IA en gestión de proyectos y obra: definición, alcance real y usos actuales

En casi todas las industrias es normal hablar de Business Intelligence, predicción, automatización o ERP… Nadie en automoción o aeronáutica discute si diseñar en 2D o 3D o si ERP o Excel. En construcción, en cambio, aún debatimos si BIM o no BIM, libreta o tablet, y cosas como automatizaciones, BI o llevar un escáner LiDAR a obra siguen pareciendo ciencia ficción. Con IA pasa lo mismo: hay expectativas, pero una adopción limitada.

¿Por dónde empezamos?

El sector es complejo, sí, pero eso no invalida técnicas que ya funcionan fuera. La gestión de proyectos de construcción impulsada por IA me gusta explicarla con la analogía de un viaje de A (la idea) a B (la obra terminada). ¿Tú como haces los viajes?:

• ¿A pie, con un mapa en papel y sin instrumentos?
• ¿En coche con mapa, pero sin indicadores ni Google Maps?
• ¿En coche con todos los indicadores y navegación?

La diferencia no es solo el vehículo, son los instrumentos y la disciplina de uso.
 

Entonces, la IA aplicada tiene muchas ramas, pero la que más nos interesa en el campo de la gestión es una: Los agentes de IA.

¿Qué son los agentes de IA?

En 2025 todo el mundo habla de “agentes de IA”. Traduzcámoslo sin humo: un agente es un sistema impulsado por IA que, además de entender el lenguaje natural, puede usar herramientas, planificar pasos y ejecutar acciones con permisos y trazabilidad. Útil cuando hay que encadenar tareas, justificar decisiones y no romper nada por el camino.

Antes, tres ideas para no decepcionarse

1. Esto va de datos. La IA es, en gran parte, procesamiento avanzado de datos. Sin fuentes ordenadas, fallará.
2. Modelos base con sesgos. GPT, Gemini y el resto alucinan si no les das contexto de calidad.
3. IA ≠ agente. La IA “responde”; el agente además actúa con herramientas y planifica qué hacer después.

¿Qué capacidades tienen los agentes de IA?

1- Percibir
Qué implica: ingerir información heterogénea y entender su estructura mínima.
Fuentes típicas: documentos, correos, cronogramas, incidencias, repositorios, BIM, bases de datos, web interna, APIs.
Ejemplos AEC: leer un pliego PDF y el cronograma Primavera, extraer cambios de un hilo de correo, consultar un modelo IFC y un BC3.

2- Procesar y planificar
Qué implica: interpretar texto/tablas/imágenes, descomponer la tarea en pasos, replanificar según resultados intermedios.
Cómo lo hace: LLM + reglas/validadores + prompts especializados o subagentes.
Ejemplos AEC: normalizar ofertas, detectar incoherencias entre planning y mediciones, preparar un orden del día con puntos críticos.

3- Actuar
Qué implica: ejecutar acciones en sistemas con permisos mínimos y trazabilidad.
Acciones típicas: generar borradores, lanzar consultas SQL/GraphQL, completar campos en formularios, invocar APIs corporativas, abrir tickets.
Ejemplos AEC: crear el borrador de un acta con acuerdos y responsables, actualizar el estado de un ítem en el CDE, emitir una consulta a proveedores.

4- Aprender y ajustar
Qué implica: mejorar con memoria controlada, finetunning y conocimiento propio (RAG), y autocorregirse antes de entregar.
Mecanismos: memoria de proyecto, lecciones aprendidas, checklists automáticos, benchmarks de salida y finetunning.
Ejemplos AEC: mantener terminología de cada cliente, recordar excepciones de un contrato, aplicar el checklist de calidad antes de publicar un informe, mejorar los resultados en cada iteración.

Condiciones mínimas para que funcione

• Datos accesibles de calidad y gobernados (versionado, metadatos, fuentes de verdad, ETL).
• Permisos y segregación por rol y entorno; nada de credenciales “barra libre”.
• Trazabilidad completa de decisiones y acciones.
• Revisión humana antes de publicar o decidir.

Resumen: la IA será tan buena como los datos que vea; un agente conecta esa IA con tus herramientas y procesos para ejecutar pasos controlados. Con buen contexto y buenas reglas, sí puede ser diferencial.

Una IA bien formada y con buenas herramientas si puede ser un elemento disruptivo.

Resumen: la IA será tan buena como los datos que vea; un agente conecta esa IA con tus herramientas y procesos para ejecutar pasos controlados. Con buen contexto y buenas reglas, sí puede ser diferencial.

Una IA bien formada y con buenas herramientas si puede ser un elemento disruptivo.

Dónde duele en AEC y es, además, un problema de datos donde la IA y agentes pueden ser la diferencia

1. Comprobación normativa
   Reglas y artículos dispersos, versiones y excepciones. Necesitas corpus normalizado, trazas y validadores.
2. Planificación en obra
   Planes, restricciones y avances en silos. Hace falta consolidar fuentes, detectar incoherencias y replanificar con evidencia.
3. Contrataciones objetivas (más allá del precio)
   Ofertas heterogéneas y poco histórico comparable. Normalización, outliers de coste/riesgo y trazabilidad de criterios.
4. Seguimiento de avance
   Fotos, 360, escáner, partes y modelos sin un “fuente de verdad”. Integración, etiquetado y reglas de certificación.
5. Gestión y predicción de riesgos
   Incidencias repetidas sin lecciones accionables. Catalogación, features por tipología y señales tempranas.
6. Escasez de mano de obra
   Gente cara haciendo tareas repetitivas. Estandarizar entradas y automatizar lo mecánico para liberar capacidad.
7. Rentabilidad
   Reprocesos, esperas y omisiones. Medir tiempos, rechazos y variabilidad para cortar fugas.

¿Cómo puede usarse en gestión de proyectos y obras?

Los agentes razonadores no sirven solo para tareas repetitivas. Aportan valor cuando hay que combinar varias fuentes, mantener contexto entre pasos, justificar decisiones con referencias y encadenar acciones con permisos y trazabilidad.

Qué aportan hoy frente a una automatización clásica

• Planificación multipaso. Descomponen una solicitud en subtareas y las ejecutan en orden lógico, reintentando si algo falla.
• Verificación y autocorrección. Revisan su propia salida contra reglas o muestras antes de entregarla.
• Memoria de proyecto. Mantienen contexto estable (terminología, acuerdos, excepciones) entre sesiones.
• Uso de herramientas con control. Llaman a APIs y actualizan sistemas con permisos y trazabilidad completa.

Casos tipo y su impacto

• Agentes para asistencia en tareas ordinarias. Revisar documentos y contrastar con otros, responder dudas citando fuentes, gestionar calendario y reuniones, tomar apuntes y preparar borradores de actas.
  Impacto: pasar de ~45 min a 10–15 min por acta preliminar; ahorro semanal de 1,5–2,5 h por responsable según número de reuniones.
• Agentes para análisis y síntesis de información. Analizar y procesar datos de proyecto o empresa para extraer patrones, trazar eventos que expliquen incidencias, comparar propuestas y presupuestos y auditar documentos.
  Impacto: la fase inicial de normalización y cribado baja de 1 jornada a 2–4 h, manteniendo revisión posterior del equipo.
• Generación de documentación. Borradores de memorias, actas, informes de seguimiento y anexos técnicos a partir de insumos heterogéneos.
  Impacto: reducción de 30–50% del tiempo de primera redacción; la calidad final depende del grado de revisión y del orden de las fuentes.
• Auditorías BIM de información para certificaciones de obra. Verificación de completitud y coherencia de campos clave en modelos BIM utilizados para certificar.
  Impacto: Certificaciones más precisas, reducción de incertidumbre, ahorro económico y tiempo.
• Comparativa de proveedores con histórico. Normalización de ofertas, detección de precios atípicos y recuperación de antecedentes registrados.
  Impacto: comparativa preliminar estructurada en 2–4 h en lugar de 1–2 días, manteniendo decisión humana.
• Agentes para gestión de riesgos recurrentes. Señalización de materiales o soluciones conflictivas según incidencias pasadas y contexto de la organización, con sugerencias documentadas.
  Impacto: disminución de reincidencias y mejor preparación de preguntas técnicas a proveedores.
• Agente para seguimiento de acuerdos en actas. Identificación de puntos no tratados, trazado de eventos y recordatorios. Trazabilidad de decisiones y acciones para penalizaciones en contratos.
  Impacto: menor tasa de compromisos que se pierden entre reuniones y mejor trazabilidad.

Conclusión

Los agentes de IA ya aportan valor en procesos documentales y repetitivos con datos accesibles, reglas claras y supervisión. Ganancias consistentes: menos tiempo de preparación, primeras versiones más homogéneas y menos omisiones tontas. No es “automatizarlo todo”; es eliminar trabajo mecánico donde ya hay patrón y datos decentes. Si tus datos son un caos, el agente solo documentará el caos más rápido.

En AECOTECH te ayudamos a disponer de los sistemas necesarios para alcanzar una mayor rentabilidad en tus proyectos y reducir tus riesgos.