Inteligencia artificial explicable en construcción: qué revelan SHAP, LIME y Grad-CAM sobre sus propias predicciones

La inteligencia artificial en construcción alcanza hoy niveles de precisión que superan a los métodos estadísticos clásicos en predicción de costes, detección de riesgos y control de calidad. El problema no es la precisión: es la opacidad. Un modelo de gradient boosting que predice un desvío del 18% en coste no explica qué partidas lo generan, qué subcontratistas concentran el riesgo ni en qué punto del cronograma se origina la desviación.

Este déficit tiene un coste operativo concreto. Los equipos de dirección no confían en recomendaciones que no pueden auditar, los clientes no aceptan informes sin cifras justificadas y los reguladores no validan modelos cuyo razonamiento es invisible. La predicción sin explicación es, en la práctica, inutilizable en contextos contractuales o de rendición de cuentas.

Una revisión sistemática publicada en Automation in Construction (Naghdi, Mahmoudi, Erfani e Ilbeigi, volumen 190, octubre 2026) mapea el estado de la IA explicable (XAI, Explainable Artificial Intelligence) en ingeniería y gestión de la construcción: dominios de aplicación, métodos más utilizados, brechas identificadas y oportunidades abiertas para los próximos años.

---

El problema técnico en detalle

Los modelos con mejor rendimiento predictivo en construcción (random forests, gradient boosting machines, redes neuronales profundas) son intrínsecamente opacos. Los modelos interpretables por diseño, como la regresión lineal o los árboles de decisión simples, sacrifican entre 8 y 20 puntos porcentuales de precisión en datasets reales, según comparativas reportadas en la literatura de Automation in Construction.

En proyectos de infraestructura de gran escala, esta diferencia tiene consecuencias directas. Un error de estimación del 10% sobre un presupuesto de 50 millones equivale a 5 millones de euros en contingencia mal asignada. Si el modelo no puede articular por qué genera esa cifra, el equipo técnico descarta la predicción y regresa a la estimación experta, con sus propios sesgos conocidos.

La revisión de Naghdi et al. identifica tres áreas donde la falta de explicabilidad bloquea la adopción de IA: toma de decisiones contractuales de alto riesgo, monitorización de seguridad con implicaciones legales y control de calidad en entregables sujetos a certificación. Son exactamente los dominios con mayor potencial de impacto y mayor resistencia interna a la adopción.

---

Cómo funciona la IA explicable: arquitecturas y métodos

XAI no es un modelo alternativo: es una capa de interpretación sobre modelos existentes. La revisión identifica cinco familias de métodos con aplicación documentada en construcción:

Método	Tipo	Modelos compatibles	Aplicación en construcción	Limitación principal
SHAP (TreeSHAP)	Post-hoc, global y local	XGBoost, Random Forest, LightGBM	Predicción de costes y CPI	Costoso en redes profundas
LIME	Post-hoc, local	Agnóstico de modelo	Clasificación de riesgos laborales	Inestabilidad entre predicciones similares
Grad-CAM	Post-hoc, local	CNN	Visión artificial en obra: EPIs, fisuras	Solo aplicable a modelos visuales
Attention mechanisms	Intrínseco	Transformers, LSTM	Series temporales de avance y SPI	Interpretación no siempre directa
Counterfactual explanations	Post-hoc, local	Agnóstico	Simulación de escenarios contractuales	Coste computacional elevado

SHAP asigna a cada variable de entrada una contribución marginal al resultado del modelo, derivada de la teoría de juegos cooperativos (valores de Shapley). En predicción de costes, permite identificar qué partidas (mano de obra, materiales, condiciones de suelo) tienen mayor peso en una estimación concreta, no en promedio global, sino para ese proyecto específico. El resultado equivale a un informe de auditoría por partidas generado automáticamente.

Grad-CAM produce mapas de calor sobre imágenes que revelan qué regiones visuales activan la decisión de una red convolucional. En visión artificial en obra, un sistema de detección de EPIs con Grad-CAM muestra exactamente qué área del fotograma determinó que un operario carecía de casco: evidencia visual auditable, no solo una etiqueta de clasificación con porcentaje de confianza.

La métrica de evaluación en XAI no se limita a la precisión del modelo base (F1, RMSE, mAP, IoU). La clave es la fidelidad de la explicación: cuánto se aproxima la versión simplificada al comportamiento real del modelo en su entorno local. Un modelo con F1 de 0,91 y explicaciones de baja fidelidad resulta menos útil en contextos regulados que un modelo con F1 de 0,85 y explicaciones validadas por expertos de dominio.

---

Integración práctica: qué datos, qué fases, qué herramientas

La adopción de XAI en una empresa constructora requiere resolver tres capas de manera secuencial.

Datos. Para predicción de costes con SHAP se necesitan históricos con al menos 15-20 variables por proyecto (tipología, localización, condiciones de suelo, modelo de contratación, índices de productividad). El mínimo práctico ronda los 200-300 proyectos para que los valores SHAP sean estadísticamente estables. Para Grad-CAM en control visual, la calidad de los mapas de calor depende directamente del dataset de entrenamiento de la CNN subyacente.

BIM e inteligencia artificial. Los ficheros IFC contienen grafos de elementos con atributos de geometría, materiales y relaciones de precedencia que pueden alimentar directamente modelos XAI para predicción de plazos o detección de interferencias. Un grafo de tareas extraído de un modelo BIM 4D, combinado con un modelo de CPI explicable, permite al project manager identificar qué actividades concretas presionan el índice de rendimiento de costes, no solo el valor agregado.

Pipeline para un primer piloto:

1. Definición del caso de uso y métricas de éxito (predicción de coste, clasificación de riesgo, inspección visual).
2. Auditoría de datos históricos y definición de variables de entrada.
3. Entrenamiento del modelo base (XGBoost o LightGBM para datos tabulares; ResNet o EfficientDet para imágenes).
4. Aplicación de la capa XAI (SHAP para modelos tabulares, Grad-CAM para modelos de visión).
5. Validación de fidelidad de las explicaciones con expertos de dominio de obra.
6. Integración de dashboards de explicabilidad en herramientas existentes (ERP, Power BI, plataformas BIM).

El plazo realista para un piloto funcional sobre datos propios es de 3 a 5 meses, condicionado por la calidad del histórico y la disponibilidad del equipo técnico.

---

Limitaciones y condiciones de uso

Hay restricciones que conviene documentar antes de comprometer recursos.

Tensión fidelidad-interpretabilidad. Las explicaciones más comprensibles para un director de proyecto no siempre son las más fieles al modelo subyacente. LIME puede producir explicaciones inestables ante pequeñas perturbaciones en los datos de entrada, lo que las hace poco reproducibles donde la trazabilidad es obligatoria.

Coste computacional. TreeSHAP es eficiente para modelos de árboles, pero el cálculo de valores Shapley para redes neuronales profundas escala mal. En sistemas de visión en tiempo real, Grad-CAM añade latencia que puede ser incompatible con alertas inmediatas según la arquitectura de inferencia desplegada.

Dependencia del dominio. Un modelo entrenado con proyectos de edificación residencial en España puede producir explicaciones incoherentes aplicado a infraestructura lineal en otro contexto geográfico. La transferibilidad de los modelos XAI es limitada sin reentrenamiento o fine-tuning específico.

Riesgo de sobreinterpretación. Los profesionales de obra pueden atribuir causalidad a explicaciones que solo expresan correlación estadística. Documentar qué es y qué no es una explicación causal forma parte del proceso de despliegue, no es un detalle posterior.

---

Lo que esto significa para el sector

La revisión identifica tres dominios con mayor madurez y retorno inmediato de XAI en construcción: predicción de costes y plazos, detección de riesgos de seguridad y control de calidad mediante visión artificial en obra. Son los mismos dominios donde la rendición de cuentas ante clientes, reguladores o aseguradoras es más exigente.

La implicación estratégica es directa. Las constructoras que adopten modelos explicables no solo mejoran su precisión predictiva: generan un activo de gobernanza. Las explicaciones auditables de un modelo de predicción de costes en construcción con IA son documentación técnica presentable en litigios contractuales, auditorías de cliente o procesos de certificación de calidad.

Naghdi et al. señalan además una oportunidad abierta de alta relevancia: la literatura existente aplica XAI principalmente a modelos individuales y dominios aislados. La integración de XAI en pipelines multimodales (texto contractual, datos BIM e imágenes de obra de forma simultánea) y en sistemas de decisión colaborativos entre IA y experto humano sigue siendo un área con escasa cobertura empírica y alto potencial de aplicación industrial.

---

Si estás evaluando la adopción de modelos explicables en tu organización para predicción de costes, inspección visual o gestión de riesgos, podemos ayudarte a diseñar el piloto: desde la auditoría de datos hasta la integración con tus herramientas actuales.

---

Fuente: ScienceDirect Publication: Automation in Construction