Estudio de MIT y Suffolk sobre IA en construcción señala grandes ahorros, pero los califica como orientativos
MIT y Suffolk Construction publicaron un estudio conjunto sobre IA en la construcción con una estimación llamativa: una adopción coordinada podría reducir los costos de los proyectos entre un 17 y un 20 por ciento. El modelo también proyecta ahorros de plazo de entre un 22 y un 25 por ciento. Sin embargo, los investigadores se abstienen explícitamente de considerar esas cifras como referencias comprobadas para la industria.
Esa salvedad es la tensión central de la historia. El estudio de MIT y Suffolk sobre IA en construcción identifica seis áreas en las que la inteligencia artificial podría mejorar la ejecución de proyectos. Sin embargo, sus mayores ahorros proceden del modelado de un proyecto multifamiliar ya terminado, no de la medición de cientos de desarrollos habilitados por IA.
Por ello, el informe cuestiona dos estrategias habituales de tecnología para la construcción. Comprar herramientas de IA aisladas no producirá el resultado modelado. Esperar a que cada aplicación madure de forma independiente también ignora cómo el diseño, los permisos, las compras, la programación y la ejecución en obra se afectan mutuamente.
Su argumento real es más amplio. Las empresas de construcción deben conectar datos y decisiones fragmentados antes de que la IA pueda transformar la economía de los proyectos. Esto presiona a propietarios, diseñadores, contratistas, subcontratistas, reguladores y proveedores de software para coordinar flujos de trabajo que sus contratos tradicionalmente dividen.
Lo que realmente encontró el estudio de MIT y Suffolk sobre IA en construcción
El informe traza un sistema de ejecución conectado, no una lista de productos de IA independientes.
Suffolk publicó el estudio con el MIT Center for Real Estate y el grupo City Science del MIT Media Lab el 16 de septiembre de 2026. La investigación comenzó en octubre de 2025 e incluyó una mesa redonda sectorial en marzo de 2026.
La mesa redonda sectorial reunió a más de 40 propietarios, constructores, diseñadores y líderes tecnológicos. El posterior documento técnico se basó en aportes de encuestas más amplias, entrevistas, estudios de caso e investigación académica.
Los investigadores revisaron 178 fuentes y organizaron las posibles aplicaciones en seis áreas prioritarias:
Automatización del diseño
Fabricación fuera de obra
Permisos
Programación
Mano de obra cualificada y subcontratación
Cadena de suministro y compras
La automatización del diseño abarca sistemas que generan opciones, revisan planos, detectan interferencias y conectan los diseños con presupuestos o requisitos de producción. El modelado de información de construcción, o BIM, proporciona la representación digital estructurada necesaria para muchas de estas tareas.
La fabricación fuera de obra traslada componentes repetibles de los edificios a entornos de producción controlados. La IA puede respaldar ese proceso identificando ensamblajes adecuados, coordinando restricciones de diseño y planificando la logística antes de que comience la instalación.
Las aplicaciones para permisos incluyen comprobaciones automatizadas de normativa y preparación de solicitudes. Estos sistemas podrían identificar conflictos antes de la presentación, aunque los reguladores seguirían controlando las aprobaciones y las interpretaciones locales.
Los sistemas de programación analizan el historial de los proyectos, la secuenciación, la mano de obra y las condiciones actuales. Pueden modelar alternativas cuando los retrasos o los cambios de alcance hacen inviable el plan original.
Las herramientas para mano de obra y subcontratación se centran en la planificación de la plantilla, la coordinación entre oficios, la información de rendimiento y la transferencia de conocimiento. Las aplicaciones de cadena de suministro pronostican plazos de entrega, organizan las compras y señalan antes los riesgos relacionados con los materiales.
Para áreas individuales, el estudio informa de posibles mejoras de tiempo o eficiencia de entre un 15 y un 40 por ciento. Cita posibles ahorros de costos de entre un 8 y un 21 por ciento, según el flujo de trabajo.
Estas cifras no describen ahorros para el proyecto completo. La mayoría procede de pilotos tempranos, estudios de caso seleccionados, industrias adyacentes o estimaciones de participantes. Los investigadores las califican repetidamente como orientativas.
Suffolk aplicó entonces las seis palancas a un proyecto multifamiliar terminado en San Francisco entre 2021 y 2024. Su modelo integrado estimó ahorros totales de costos de entre un 17 y un 20 por ciento, y ahorros de plazo de entre un 22 y un 25 por ciento.
El modelo también proyectó un aumento de entre cinco y seis puntos porcentuales en la tasa interna de retorno no apalancada. El rendimiento sobre costo aumentó entre uno y dos puntos porcentuales en el escenario.
Estos cambios financieros importan porque las decisiones de desarrollo a menudo dependen de estrechos umbrales de viabilidad. Un plazo más corto reduce la exposición al financiamiento y pone una propiedad terminada en funcionamiento antes. Una menor incertidumbre también puede hacer que los inversores se sientan más cómodos al financiar el proyecto.
Aun así, el modelo no documenta un edificio ejecutado mediante el sistema completo propuesto. Las herramientas existen en distintos niveles de madurez, pero no han operado juntas como un único proceso de ejecución integrado.
Esa distinción convierte un titular optimista en una agenda de investigación. El estudio describe lo que podría lograr una construcción conectada y asistida por IA, y luego pide a la industria que produzca la evidencia.
Por qué la brecha de productividad de la construcción eleva la apuesta
La IA llega porque la construcción debe ejecutar más trabajo con mano de obra limitada y problemas persistentes de coordinación.
El informe describe un sector con débil crecimiento de la productividad, información fragmentada e inversión tecnológica limitada. Los datos de los proyectos suelen estar repartidos entre planos, contratos, cronogramas, correos electrónicos, informes de obra y sistemas independientes de distintas empresas.
Esa fragmentación genera trabajo administrativo repetitivo. Los equipos transfieren manualmente cantidades, responden solicitudes de información, comparan el avance con los cronogramas y concilian cambios en las compras. Cada traspaso crea una nueva oportunidad para que se pierda contexto.
La brecha de productividad no es simplemente un fracaso a la hora de comprar software. Propietarios, arquitectos, contratistas generales, oficios especializados, proveedores y organismos públicos operan bajo responsabilidades separadas. Sus sistemas reflejan esos límites contractuales.
La presión económica se ha hecho más visible. McKinsey estima que la productividad de la construcción aumentó apenas un 10 por ciento entre 2000 y 2022. La productividad manufacturera creció un 90 por ciento durante el mismo período.
Su análisis de AEC de julio de 2026 identifica más de 150 flujos de trabajo en 25 dominios con distinto potencial de automatización. El análisis sostiene que el valor procederá de rediseñar flujos de trabajo completos, no de añadir asistentes a los pasos existentes.
La mano de obra añade otra limitación. Associated Builders and Contractors estimó que Estados Unidos necesitaba 349.000 trabajadores adicionales de la construcción en 2026. Su análisis de fuerza laboral proyecta una necesidad de 456.000 trabajadores en 2027 a medida que se reanude el crecimiento del gasto.
La IA no puede sustituir los oficios físicos necesarios para instalar sistemas estructurales, equipos eléctricos, tuberías o acabados. Puede reducir los fallos de coordinación que dejan a esos trabajadores esperando información, materiales o aprobaciones.
Por eso la programación se convierte en algo más que una función administrativa. Un cronograma vincula la preparación del diseño, las fechas de compra, la disponibilidad de oficios, el acceso a la obra, las inspecciones y el financiamiento. Mejorar una entrada sin actualizar las demás puede producir un plan atractivo pero inutilizable.
El estudio de MIT y Suffolk sobre IA en construcción trata la optimización de cronogramas como un punto central de conexión. Recibió el mayor respaldo entre grupos cuando los investigadores ajustaron el sesgo de los expertos hacia sus propias especialidades.
La presión recae con más fuerza sobre las organizaciones que controlan varias etapas. Los propietarios deben decidir si exigirán estándares compartidos de datos. Los contratistas generales deben conectar la información de obra con los sistemas de diseño y compras. Los diseñadores deben crear modelos adecuados para la automatización posterior.
Los subcontratistas enfrentan un desafío diferente. Poseen gran parte del conocimiento práctico necesario para determinar si un diseño puede instalarse de manera eficiente. Sin embargo, a menudo se incorporan a los proyectos después de que ya se han tomado decisiones importantes de diseño.
Las empresas de software también enfrentan presión. Sus aplicaciones de IA deben intercambiar datos de proyecto utilizables en lugar de crear otra interfaz aislada. Una demostración convincente dentro de un producto no es suficiente si el resultado no puede orientar el trabajo de otra parte.
Los reguladores están fuera de la pila tecnológica comercial, pero los permisos siguen siendo fundamentales. La preparación automatizada de solicitudes tiene un valor limitado cuando las agencias locales carecen de registros, normas o sistemas de revisión compatibles.
Por ello, el informe replantea la IA para la construcción como un problema de coordinación. La calidad del modelo importa, pero el acceso a un contexto preciso del proyecto importa más. Un sistema no puede optimizar una decisión que el equipo del proyecto nunca registró con claridad.
El mecanismo real son los flujos de trabajo conectados, no las herramientas puntuales
Los ahorros modelados dependen de que la información se desplace entre las fases del proyecto sin reconstruirse en cada traspaso.
Un sistema de diseño podría generar muchas opciones estructurales. Esas opciones solo se vuelven útiles cuando el sistema puede evaluar cantidades, reglas de fabricación, secuenciación de la construcción, normativas locales, restricciones de compra y retornos objetivo.
El mismo principio se aplica a los permisos. Un verificador de normativa con IA puede identificar posibles conflictos antes de la presentación. Su resultado se vuelve más valioso cuando los cambios aprobados actualizan automáticamente el diseño, la estimación, el plan de compras y el cronograma.
La programación ofrece otro ejemplo. Un sistema de aprendizaje automático puede comparar el avance actual con una secuencia planificada. Sin embargo, necesita observaciones fiables de obra, información de diseño actualizada, compromisos de los oficios y fechas de entrega de materiales.
La visión por computadora puede ayudar a recopilar información de obra. Cámaras, drones o dispositivos móviles pueden documentar el trabajo instalado y compararlo con los planes del proyecto. El software puede señalar desviaciones, pero un equipo de proyecto aún debe revisar su importancia.
Esa revisión puede desencadenar varias acciones conectadas. El equipo podría actualizar el cronograma, consultar a un proveedor sobre material de reemplazo, revisar un pronóstico o enviar una consulta de diseño. El valor proviene de acortar todo ese ciclo de decisión.
Este mecanismo explica por qué las seis estimaciones de ahorro no pueden sumarse entre sí. Algunas se solapan. Un diseño más rápido puede acelerar las compras, mientras que unas mejores compras pueden reducir el riesgo de calendario. Contar cada efecto de manera independiente inflaría el total.
En su lugar, Suffolk creó un modelo integrado que ajusta esas interacciones. El enfoque es más creíble que una simple suma, pero sigue dependiendo de supuestos sobre la eficacia con que se conectan los flujos de trabajo.
Por tanto, la afirmación más sólida del informe es organizativa. Los equipos deben crear definiciones compartidas, estructuras de datos y derechos de decisión antes de que la IA pueda coordinar el trabajo entre los límites de las empresas.
Los registros de construcción dificultan esta tarea. Un edificio puede generar planos, especificaciones, submittals, notas de reuniones, contratos, órdenes de cambio, fotografías, registros de inspección y documentos de equipos. Gran parte de este material sigue sin estructurarse.
Crear una base de conocimiento con capacidad de búsqueda puede reducir el tiempo dedicado a localizar contexto técnico. Sin embargo, la búsqueda por sí sola no hace que la información subyacente sea completa o coherente.
La IA generativa puede recuperar una cláusula o resumir un informe. No puede determinar si un plano desactualizado debe regir la instalación. Eso requiere control de revisiones, normas de responsabilidad e historial de aprobaciones.
El informe considera la gestión de datos un requisito previo para la automatización del diseño. Las herramientas generativas necesitan información limpia, centralizada y estructurada sobre cantidades, sistemas, tiempos de instalación y resultados de los proyectos.
Muchas empresas carecen de esa base porque los datos de construcción se generan para la entrega inmediata de los proyectos. Los equipos se centran en terminar el edificio, resolver la reclamación o superar la inspección. Rara vez estructuran cada decisión para futuros procesos de aprendizaje automático.
Los incentivos contractuales pueden agravar el problema. Compartir datos detallados de desempeño podría exponer errores, debilitar una posición negociadora o revelar información comercialmente sensible. Los participantes necesitan normas claras sobre propiedad, acceso, seguridad y reutilización permitida.
La interoperabilidad plantea otro obstáculo. Un contratista puede conectar sus aplicaciones internas mientras los distintos oficios utilizan plataformas diferentes. Un regulador puede mantener formatos de presentación separados para cada jurisdicción. Un propietario puede recibir información únicamente al cierre del proyecto.
El informe sostiene que estas barreras exigen cooperación sectorial. El resultado modelado presupone algo más parecido a un sistema operativo conectado para la entrega de proyectos, aunque ninguna organización individual controle toda la red.
Esto sitúa a las herramientas puntuales en un papel de apoyo. Pueden demostrar valor en flujos de trabajo acotados, como la revisión de planos o el procesamiento de facturas. No pueden generar de manera independiente el resultado completo de costes y plazos del estudio.
Las seis palancas de IA deben avanzar juntas
Cada palanca resuelve un problema reconocible, pero los mayores beneficios surgen cuando una mejora modifica las decisiones posteriores.
La automatización del diseño se sitúa al inicio de la cadena. La IA puede comparar alternativas antes, cuando los equipos aún tienen margen para ajustar materiales, disposiciones estructurales, opciones de prefabricación y sistemas del edificio.
El estudio informa de una reducción de hasta el 39 por ciento en el tiempo del ciclo de diseño. También identifica ahorros potenciales de hasta el 21 por ciento en costes de diseño e ingeniería.
Estas son estimaciones específicas de cada fase. No significan que la automatización del diseño por sí sola reduzca el coste total de desarrollo en un 21 por ciento. El modelo integrado aplica supuestos más conservadores a todo el proyecto.
La fabricación fuera de obra conecta el diseño con la producción. Los ensamblajes estandarizados pueden alejar el trabajo de las condiciones variables del emplazamiento, pero los equipos deben tomar decisiones antes. Los cambios tardíos pueden socavar la eficiencia de la fábrica y generar costosos retrabajos.
La IA puede identificar componentes repetibles y ayudar a convertir información arquitectónica en instrucciones listas para fabricación. También puede coordinar la capacidad de producción, los plazos de entrega y las secuencias de instalación.
Este enfoque no elimina la personalización. Desplaza la personalización hacia sistemas configurables y piezas repetibles. Las salas mecánicas, módulos de servicios, bastidores de pasillo y ensamblajes de componentes ofrecen puntos de partida más prácticos que los edificios modulares completos.
La tramitación de permisos aborda otra fuente de incertidumbre. El informe señala que Estados Unidos cuenta con más de 20.000 jurisdicciones independientes de permisos. Cada una puede mantener sus propias normas, requisitos de presentación y secuencias de revisión.
El procesamiento del lenguaje natural, que extrae significado del texto, puede ayudar a los equipos a navegar los códigos de construcción y los requisitos de solicitud. La revisión automatizada puede detectar posibles conflictos antes de una presentación oficial.
Sin embargo, la política local no puede reducirse a una búsqueda de documentos. Los códigos contienen interpretaciones, excepciones y criterios específicos de cada proyecto. Los organismos públicos también necesitan mecanismos de rendición de cuentas cuando el software influye en una decisión de seguridad.
La programación vincula el edificio planificado con el trabajo real. Los sistemas de IA pueden evaluar muchas opciones de secuenciación y revisar los planes cuando cambian las condiciones meteorológicas, laborales, de compras o de diseño.
Esta función resulta más útil cuando el calendario recibe datos actuales del campo. Sin información fiable sobre el avance, la optimización simplemente genera una respuesta detallada a una imagen inexacta.
La mano de obra y la subcontratación constituyen la quinta palanca. La IA puede ayudar con la previsión de personal, la coordinación y el análisis del desempeño. También puede preservar conocimientos prácticos cuando se jubilan trabajadores experimentados.
El informe no presenta la IA como sustituto de los oficios cualificados. En cambio, se centra en reducir esperas, mejorar la preparación y ayudar a los equipos a asignar trabajadores a las próximas tareas.
Esa distinción importa durante una escasez de mano de obra. Ahorrar horas administrativas tiene valor, pero evitar un día improductivo para una cuadrilla completa tiene un impacto mucho mayor en el proyecto.
La cadena de suministro y las compras completan el sistema. Las herramientas predictivas pueden supervisar los plazos de entrega, identificar riesgos, preparar documentos de compra y comparar opciones de entrega.
Las decisiones de compra dependen de la certeza del diseño. Comprar pronto protege el calendario, pero los compromisos prematuros pueden generar desperdicio cuando cambian los diseños. Una mejor coordinación permite a los equipos actuar antes sin asumir el mismo nivel de riesgo.
Un caso de uso realista conecta las seis áreas. Una herramienta de diseño identifica un ensamblaje mecánico repetible. La revisión normativa comprueba la configuración y las compras confirman proveedores adecuados.
A continuación, el calendario reserva capacidad de fábrica e instalación. La supervisión de campo verifica el avance, mientras la planificación laboral alinea los oficios pertinentes. Un cambio de diseño actualiza cada plan conectado.
Esa secuencia muestra cómo el impacto de la IA en la construcción difiere de la automatización genérica de oficina. El resultado de mayor valor no es un resumen o correo electrónico más rápido. Es una decisión sobre un proyecto físico tomada antes y con mejor evidencia.
También revela quién podría perder influencia. Los proveedores que se basan en registros aislados podrían afrontar una demanda de integraciones abiertas. Las empresas que se benefician de la asimetría de información podrían resistirse a los estándares compartidos.
Por el contrario, los contratistas con grandes historiales de proyectos organizados tienen ventaja. Sus registros pueden respaldar previsiones y comparativas, siempre que aborden la calidad, los permisos y las prácticas históricas inconsistentes.
Por tanto, la división competitiva no es simplemente entre adoptantes tempranos y tardíos. Es entre redes de entrega conectadas y conjuntos de herramientas y contratos aislados.
Los ahorros destacados son un modelo, no un resultado demostrado
La franqueza del informe respecto a sus limitaciones es esencial para interpretar sus cifras más impresionantes.
El documento técnico se describe como una “declaración metodológica, no un análisis causal definitivo”. Sus autores afirman que la evidencia actual no puede respaldar conclusiones estadísticamente significativas sobre la adopción de IA a escala.
Esa advertencia debe acompañar toda referencia a la estimación de costes del 17 al 20 por ciento. Lo mismo se aplica a la reducción proyectada del 22 al 25 por ciento en los plazos.
El modelo financiero de Suffolk utiliza como base un proyecto multifamiliar completado en San Francisco. Los investigadores evaluaron cómo las capacidades modernas de IA podrían haber modificado su ejecución entre la adquisición y la finalización.
Esto produce un escenario controlado, no una comparación medida. El proyecto no se ejecutó una vez con IA y otra sin ella. Varias capacidades modeladas siguen siendo pilotos o aplicaciones independientes.
El tipo de proyecto también importa. La construcción multifamiliar incluye unidades y ensamblajes repetibles que pueden favorecer la estandarización. Un hospital, laboratorio, aeropuerto o reforma puede presentar distintas restricciones regulatorias y de coordinación.
La geografía también modifica el resultado. Los retrasos en permisos, la disponibilidad de mano de obra, las prácticas sindicales, las condiciones de financiación, los mercados de materiales y los códigos locales varían considerablemente.
El método de entrega crea otra variable. El diseño y construcción integrados pueden favorecer una colaboración más temprana que un proceso convencional que separa los contratos de diseño y construcción. El valor de los flujos de trabajo de IA conectados reflejará esos acuerdos jurídicos y comerciales.
Los investigadores afirman que la siguiente fase necesita datos estructurados de al menos varios cientos de proyectos. Esos proyectos deberían abarcar ubicaciones, tipos de activos, modelos de entrega y diferentes niveles de complejidad.
También piden comparaciones controladas o cuasicontroladas entre proyectos asistidos por IA y proyectos gestionados de forma convencional. Tales comparaciones deben tener en cuenta la escala del proyecto, el tipo de propietario, la geografía y el método de entrega.
La investigación longitudinal será importante porque la adopción tiene costes. Las empresas deben limpiar datos, integrar sistemas, formar a los trabajadores, cambiar procesos y supervisar resultados antes de que las ganancias de productividad se hagan visibles.
El sesgo de selección plantea otro riesgo. Las empresas dispuestas a participar en las primeras investigaciones sobre IA pueden contar ya con equipos tecnológicos más sólidos, datos más limpios o prácticas de entrega más colaborativas.
La evidencia de los proveedores también requiere un tratamiento cuidadoso. Un piloto exitoso puede demostrar que una aplicación funciona en un entorno elegido. No establece que todos los contratistas obtendrán el mismo resultado.
El estudio reconoce la autoselección en su votación de expertos. Los participantes solían valorar muy positivamente sus propios ámbitos. La automatización del diseño recibió un apoyo considerable de especialistas que trabajan más cerca del diseño.
Esto no invalida los hallazgos. Explica por qué la hoja de ruta de investigación enfatiza conjuntos de datos más amplios y mediciones repetibles.
La evidencia independiente del sector también respalda una lectura cautelosa. Las empresas de construcción llevan años adoptando plataformas en la nube, BIM, captura de realidad y analítica predictiva. Los resultados siguen siendo desiguales porque la calidad de la implementación varía.
La cuestión relevante no es si una función de IA realiza una tarea. Es si esa función mejora el resultado final del proyecto después de considerar los costes de integración, las alertas falsas, la revisión humana y los cambios de proceso.
Los estándares de precisión variarán según el flujo de trabajo. La redacción de notas de reuniones tolera un error que el cumplimiento normativo, el diseño estructural, la supervisión de seguridad o la aprobación de pagos no pueden tolerar.
La responsabilidad sigue siendo humana incluso cuando el software recomienda una acción. Los contratos, las licencias profesionales, los seguros y las normas de seguridad pública determinarán cuánta autoridad recibe un sistema de IA.
La ciberseguridad y la confidencialidad añaden más restricciones. Los registros de proyectos pueden incluir sistemas del edificio, accesos al sitio, condiciones comerciales, información personal e infraestructura sensible para la seguridad.
Los equipos necesitarán controles para el acceso a los datos, la retención, el entrenamiento de modelos y el procesamiento por terceros. Un flujo de trabajo conectado amplía el valor potencial, pero también amplía las consecuencias de una gobernanza deficiente.
Por tanto, los ahorros del estudio deben tratarse como una hipótesis comprobable. Definen un posible destino y ayudan a priorizar la investigación. No garantizan un retorno por adquirir software de IA para la construcción.
Qué deben vigilar los constructores durante los próximos 18 meses
La próxima prueba consiste en determinar si el sector puede sustituir el potencial modelado por evidencia comparable de proyectos.
La primera señal es el conjunto de datos que sustentará la próxima fase de investigación. MIT y Suffolk proponen recopilar información de varios cientos de proyectos a lo largo de una hoja de ruta de 18 meses.
Los resultados útiles distinguirán entre tipos de proyecto, ubicaciones, métodos de entrega y aplicaciones de IA. También deberían revelar cómo los investigadores establecen las líneas de base convencionales y controlan la complejidad de los proyectos.
Un conjunto de datos amplio reforzaría el argumento central del estudio si los flujos de trabajo conectados superan sistemáticamente a la adopción aislada. Resultados débiles o inconsistentes reducirían la confianza en los ahorros destacados.
La segunda señal es la evidencia de interoperabilidad. Propietarios y contratistas deberían observar si los sistemas de diseño, compras, programación, permisos y campo intercambian información estructurada en proyectos en curso.
Una demostración significativa debería mostrar más que paneles sincronizados. Debería rastrear un evento real, como un cambio de diseño, a través de los costes, el calendario, las compras, la coordinación de oficios y la ejecución en campo.
Los estándares compartidos de gobernanza de datos reforzarían esta señal. Reglas claras sobre propiedad, permisos, historial de revisiones y entrenamiento de modelos podrían reducir la resistencia entre los participantes del proyecto.
La tercera señal es la adopción fuera de pilotos cuidadosamente seleccionados. La evidencia más sólida procederá del uso repetido en múltiples equipos, no de una demostración gestionada por especialistas de un proveedor.
Los constructores deberían analizar resultados medibles, como el tiempo de los ciclos de diseño, las nuevas presentaciones de permisos, los retrasos en adquisiciones, las desviaciones del cronograma, las correcciones y el tiempo de espera de la mano de obra. Los resultados financieros deberían incluir los costes de integración y formación.
También deberían observar quién captura el valor. Un contratista puede financiar una integración mientras el propietario obtiene el beneficio de financiación. Un subcontratista puede aportar datos que mejoren la previsión del contratista general.
La adopción se estancará cuando los beneficios y los costes recaigan en organizaciones diferentes. Las nuevas estructuras contractuales o los requisitos de los propietarios podrían llegar a ser tan importantes como modelos mejores.
La participación regulatoria merece la misma atención. La automatización de permisos no puede escalar únicamente mediante software para contratistas. Los organismos públicos deben estandarizar los registros y decidir cómo encajan las verificaciones automatizadas en la revisión oficial.
El estudio de MIT Suffolk sobre IA en la construcción presenta un argumento creíble a favor de la experimentación coordinada. Su contribución más importante no es la promesa de que todos los proyectos serán una quinta parte más baratos.
Ofrece un marco para evaluar dónde la IA modifica resultados reales en la construcción. También identifica la evidencia que aún falta antes de que ese marco se convierta en un referente del sector.
Para promotores, contratistas y compradores de tecnología, el siguiente paso práctico es elegir un flujo de trabajo conectado y establecer una línea de base medible. Registren qué cambia en toda la cadena de decisiones, incluida la revisión humana y el trabajo de integración. Después, pregunten si el resultado se repite en el siguiente proyecto. Esa evidencia determinará si la IA en la construcción sigue siendo una cartera de pilotos prometedores o se convierte en un modelo operativo distinto para la edificación.
