CAPITALIZANDO EL CONOCIMIENTO EN CONSULTORÍA ESTRUCTURAL CON INTELIGENCIA ARTIFICIAL

CARLES FARRÉ SERRA
Profesional con más de 8 años de experiencia en el sector de la construcción, especializado en la gestión de proyectos y la implementación de soluciones digitales para el sector AECO (Arquitectura,
Ingeniería, Construcción y Operaciones).
Actualmente, desarrolla como Co-fundador y consultor para implementar sistemas de IA, BIM y transformación digital en empresas AEC a AECOTECH.

Una de las grandes virtudes de la inteligencia artificial es su capacidad para «recordar», o lo que llamamos «memoria». Esto no solo permite que pueda retener información a lo largo de múltiples interacciones, sino también conservar y aplicar conocimiento sin intervención humana, algo que, bien implementado en una empresa, representa una ventaja competitiva difícil de igualar. Al encapsular tu experiencia en un modelo o emplearla como contexto para grandes modelos generativos, puedes distribuir y aprovechar el conocimiento de formas inéditas.
Cuando exploramos cómo aplicar la IA al ámbito de las estructuras, los conceptos clave siempre se repiten: aprovechar nuestros datos, mejorar la toma de decisiones, automatizar procesos y optimizar resultados, entre otros.

Pero, ¿qué implica realmente esto? ¿Por qué debería interesarte?

En esencia, se trata de dejar atrás la costumbre
de «reinventar la rueda» o de «tropezar dos veces con la misma piedra», dos prácticas que restan eficiencia y que, curiosamente, los ingenieros repetimos con frecuencia. ¿Alguna vez has perdido horas rebuscando soluciones en proyectos antiguos para aplicarlas al actual? ¿Dudas sobre el material adecuado para ciertas condiciones? ¿Se fue de la empresa esa persona con experiencia que solía resolver los retos difíciles y ahora nadie sabe cómo abordar esos problemas? ¿Se tomó una decisión en el pasado y hoy resulta imposible saber por qué? Todo esto se traduce en pérdida de tiempo, dinero y en resultados de calidad desigual,
y la causa principal suele ser la falta de acceso a la información y el conocimiento acumulado en la
empresa.

¿Te imaginas contar con alguien que siempre recuerde todos los detalles importantes y que, cada vez que necesites ayuda, pueda encontrar la información, darte recomendaciones específicas y mostrarte cómo se solucionaron situaciones similares en el pasado?

Pero, ¿cómo se logra esto en la práctica?
Lo que hoy llamamos inteligencia artificial es un  conjunto de herramientas que nos permiten convertir datos en conocimiento útil y aplicable. De manera sencilla, podemos dividir la IA actual en dos grandes ramas:
Por un lado, el aprendizaje automático (machine learning) utiliza algoritmos que, al entrenarse con tus propios datos, son capaces de resolver tareas específicas como predecir precios, clasificar tipos de proyectos o reconocer elementos en imágenes. Así, el conocimiento se integra directamente en el modelo.
Por otro lado, la IA generativa (como la que impulsan sistemas tipo ChatGPT) funciona a partir de modelos previamente entrenados, a los que se les puede agregar conocimiento nuevo de dos maneras: realizando un reentrenamiento (fine-tuning) o aportando información relevante a través del contexto (es decir, mediante prompts
y datos adicionales que se le proporcionan; forma indirecta).

¿Vas viendo ahora el potencial de capitalizar el conocimiento en tu empresa?
Nada mejor que un ejemplo, así que a continuación vamos a explorar ambos enfoques: modelos personalizados y sistemas generativos con memoria para ilustrar cómo una consultora puede aprovechar al máximo los datos que ya tiene, esos que muchas veces están guardados en un ordenador o servidor, esperando a ser redescubiertos y que puede ser que valgan oro.

Figura 1. Gráficos realizados con los datos sintéticos
generados con una combinación de reglas lógicas e
IA generativa.

CASO DE ESTUDIO 1: RECOMENDADOR DE MATERIAL BASADO EN APRENDIZAJE
SUPERVISADO

Imagina que, en tu empresa ACME, se llevan a cabo unos 100 proyectos estructurales cada año y que el equipo está formado por cinco personas. Unos 80 proyectos se resuelven sin contratiempos, pero en 20 de ellos suele ser necesario invertir tiempo revisando materiales, perfiles o recubrimientos, consultando proyectos anteriores, normativas y fabricantes para encontrar soluciones. Además, un par de veces al año surgen problemas graves que requieren intervención directa en obra. Supongamos, además, que tu especialista más experimentado, Juan, se jubila y parte de su conocimiento se pierde con su salida.

Frente a esta situación, ¿cómo puede ayudarte la inteligencia artificial?
Si analizas la trayectoria de la empresa, verás que en una década se han acumulado alrededor de 1.000 proyectos, de los cuales 180 presentaron algún grado de dificultad y 20 generaron incidencias importantes. Todo ese conocimiento, disperso en carpetas y documentos, tiene el potencial de transformar la forma de trabajar: podrían reducirse los casos especiales de 18 a solo
dos al año, los incidentes graves pasarían de dos anuales a uno cada dos años, y la empresa sería menos vulnerable ante la rotación de personal. Incluso pongamos que se pudiera aumentar la capacidad productiva hasta 150 proyectos al año con un equipo más resiliente. Veámoslo.
Para realizar este caso, se ha creado un conjunto de datos sintético con 200 muestras, representando descripciones, características ambientales, materiales, cargas de fuego, complejidad relativa, entre otros.
Al visualizar los resultados del análisis en las siguientes imágenes, se observa, por ejemplo, que los incidentes que cometen los técnicos tienden a concentrarse en proyectos sobre terrenos arcillosos. Los incidentes graves, además, parece que se concentran en edificios residenciales con estructuras de hormigón y mixtas. Además, más
allá del análisis cuantitativo de errores, se pueden analizar hábitos sobre decisiones cualitativas, como la preferencia de ciertos recubrimientos según el contexto del proyecto (fig. 1).

En definitiva, en los datos se aprecia cómo ACME ha utilizado determinados materiales y recubrimientos en función de cada contexto, encontrando un patrón que podemos explotar, ya que vemos una predominancia de soluciones en ambientes corrosivos, cargas de fuego, teniendo en cuenta el sesgo del proyectista y las incidencias registradas.
A partir de esta comprensión, es posible entrenar un modelo que recomiende tipologías estructurales y recubrimientos de acuerdo con las variables de los nuevos proyectos. En este caso, se ha entrenado un árbol de decisión con un rendimiento muy bueno (precisión del 98 %). Ahora, si tratamos de usar el modelo para usarlo
para predecir incidencias y que nos recomiende un
recubrimiento (tabla 1), tenemos que:

Tabla 1

Como se ha dicho anteriormente, este conjunto de datos está simulado. En un entorno real, probablemente con una gran cantidad de casos, sería más certero y además lo podemos alimentar con el tiempo, afinando el resultado en cada iteración.

CASO DE ESTUDIO 2:
SISTEMA DE AGENTES PARA
EL ANÁLISIS DE ESTUDIOS
GEOTÉCNICOS CON MEMORIA

Ahora cambiemos de enfoque y centrémonos en la IA generativa, específicamente en sistemas de agentes.
Imaginemos que en ACME ya se ha resuelto la recomendación de materiales y la evaluación de riesgos potenciales, pero el verdadero reto está en la interpretación de los estudios geotécnicos, ya que como se ha concluido en el anterior caso, los incidentes graves se concentran en terrenos arcillosos. ACME, después de evaluarlo, determina que estos problemas suelen deberse a datos relevantes que faltan en los estudios y/o a dificultades para identificar riesgos en los informes por parte de los ingenieros.
Aquí la clave está en aprovechar los grandes modelos multimodales (como GPT), porque los informes geotécnicos están compuestos principalmente de texto y gráficos.
Se pretende plantear una solución basada en un sistema multi-agente en dos fases: primero, un sistema de aprendizaje multi-agente (el agente entrenador) se entrena usando información de internet, guías especializadas y estudios geotécnicos reales. Un agente principal coordina entre 10 y 30 subagentes, que exploran distintas
fuentes para recopilar datos útiles para interpretar
informes, como propiedades del terreno, riesgos asociados a los estratos y resultados de pruebas. Toda esa información se consolida y un agente final genera protocolos y advertencias que servirán de guía en la siguiente etapa. En las figuras 2 y 3 se puede visualizar

Figura 2.

Figura 3.

Figura 4.

Figura 5.

el esquema y la implementación en Flowise del sistema de entrenamiento.
El resultado: un protocolo para analizar los estudios geotécnicos, identificar posibles carencias en las pruebas realizadas, extraer sus características y recomendaciones, y revisar el conocimiento de la empresa para
detectar incidentes para anticipar riesgos en los nuevos proyectos.
En la segunda fase, el «agente analista» se encarga de extraer información clave y generar un informe detallado para que el ingeniero tome mejores decisiones (e incluso podría ayudar al que redacta el estudio para detectar carencias). Además, ACME implementa un mecanismo de memoria: cada vez que ocurre un incidente relevante, se documenta la incidencia con un peranálisis
de las causas mediante un agente que almacena
la experiencia adquirida en una «memoria». Así, el
sistema «aprende» de cada caso, mejorando su precisión y anticipándose a situaciones similares en nuevos proyectos. En las figuras 4 y 5 se puede visualizar el esquema y la implementación en Flowise del sistema de análisis.

El resultado es un sistema de agentes capaz de generar informes exhaustivos sobre estudios geotécnicos y facilitar al ingeniero estructural (incluso al laboratorio que emite el estudio) la extracción de datos clave y encontrar riesgos significativos en relación con el conocimiento generado en la empresa.
Este sistema, pongamos, que puede resolver inicialmente el 50 % de los problemas y mejorar su efectividad en un 10 % anual. Este avance se traduce en ahorro económico, reducción de la incertidumbre y una mayor confianza técnica por parte de los clientes y que además evoluciona con el tiempo.
Resultado de una ejecución para analizar un geotécnico (fig. 6).

 

Figura 6.

CONCLUSIÓN

En definitiva, en la era de la inteligencia artificial, los datos se convierten en un recurso fundamental para aportar valor y competitividad a las empresas. La IA mite mejorar la calidad, minimizar riesgos y potenciar el talento de quienes la utilizan; en manos expertas, multiplica capacidades y abre nuevas oportunidades.