El control de proyectos depende de la información. Los cronogramas, los informes de avance, los contratos, los correos electrónicos, las actas de reuniones, los registros de riesgos y los informes de gestión ayudan a los equipos a entender en qué punto se encuentra un proyecto y dónde es necesario actuar.
El reto es que buena parte de esa información todavía exige un esfuerzo considerable para recopilarla, estructurarla e interpretarla. Un planificador puede dedicar horas a procesar informes de avance antes de disponer del tiempo necesario para analizar qué significan realmente para el proyecto.
La inteligencia artificial puede empezar a cambiar ese equilibrio.
La IA ha avanzado de forma notable en el tratamiento del lenguaje. Al mismo tiempo, cada vez se genera y almacena más información de proyecto en formato digital y dentro de entornos conectados en la nube. Para el control de proyectos, esto abre nuevas posibilidades: procesar información con mayor rapidez, detectar excepciones entre grandes volúmenes de datos y automatizar partes de los procesos repetitivos.
Pero la IA no es una única tecnología, y no todas sus aplicaciones necesitan los mismos datos ni las mismas condiciones de partida.
Entender estas diferencias es fundamental para que las empresas puedan ir más allá de la experimentación e identificar dónde puede aportar un valor real.
El control de proyectos contiene mucha más información basada en lenguaje de lo que solemos pensar.
Los contratos, los informes de avance, la correspondencia, las actas de reuniones, las explicaciones sobre retrasos y los informes de gestión contienen información que influye directamente en las decisiones del proyecto. Históricamente, gran parte de ese contenido resultaba difícil de interpretar mediante software porque no estaba estructurado.
Los modelos de lenguaje modernos han cambiado esta situación.
Pueden procesar, clasificar, comparar y resumir texto a una escala difícil de alcanzar manualmente. Por ejemplo, una reunión de seguimiento de dos horas puede convertirse en una primera relación de decisiones, acciones, responsables y fechas. Del mismo modo, un conjunto amplio de informes de avance puede analizarse para identificar aquellos que contienen incidencias o desviaciones que requieren una revisión más detallada.
Eso no significa que la IA comprenda de repente todo el proyecto.
Significa que los profesionales pueden dedicar menos tiempo a localizar información relevante y más tiempo a valorar qué significa y qué decisiones deben tomarse.
Este avance forma parte de una transformación más amplia en el sector de la construcción y la ingeniería. En nuestro artículo anterior sobre cómo la IA, el IoT y las tecnologías en la nube están transformando el sector de la construcción, analizamos cómo unos entornos de proyecto cada vez más conectados están creando nuevas oportunidades para utilizar la información de forma más inteligente.
Para los profesionales del control de proyectos, la pregunta ahora es más concreta: ¿qué tipo de IA puede apoyar cada parte de nuestro trabajo?
Resulta útil distinguir entre tres grandes tipos de aplicaciones de IA dentro del control de proyectos.
Aunque existen solapamientos entre ellas y la tecnología seguirá evolucionando, esta distinción ayuda a entender tanto las oportunidades como los requisitos de cada caso.
Los modelos de lenguaje están diseñados para trabajar con información escrita u oral.
En control de proyectos pueden utilizarse, por ejemplo, para:
Resumir reuniones de seguimiento.
Extraer acciones propuestas, responsabilidades y fechas.
Comparar varios informes.
Detectar excepciones o incidencias relevantes en las descripciones de los proyectos.
Clasificar información recibida.
Preparar un primer borrador de un informe de gestión.
Estas aplicaciones pueden ser relativamente accesibles porque no siempre requieren años de datos históricos.
Si el objetivo es resumir la reunión de seguimiento de hoy, la transcripción de esa reunión puede ser suficiente. Si quieres comparar cuarenta informes de avance de esta semana para identificar cuáles contienen situaciones poco habituales, esos mismos informes pueden proporcionar gran parte de la información necesaria.
Por eso, afirmar que una empresa «no dispone de suficientes datos para utilizar IA» puede resultar engañoso.
La pregunta realmente útil es otra: ¿datos suficientes para qué?
Los modelos predictivos responden a otro tipo de preguntas.
En lugar de centrarse principalmente en interpretar lenguaje, analizan patrones dentro de la información histórica para estimar qué podría suceder a continuación.
Imagina una empresa que dispone de información coherente procedente de numerosos proyectos finalizados y en curso. Podría analizar con qué frecuencia se han producido retrasos en determinados tipos de actividades, qué combinaciones de condiciones suelen aparecer antes de una desviación o en qué situaciones se repiten ciertos patrones de riesgo.
Esto tiene una aplicación evidente en control de proyectos porque permite desplazar la atención desde explicar los problemas una vez ocurridos hacia identificar señales antes de que se materialicen.
Sin embargo, el análisis predictivo exige una base de datos mucho más sólida.
Las comparaciones entre proyectos solo son útiles cuando la información subyacente es suficientemente coherente. La estructura de actividades, las definiciones utilizadas, los métodos de medición del avance, la codificación y la calidad del histórico influyen directamente en el resultado del análisis.
Esto está estrechamente relacionado con el papel más amplio que desempeña la analítica de datos en el control de proyectos. En nuestro artículo «De la intuición a la previsión: el papel crucial del Business Intelligence y la analítica de datos en el control de proyectos», analizamos por qué la información integrada, las definiciones compartidas y los indicadores adelantados son fundamentales para pasar de explicar lo que ya ha ocurrido a apoyar la toma de decisiones con mayor anticipación.
La tercera área va más allá del análisis o la generación de información.
La automatización apoyada por IA puede ejecutar varios pasos relacionados dentro de un mismo proceso.
Pensemos en una actividad recurrente en la que un profesional recopila información, la estructura, realiza comprobaciones, introduce el resultado en otro sistema y prepara después un informe para la dirección.
En lugar de ayudar únicamente en uno de esos pasos, un proceso automatizado puede conectar cada vez más partes del flujo de trabajo.
Por ejemplo, la información sobre el avance podría recopilarse y estructurarse automáticamente antes de que un planificador revise los cambios propuestos. El profesional continúa validando el resultado y aportando contexto, pero deja de ejecutar manualmente cada tarea administrativa.
Aquí pueden aparecer mejoras importantes de eficiencia.
También es el punto en el que la gobernanza adquiere todavía más importancia.
Cuanta más capacidad de actuación tenga un sistema, más claramente deberá definir la empresa qué puede hacer, qué información puede utilizar, cuándo necesita autorización y quién mantiene la responsabilidad final.
La automatización puede reducir el trabajo repetitivo. No automatiza la responsabilidad.
La calidad de los datos es importante para cualquier aplicación de IA, pero los requisitos dependen del caso de uso.
Un modelo de lenguaje que analiza un único documento no necesita el mismo entorno de información que un modelo predictivo diseñado para comparar el rendimiento de cientos de proyectos.
Esta diferencia es esencial a la hora de evaluar el nivel de preparación de una empresa.
Para una aplicación basada en lenguaje, es posible que ya exista información suficiente para empezar a probar un caso de uso limitado.
El análisis predictivo puede exigir bastante más trabajo previo: información histórica coherente, estructuras adecuadas, definiciones comparables y una calidad de datos suficiente.
Por eso, la secuencia debería ser:
Problema → caso de uso → requisitos de información → tecnología
Y no:
Tecnología → buscar dónde aplicarla
Este enfoque también evita que las empresas pongan en marcha grandes iniciativas de IA o de datos antes de saber qué decisión o qué proceso del proyecto quieren mejorar.
Por muy avanzado que sea un sistema de IA, no vive tu proyecto como lo hace un profesional.
No ha visitado la obra.
No conoce al contratista después de dos años trabajando con él.
No percibió la duda en la respuesta de una de las partes interesadas durante la reunión de seguimiento de ayer.
Tampoco sabe de forma automática que un cambio en el cronograma, aunque sea técnicamente viable, puede resultar comercialmente inaceptable.
La IA conoce el proyecto a través de la información que recibe.
Por eso, la calidad y la actualidad de esa información siguen siendo fundamentales.
Si el avance registrado va tres semanas por detrás de la realidad, la IA estará analizando, en la práctica, el proyecto tal y como era hace tres semanas. Utilizar un algoritmo más avanzado no resolverá ese problema.
Una buena aplicación de IA refuerza la necesidad de una buena disciplina de control de proyectos. No la sustituye.
Una información fiable no es simplemente información almacenada en el sistema adecuado.
Las personas también deben compartir una misma interpretación de lo que significa.
Tomemos como ejemplo la palabra «retraso».
Si preguntas a varias personas de una misma empresa cómo debería medirse un retraso, es posible que obtengas respuestas distintas. Una puede compararlo con la línea base contractual. Otra puede hacerlo respecto al periodo de reporte anterior. Y otra puede considerar que solo existe un retraso relevante cuando afecta a un hito.
Las personas pueden resolver parte de esta ambigüedad mediante conversación, experiencia y contexto.
El análisis automatizado necesita definiciones más claras.
Lo mismo ocurre con la responsabilidad sobre los datos. Cuando un conjunto de datos importante contiene errores o información contradictoria, debe estar claro quién es responsable de resolverlos.
Una base útil para trabajar con IA debería incluir:
Información de proyecto disponible a tiempo.
Calidad suficiente para el uso previsto.
Definiciones coherentes.
Responsabilidad sobre los datos claramente asignada.
Una estructura adecuada.
El contexto necesario para interpretar la información.
Controles y responsabilidades acordados.
En realidad, estas son cuestiones relacionadas con la madurez del control de proyectos, no únicamente con la IA.
Si los procesos incoherentes, la información fragmentada o una gobernanza poco clara ya están limitando el rendimiento de los proyectos, introducir IA no eliminará automáticamente esas debilidades. En nuestro artículo «Ganar control empieza por tener claridad: por qué importa la madurez en el control de proyectos», analizamos por qué es fundamental alinear procesos, personas, información y herramientas antes de seleccionar una nueva solución tecnológica.
Una pregunta habitual es si la IA terminará sustituyendo a los planificadores, programadores y otros profesionales del control de proyectos.
Esa pregunta infravalora la aportación real de esos perfiles.
La IA puede procesar la información que recibe. Un profesional del control de proyectos trabaja dentro de la realidad del proyecto.
Habla con contratistas, ingenieros y responsables de proyecto. Participa en reuniones de seguimiento. Conoce el razonamiento que hay detrás de decisiones anteriores. Y reconoce cuándo algo que parece posible dentro de un cronograma difícilmente funcionará sobre el terreno.
Los proyectos no son simples conjuntos de datos. Son entornos en los que factores técnicos, comerciales y humanos interactúan continuamente.
Por eso, mantener a las personas dentro del proceso no puede limitarse a pedir que alguien pulse un botón de aprobación al final de una secuencia automatizada.
El valor está en el criterio que aportan.
La conclusión no es que la experiencia en control de proyectos vaya a perder importancia.
Lo que cambia es dónde se emplea.
Algunas actividades que hoy consumen mucho tiempo se prestan especialmente bien al apoyo de la IA: leer grandes cantidades de texto, estructurar información, preparar borradores de informes o realizar comprobaciones repetitivas.
Reducir esta carga administrativa crea espacio para actividades de mayor valor.
Un planificador puede dedicar más tiempo a analizar el avance junto con las personas que ejecutan el trabajo.
Un responsable de control de proyectos puede invertir más tiempo en investigar excepciones y valorar posibles intervenciones.
Los profesionales pueden concentrarse más en interpretar la información, cuestionar escenarios y asesorar a quienes deben tomar decisiones.
La IA no elimina la experiencia profesional del control de proyectos. Hace que el criterio profesional sea todavía más importante, porque permite dedicar más tiempo y atención a las decisiones que rodean a la información.
Por tanto, la evolución no consiste en pasar de las personas a la IA.
Consiste en pasar del procesamiento manual al criterio humano apoyado por IA.
La primera aplicación de IA no tiene por qué ser ambiciosa.
Un punto de partida más útil suele ser una actividad pequeña, recurrente y que consuma bastante tiempo, pero que exija un nivel relativamente limitado de juicio profesional.
Esta combinación permite aprender con un riesgo controlado.
Pensemos en un proceso periódico de seguimiento. Un planificador puede dedicar mucho tiempo a recopilar información, estructurar actualizaciones y prepararlas para su posterior análisis.
Parte de ese flujo de trabajo puede apoyarse mediante IA, mientras el planificador continúa obteniendo contexto del equipo de proyecto, verificando la información generada y decidiendo si los cambios propuestos son adecuados.
El objetivo no es eliminar al planificador.
El objetivo es aprovechar mejor un conocimiento especializado que siempre es limitado.
Un enfoque práctico puede ser el siguiente:
Identifica un problema recurrente. Determina dónde se invierte una cantidad significativa de tiempo sin obtener un valor equivalente para la toma de decisiones.
Define el resultado esperado. Decide qué debería mejorar, por ejemplo la velocidad, la coherencia o la capacidad de análisis.
Determina qué información necesita el proceso. Identifica qué documentos, datos y contexto requiere la aplicación.
Asigna responsabilidades y controles. Define quién valida los resultados y quién sigue siendo responsable de la decisión final.
Prueba a una escala manejable. Selecciona una aplicación en la que los profesionales puedan evaluar rápidamente la calidad de los resultados.
Aprende antes de ampliar. Mejora el proceso y aumenta el alcance únicamente cuando la aplicación aporte un valor fiable.
Este análisis también puede llevar a una empresa a concluir que la IA todavía no es su principal prioridad.
Quizá primero sea necesario mejorar las definiciones, la integración de datos, la gobernanza o la estandarización de procesos.
Esa conclusión también aporta valor.
Para las empresas que quieran comprender mejor estos fundamentos, el Project Controls Scan de Primaned analiza el nivel de madurez en ámbitos como la planificación, el control de costes, los riesgos, la gobernanza, los informes y las herramientas antes de establecer prioridades de mejora.
No empieces preguntándote dónde puede tu empresa «implementar IA».
Empieza por un problema concreto de control de proyectos.
Busca una actividad recurrente en la que procesar información con mayor rapidez o analizarla mejor pueda generar un valor significativo. Determina de qué información depende. Define los límites. Mantén la revisión profesional dentro del proceso. Y después comprueba si la IA mejora realmente la forma de trabajar.
No necesitas resolver hoy cómo será el futuro de la IA en el control de proyectos.
Necesitas un problema relevante, una aplicación controlada y la disciplina suficiente para aprender de ella.
Si quieres explorar dónde podría encajar ese primer paso en tu entorno actual de control de proyectos, los consultores especializados en control de proyectos de Primaned pueden ayudarte a conectar la tecnología con los procesos, la información y las decisiones que determinan el rendimiento de tus proyectos.