Arquitectura.Tech inaugura su Laboratorio investigando cómo la IA puede transformar la documentación de arquitectura, ingeniería y construcción en conocimiento verificable y reutilizable.
Descubre cómo la IA puede analizar documentación AEC y transformar pliegos, contratos, especificaciones e informes en conocimiento útil y verificable.
La documentación AEC contiene una parte fundamental del conocimiento de los proyectos. Arquitectura.Tech inaugura su Laboratorio de IA y Datos para el Entorno Construido explorando cómo la inteligencia artificial puede transformar documentos en conocimiento estructurado, verificable y reutilizable.
IA y documentación AEC: de leer documentos a construir inteligencia de proyecto
La arquitectura, la ingeniería y la construcción generan enormes cantidades de documentación. La inteligencia artificial abre una posibilidad que va mucho más allá de resumir documentos: transformar información dispersa en conocimiento estructurado, verificable y reutilizable a lo largo de los proyectos.
Pliegos, memorias, especificaciones, contratos, normativa, informes técnicos, actas, solicitudes de información (RFIs), modificaciones, documentación de obra y entregables finales forman parte de prácticamente cualquier proyecto de arquitectura, ingeniería y construcción.
Cada documento contiene información. Pero, en conjunto, contienen algo potencialmente mucho más valioso: conocimiento sobre el proyecto.
El problema es que ese conocimiento suele encontrarse distribuido entre numerosos documentos, formatos, versiones, sistemas y participantes.
Encontrar una determinada obligación contractual, comprobar qué especificación resulta aplicable, identificar diferencias entre versiones, reconstruir por qué se tomó una decisión o recuperar cómo se resolvió una incidencia anterior puede exigir revisar grandes cantidades de información.
La inteligencia artificial generativa y, especialmente, los grandes modelos de lenguaje (LLM) están creando nuevas posibilidades para trabajar con este universo documental.
Pero la oportunidad no consiste simplemente en conseguir que una IA pueda leer un PDF.
El verdadero salto se produce cuando podemos avanzar desde leer documentos hacia construir inteligencia de proyecto.
Ese es el punto de partida de AEC Document Intelligence, la primera línea de investigación del nuevo Laboratorio de IA y Datos para el Entorno Construido de Arquitectura.Tech.
Un Laboratorio para investigar dónde genera valor la IA
La aparición constante de nuevos modelos, herramientas y aplicaciones puede transmitir la impresión de que el principal reto consiste en incorporar cuanto antes inteligencia artificial a las organizaciones.
En Arquitectura.Tech partimos de una premisa diferente:
Primero el problema. Después los datos. Finalmente, la tecnología.
El Laboratorio de IA y Datos para el Entorno Construido nace para investigar precisamente esa relación.
Queremos estudiar dónde la Ciencia de Datos y la Inteligencia Artificial pueden resolver problemas, mejorar procesos, apoyar decisiones y aprovechar mejor el conocimiento generado en arquitectura, ingeniería y construcción.
La cuestión relevante no es:
¿Dónde podemos utilizar IA?
Sino:
¿Qué problemas merece la pena resolver y qué papel pueden desempeñar los datos y la IA para hacerlo mejor?
Nuestro primer proyecto, el Mapa de Oportunidades IA AEC, parte de esta pregunta para identificar y analizar procesos en los que estas tecnologías podrían generar valor.
Y una de las primeras oportunidades identificadas aparece precisamente alrededor de la documentación.
AEC es también una industria de información
Construir es una actividad física.
Pero antes, durante y después de construir se produce una enorme actividad informacional.
Un proyecto puede involucrar documentación procedente de propietarios, arquitectos, ingenieros, consultores, constructoras, subcontratistas, proveedores, administraciones y operadores.
Entre otros materiales encontramos:
- pliegos;
- contratos;
- memorias;
- especificaciones;
- normativa;
- planos y documentación asociada;
- presupuestos;
- informes;
- actas;
- RFIs;
- submittals;
- órdenes y modificaciones;
- comunicaciones;
- informes de progreso;
- documentación de calidad;
- documentación de seguridad;
- manuales;
- documentación de entrega.
La investigación académica está prestando una atención creciente a este problema. Una revisión publicada en Applied Soft Computing en 2026 señala precisamente que la construcción produce grandes cantidades de texto no estructurado —desde contratos y especificaciones hasta comunicaciones entre participantes— y que obtener información accionable a partir de ese contenido constituye un desafío relevante para el sector.
Los grandes modelos de lenguaje añaden nuevas capacidades porque permiten trabajar con lenguaje natural y realizar tareas como extracción de información, clasificación, búsqueda semántica, comparación, síntesis y generación.
Pero disponer de esas capacidades no resuelve automáticamente el problema.
Leer no es analizar
Una de las confusiones más habituales al utilizar IA generativa con documentación consiste en equiparar resumir un documento con analizarlo.
Son operaciones diferentes.
Un resumen intenta reducir un contenido manteniendo sus elementos fundamentales.
Un análisis puede exigir, en cambio:
- identificar todos los requisitos de determinada categoría;
- extraer obligaciones y responsables;
- localizar fechas y condiciones;
- distinguir hechos de interpretaciones;
- relacionar información situada en diferentes partes del documento;
- detectar inconsistencias;
- comparar documentos;
- identificar cambios entre versiones;
- clasificar información;
- evaluar argumentos;
- localizar evidencias;
- detectar información ausente;
- establecer relaciones entre diferentes fuentes.
Y todavía existe un nivel adicional:
validar el resultado.
Una respuesta lingüísticamente convincente no tiene por qué ser correcta, completa ni suficientemente respaldada por las fuentes.
Esta diferencia resulta especialmente importante cuando trabajamos con documentación técnica, contractual o normativa.
De preguntar a un documento a diseñar un proceso
Utilizar IA para analizar documentación profesional no debería reducirse a escribir un buen prompt.
Requiere diseñar un proceso.
En Arquitectura.Tech estamos comenzando a trabajar con una secuencia metodológica inicial:
1. Validar
Comprender qué documentación tenemos, su alcance, estructura, calidad, versión y limitaciones.
2. Extraer
Identificar información explícita relevante para el objetivo del análisis: requisitos, fechas, entidades, obligaciones, condiciones, especificaciones u otros elementos.
3. Estructurar
Transformar información dispersa en categorías, tablas, relaciones o estructuras que faciliten su análisis.
4. Analizar
Buscar relaciones, diferencias, patrones, inconsistencias o implicaciones relevantes.
5. Contrastar
Comparar resultados con otras partes del documento, otras fuentes o documentos relacionados.
6. Validar resultados
Comprobar precisión, cobertura, posibles omisiones y correspondencia entre los resultados y las fuentes originales.
7. Informar
Convertir el análisis en información comprensible y útil para una persona que deba revisar, decidir o actuar.
El objetivo es pasar de:
Documento → Respuesta
a un proceso más controlado:
Documento → Extracción → Estructuración → Análisis → Contraste → Validación → Decisión
El problema de la respuesta plausible
Los grandes modelos de lenguaje generan respuestas a partir de patrones aprendidos y del contexto que reciben.
Esto les proporciona capacidades extraordinarias para trabajar con lenguaje, pero introduce también limitaciones importantes.
Un modelo puede:
omitir información;
interpretar incorrectamente una cláusula;
confundir versiones;
producir una respuesta incompleta;
atribuir una afirmación a una fuente incorrecta;
o generar una respuesta plausible que no esté suficientemente respaldada.
La investigación reciente sobre contratos de construcción permite observar claramente esta tensión.
Un estudio publicado en 2026 evaluó 14 modelos mediante 1.131 preguntas sobre contratos internacionales de construcción. Los modelos mostraron fortalezas en aspectos como relevancia, profesionalidad y claridad, pero presentaron limitaciones significativas en precisión, completitud y referencias.
Por tanto, el objetivo profesional no puede ser simplemente obtener una respuesta convincente.
Debe ser obtener una respuesta que podamos comprobar.
De la respuesta a la evidencia
Aquí aparece uno de los principios fundamentales de AEC Document Intelligence:
una respuesta importante debería poder regresar a su fuente.
Cuando una IA identifica una obligación, requisito, fecha, condición o posible contradicción, deberíamos poder conocer:
qué documento lo sustenta;
dónde aparece;
qué fragmento constituye la evidencia;
qué parte procede directamente de la fuente;
y qué parte corresponde a una interpretación.
La trazabilidad se convierte así en una propiedad fundamental del sistema.
Esto no elimina la necesidad de revisión profesional.
La hace más eficiente y controlable.
El objetivo no consiste en pedir a un profesional que confíe en la IA.
Consiste en ayudarle a localizar, estructurar y analizar información manteniendo la posibilidad de verificarla.
Un documento es solo el principio
Las posibilidades aumentan cuando dejamos de analizar documentos aisladamente.
Pensemos en un proyecto que contiene:
pliego + contrato + memoria + especificaciones + actas + RFIs + modificaciones + informes de progreso.
La pregunta deja de ser:
¿Qué dice este documento?
Y empieza a convertirse en:
¿Qué sabemos sobre este proyecto a partir de todos estos documentos?
Esta transición es fundamental.
Podemos empezar a explorar relaciones como:
requisito → especificación → consulta → decisión → modificación → impacto
o:
obligación contractual → responsable → fecha → evidencia de cumplimiento
o:
incidencia → RFI → respuesta → cambio → coste → plazo
La documentación deja entonces de ser únicamente un conjunto de archivos.
Puede empezar a convertirse en una estructura de conocimiento sobre el proyecto.
AEC Document Intelligence
Denominamos AEC Document Intelligence a nuestra línea de investigación sobre el uso de Inteligencia Artificial y Ciencia de Datos para extraer, estructurar, relacionar, analizar y reutilizar conocimiento contenido en la documentación de arquitectura, ingeniería y construcción.
No la entendemos como una herramienta concreta.
La entendemos como una capacidad.
Puede incluir diferentes tecnologías y metodologías dependiendo del problema:
- procesamiento del lenguaje natural;
- grandes modelos de lenguaje;
- recuperación de información;
- búsqueda semántica;
- Retrieval-Augmented Generation (RAG);
- extracción estructurada;
- clasificación;
- comparación documental;
- grafos de conocimiento;
- agentes de IA;
- bases de datos;
- sistemas de validación y trazabilidad.
La tecnología utilizada dependerá del problema que queramos resolver.
Qué empieza a demostrar la investigación
La literatura científica reciente muestra que este campo está avanzando rápidamente, aunque todavía presenta importantes desafíos.
La revisión de Waqar sobre procesamiento del lenguaje natural en ingeniería de construcción analiza aplicaciones de técnicas de IA para trabajar a escala con información textual no estructurada y señala al mismo tiempo carencias relacionadas con benchmarks, datasets y despliegue real de LLM en construcción.
En gestión contractual, Tang y colaboradores concluyen que existe todavía una brecha entre investigación y necesidades reales del sector. Los LLM ofrecen posibilidades que superan algunas limitaciones del NLP tradicional, pero su aplicación práctica sigue siendo fragmentada y quedan cuestiones importantes por resolver.
Otros trabajos están investigando sistemas de preguntas y respuestas sobre contratos, optimización de la recuperación mediante segmentación semántica y sistemas que combinan LLM con grafos de conocimiento.
La investigación sobre especificaciones técnicas muestra además un problema especialmente interesante: la estructura y presentación del propio documento pueden afectar a la precisión de la extracción.
No basta, por tanto, con disponer de un modelo potente.
El diseño del proceso documental importa.
RAG: permitir que la IA trabaje con nuestras fuentes
Una de las arquitecturas que está adquiriendo especial relevancia es Retrieval-Augmented Generation (RAG).
De forma simplificada, en lugar de pedir al modelo que responda únicamente a partir del conocimiento adquirido durante su entrenamiento, el sistema busca primero información relevante en una colección documental y proporciona esa información al modelo para generar la respuesta.
El esquema básico sería:
Pregunta
↓
Búsqueda en documentación
↓
Recuperación de información relevante
↓
Generación de respuesta
↓
Referencia a las fuentes
Esta aproximación puede resultar especialmente apropiada para entornos donde el conocimiento relevante se encuentra en documentación propia de proyectos u organizaciones.
Sin embargo, RAG tampoco garantiza automáticamente respuestas correctas.
La investigación en contratos de construcción ha mostrado que su rendimiento puede verse afectado por cuestiones como la organización documental, la segmentación de los textos, la recuperación de información y la disponibilidad de conocimiento específico del dominio.
La arquitectura técnica importa.
Pero también importa la arquitectura de la información.
Del documento al conocimiento corporativo
Existe otra consecuencia potencialmente más importante.
Cada proyecto genera experiencia.
Se toman decisiones.
Se producen incidencias.
Se resuelven problemas.
Se negocian modificaciones.
Se comparan alternativas.
Se aprende.
Sin embargo, una parte considerable de ese aprendizaje puede quedar atrapada en documentación difícil de recuperar cuando comienza el siguiente proyecto.
AEC Document Intelligence puede contribuir a transformar esa documentación en memoria organizativa.
Imaginemos poder preguntar:
¿Hemos tenido anteriormente una incidencia similar?
¿Cómo se resolvió?
¿Qué consecuencias tuvo?
¿Qué proveedor intervino?
¿Qué modificación se aprobó?
¿Qué impacto produjo sobre coste o plazo?
La respuesta ya no dependería exclusivamente de que una persona recuerde el proyecto adecuado.
La organización podría comenzar a consultar sistemáticamente su experiencia acumulada.
IA, BIM y conocimiento del proyecto
La evolución puede ir todavía más lejos.
La documentación textual no existe aislada.
Convive con modelos BIM, bases de datos, planificación, costes, fotografías, sensores y otros sistemas.
Una revisión publicada en Automation in Construction en julio de 2026 analizó 61 estudios sobre integración entre BIM y LLM y encontró aplicaciones en diferentes fases del ciclo AECO, con especial presencia de recuperación de información y aplicaciones relacionadas con diseño.
La convergencia resulta especialmente interesante porque permite imaginar sistemas capaces de relacionar:
lenguaje + modelos + datos + contexto físico.
El futuro de la inteligencia documental AEC probablemente no consistirá únicamente en «hablar con documentos».
Consistirá en conectar diferentes representaciones del proyecto.
De asistentes a agentes
También está emergiendo una segunda transición.
Los primeros sistemas de IA generativa responden fundamentalmente a preguntas.
Los agentes de IA pueden, potencialmente, ejecutar procesos compuestos por múltiples pasos y utilizar diferentes fuentes y herramientas.
McKinsey plantea un ejemplo ilustrativo: ante un problema detectado en obra, agentes podrían comparar una fotografía con el modelo 3D, planos, registros de compras y planificación, identificar posibles causas y preparar alternativas con implicaciones sobre coste y plazo, manteniendo a los profesionales responsables de las decisiones.
El interés de este escenario no reside únicamente en la automatización.
Reside en la integración de información que actualmente se encuentra distribuida entre diferentes sistemas y equipos.
Esa evolución refuerza nuestra hipótesis:
la documentación no debe estudiarse aisladamente.
Debe entenderse como parte de la inteligencia informacional del proyecto.
¿Qué procesos podrían transformarse?
Dentro del Mapa de Oportunidades IA AEC que estamos desarrollando en el Laboratorio, AEC Document Intelligence aparece relacionada con numerosos procesos.
Entre ellos:
análisis de pliegos;
búsqueda y análisis de normativa;
revisión de especificaciones;
comparación de versiones;
seguimiento de obligaciones contractuales;
gestión de RFIs;
gestión de cambios;
automatización de informes;
bases de conocimiento de proyectos;
lecciones aprendidas;
asistentes documentales corporativos;
documentación de entrega y handover.
No todas estas aplicaciones presentan la misma madurez, dificultad, riesgo o potencial.
Precisamente por ello deben investigarse por separado.
Qué no deberíamos automatizar sin criterio
El entusiasmo tecnológico puede conducir fácilmente a una conclusión equivocada:
Si una IA puede realizar una tarea, deberíamos automatizarla.
No necesariamente.
En AEC existen decisiones que pueden tener implicaciones contractuales, económicas, técnicas o de seguridad.
Una IA puede ayudar a localizar una cláusula.
Eso no significa necesariamente que deba decidir autónomamente su interpretación contractual.
Puede detectar una posible contradicción entre documentos.
Eso no significa que pueda determinar por sí sola qué documento prevalece.
Puede identificar una posible exigencia normativa.
Eso no significa que deba sustituir al profesional responsable de verificar su cumplimiento.
La cuestión relevante no es únicamente:
¿Puede hacerlo la IA?
También debemos preguntar:
¿Qué debe hacer la IA y qué debe seguir haciendo una persona?
Human-in-the-loop: profesionales dentro del proceso
Por ello, AEC Document Intelligence parte inicialmente de un modelo de IA asistida y supervisada.
La IA puede resultar especialmente útil para:
buscar;
extraer;
clasificar;
estructurar;
comparar;
relacionar;
proponer;
señalar posibles anomalías.
El profesional mantiene la responsabilidad sobre:
validar;
interpretar;
contextualizar;
decidir;
aprobar.
La distribución exacta dependerá del riesgo y del proceso.
Cuanto mayores sean las consecuencias de un error, mayor deberá ser la exigencia de trazabilidad, validación y supervisión.
Cómo investigaremos AEC Document Intelligence
El Laboratorio de IA y Datos para el Entorno Construido no quiere limitarse a describir posibilidades.
Queremos experimentar.
Durante los próximos meses desarrollaremos una serie de pruebas progresivas utilizando documentación AEC y objetivos claramente definidos.
Los primeros experimentos se concentrarán en tres ámbitos:
Análisis documental
Comprobar hasta qué punto diferentes métodos permiten extraer y estructurar información relevante de documentación extensa.
Comparación documental
Evaluar la capacidad para identificar cambios, diferencias, contradicciones y elementos añadidos o eliminados entre documentos.
Análisis multidocumento
Investigar cómo relacionar información distribuida entre varias fuentes pertenecientes a un mismo contexto o proyecto.
Medir antes de afirmar
Existe un principio que queremos incorporar desde el comienzo:
no confundir una demostración convincente con una solución fiable.
Por ello intentaremos evaluar nuestros experimentos mediante indicadores como:
cobertura: cuánto contenido relevante consigue identificar el sistema;
precisión: qué proporción de los hallazgos es correcta;
omisiones: qué información relevante no identifica;
errores: qué afirmaciones resultan incorrectas;
trazabilidad: qué resultados pueden vincularse correctamente con sus fuentes;
tiempo: cuánto requiere el proceso frente a alternativas de referencia;
intervención humana: cuánto trabajo de revisión continúa siendo necesario.
No pretendemos que pequeños experimentos produzcan conclusiones universales.
Pretendemos utilizarlos para aprender de manera sistemática.
Del experimento a la aplicación
Este enfoque refleja la propia razón de existir del Laboratorio.
Investigar → Identificar → Experimentar → Evaluar → Transferir.
Una investigación puede revelar una posibilidad.
Un experimento puede ayudarnos a comprenderla.
La evaluación permite determinar sus limitaciones.
Y, cuando exista suficiente evidencia, ese aprendizaje puede transformarse en metodología, formación, demostradores o servicios para organizaciones.
AEC Document Intelligence será nuestra primera oportunidad para recorrer este ciclo completo.
Una primera hipótesis de trabajo
Nuestra hipótesis inicial es que una parte importante del valor inmediato de la IA generativa en AEC puede encontrarse no en sustituir actividades profesionales complejas, sino en reducir la fricción existente entre los profesionales y la enorme cantidad de información que necesitan para trabajar.
Si esta hipótesis es correcta, la IA puede convertirse progresivamente en una capa que ayude a:
encontrar mejor;
comprender más rápido;
comparar con mayor sistematicidad;
recuperar conocimiento anterior;
detectar aquello que merece atención;
y proporcionar mejores evidencias para decidir.
Pero esta hipótesis debe contrastarse.
Eso es precisamente lo que haremos.
Comienza el Laboratorio de IA y Datos para el Entorno Construido
Este artículo inaugura públicamente el Laboratorio de IA y Datos para el Entorno Construido de Arquitectura.Tech.
Nuestro objetivo será investigar cómo la Ciencia de Datos y la Inteligencia Artificial pueden contribuir a mejorar los procesos mediante los que diseñamos, planificamos, construimos, gestionamos y operamos nuestro entorno construido.
Comenzamos por los documentos porque constituyen uno de los lugares donde se concentra una parte fundamental del conocimiento de los proyectos.
Pero son solo el principio.
El Mapa de Oportunidades IA AEC irá ampliando progresivamente nuestra investigación hacia planificación, costes, gestión del conocimiento, control de proyectos, visión artificial, BIM, activos, mantenimiento y otras aplicaciones.
Queremos comprender dónde existe valor real.
Experimentar antes de afirmar.
Medir antes de prometer.
Y mantener a los profesionales en el centro de aquellas decisiones que requieren conocimiento, criterio y responsabilidad.
Con AEC Document Intelligence comienza ese recorrido.
Referencias y bibliografía
McKinsey & Company (2026). How AI is reshaping the future of the AEC industry. 15 de julio de 2026. El análisis plantea la transformación de workflows AEC mediante IA y agentes, con integración de documentación, modelos y datos de proyecto y mantenimiento de supervisión profesional.
Waqar, A. (2026). Natural language processing for construction engineering: Artificial intelligence-driven text analysis techniques. Applied Soft Computing, 190, 114585. DOI: 10.1016/j.asoc.2026.114585.
Tang, Y., Zheng, C., Kassem, M., Xie, X. & Su, X. (2026). Bridging the research–practice gap in construction contract management with NLP and LLMs. Automation in Construction, 181, 106614. DOI: 10.1016/j.autcon.2025.106614.
Xia, H., Chen, Y., Qi, X. & Wang, Y. (2026). Benchmarking international construction contract knowledge of large language models. Expert Systems with Applications, 317, 131754. DOI: 10.1016/j.eswa.2026.131754.
Zhang, M., Xu, C., Gan, Y., Wang, Y., Fu, Y. & Chen, Y. (2026). Automating construction contract question answering using large language model and fine-tuning. Expert Systems with Applications, 297, 129493. DOI: 10.1016/j.eswa.2025.129493.
Zhang, L. & Ning, Y. (2026). Improving construction contract question answering through embedding optimization and semantic chunking in large language models. Advanced Engineering Informatics, 69, 104027. DOI: 10.1016/j.aei.2025.104027.
Park, I., Kim, Y., Kim, K. & Chin, S. (2026). BIM–LLM integration in AECO workflows: Applications, validation, and future directions. Automation in Construction, 187, 106905. DOI: 10.1016/j.autcon.2026.106905.
Zheng, C., Wong, S., Su, X., Tang, Y., Nawaz, A. & Kassem, M. (2025). Automating construction contract review using knowledge graph-enhanced large language models. Automation in Construction, 106179. DOI: 10.1016/j.autcon.2025.106179.
Nota editorial: Este artículo ha sido desarrollado con apoyo de herramientas de inteligencia artificial para tareas de investigación, estructuración y redacción. El planteamiento, selección de fuentes, revisión, interpretación y versión final se han realizado bajo supervisión y criterio humano desde Arquitectura.Tech. La IA se utiliza como herramienta de apoyo, no como sustituto de la revisión profesional.