AI scales only when the organization doesLa IA escala solo cuando la organización también lo hace · V8.1 Master Engine

El uso de IA en toda la organización sigue siendo excepcional, mientras la reutilización del conocimiento, la validación en campo, la seguridad y la alineación con estándares siguen siendo limitaciones organizacionales. Cada fila tiene su propia población de estudio y no representa una estimación combinada.

Comienza por la brecha entre probar la IA e incorporarla. Casi la mitad reporta no haberla implementado, mientras que 34% aún está en la etapa de pilotos. Solo 0,9% reporta usarla en toda la organización.

La IA crea valor duradero en proyectos activos solo cuando la organización puede coordinar su uso.

El primer embudo mostró la adopción. Este muestra la capacidad. El setenta y cuatro por ciento está sin planes o en etapa de exploración, y menos de 1% cuenta con sistemas que escalan entre proyectos.

La limitación no es simplemente el acceso a modelos. Los profesionales señalan primero al personal capacitado, con 46%; después, la integración, con 37%, y la calidad de los datos, con 30%. La incertidumbre legal ocupa el último lugar, con 11%.

Las habilidades, la integración y la calidad de los datos se convierten en capacidades organizativas cuando los equipos colaboran con herramientas y evidencia compartidas.

La seguridad no es una preocupación fija. La proporción que menciona la privacidad y la seguridad subió de 22% a 30% en un año, un aumento de 8 puntos.

La adopción necesita más que entusiasmo. En 2026, 43% de los agrimensores de la construcción no estaban alineados con el estándar de IA de RICS, lo que muestra que la práctica responsable aún es desigual.

Hay una mejora real a nivel de tarea. En un experimento con 453 personas, la IA generativa redujo el tiempo de redacción 40% y mejoró las puntuaciones independientes de calidad 18%. La siguiente pregunta es si esas mejoras se trasladan a los sistemas de los proyectos.

Frente al referente del 14 % en soporte, la reducción del tiempo de redacción es 2,9 veces mayor, la mejora de productividad de trabajadores novatos es 2,4 veces mayor y la mejora de calidad de redacción es 1,3 veces mayor.

El primer resultado es alentador, pero el detalle importa. Un estudio midió la productividad general entre 5.179 agentes, mientras que el otro midió los casos resueltos por hora entre 5.172 agentes. Ambos apuntan a mejoras aproximadamente 15%, pero ninguna cifra debe tratarse como una tasa de productividad universal.

Este es el lado positivo de la frontera. En las tareas que el sistema podía manejar, los trabajadores completaron 12,2% más tareas y lo hicieron 25,1% más rápido. El resultado respalda la aceleración, pero solo dentro del límite de capacidades probado.

La IA aceleró el trabajo dentro de su frontera de capacidad comprobada, pero el resultado se revirtió fuera de ella. Los consultores tuvieron 19 puntos porcentuales menos probabilidades de producir soluciones correctas. Trabajar más rápido no significa automáticamente trabajar mejor.

La investigación controlada puede trazar la frontera de capacidad de la IA, pero las organizaciones deben convertir esos límites en flujos acotados y revisión.

La organización puede registrar lecciones sin convertirlas en conocimiento reutilizable. Aunque 89% afirmó registrar lecciones al cierre del proyecto, solo 31% contaba con una base de datos y 44% aplicaba las lecciones en la planificación futura. El eslabón perdido es la reutilización.

El aprendizaje de los proyectos se desvanece en cada frontera. La proporción que afirma transferirlo cae de 47,8% a su equipo de proyecto, a 35,6% a otros equipos de proyecto y a 22,2% al resto de la organización. La IA no puede multiplicar un conocimiento que nunca circula.

El problema del conocimiento tiene dos fugas separadas. Los equipos suelen capturar lecciones, pero solo 31% reporta almacenarlas en una base de datos. La transferencia vuelve a debilitarse entre las fronteras de los proyectos: solo 22,2% reporta que las lecciones llegan a toda la organización.

El conocimiento del proyecto sobrevive a una transferencia cuando los planos y registros se almacenan, son trazables y pueden reutilizarse entre equipos.

La evidencia no apunta a una fórmula mágica para transferir conocimiento en construcción. Entre 353 profesionales de la construcción internacional, el estudio identificó 3 rutas distintas e igual de eficaces. Por eso, el diseño y la adecuación importan más que la adhesión a un método único.

El conocimiento del proyecto no es solo documentación. En los 4 casos de PFI, los equipos relacionaron la disciplina de entrega con la comunicación y la planeación. Un estudio independiente de 191 empleados encontró una fuerte correlación entre la gestión consolidada del conocimiento y el desempeño organizacional.

Las fallas de información ya tienen un costo medible para los proyectos. Las cifras regionales alcanzan $31,3 mil millones en Estados Unidos, $10,8 mil millones en el Reino Unido y $8,4 mil millones en Australia y Nueva Zelanda. La estimación más amplia atribuye 52% del retrabajo global en construcción a datos y comunicación deficientes, equivalente a aproximadamente $280 mil millones.

Dos estudios asignan un costo elevado a las fallas de información, pero no miden lo mismo. En 2020, se estimó que el retrabajo global por datos deficientes costó $88,7 mil millones. En 2018, se estimaron $177,5 mil millones en costos laborales anuales por actividades no óptimas en Estados Unidos.

La información deficiente afecta tanto el juicio como el trabajo físico. El treinta por ciento de los líderes encuestados dijo que más de la mitad de los datos de sus proyectos era deficiente. En una estimación independiente para EE. UU., los datos deficientes y la falta de comunicación representaron 48% del retrabajo en obra.

El costo de la mala información también se mide en tiempo de trabajo perdido. Los integrantes del equipo dedicaron 5,5 horas a encontrar datos del proyecto, casi 5 horas a resolver conflictos y 4 horas a gestionar el retrabajo. La carga reportada fue de más de 14 horas por semana, aproximadamente dos días laborales.

La participación humana no garantiza un mejor desempeño. En 106 experimentos y 370 efectos, los equipos humano-IA promediaron -0,23 frente al mejor desempeño individual. El patrón cambia según la tarea: los efectos de aumento y creación son positivos, pero el efecto en tareas de decisión es negativo.

La supervisión humana no es útil automáticamente. El resultado más sólido es positivo, 0,46, cuando las personas parten con ventaja, pero la combinación cae a un resultado negativo de 0,54 cuando la IA parte con ventaja. Ese cambio vuelve operativos la competencia, el diseño de roles y la autoridad para anular decisiones.

La explicación no es un adorno. En la asistencia con salvaguardas, elevó la precisión en 7,7 puntos porcentuales en manufactura y en 4,7 en medicina. La validación humana funciona mejor cuando las personas pueden entender el razonamiento del sistema.

La validación humana funciona cuando los expertos pueden comparar el resultado de la IA con los planos, el contexto del proyecto y la evidencia de origen.

La participación humana no es una mejora universal. En reseñas de hoteles falsas, la IA por sí sola alcanzó 73% de precisión, por encima de los equipos, con 69%, y de las personas por sí solas, con 55%. La lección es validar el flujo de trabajo por tarea, en lugar de asumir que una mayor participación humana siempre genera valor.

La información del proyecto supera rápidamente el trabajo archivo por archivo. Los promedios reportados son 130 millones de correos electrónicos, 55 millones de documentos y 12 millones de flujos de trabajo. La IA no puede crear valor duradero a partir de ese volumen sin un entorno de información con gobernanza.

El resultado en campo es sólido, pero su contexto importa. El modelo alcanzó 79,2% de mAP en imágenes de sitios reales después de entrenarse con datos sintéticos y 20% de datos del mundo real. La incertidumbre reportada es de ±1,4 puntos porcentuales, por lo que la validación operativa aún debe probar otros sitios y condiciones.

Un prototipo puede funcionar bien y aun así tener un límite operativo claro. Este modelo siguió siendo sensible a las condiciones de bajo contraste por debajo de 300 lx. Por eso, la validación en sitio debe incluir las condiciones de iluminación de los proyectos donde funcionará el sistema.

El sistema podía comparar el entorno construido con el diseño BIM mediante unos lentes HoloLens 2. Pero la experiencia se ejecutaba a aproximadamente 2 fotogramas por segundo. Esto convierte el resultado en un dato útil sobre el ritmo, no en una prueba del rendimiento en implementaciones más amplias.

La IA para la construcción necesita ejemplos etiquetados, y etiquetar imágenes del mundo real es costoso. Los datos sintéticos redujeron esa carga en 80% para ciertas tareas. Esto no resuelve el despliegue, pero puede reducir el costo de preparar un modelo para las pruebas.

El modelo fue rápido, con una inferencia de 5,4 millisecond. Pero la velocidad no implicó una cobertura completa. La precisión promedio alcanzó 76,3%, mientras que la cobertura fue de 65,2%, por lo que las detecciones omitidas siguieron formando parte de la realidad operativa.

Se utilizó una sola imagen para estimar el avance de un muro de ladrillos miniatura. El avance reportado fue de 91,4%, y el flujo de trabajo clasificó el muro como atrasado antes de actualizar el BIM 4D. El extracto de la fuente no fue verificado, por lo que se trata de un estudio de caso prometedor, no de un benchmark de campo.

Gordian afirma que sus estimaciones predictivas de costos se mantuvieron dentro de una tasa de error máximo inferior a 3% en pruebas retrospectivas. Es una afirmación clara del proveedor. Falta una replicación independiente en distintos proyectos y condiciones de mercado.

Los edificios están en el centro del problema de sostenibilidad. Consumen 32% de la energía mundial y generan 34% de las emisiones de CO2. El cemento y el acero representan 18% de las emisiones de los edificios, por lo que el valor de la IA debe conectar diseño, materiales, energía y operaciones.

La estimación más sólida aparece cuando se combinan los métodos. Los enfoques híbridos alcanzan un ahorro estimado de 28,1%, frente a 14,7% con aprendizaje supervisado. El resultado apunta hacia la integración, pero sigue siendo una estimación de metaanálisis, no una medición en campo.

La base de investigación aún no constituye una prueba amplia en campo. Solo 18% de los estudios usan implementaciones en el mundo real, mientras que 76% examinan un solo sistema del edificio. Esta brecha importa cuando las organizaciones quieren que la IA funcione en proyectos complejos y distintas condiciones operativas.

Los estimados de ahorro son atractivos, especialmente el resultado de 28,1% para los métodos híbridos. Pero la base de evidencia es limitada. Solo 18% de los estudios académicos utilizaron implementaciones en el mundo real y 76% se enfocaron en un solo sistema del edificio.

La parte costosa quizá no sea el modelo. En implementaciones documentadas de edificios comerciales, como máximo 75% del esfuerzo y el presupuesto de ingeniería se destinan a hacer que los sistemas existentes sean utilizables por la capa de analítica. Por eso, la integración es una inversión central, no una tarea secundaria.

La medición cambia el resultado aparente. En 654 sitios, los ahorros reportados por los proveedores fueron aproximadamente el doble de los confirmados mediante medición independiente. La lección es sencilla: las afirmaciones de sostenibilidad necesitan una verificación externa antes de convertirse en evidencia para la organización.

Aquí no existe una única trayectoria europea de residuos. Países Bajos sube de 147 a 322, mientras que España baja de 419 a 126. Francia también cambia al final del periodo y Polonia disminuye, por lo que los sistemas de sostenibilidad deben conservar el contexto del país y del proyecto.

La trayectoria de Suecia cambia de dirección después de 2012. La medida sube de 29 en 2012 a 147 en 2022, con aumentos en cada observación posterior. Este tipo de cambio local explica exactamente por qué los sistemas de AI necesitan datos de proyectos actuales y trazables.

La profesión no está rechazando AI. La mayoría de los encuestados espera que aporte valor, incluido 69% de los gerentes de proyecto. Pero ese optimismo convive con presión, incluido el 48% de los gerentes de proyecto que se sienten agobiados.

Las habilidades ya son la principal barrera para este grupo. Aun así, 30% planeaba aumentar la inversión en AI en los próximos 12 meses. La presión es clara: las organizaciones están apostando por AI antes de haber desarrollado por completo las habilidades necesarias para usarla.

No se trata de un problema lejano de la fuerza laboral. El ochenta y siete por ciento afirma que la brecha de habilidades está afectando a la profesión. Dentro de ese grupo, 27% dice que el impacto es crítico, lo que muestra la urgencia de fortalecer las capacidades.

El desafío de las habilidades va más allá de saber operar una herramienta. El cincuenta y uno por ciento identifica las habilidades empresariales como el área con mayor margen de mejora entre quienes recién ingresan. Por eso, la adopción de AI depende del criterio para evaluar proyectos, clientes y valor.

Solo 15% reporta un uso activo de AI. La inversión prevista duplica ese nivel, con 31%, una brecha de 16 puntos. Sin embargo, 34% aún se encuentra en fases piloto, por lo que la profesión se está preparando y experimentando más rápido de lo que opera AI a escala.

AI no puede demostrar el valor organizacional si la productividad está mal definida o no se mide. En las regiones encuestadas, ninguna definición individual alcanza una adopción de 30%. Por separado, 20% de las empresas de construcción del Reino Unido nunca mide la productividad, por lo que no existe una línea base confiable para mejorar.

La industria ve la mayor oportunidad de la IA antes de que comience la construcción. La optimización de alternativas de diseño concentra 40% de las selecciones, cinco veces el 8% de la construcción baja en carbono. El desequilibrio importa porque puede orientar la inversión hacia un diseño más rápido, mientras la sostenibilidad durante todo el ciclo de vida queda en segundo plano.

El sector sí redujo la intensidad energética en 9,5%. Pero quedó muy por debajo de la meta de 18,2% y el CO2 operativo aumentó 5,4%. La lección es simple: el avance en una medida de eficiencia puede coexistir con un aumento de las emisiones.

El riesgo cibernético también es un problema de economía de proyectos. SpearTip reporta 469 incidentes de construcción al año y un costo promedio de $5,56 millones por cada incidente reportado. Por eso, la seguridad de la información debe formar parte del caso de valor, no quedar fuera de él.

El ransomware no perdió fuerza a medida que avanzó el trimestre. Su proporción pasó ligeramente de 5,76% a 5,95%, mientras aparecieron 158 víctimas en 27 países. Una proporción casi estable aún puede significar una exposición sostenida cuando la amenaza subyacente sigue activa.

El ransomware en la construcción llegó mucho más allá de un solo mercado nacional. La fuente identificó 749 víctimas globales y 477 en Estados Unidos durante 2025. Los casos abarcaron 58 países e islas e involucraron a 81 operadores, por lo que la resiliencia se convirtió en un requisito operativo global.