La obra no es solo cemento, metal y vidrio: el verdadero potencial de la IA en arquitectura, ingeniería y obras

Cuando un proveedor cambia de criterio durante una obra, la dificultad puede estar en reconstruir una conversación ocurrida semanas atrás. Antes de discutir la solución técnica, alguien tiene que recordar qué se propuso, qué condiciones se aceptaron y con qué información se tomó una decisión que ahora parece cuestionable. Los planos quizá sigan disponibles y el presupuesto esté perfectamente archivado, pero ninguno de los dos explica necesariamente por qué se llegó hasta allí. En esa distancia entre conservar documentos y comprender lo sucedido se encuentra una parte considerable del trabajo de quien dirige un proyecto.

La imagen más inmediata de la construcción está formada por materiales, maquinaria y personas ejecutando tareas físicas. Sin embargo, cada elemento construido depende de una infraestructura menos visible: cálculos, normativa, mediciones, contratos, conversaciones, fotografías y decisiones que deben mantener cierta coherencia mientras la realidad cambia. Una modificación en una instalación puede afectar al espacio disponible, al presupuesto, a la secuencia de ejecución y a un compromiso adquirido con el cliente. El problema profesional consiste, en buena medida, en reconocer esas relaciones antes de que sus consecuencias queden incorporadas a la obra.

Por eso la arquitectura, la ingeniería y las obras ofrecen un terreno especialmente fértil para la inteligencia artificial especializada. Confluyen en ellas información heterogénea, disciplinas interdependientes, numerosos interlocutores y decisiones cuyo coste de rectificación aumenta cuando se ejecutan. No hace falta atribuirles el mayor potencial de todos los sectores para reconocer la importancia de esa combinación. Una tecnología capaz de ayudarnos a recuperar antecedentes, comparar documentos y advertir contradicciones puede intervenir sobre las condiciones que hacen posible construir, aunque nunca coloque físicamente un ladrillo.

Esta distinción también ayuda a interpretar los estudios sobre exposición profesional a la IA. En marzo de 2026, Anthropic publicó un análisis que compara capacidad teórica y exposición observada mediante datos de uso de Claude y tareas ocupacionales estadounidenses. Su metodología concede más peso a los usos automatizados que a los de asistencia, y muestra una distancia amplia entre ambas medidas. No calcula qué porcentaje de arquitectos puede ser sustituido ni representa todo el uso profesional de IA. Conviene, además, separar las tareas documentales y analíticas de las que exigen intervención física: su exposición a los modelos de lenguaje es distinta, aunque formen parte del mismo proyecto. [1]

Desde otra perspectiva, la encuesta internacional de RICS correspondiente al primer trimestre de 2025, con más de 2.200 respuestas, registró que aproximadamente un 45 % de los participantes no identificaba implantación de IA en su organización y un 34 % la situaba en fases iniciales de prueba. Son respuestas declaradas, con un peso importante del Reino Unido, y no un censo de empresas españolas. Sirven para situar una adopción todavía limitada en aquella muestra; no demuestran por sí solas cuánto podría mejorar una obra. [2] Esa cuestión exige observar qué problemas concretos permite abordar la tecnología y qué parte del trabajo continúa dependiendo de las personas.

En mi experiencia con CAD, y también con BIM, he encontrado una distancia apreciable entre las posibilidades de las herramientas y la forma en que se utilizan. El copia y pega sigue trasladando información de un documento a otro, junto con errores que sobreviven porque nadie vuelve a comprobar todas sus relaciones. Es una observación profesional, no una estadística sobre el sector. La advertencia que contiene resulta útil para la IA: podemos producir documentos con mayor rapidez y mantener intactas las desconexiones que después generan problemas. Su aportación más interesante empieza cuando ayuda a comprender el proyecto como un sistema de decisiones.

Una de esas aportaciones es la memoria del proyecto. Archivar un acta permite conservar un registro; reconstruir por qué se aceptó una solución exige relacionar ese registro con las alternativas, las restricciones y la información disponible en aquel momento. Desde el presente resulta fácil juzgar una decisión con datos que sus responsables todavía no tenían. Una memoria útil debería permitir distinguir un error de criterio, un cambio de circunstancias y una decisión razonable que posteriormente dejó de serlo. Esa diferencia importa tanto para aprender como para resolver un desacuerdo.

En una obra, un proveedor modificó su posición respecto de lo que había sostenido anteriormente. La falta de constancia escrita clara de determinados acuerdos y argumentos dificultaba reconstruir lo hablado. Una IA preparada para transcribir y consultar conversaciones de reuniones localizó de inmediato el cambio de criterio. Lo valioso fue recuperar la secuencia que permitía contrastar su nueva posición con sus palabras anteriores. Encontrar una grabación era una parte del trabajo; restablecer la trazabilidad de la decisión era lo que devolvía utilidad a aquella información.

Ahora bien, una contradicción documentada no explica por sí sola la intención de quien la formula. Puede haber aparecido información nueva, puede existir un malentendido o puede tratarse de una revisión interesada de lo acordado. La interpretación sigue requiriendo contexto y juicio profesional. También el sistema puede equivocarse al transcribir, atribuir una intervención o seleccionar un fragmento, de modo que la reconstrucción debe permitir volver al registro original. Una memoria que ofrece un relato convincente sin mostrar en qué se apoya introduce otra incertidumbre precisamente donde pretendía reducirla.

Con esas condiciones, la memoria del proyecto puede cambiar la calidad de las conversaciones. Permite discutir sobre antecedentes comprobables y evita que cada incidencia obligue a reconstruir desde cero lo que el equipo ya sabía. También hace posible revisar decisiones anteriores sin convertir su existencia en una prohibición de rectificarlas. El pasado debe servir para entender el presente, no para inmovilizarlo. Una de las grandes aportaciones de la IA a una obra puede consistir en impedir que se pierda el conocimiento que el propio proyecto ha producido.

Aquí adquiere sentido la expresión «exoesqueleto cognitivo». La utilizo para describir una capacidad de apoyo que amplía la memoria y el análisis del profesional, le ayuda a mantener presentes más relaciones y compensa parte de sus límites de atención. Un arquitecto, un ingeniero o un Project Manager no deja de necesitar criterio porque pueda consultar cientos de documentos con mayor facilidad. Lo que cambia es el alcance de las comprobaciones que puede plantear y la cantidad de antecedentes que puede incorporar a una decisión sin depender exclusivamente de lo que recuerda.

La especialización de esa ayuda merece una explicación precisa. Un chat generalista puede resultar útil para una consulta o un análisis puntual; un sistema preparado para un proyecto puede trabajar con su documentación, sus antecedentes, sus criterios y su estado conocido. La diferencia práctica está en la continuidad del contexto, no en una etiqueta que garantice competencia. Debe poder distinguir una propuesta de una instrucción aprobada, una versión sustituida de otra vigente y un hecho documentado de una deducción. En ese sentido, trabaja dentro de una historia cuya información también tiene que actualizarse y comprobarse.

Un requerimiento técnico de la Junta de Andalucía me permitió apreciar el alcance de esa diferencia. Disponíamos de diez días para responder a una exigencia cuya complejidad hacía muy difícil afrontar el trabajo dentro del plazo. Con una IA preparada específicamente para este tipo de requerimientos, la elaboración de la respuesta se completó en unas doce horas y el resultado me pareció impecable. Pero aquella capacidad había necesitado semanas de preparación previa. Si se omite ese trabajo, el episodio se convierte en una demostración engañosa de facilidad, cuando precisamente ilustra el valor de haber construido una ayuda especializada antes de necesitarla.

Los diez días eran el plazo disponible, por lo que compararlos directamente con aquellas doce horas no permitiría calcular un ahorro de productividad. La enseñanza que extraigo del episodio está en cómo una preparación acumulada pudo ponerse al servicio de una necesidad urgente. Parte del esfuerzo se había trasladado a un momento anterior, cuando todavía existía margen para construir esa capacidad. Eso cambia la forma de afrontar la presión: el conocimiento preparado con antelación adquiere valor cuando las circunstancias ya no permiten empezar a organizarlo todo desde cero.

Hay, además, un efecto que considero más profundo que el ahorro de tiempo en una tarea conocida: la reducción del coste de investigar preguntas complejas. Pensemos, como ejemplo hipotético, en un pliego de cientos de páginas que deba contrastarse con planos, mediciones y presupuesto. Buscar sistemáticamente contradicciones entre todos esos documentos es posible sin IA, pero puede exigir una dedicación difícil de asumir. En esas condiciones, se priorizan comprobaciones y se acepta que algunas relaciones queden menos examinadas. La limitación no siempre está en saber qué convendría preguntar, sino en poder dedicar recursos a averiguarlo.

Una ayuda especializada puede hacer viable una revisión más amplia: localizar posibles discrepancias, reunir los pasajes afectados y presentar al técnico aquello que merece ser comprobado. Una condición mencionada en el pliego podría no aparecer en la partida correspondiente, o una modificación de plano podría seguir vinculada a una medición anterior. El profesional necesitaría determinar si existe realmente una incompatibilidad y qué consecuencias tiene. Aun así, disponer de una primera búsqueda trazable puede permitir investigar cuestiones que antes se descartaban por su coste. La IA puede abaratar tanto la obtención de respuestas como la decisión de hacerse determinadas preguntas.

Ese beneficio tiene un límite económico que conviene reconocer. Si el sistema produce muchas alertas irrelevantes o afirmaciones difíciles de verificar, el tiempo ahorrado en la búsqueda reaparece en la revisión. Si una respuesta aparentemente completa hace que dejemos de comprobar un punto decisivo, la rapidez puede aumentar el riesgo. El criterio de utilidad debería incluir el esfuerzo total necesario para llegar a una conclusión fiable. También obliga a elegir qué investigar: que una comprobación sea más barata no significa que todas las comprobaciones posibles tengan el mismo valor para el proyecto.

La coordinación entre disciplinas muestra otra dimensión de ese apoyo. En una obra en la que intervenía como Project Manager, un episodio climático provocó daños imprevistos que afectaban a varias especialidades. Utilizamos una IA especializada en gestión de obra que coordinaba otros agentes de IA dedicados a movimiento de tierras, estructuras, electricidad y las disciplinas necesarias para analizar la situación. Tras aproximadamente una hora de preparación y contextualización, las personas que intervenían disponían de una organización de tareas, secuencias, procedimientos, materiales, herramientas y tiempos estimados. Esa hora correspondía a la preparación de la respuesta, no a la ejecución completa de los trabajos.

La intervención tuvo éxito mediante la combinación del sistema, la información disponible, los especialistas, los trabajadores y la dirección del proyecto. Atribuírselo únicamente a la IA borraría justamente lo que hace relevante la experiencia: la capacidad de convertir aportaciones de distintas disciplinas en una actuación que las personas pudieran llevar a la práctica. Tampoco un episodio permite aislar cuánto aportó cada componente. Sí invita a considerar al profesional apoyado por sistemas especializados como una unidad de trabajo con capacidades distintas de las que tendría cada parte por separado.

En una situación así, disponer de un procedimiento ordenado no elimina la obligación de contrastarlo con la obra. La coherencia de un texto no garantiza que describa las condiciones reales, que los medios estén disponibles o que las estimaciones sean adecuadas. El sistema depende de lo que se le comunica, y lo que todavía no se ha observado puede ser precisamente lo que cambie la decisión. El exoesqueleto cognitivo resulta útil mientras mantiene al profesional conectado con el problema; pierde su sentido si la confianza en la respuesta sustituye el contacto con la realidad que debe explicar.

Esa relación con la realidad incluye a las personas. La experiencia profesional permite advertir vacilaciones, interpretar resistencias y reconocer que una explicación técnicamente correcta quizá no esté resolviendo el desacuerdo que importa. Lo entiendo como conocimiento tácito y lectura del contexto, no como una intuición infalible. La familiaridad con una persona también puede llevarnos a justificarla demasiado, igual que una experiencia negativa puede predisponernos contra otra. La memoria documental puede poner a prueba esas impresiones, mientras el juicio profesional examina lo que los documentos dejan fuera. Su valor conjunto está en esa posibilidad de corrección mutua.

Ampliar capacidades tampoco asegura que el tiempo recuperado se dedique a decidir mejor. Puede utilizarse para estudiar alternativas y revisar puntos débiles, pero también para acumular más encargos y comprimir todavía más los plazos. En ese segundo escenario, parte de la ganancia podría consumirse sin reducir la incertidumbre de cada obra. Esta es una decisión profesional y económica que la herramienta no toma por nosotros. La medida de su aportación debería encontrarse en lo que permite comprender, comprobar o anticipar antes de ejecutar una decisión costosa de revertir.

Ahí sitúo el verdadero potencial de la IA especializada en arquitectura, ingeniería y obras. Conservar el contexto ayuda a entender por qué estamos donde estamos; investigar más relaciones permite discutir con mejor fundamento qué conviene hacer después. Ambas capacidades sirven a una finalidad anterior a la tecnología: reducir incertidumbre antes de construir. El resultado relevante tendrá que manifestarse en decisiones mejor justificadas y en una coordinación que resista el contraste con la ejecución. Los documentos son necesarios porque ayudan a preparar ese encuentro con la obra física.

Ese encuentro deja abierta una cuestión que merece atención propia. Una parte del conocimiento de un buen albañil, carpintero, fontanero o encofrador se expresa en procedimientos, pero otra se adquiere repitiendo operaciones, reconociendo problemas incipientes y ajustando la ejecución a condiciones que nunca son del todo idénticas. Podemos ampliar extraordinariamente nuestra capacidad para calcular, documentar y coordinar mientras se vuelve más difícil encontrar o formar a quienes dominan esos saberes. La posibilidad de esa divergencia obliga a mirar también hacia la transmisión del oficio: ¿qué ocurre si, mientras mejoramos nuestra capacidad para decidir cómo construir, se debilita el conocimiento de quienes saben construirlo?

---

Fuentes utilizadas

[1] Anthropic. «Labor market impacts of AI: A new measure and early evidence», 5 de marzo de 2026. Se utiliza para distinguir capacidad teórica, exposición observada y sustitución profesional; no se emplea como estimación del empleo español ni como clasificación del potencial total de los sectores.

[2] RICS. «RICS artificial intelligence in construction report 2025», publicado el 12 de septiembre de 2025; encuesta principal del primer trimestre de 2025. Se utilizan las respuestas sobre ausencia de implantación y pruebas iniciales, manteniendo su carácter declarativo y su ámbito internacional.