Predecir los desvíos de coste con IA: el sueño de todo director de obra ya tiene números
Las obras se desvían de presupuesto con una regularidad estadística escandalosa, y los modelos entrenados con miles de proyectos detectan las señales tempranas. Cómo funciona la predicción de desvíos y qué datos exige.
La construcción tiene una estadística que avergüenza al sector: la mayoría de los proyectos medianos y grandes superan su presupuesto y su plazo iniciales, y los estudios internacionales llevan años midiendo desvíos medios que rondan las dos cifras. La paradoja es que los desvíos rara vez son sorpresas: las señales estaban ahí -en la productividad de las primeras unidades, en los cambios de proyecto, en el ritmo de las certificaciones- semanas o meses antes de que el problema estallara. Predecir los desvíos con IA es enseñar a la máquina a leer esas señales.
Cómo funciona la predicción de desvíos
El modelo predictivo de desvíos aprende de la historia: entrenado con miles de proyectos pasados -su presupuesto inicial, sus características, su evolución y su desenlace-, identifica los patrones que preceden a los desvíos -tasas de avance por debajo de lo previsto en partidas críticas, acumulación de cambios y modificados, retrasos en aprobaciones, ritmo de certificación decreciente- y estima la probabilidad y la magnitud del desvío del proyecto actual mientras aún hay tiempo de corregir.
El cuadro de alertas es la interfaz del sistema: proyectos ordenados por riesgo previsto de desvío -con el porcentaje estimado y los factores que lo explican: la tipología, el contratista, la fase, el histórico de modificaciones-. La dirección deja de repartir su atención uniformemente -el error del control tradicional- y la concentra donde el modelo señala humo: la supervisión humana, dirigida por la máquina que leyó toda la historia disponible, es más eficaz que las dos solas.
En la práctica operativa, el sistema funciona como un cuadro de alertas tempranas: el proyecto se alimenta de sus datos vivos -avance real, costes comprometidos, certificaciones, incidencias- y el modelo produce el pronóstico de coste y plazo al completar, con sus factores de riesgo ordenados. El director de obra ve no solo que va mal, sino dónde y por qué: la partida que se desvía, la cuadrilla que rinde por debajo, el suministro que se retrasa.
La diferencia con el control de costes tradicional es de tiempo y de granularidad: el control clásico compara lo gastado con lo presupuestado -contabilidad del pasado-; la predicción estima lo que vendrá -gestión del futuro-. El primero certifica el desvío cuando ya ocurrió; el segundo avisa cuando aún se puede negociar, replanificar o parar.
Los datos que exige - y el problema de la mayoría de las empresas
El dato histórico es el cuello de botella cultural y técnico: las constructoras españolas tienen décadas de obras en papel, en hojas de cálculo inconexas o en la memoria de los jubilados -y el modelo aprende de lo que se registra, no de lo que se recuerda-. La primera inversión de la predicción es la disciplina del dato: registrar los cierres de obra con estructura -desvíos, causas, certificaciones- es el combustible que ningún proveedor vende y toda empresa puede empezar a acumular hoy.
Aquí está la barrera real: la predicción necesita datos históricos estructurados -presupuestos descompuestos, certificaciones, costes reales por partidas, plazos planificados y reales- y la mayoría de las empresas constructoras los tiene en formato papel, hoja de cálculo personal del jefe de obra y memoria de los veteranos. La digitalización del dato es el proyecto previo obligado: sin historia ordenada no hay modelo útil, solo intuición con pantalla.
Los caminos realistas para empezar: las empresas grandes entrenan con su propia historia de proyectos; las medianas empiezan con plataformas que aportan modelos preentrenados con datos del sector y se van alimentando de los proyectos propios; y todas pueden empezar por la métrica básica -avance físico frente a avance económico por partidas- que ya da señales de desvío sin ninguna IA sofisticada. La analítica de desvíos es una escalera: cada peldaño de datos ordenados sube la calidad del pronóstico.
Lo que la predicción no hace - y el factor humano
La predicción no sustituye al análisis del proyecto concreto: el modelo dice que las obras con este perfil se desvían históricamente un tanto; no dice qué partida de esta obra fallará -ese sigue siendo el trabajo del jefe de producción con los planos encima de la mesa-. La alerta temprana y el diagnóstico fino son trabajos distintos: la IA abre la puerta; el equipo técnico entra y resuelve -confundir las funciones es esperar del modelo un jefe de obra y decepcionarse-.
La honestidad técnica exige los límites: el modelo predice a partir de patrones del pasado y falla ante lo inédito -el proyecto singular sin historia comparable, el cisne negro del suministro o del clima-; su precisión depende de la calidad del dato -con historia contaminada, predicción contaminada-; y su pronóstico es probabilístico, no oráculo: dice que el proyecto tiene un setenta por ciento de probabilidad de desviarse un doce por ciento, no que se desviará.
El factor humano es la otra mitad del sistema: la alerta temprana solo vale si la organización la escucha -el director que recibe el aviso de desvío de su proyecto favorito y lo archiva ha comprado tecnología para ignorarla-. Las empresas que sacan valor de la predicción le dan un circuito: la alerta revisada en la reunión de seguimiento, la acción correctiva asignada, y la cultura de que el mensajero del mal dato no es el enemigo sino el seguro.
La conclusión: la predicción de desvíos con IA no elimina la incertidumbre de la construcción -nada lo hace- pero convierte la sorpresa de final de obra en señal gestionable de mitad de obra, que es exactamente la diferencia entre el proyecto que se corrige y el que se litiga. La tecnología está madura; el cuello de botella es el dato histórico y la cultura de escucharlo. Los dos se construyen.
El uso responsable es el del copiloto: la predicción avisa y el equipo investiga -el algoritmo señala la partida que históricamente se desvía en proyectos así, y la dirección refuerza su seguimiento-. La IA no sustituye al control de costes: lo enfoca donde la estadística dice que duele. En un sector de márgenes finos y sorpresas caras, anticipar la desviación vale más que explicarla -y ese es exactamente el terreno donde el dato acumulado por fin rinde-.
El uso responsable es el del copiloto: la predicción avisa y el equipo investiga -el algoritmo señala la partida que históricamente se desvía en proyectos así, y la dirección refuerza su seguimiento-. La IA no sustituye al control de costes: lo enfoca donde la estadística dice que duele. En un sector de márgenes finos y sorpresas caras, anticipar la desviación vale más que explicarla -y ese es exactamente el terreno donde el dato acumulado por fin rinde-.
La conclusión matizada: la incertidumbre no desaparece -la construcción seguirá sorprendiendo- pero se gestiona mejor: los desvíos detectados en el mes dos se absorben; los descubiertos en el mes dieciocho, se litigan. La predicción con IA es la diferencia entre la tormenta anunciada y la tormenta sorpresa: la misma agua, otra capacidad de respuesta -y en la cuenta de resultados del sector, esa diferencia es el margen entero-.
Licencia.ai Entrar en Licencia.ai
Más en IA y tecnología
El 63,6% de las empresas del sector AECO choca con el mismo muro: falta capacitación práctica en IA
Licencia.ai: el copiloto de IA que quiere acabar con las memorias escritas desde cero
