Predicción de Costos y Plazos en Proyectos de Construcción: Un Enfoque Basado en Inteligencia Artificial
Barra lateral del artículo
Contenido principal del artículo
Resumen
La estimación precisa de tiempo y costos es fundamental para la planificación y gestión eficiente de los proyectos de construcción, ya que la incertidumbre o información imprecisa puede generar sobrecostos, demoras y un uso ineficiente de los recursos. Los métodos tradicionales presentan limitaciones en contextos dinámicos y complejos. En este marco, estudios recientes demuestran que la aplicación de modelos de Inteligencia Artificial y aprendizaje automático mejora significativamente la precisión predictiva al manejar la variabilidad de los datos. Este trabajo se basa en una revisión bibliográfica crítica y propone el uso de modelos de IA como alternativa a los enfoques tradicionales para optimizar la estimación de tiempos y costos. Los resultados indican que modelos como Extra Trees y XGBoost alcanzan coeficientes de determinación (R2) superiores a 0,92 en la predicción de costos, mientras que la estimación de tiempos depende fuertemente de la calidad de los datos disponibles. Se concluye que la IA constituye una herramienta estratégica para mejorar la planificación y la toma de decisiones en el sector.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Referencias
Djatnika, Suntana Sukma, Witjaksana, Budi, Oetomo, Wateno, y Bambang, W., «Risk Analysis on the Construction Project of the Basement Building under Jalan Pemuda-Yos Sudarso, Surabaya», J. Phys. Conf. Ser., vol. 1364, 2019, doi: 10.1088/1742-6596/1364/1/012073.
Ullah, K, Abdullah, A. H., Nagapan, S., Suhoo, S., y Khan, M. S., «Theoretical framework of the causes of construction time and cost overruns», IOP Conf. Ser. Mater. Sci. Eng., vol. 271, 2017, doi: 10.1088/1757-899X/271/1/012032.
Anastasia Stepanets, «Método de la ruta crítica en la gestión de proyectos», https://blog.ganttpro.com/. [En línea]. Disponible en: https://blog.ganttpro.com/es/metodo-de-la-ruta-critica-en-la-administracion-de-proyectos/. Accedido el: 28/10/2025.
Team Asana, «El diagrama de PERT: qué es y cómo crearlo (incluye ejemplos)». [En línea]. Disponible en: https://asana.com/. Accedido el: 28/10/2025.
Sonia Coma, «Método de simulación Montecarlo: Qué es y cómo adoptarlo en tu empresa». [En línea]. Disponible en: https://asana.com/. Accedido el: 28/10/2025.
Setiawan, A, Fadjar, A., y Labombang, M., «Scheduling the Construction of Low-Income Community Houses in Palu City Using the Probabilistic Duration Method», IOP Conf. Ser. Earth Environ. Sci., vol. 1355, 2024, doi: 10.1088/1755-1315/1355/1/012013.
Mirindi, Derrick, Mirindi, Frederic, Bezabih, Tajebe, Sinkhonde, David, y Kiarie, Winfred, «Review: The Role of Artificial Intelligence in Building Information Modeling», ACM- SIMIS-CPR, 2025, doi: 10.1145/3716489.3728433.
Nihad Hassan, «AI vs. machine learning vs. deep learning: Key differences», https://www.techtarget.com/. [En línea]. Disponible en: https://www.techtarget.com/searchenterpriseai/tip/AI-vs-machine-learning-vs-deep-learning-Key-differences/?utm_source=chatgpt.com. Accedido el: 28/10/2025.
I. H. Sarker, «Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions», SN Comput. Sci., vol. 2, 2021, doi: 10.1007/s42979-021-00815-1.
Demiss, Belachew A. y Elsaigh, Walied A., «Application of novel hybrid deep learning architectures combining Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN): construction duration estimates prediction considering preconstruction uncertainties», Eng. Res. Express, vol. 6, 2024, doi: 10.1088/2631-8695/ad6ca7.
Soreti M Liben, Demiss A Belachew, y Walied A Elsaigh, «Comparing advanced and traditional machine learning algorithms for construction duration prediction: a case study of Addis Ababa’s public sector», Eng. Res. Express, vol. 6, 2024, doi: 10.1088/2631-8695/ad979f.
Mohammad Savargiv, Behrooz Masoumi, y Mohammad Reza Keyvanpour, «A New Random Forest Algorithm Based on Learning», Comput. Intell. Neurosci, 2021, doi: 10.1155/2021/5572781.
Zi-Yi Yang, Zhao-Feng Ye, Chang-Yu Hsieh, y Yi-Jia Xiao, «SPLDE XTRA T REES : R OBUST MACHINE LEARNING APPROACH FOR PREDICTING KINASE INHIBITOR RESISTANCE», arXiv preprint, 2021.
Cynthia Lokker, Wael Abdelkader, y Elham Bagheri, «Boosting efficiency in a clinical literature surveillance system with LightGBM», PLOS Digit. Health, 2024, doi: /10.1371/%20journal.pdig.0000299.
Chi Wang, Qingyun Wu, Markus Weimer, y Erkang Zhu, «FLAML: A F AST AND L IGHTWEIGHT AUTO ML LIBRARY», Proc. 4 Th MLSys Conf., 2021.
Arunn Thevapalan, «The Machine Learning Workflow Explained (and How You Can Practice It Now)». [En línea]. Disponible en: https://towardsdatascience.com/. Accedido el: 28/10/2025.
Deepakcode07, «Construction-Project-Data-Generator». https://github.com/. [En línea]. Disponible en: https://github.com/Deepakcode07/Construction-Project-Data-Generator?utm_source=chatgpt.com. Accedido el: 28/10/2025.
«JohnVans123/ProjectManagement». [En línea]. Disponible en: https://huggingface.co/datasets/JohnVans123/ProjectManagement?utm_source=chatgpt.com. Accedido el: 28/10/2025.
Mohammad Rafiei, «Residential Building». [En línea]. Disponible en: https://archive.ics.uci.edu/dataset/437/residential%2Bbuilding%2Bdata%2Bset?utm_source=chatgpt.com. Accedido el: 28/10/2025.
Google, NotebookLM. [En línea]. Disponible en: https://notebooklm.google/. Accedido el: 28/10/2025.