Inteligencia artificial en construcción: redes neuronales de grafos para predecir el CPI en instalaciones eléctricas

El Cost Performance Index (CPI) que reporta un ERP de obra suele ser un número único, calculado a nivel de proyecto o, como mucho, de paquete de trabajo. El problema es que una desviación de coste en instalaciones eléctricas casi nunca es homogénea: el cableado de baja tensión puede ir sobrecoste mientras la puesta a tierra va perfecta, y el CPI agregado diluye esa señal justo cuando más útil sería detectarla, a nivel de tarea individual.

Los modelos predictivos clásicos (regresión, LSTM sobre series temporales de EVM) tratan cada tarea como una observación independiente. Ignoran que en una instalación eléctrica las tareas comparten cuadrillas, dependen de precedencias estrictas (no se cablea antes de rematar bandejas) y compiten por los mismos recursos críticos. Esa estructura relacional es información predictiva que se pierde si no se modela como grafo.

El artículo de Mostofi, Jin, Toğan y Tokdemir publicado en Automation in Construction (vol. 190, octubre 2026) propone justamente eso: una red neuronal de grafos (GNN) con embeddings de identidad para predecir el CPI a nivel de nodo, es decir, tarea por tarea, dentro de la red de dependencias de un proyecto eléctrico. Es un paso relevante para cualquier estrategia de predicción de costes construcción IA que quiera ir más allá del dashboard agregado.

El problema técnico en detalle

Un proyecto de instalación eléctrica se puede representar de forma natural como un grafo: cada tarea (canalización, cableado, cuadros, alumbrado, puesta a tierra, certificaciones) es un nodo, y las relaciones de precedencia, recursos compartidos o dependencia de suministro son las aristas.

El reto no es solo estructural, es de variabilidad de datos. Dos tareas de “tendido de cable” en dos plantas del mismo edificio pueden tener atributos casi idénticos (metraje, sección, tipo de cuadrilla) pero un CPI muy distinto según su posición en la cadena de dependencias: si la tarea previa se retrasó, la cuadrilla trabaja bajo presión, hay más retrabajo y el coste real se dispara aunque el histórico de esa tarea “tipo” sea bueno.

Los modelos tabulares (XGBoost, regresión lineal, LSTM por tarea) no capturan esa dependencia relacional. Tratan cada nodo como si fuera independiente del resto del grafo, lo que en la práctica genera errores de predicción altos precisamente en las tareas más críticas: las que están en el camino crítico o comparten recursos con múltiples vecinos.

El coste de resolverlo mal no es abstracto. Un CPI mal estimado a nivel de tarea eléctrica retrasa la decisión de reasignar cuadrillas o renegociar suministro hasta que la desviación ya es visible en el agregado del proyecto, cuando el margen de maniobra es mínimo.

Cómo funciona el método

El modelo propuesto parte de una representación en grafo del Work Breakdown Structure (WBS) eléctrico: nodos = tareas, aristas = relaciones de precedencia y de recursos compartidos (misma cuadrilla, mismo proveedor, mismo hito de certificación).

La novedad técnica está en el embedding de identidad: cada nodo recibe, además de sus atributos operativos (coste presupuestado, duración, tipo de tarea, cuadrilla asignada), un vector aprendido que codifica su posición estructural única dentro del grafo. Esto es clave porque las GNN estándar basadas en message passing sufren un problema conocido como over-smoothing: tras varias capas de agregación, nodos distintos acaban con representaciones casi idénticas, perdiendo la capacidad de distinguir tareas parecidas en atributos pero diferentes en contexto.

Es como si un jefe de obra intentara evaluar el rendimiento de dos electricistas solo por su categoría profesional, sin saber en qué frente de obra trabaja cada uno ni con qué cuadrilla. El embedding de identidad es el equivalente a añadir esa ficha de contexto: quién es, dónde está, con quién trabaja, antes de comparar resultados.

La arquitectura combina:

• Capas de message passing (agregación de información de nodos vecinos) para capturar dependencias directas.
• Un componente de identity embedding que preserva la distinción entre nodos estructuralmente similares.
• Una cabeza de regresión por nodo (node-level readout) que produce el CPI predicho para cada tarea individual.

Los autores evalúan el modelo con métricas estándar de regresión (RMSE, MAE, R²) frente a baselines habituales en la literatura: GCN convencional, GraphSAGE, LSTM y modelos de gradient boosting sobre datos tabulares. El resultado reportado es consistente con lo esperado teóricamente: el modelo con identity embedding reduce el error de predicción de forma más marcada en los nodos con alta conectividad (tareas críticas o compartidas), que son precisamente los que los baselines tabulares peor predicen. La mejora es menos pronunciada en tareas periféricas del grafo, con pocas dependencias, donde un modelo tabular simple ya funciona razonablemente bien.

Integración práctica

Adoptar este enfoque no requiere reinventar el sistema de gestión de proyectos, pero sí exige disciplina en la captura de datos relacionales, algo que muchas constructoras todavía no estructuran de forma explícita.

Datos necesarios:

1. Histórico de EVM (Earned Value Management) con CPI y SPI reales a nivel de tarea, no solo agregado.
2. WBS explícito con relaciones de precedencia entre tareas eléctricas.
3. Metadatos de recursos compartidos: cuadrillas, proveedores, hitos de certificación comunes.
4. Idealmente, extracción del grafo de tareas desde el modelo BIM (secuenciación 4D), lo que conecta directamente con estrategias de BIM e inteligencia artificial ya existentes en la organización.

Fases de implementación:

• Fase 1: auditoría de datos. Confirmar que el ERP y el BIM permiten reconstruir el grafo de dependencias con calidad suficiente (sin huecos de trazabilidad).
• Fase 2: piloto en un proyecto o subproyecto acotado (instalación eléctrica de un edificio, no de toda la cartera).
• Fase 3: validación con datos históricos reales, comparando el CPI predicho por nodo contra el CPI real observado.
• Fase 4: integración del output como alerta temprana en el dashboard de control de obra, no como sustituto del criterio del jefe de obra.

Este pipeline es compatible con arquitecturas de MLOps híbridas (edge para captura en obra, cloud para entrenamiento e inferencia), y se beneficia de sensores IoT que alimentan el estado real de avance de cada tarea, reduciendo el desfase entre dato reportado y dato real.

Limitaciones y condiciones de uso

El modelo requiere volumen histórico suficiente de proyectos con estructura de grafo comparable. Una constructora con pocos proyectos eléctricos documentados, o con WBS inconsistente entre proyectos, no tiene base de entrenamiento suficiente para que el embedding de identidad aporte valor sobre un modelo tabular simple.

Hay un problema de cold start evidente: proyectos con tipologías de instalación nunca vistas (por ejemplo, electrificación de infraestructura industrial cuando el histórico es solo residencial) generan predicciones poco fiables, porque el grafo no tiene análogos estructurales previos.

La generalización entre contratistas también es limitada. Un modelo entrenado con los datos de una constructora captura patrones de gestión de cuadrillas y proveedores específicos de esa organización; transferirlo a otra sin reentrenamiento reduce su precisión de forma significativa.

Por último, como con cualquier modelo de caja relativamente opaca, conviene acompañar la predicción de mecanismos de interpretabilidad para que el equipo de obra entienda por qué el modelo marca una tarea como riesgo de sobrecoste. Sobre esto conviene revisar los enfoques descritos en inteligencia artificial explicable en construcción y sus aplicaciones con SHAP, LIME y Grad-CAM, que son directamente aplicables a este tipo de modelos de grafo.

Lo que esto significa para el sector

El desplazamiento de la predicción de coste desde el nivel de proyecto al nivel de tarea cambia el momento en que se puede intervenir. En lugar de descubrir una desviación de CPI cuando ya afecta al agregado, el equipo de obra recibe una señal específica: esta tarea, en este punto de la red de dependencias, muestra riesgo de sobrecoste antes de que se materialice en el cierre mensual.

Esto no sustituye el criterio del jefe de obra ni del controller de proyecto. Lo complementa con una capa de detección temprana basada en la estructura relacional del trabajo, algo que ningún dashboard de EVM tradicional ofrece hoy.

Para instalaciones eléctricas, donde la interdependencia entre tareas es alta y los márgenes de desviación se acumulan rápido, este tipo de modelos representa una aplicación concreta y medible de inteligencia artificial en construcción, con impacto directo en la capacidad de reacción del equipo de control de proyecto. Conecta también con líneas de trabajo previas sobre interpretabilidad de modelos predictivos en construcción, un requisito cada vez más exigido por dirección técnica antes de aceptar cualquier output de un modelo en la toma de decisiones de obra.

Si tu organización dispone de histórico de EVM a nivel de tarea y una estructura BIM razonablemente madura, el siguiente paso lógico no es adoptar el modelo tal cual, sino diseñar un piloto acotado que valide si tu grafo de dependencias tiene la calidad suficiente para que el enfoque aporte valor real. Si estás evaluando esta tecnología en tu organización, podemos ayudarte a diseñar ese piloto.

---

Fuente: ScienceDirect Publication: Automation in Construction