Patronus AI), arXiv:2311.119442023-11-20 | |
| Informe completo incluido | 79 % | no publicado | Benchmark completo | Revisión humana | Islam et al., FinanceBench (Patronus AI), arXiv:2311.119442023-11-20 | |
| Página exacta incluida | 85 % | no publicado | Benchmark completo | Revisión humana | Islam et al., FinanceBench (Patronus AI), arXiv:2311.119442023-11-20 | |
| Pathwaypipeline multiagente, con una persona que responde a las aclaraciones | Condiciones no indicadas | 56 % | no publicado | Número de preguntas no indicadoUna persona responde a las peticiones de aclaración: no es una puntuación autónoma. Modelo y evaluación no especificados. | No indicada | Pathway, AI for SEC filings analysis2025-07-09 |
| Pathwaypipeline multiagente | Condiciones no indicadas | 42 % | no publicado | Número de preguntas no indicadoModelo y evaluación no especificados. | No indicada | Pathway, AI for SEC filings analysis2025-07-09 |
| PathwayRAG simple | Condiciones no indicadas | 24 % | no publicado | Número de preguntas no indicadoModelo y evaluación no especificados. | No indicada | Pathway, AI for SEC filings analysis2025-07-09 |
Cifras de terceros tomadas de sus publicaciones, sin repetir sus pruebas. Un alcance reducido (menos preguntas o informes) hace que la prueba sea más fácil.
Protocolo
Los 368 informes se importan tal cual en una base de conocimiento estándar de ATG, como lo haría un cliente.
Cada pregunta se plantea sola, en una conversación nueva. ATG tiene que encontrar el documento correcto entre los 368 sin que se le indique. En 11 preguntas cuyo enunciado original no menciona ni la empresa ni el periodo, una frase fija los precisa (« Added note by ATG for disambiguation »), sin cambiar el resto de la pregunta.
Un juez LLM independiente (Mistral Medium 3.5) compara cada respuesta con la respuesta de referencia. En cada prueba, una revisión humana corrigió 4 veredictos, con su justificación en el informe. Una pregunta sin respuesta cuenta como error.
Tiempo medido entre el envío de la pregunta y el final de la respuesta, búsqueda incluida, con las preguntas planteadas de una en una. Los informes dan la media, la mediana y el p90.
Cada informe descargable detalla nuestra metodología y, para cada una de las 150 preguntas, la respuesta esperada, la respuesta obtenida por ATG y el veredicto. Cualquiera puede comprobar una evaluación y rebatirla.
Resultados
Una fila por política de IA, ambas en modo rápido. Cada fila corresponde a una pasada completa por las 150 preguntas.
| Política de IA | rápido |
|---|---|
| Proveedores de todo el mundo | Destacada 92 % 138 / 150 respuestas correctas
|
| Solo proveedores europeos | 93 % 139 / 150 respuestas correctas
|
Cuanto más arriba y a la izquierda esté un punto, más correcta y rápida es la respuesta.
Comparación
El 20 de agosto de 2026, Mistral publicó sus resultados en FinanceBench: las mismas 150 preguntas, los mismos 368 informes, con una búsqueda agéntica que encadena búsquedas y navega por los documentos. Hoy es el resultado publicado más cercano a nuestras condiciones.
Hay dos diferencias con nuestro protocolo: Mistral evalúa las respuestas con un juez LLM calibrado con etiquetas humanas, y solo publica una latencia (media y p90) sin decir a qué modelo corresponde. Nosotros la atribuimos a GLM-5.2, el modelo de todas las demás cifras «de hasta» del artículo.
×6,8
En modo rápido, ATG responde en 11 s de media, frente a 71 s de la configuración más rápida publicada por Mistral AI: respuestas 6,8 veces más rápidas.
ATG, Solo proveedores europeos, modo rápido
ATG, Proveedores de todo el mundo, modo rápido
Mistral Agentic Search, GLM-5.2, búsqueda + navegación
Mistral Agentic Search, GLM-5.2, solo búsqueda
Mistral Agentic Search, Mistral Medium 3.5, búsqueda + navegación
Mistral Agentic Search, Mistral Medium 3.5, solo búsqueda
Mistral, GLM-5.2, RAG en una pasada
Mistral, Mistral Medium 3.5, RAG en una pasada
ATG, Solo proveedores europeos, modo rápido
ATG, Proveedores de todo el mundo, modo rápido
Mistral Agentic Search, GLM-5.2, búsqueda + navegación
Mistral Agentic Search, GLM-5.2, solo búsqueda
Mistral Agentic Search, Mistral Medium 3.5, búsqueda + navegación
Mistral Agentic Search, Mistral Medium 3.5, solo búsqueda
Mistral, GLM-5.2, RAG en una pasada
Mistral, Mistral Medium 3.5, RAG en una pasada
Cifras de Mistral tomadas de su artículo, no reproducidas por nosotros.
Ejemplo
Pregunta (conjunto de prueba, en inglés)
What is the FY2018 capital expenditure amount (in USD millions) for 3M? Give a response to the question by relying on the details shown in the cash flow statement.
Respuesta esperada
$1577.00
Respuesta de ATG (política sin restricciones, modo rápido)
$1,577 million. Per 3M's Consolidated Statement of Cash Flows (fiscal year ended December 31, 2018), the line « Purchases of property, plant and equipment (PP&E) » under Cash Flows from Investing Activities is $(1,577) million, which is the capital expenditure figure.
Documento citado por ATG
3M_2018_10K.pdf
Veredicto: Correcta, respuesta en 7 segundos
Un informe por configuración, con el protocolo, los resultados y, para cada pregunta, la respuesta de ATG y su veredicto. Acceso libre, sin formulario.
| Política de IA | rápido |
|---|---|
| Proveedores de todo el mundo | PDF, Proveedores de todo el mundo, rápido |
| Solo proveedores europeos | PDF, Solo proveedores europeos, rápido |
Artículos y vídeos seleccionados para entender mejor esta solución y ver cómo funciona en la práctica.
Investigadores y empresas de software publican sus puntuaciones en FinanceBench. Eso nos permite compararnos con resultados que no hemos producido nosotros, sobre documentos financieros reales.
Para no comparar una solución que dominamos con soluciones que configuraríamos mal. Citamos las cifras que ha publicado cada empresa o equipo de investigación, con sus condiciones de prueba, y las ordenamos por nivel de dificultad.
Es la política de IA que elige el administrador. «Solo proveedores europeos» limita el tratamiento a proveedores europeos (Mistral, Scaleway, Nebius); «de todo el mundo» (política sin restricciones) añade, entre otros, OpenAI y Google. Hicimos la prueba con ambas para que cada cual conozca lo que le cuesta su elección en precisión y en velocidad.
El modo rápido («Fast» en los informes) es el modo de ATG que da prioridad al tiempo de respuesta. Las dos pruebas se hicieron en este modo. Los modos Auto y Thinking, que dejan más tiempo al razonamiento, no forman parte de este benchmark.
Dan un orden de magnitud para documentos financieros largos y con muchas tablas. La mejor prueba siguen siendo tus propios documentos: podemos medir la precisión de ATG con una muestra de tus preguntas durante una demo.
Puedes importar tus informes financieros, plantear las preguntas de tus equipos y medir tú mismo la precisión de las respuestas.