Etiqueta: inteligencia artificial

El «sesgo hacia el error»: por qué el futuro de la ingeniería depende de auditar la IA (y no solo de usarla)

La educación técnica atraviesa una tensión paradójica que amenaza los cimientos del pensamiento crítico. En las asignaturas de modelización y diseño estructural de los grados y másteres en Ingeniería de Caminos y Civil, la inteligencia artificial generativa (IAG) ha pasado de ser una novedad a convertirse en un estándar operativo. Sin embargo, esta adopción generalizada esconde un riesgo sistémico: el «desempleo cognitivo».

Datos recientes de la Universitat Politècnica de València (UPV) y la Universidad Politécnica de Cartagena (UPCT) revelan que, si bien el 60 % del alumnado utiliza estas herramientas, solo el 25 % revisa críticamente los resultados. La solución no consiste en imponer restricciones, sino en diseñar una arquitectura pedagógica que integre la IA como un «socio intelectual» bajo el enfoque de mindtools (Jonassen et al., 1999) para potenciar y no sustituir el pensamiento de orden superior.

Ante este desafío nace el proyecto PROFUNDIA. Nuestra misión es clara: transformar la IA de un «atajo peligroso» en un motor de aprendizaje profundo que refuerce la autonomía del futuro ingeniero.

El éxito no radica en la tecnología, sino en la arquitectura de la auditoría humana.

El hallazgo central de la investigación realizada sobre una muestra de 100 estudiantes subraya que la utilidad percibida de la IA no es una propiedad intrínseca del software, sino del proceso de supervisión. La resolución de problemas de alta responsabilidad física, en los que el error tiene consecuencias estructurales, depende de la capacidad de reformularlos y de una supervisión crítica.

En este nuevo paradigma, el valor profesional se desplaza del «saber hacer» procedimental —que puede automatizarse— al «saber validar». El éxito pedagógico está hoy condicionado por la arquitectura del proceso cognitivo de auditoría, en el que el ingeniero actúa como filtro final de la veracidad técnica.

«Los resultados obtenidos mediante análisis estadísticos multivariantes demuestran que el éxito no reside en el mero uso de la tecnología, sino en el proceso cognitivo de auditoría humana».

Ingeniería de la pregunta: el arte de iterar.

Uno de los pilares de la interacción estratégica es la «ingeniería de la pregunta». No se trata de un simple comando de texto, sino de un ejercicio de abstracción en el que el estudiante debe traducir variables estructurales y conceptos físicos en instrucciones lógicas. El estudio destaca que la clave de esta habilidad transversal no radica en el primer intento, sino en la capacidad de iterar.

El ítem 2 del estudio («Las iteraciones de los mensajes de texto me ayudaron a mejorar progresivamente la calidad») obtuvo una media de 4,11, lo que confirma que la calidad técnica surge de un diálogo dialéctico con la máquina. Este proceso de refinamiento constante combate la «complacencia tecnológica» y garantiza que el usuario mantenga el control sobre el resultado final.

El valor disruptivo de buscar deliberadamente el error.

La innovación docente más potente consiste en utilizar la IA con un «sesgo deliberado hacia el error». En lugar de aceptar la respuesta de la IA como una verdad absoluta, el flujo de trabajo propuesto obliga al alumnado a realizar un «contraste crítico»: primero, deben resolver el problema manualmente y, después, interpelar a la IA para buscar activamente la «alucinación» o el fallo técnico.

Este enfoque es crucial desde el punto de vista estadístico. El ítem 4 (comparación entre la resolución manual y la IA) se identificó, mediante modelos de regresión múltiple, como uno de los tres predictores clave del éxito. Al buscar el fallo, el estudiante activa una reflexión metacognitiva, aprende a pensar sobre cómo piensa y fortalece su criterio técnico al corregir el algoritmo.

De las aulas al mercado laboral: la transferibilidad de la autorregulación.

La relevancia de esta formación trasciende las calificaciones. Los datos son contundentes: la pregunta 9 («Las habilidades se pueden aplicar en contextos profesionales») obtuvo la puntuación más alta del cuestionario, 4,24. Los futuros ingenieros son conscientes de que la supervisión experta de sistemas automatizados ya es una competencia esencial en la industria moderna.

La solidez de este modelo se demuestra por su capacidad explicativa, ya que la valoración global de la IA (punto 10) se explica en un 37,7 % (R² corregida) por la combinación de tres factores: la capacidad de reformular el problema (punto 1), la detección de errores por contraste (punto 4) y la percepción de la transferibilidad profesional (punto 9).

«Esta metodología favorece la adquisición de competencias esenciales en entornos profesionales donde se requiere la supervisión experta de sistemas automatizados, y prepara al ingeniero para entornos de alta complejidad».

Conclusión: ingenieros de decisiones, no usuarios de software.

La inteligencia artificial, lejos de mermar el rigor científico, puede ser el mayor catalizador del aprendizaje profundo si se gestiona desde la «autorregulación crítica» (componente 1 del análisis factorial). El futuro de la ingeniería no pertenece a quienes saben usar herramientas, sino a quienes son capaces de enseñar, corregir y auditar a la máquina según criterios científicos y normativos.

En última instancia, nos enfrentamos a una pregunta que definirá la resiliencia de la profesión ante la obsolescencia tecnológica: en un contexto de automatización creciente, ¿estamos formando usuarios de software o educando a los ingenieros de las decisiones del mañana? La responsabilidad ética del ingeniero sigue siendo la última instancia de decisión, y esa carga no puede ni debe asumirla ningún algoritmo.

En esta conversación puedes escuchar las ideas más interesantes sobre el tema.

En este vídeo se resumen bien los conceptos vistos.

The_Engineering_AI_Blueprint

Referencia:

YEPES-BELLVER, L.; MARTÍNEZ-PAGÁN, P.; YEPES, V. (2026). Impacto de la inteligencia artificial en la formación técnica: aprendizaje profundo, metacognición y transferibilidad profesional. En libro de actas: XII Congreso de Innovación Educativa y Docencia en Red. Valencia, 9-10 de julio de 2026.

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Inteligencia artificial y turismo: cuando el software aprende de la naturaleza para diseñar la ruta perfecta.

Gestionar la logística de un operador turístico consiste, en esencia, en intentar imponer orden a un sistema inherentemente caótico. El desafío es monumental: coordinar rutas a 30 destinos distintos desde un centro de operaciones como el de Alicante, con una flota limitada de cuatro aviones y quince tripulaciones, en el que cada asiento cuenta.

En este entorno de baja demanda, los costes son fijos, pero la realidad es volátil: las cancelaciones de última hora y las reservas inesperadas convierten los planes iniciales en papel mojado. ¿Cómo se puede determinar la rentabilidad cuando el escenario cambia cada minuto? La solución más avanzada no proviene de la programación lineal clásica, sino de los principios de la biología evolutiva.

Inspirado en el estudio de Medina y Yepes sobre la aplicación de algoritmos genéticos (AG) al problema de rutas de vehículos con capacidad (CVRP), este análisis desglosa cómo la «supervivencia del más apto» se traduce en una estabilidad financiera sin precedentes para el sector aéreo. Podéis descargar el artículo completo aquí.

La «naturaleza» como el mejor ingeniero de rutas.

En logística avanzada, los métodos deterministas tradicionales se topan con un obstáculo insalvable cuando el número de destinos crece exponencialmente. Calcular la ruta óptima para una red que abarque de Casablanca a Venecia mediante fuerza bruta matemática resulta inmanejable en términos computacionales. Los algoritmos genéticos resuelven este problema emulando la evolución mediante los procesos de selección, cruce y mutación. En lugar de buscar una única respuesta perfecta, el sistema mantiene una «población» de soluciones que compiten entre sí.

Este enfoque permite gestionar restricciones ambiguas o contradictorias, como maximizar la ocupación frente a minimizar el tiempo de vuelo, de una forma que la matemática rígida no puede. El AG no solo busca, sino que también aprende a explorar.

«La característica específica de los AG es la exploración paralela y eficiente del espacio de soluciones, basada en la explotación de soluciones óptimas inducidas por los operadores de cruce y en la exploración de soluciones nuevas forzada por los operadores de mutación».

El poder de los «Tres Padres»: una recombinación genética única.

La gran innovación técnica que se destaca en el estudio es el uso de un operador de recombinación de tres progenitores (three-parent edge-mapped recombination operator). Mientras que en la genética biológica la herencia es dual, en la optimización de redes de distribución tres progenitores ofrecen una mayor riqueza de datos para generar una «descendencia» (una ruta) más robusta.

Este método extrae las mejores conexiones (arcos) de tres soluciones distintas. Si una conexión específica aparece en dos o tres de los «padres», se preserva en el «hijo» porque se considera una pieza de alta eficiencia. Para garantizar la viabilidad de la ruta, el algoritmo incluye una lógica de resolución de conflictos: si tres arcos convergen en un mismo nodo de la descendencia, el sistema elimina aleatoriamente uno de ellos para mantener la estructura de la red. Este enfoque de triple herencia permite alcanzar soluciones óptimas con una velocidad y precisión que superan con creces a los cruces tradicionales de dos progenitores.

De la incertidumbre del 43 % a la estabilidad del 2,7 %.

El impacto real de los AG se mide en la transformación de la volatilidad en previsibilidad. Al modelar la demanda de destinos como Ajaccio, Túnez o Malta mediante estructuras estocásticas, el estudio revela una capacidad asombrosa para absorber la incertidumbre. Con una flota de cuatro aviones de cincuenta asientos y quince tripulaciones, el sistema gestionó un volumen total de aproximadamente ochocientos pasajeros, con métricas de eficiencia envidiables.

Los datos son elocuentes: mientras que la demanda individual por destino presenta un coeficiente de variación del 43 % —una pesadilla operativa—, la optimización diaria reduce la variabilidad del coste por pasajero transportado a un asombroso 2,7 %. En la práctica, esto significa:

  • Coste medio por pasajero: 118 EUR.
  • Ocupación media de asientos: 65 %.
  • Velocidad de crucero optimizada: 240 nudos.

El sistema es tan eficiente a la hora de reorganizar escalas y rutas en función de la demanda real que el impacto financiero final permanece prácticamente inalterado a pesar de las fluctuaciones del mercado.

El «fantasma en la máquina»: el riesgo de la robustez excesiva.

Desde la perspectiva de la transformación digital, los AG presentan una paradoja fascinante: su robustez puede ser su mayor peligro. Diseñado para ofrecer siempre una solución viable, un código con errores profundos puede seguir funcionando y entregando resultados «aparentemente buenos» sin que el sistema se colapse.

El riesgo no es el fallo catastrófico, sino el equilibrio subóptimo. Un error oculto en el algoritmo podría estar dejando sobre la mesa un 5 % o un 10 % de beneficio potencial, camuflado por la capacidad del algoritmo para «sobrevivir» a sus propios defectos de programación. Esto subraya la importancia de la supervisión experta, ya que en los sistemas que evolucionan por sí mismos la validación humana es la única garantía de que no operamos con una ineficiencia invisible pero costosa.

El futuro es la interacción humano-máquina.

Los AGV no son herramientas de reemplazo, sino de colaboración. El estudio subraya la importancia de la interfaz gráfica, que permite al gestor logístico interactuar con el proceso en tiempo real. Un ser humano puede «inyectar» soluciones basadas en su experiencia o en su intuición clínica, y el algoritmo las asimilará y refinará a lo largo de miles de generaciones.

Esta sinergia es fundamental para integrar los «costes virtuales». Mientras la máquina optimiza distancias y consumo de combustible, el ser humano puede definir variables subjetivas pero críticas, como la inconveniencia política de un aeropuerto en tensión o la complejidad social de una escala concreta. Al traducir estas percepciones en valores en la función de coste, el sistema evoluciona hacia una estrategia proactiva capaz de simular escenarios futuros en lugar de simplemente reaccionar ante las cancelaciones diarias.

Conclusión: hacia una logística evolutiva.

El éxito de la red de Alicante, que conecta 30 destinos del Mediterráneo y de Europa occidental, confirma un cambio de paradigma: en la logística moderna, la flexibilidad es más valiosa que la precisión absoluta. Los modelos rígidos se quiebran ante la volatilidad de la demanda, pero los sistemas evolutivos se fortalecen con ella.

En un mercado que no perdona la ineficiencia, la pregunta para los líderes del sector es clara: ¿es mejor buscar una solución «perfecta» una sola vez o diseñar un sistema que evolucione constantemente ante cada nuevo desafío? La respuesta, como demuestran Medina y Yepes, radica en aprender de la naturaleza para conquistar los cielos.

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume los aspectos clave del artículo.

Evolutionary_Tourism_Logistics

Referencia:

MEDINA, J.R.; YEPES, V. (2003). Optimization of touristic distribution networks using genetic algorithms. SORT, 27(1): 95-112.

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

De la prohibición al aprendizaje profundo: cómo la IA está transformando la formación de los futuros ingenieros.

Introducción: El dilema del aula moderna.

En ingeniería civil, un error de cálculo no es solo una errata en un examen, sino una cuestión de seguridad pública y de responsabilidad ética. Por ello, el panorama actual resulta alarmante: mientras que más del 60 % de los estudiantes reconoce utilizar inteligencia artificial generativa (IAG) en sus tareas, apenas un 25 % realiza una revisión crítica de los resultados.

Esta dependencia acrítica amenaza con diluir el rigor técnico necesario para diseñar infraestructuras seguras. Ante este desafío nace el proyecto PROFUNDIA, liderado por el catedrático Víctor Yepes en la Universitat Politècnica de València (UPV), en colaboración con la Universidad Politécnica de Cartagena (UPCT). Nuestra misión es clara: transformar la IA de un «atajo peligroso» en un motor de aprendizaje profundo que refuerce la autonomía del futuro ingeniero.

El fin de la era de la prohibición: de «No usar» a «Usar para pensar».

Durante los últimos años, la respuesta académica dominante ha sido la restricción. Sin embargo, en un entorno profesional de alta exigencia, prohibir la tecnología es una batalla perdida que solo agrava la brecha entre el aula y la realidad. PROFUNDIA propone un cambio de paradigma radical: integrar la IA como una «herramienta cognitiva» o «mindtool», bajo la filosofía constructivista de Jonassen.

No buscamos que el estudiante aprenda «de» la tecnología como si esta fuera un oráculo, sino «con» la tecnología. Al utilizar la IA como mediadora, el alumno no se limita a recibir datos, sino que debe «luchar» con la herramienta para construir un modelo mental sólido de los fenómenos físicos. En ingeniería, el objetivo no es obtener el número final, sino comprender el comportamiento estructural que ese número representa.

«Enseñar» a la IA para aprender ingeniería.

El corazón de nuestra metodología se basa en un concepto disruptivo: el «sesgo deliberado hacia el error». En asignaturas críticas como «Modelos predictivos de estructuras de hormigón» o «Resistencia de materiales», hemos observado que la IA tiende a «alucinar» al proponer hipótesis de partida o al aplicar normativas específicas. En lugar de considerar esto como una limitación, lo convertimos en nuestra principal ventaja pedagógica.

Obligamos al estudiante a enfrentarse a las respuestas de la IA no como verdades absolutas, sino como borradores que deben ser auditados. Para corregir los cálculos de la máquina en una viga o en un pórtico, el alumno primero debe dominar la teoría de forma exhaustiva.

«En PROFUNDIA, el estudiante invierte los roles tradicionales: deja de ser un receptor pasivo para convertirse en el «maestro» de la IA, validando, cuestionando y corrigiendo la tecnología con su propio juicio técnico y rigor científico».

El ciclo del «prompt crítico»: reflexión metacognitiva.

Para estructurar este proceso, hemos diseñado una secuencia metodológica (basada en la Figura 2 del proyecto) que obliga al estudiante a reflexionar metacognitivamente de manera constante.

  • Formulación del prompt: el alumno debe traducir un problema de estructuras metálicas o de hormigón a un lenguaje técnico preciso, definiendo cargas, luces y condiciones de contorno.
  • Comparación crítica: se contrasta el resultado de la IA con modelos analíticos propios y con programas informáticos profesionales de cálculo.
  • Detección de errores y reformulación: aquí es donde ocurre el aprendizaje real. El estudiante debe identificar si el error de la IA se debe a un cálculo matemático incorrecto, a una hipótesis física errónea o a un desconocimiento del Código Estructural. Tras el análisis, debe guiar a la IA, mediante nuevos mensajes, hacia la solución correcta.
  • Justificación técnica: el paso final consiste en validar la solución según los criterios científicos y normativos vigentes, a fin de garantizar que la respuesta no solo «parezca» correcta, sino que también sea técnicamente viable y segura.

Más allá del aula: preparación para el mundo real.

La colaboración entre la UPV y la UPCT (con los profesores Antonio Tomás y Pedro Martínez-Pagán) permite validar este modelo en diversos contextos, desde los grados hasta los másteres. El objetivo no es simplemente aprobar la asignatura de Estructuras Metálicas, sino desarrollar el criterio técnico experto que hoy demandan las empresas de ingeniería.

En el ejercicio profesional, el ingeniero es el último responsable de la empresa que avala un proyecto. PROFUNDIA prepara a los egresados para que puedan actuar como auditores tecnológicos, capaces de aprovechar la eficiencia de la IA sin comprometer nunca la integridad estructural ni la seguridad de las personas.

Un entorno de aprendizaje enriquecido.

La innovación de este proyecto no radica en el software (ChatGPT es solo una herramienta), sino en la redefinición metodológica del entorno de aprendizaje. Hemos transformado el aula en un laboratorio de interacción social y psicológica en el que la IA actúa como un «agente activo» dentro del equipo de trabajo. Esta dinámica fomenta una mayor implicación del alumnado, que percibe el aprendizaje no como una carga, sino como el desarrollo de la maestría en las herramientas que definirán su futuro.

Conclusión: Hacia una ingeniería de pensamiento profundo.

La visión de PROFUNDIA consiste en formar ingenieros que lideren la tecnología en lugar de depender de ella. La eficiencia de un algoritmo es una herramienta poderosa, pero carece de la comprensión profunda y de la responsabilidad ética que definen nuestra profesión.

Al final, cuando nos enfrentamos al diseño de un puente o una infraestructura de gran envergadura, debemos plantearnos una pregunta provocadora: en un futuro en el que las máquinas pueden realizar cálculos en milisegundos, ¿seremos capaces de formar a ingenieros con la suficiente intuición y criterio técnico como para negarnos a firmar un proyecto que la IA considera «eficiente», pero que el juicio humano reconoce como un riesgo de colapso? El futuro de nuestra seguridad depende de esa capacidad crítica.

En esta conversación puedes escuchar las ideas más interesantes de este proyecto.

Este vídeo resume bien el proyecto PROFUNDIA.

PROFUNDIA_Structural_Engineering_AI

Referencias:

Blight, T., Martínez-Pagán, P., Roschier, L., Boulet, D., Yepes-Bellver, L., & Yepes, V. (2025). Innovative approach of nomography application into an engineering educational context. PloS one, 20(2), e0315426.

Castro-Aristizabal, G., Acosta-Ortega, F., & Moreno-Charris, A. V. (2024). Los entornos de aprendizaje y el éxito escolar en Latinoamérica. Lecturas de Economía, (101), 7-46.

Hadgraft, R. G., & Kolmos, A. (2020). Emerging learning environments in engineering education. Australasian Journal of Engineering Education, 25(1), 3-16.

Jiang, N., Zhou, W., Hasanzadeh, S., & Duffy Ph D, V. G. (2025). Application of Generative AI in Civil Engineering Education: A Systematic Review of Current Research and Future Directions. In CIB Conferences (Vol. 1, No. 1, p. 306).

Jonassen, D. H., Peck, K. L., & Wilson, B. G. (1999). Learning with technology: A constructivist perspective. Columbus, OH: Merrill/Prentice-Hall.

Liao, W., Lu, X., Fei, Y., Gu, Y., & Huang, Y. (2024). Generative AI design for building structures. Automation in Construction, 157, 105187.

Navarro, I. J., Marti, J. V., & Yepes, V. (2023). Evaluation of Higher Education Students’ Critical Thinking Skills on Sustainability. International Journal of Engineering Education, 39(3), 592-603.

Onatayo, D., Onososen, A., Oyediran, A. O., Oyediran, H., Arowoiya, V., & Onatayo, E. (2024). Generative AI applications in architecture, engineering, and construction: Trends, implications for practice, education & imperatives for upskilling—a review. Architecture, 4(4), 877-902.

Pellicer, E., Yepes, V., Ortega, A. J., & Carrión, A. (2017). Market demands on construction management: View from graduate students. Journal of Professional Issues in Engineering Education and Practice, 143(4), 04017005.

Perkins, D., & Unger, C. (1999). La enseñanza para la comprensión. Argentina: Paidós.

Torres-Machí, C., Carrión, A., Yepes, V., & Pellicer, E. (2013). Employability of graduate students in construction management. Journal of Professional Issues in Engineering Education and Practice, 139(2), 163-170.

Xu, G., & Guo, T. (2025). Advances in AI-powered civil engineering throughout the entire lifecycle. Advances in Structural Engineering, 13694332241307721.

Zhou, Z., Tian, Q., Alcalá, J., & Yepes, V. (2025). Research on the coupling of talent cultivation and reform practice of higher education in architecture. Computers and Education Open, 100268.

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿Es el fin de la «obra original»? Críticas sobre el uso de la inteligencia artificial en la universidad

La irrupción de la inteligencia artificial generativa (GenAI) ha hecho saltar por los aires el «contrato de confianza» que sustentaba la evaluación académica. Lo que antes era un acuerdo implícito —que el estudiante era el único autor de cada palabra— hoy se ha transformado en una arquitectura de la sospecha. Pero ¿qué sucede cuando examinamos en profundidad esta crisis?

Un estudio en profundidad de las políticas de las veinte mejores universidades del mundo revela que no se trata solo de ajustar las normas, sino de una lucha desesperada por rescatar una noción de autoría que quizá ya no existe (Luo, 2024).

Como profesor universitario, observo con preocupación cómo la academia no reacciona con pedagogía, sino con una vigilancia que fosiliza el aprendizaje. A continuación, presento cinco revelaciones críticas sobre cómo la universidad está gestionando —o malinterpretando— este cambio de era.

1. La «originalidad» como mecanismo de vigilancia (Marco WPR).

En el marco analítico de Carol Bacchi, What’s the problem represented to be (WPR), descubrimos que las universidades no solo responden a un problema, sino que también lo están creando. Al analizar las políticas de las instituciones de élite, el estudio de Jiahui Luo revela que el «problema» se ha representado casi exclusivamente como la pérdida de la autoría original.

Esta visión se aferra al mito del «genio solitario en el ático» (Johnson-Eilola y Selber), esa idea romántica y obsoleta que sostiene que el trabajo intelectual solo es valioso si se realiza en un vacío social y tecnológico. Al definir la IA como una «ayuda externa» prohibida, las universidades reducen la educación a un ejercicio de detección de fraude. Como señala una de las políticas analizadas:

«Los estudiantes deben ser autores de su propio trabajo. El contenido producido por plataformas de IA, como ChatGPT, no representa el trabajo original del estudiante, por lo que se consideraría una forma de mala conducta académica».

2. El error de la analogía del «escritor fantasma».

Algunas de las universidades analizadas por Luo (2024) han cometido un error fundamental de categoría: equiparan el uso de la IA generativa con el ghostwriting o con la ayuda de un tercero. Esta es una falla de imaginación tecnológica. La IA no es un agente externo, sino una prótesis cognitiva integrada en el flujo de pensamiento contemporáneo.

Tratar a una herramienta como si fuera una persona es ignorar la realidad digital del siglo XXI. El análisis de Luo muestra que las políticas universitarias suelen agrupar los problemas en seis categorías que revelan una mentalidad de «vigilancia primero».

  • Mala conducta académica: el pánico ante la entrega de trabajos ajenos.
  • Diseño de evaluación: la urgencia de crear tareas que la IA no pueda «resolver».
  • Limitaciones tecnológicas: desconfianza en la veracidad de los datos.
  • Equidad: el riesgo de que se creen brechas entre quienes pueden permitirse una IA avanzada y quienes no.
  • Políticas y directrices: la falta de claridad por parte de los docentes.
  • Capacitación y apoyo: la necesidad de una alfabetización urgente.

3. El silencio crítico y la «era del posplagio».

Lo más inquietante de estas políticas es lo que callan. Existe un «silencio crítico» sobre el significado de la originalidad en la actualidad. Estamos entrando de lleno en lo que la investigadora Sarah Eaton denomina la era del posplagio. En este nuevo paradigma, la frontera entre lo humano y lo artificial no solo es difusa, sino también irrelevante.

El conocimiento actual es, por naturaleza, distribuido y colaborativo. Al ignorar la evolución del concepto de originalidad, las universidades se desconectan de la realidad. Si el contenido de la IA es «remezclado y reelaborado» por un ser humano, ¿dónde termina la máquina y dónde empieza el autor? Mantener la exigencia de una autoría analógica en un mundo de inteligencia híbrida es una receta para la irrelevancia académica.

4. El efecto secundario: de docentes a policías.

Siguiendo el análisis de los efectos de las políticas (pregunta 5 del marco WPR), se observa una erosión pedagógica alarmante. Los profesores están siendo desplazados de su papel de mentores para convertirse en «guardianes» o vigilantes de la frontera.

Este enfoque de patrullaje tiene consecuencias reales: los estudiantes son tratados como sospechosos desde el principio. Esto genera una cultura de desconfianza en la que el alumno se vuelve reacio al uso legítimo de las herramientas tecnológicas por miedo a la estigmatización. Si el sistema está diseñado para «atrapar» al infractor en lugar de implicar al alumno, la relación pedagógica muere.

5. Hacia la originalidad como espectro y juicio evaluativo.

Debemos desmantelar la dicotomía «humano vs. IA». La propuesta de vanguardia, respaldada por autores como Luo y Chan (2023), consiste en entender la originalidad como un espectro de colaboración. La clave ya no es la producción solitaria de textos, sino el juicio evaluativo: la capacidad del estudiante para criticar, refinar y dar sentido a la información, ya sea de cualquier origen.

Es hora de aceptar una verdad incómoda que las políticas evitan mencionar:

«Podría decirse que los humanos hacemos lo mismo que la IA cuando generamos un texto original: escribimos basándonos en asociaciones que provienen de lo que hemos oído o leído antes de otros humanos».

Para avanzar, necesitamos evaluaciones auténticas, como defensas orales y la transparencia en los procesos, que valoren el pensamiento crítico por encima del producto final.

Conclusión: una pregunta para el futuro.

La universidad se encuentra en una encrucijada: puede evolucionar y liderar la alfabetización en IA o quedarse anclada en el pasado como un tribunal de autoría obsoleto. No podemos seguir exigiendo una originalidad de «genio solitario» en un mundo donde la inteligencia se comparte con las máquinas.

¿Estamos dispuestos a rediseñar la confianza o seguiremos educando a los estudiantes para que finjan una autoría analógica que ya no existe?

En esta conversación puedes escuchar las ideas más interesantes sobre el tema.

Este vídeo resume bien los contenidos de este artículo.

Redefining_Academic_Originality

Referencias:

Bacchi C. Introducing the ‘What’s the Problem Represented to be?’ approach. In: Bletsas A, Beasley C, eds. Engaging with Carol Bacchi: Strategic Interventions and Exchanges. The University of Adelaide Press; 2012:21-24.

Johnson-Eilola, J., & Selber, S. A. (2007). Plagiarism, originality, assemblage. Computers and composition, 24(4), 375-403.

Luo (Jess), J. (2024). A critical review of GenAI policies in higher education assessment: a call to reconsider the “originality” of students’ work. Assessment & Evaluation in Higher Education, 49(5), 651–664. https://doi.org/10.1080/02602938.2024.2309963

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Optimización del impacto ambiental en el ciclo de vida de estructuras híbridas

Este documento sintetiza los resultados de un estudio sobre la optimización del impacto ambiental del ciclo de vida (LCEIO) en ingeniería estructural, centrado en una tipología de estructura compuesta innovadora de hormigón armado y acero (RC-THVS) como alternativa sostenible para la construcción de edificios porticados. El sistema RC-THVS integra columnas de hormigón armado con vigas de acero híbridas de sección transversal variable (THVS).

Los resultados clave demuestran que la aplicación de la LCEIO reduce significativamente el impacto ambiental, ya que se logra una disminución de hasta un 32 % en las emisiones de potencial de calentamiento global (GWP) en comparación con los edificios diseñados tradicionalmente. La mejora más sustancial se observa en la fase de fabricación, puesto que las vigas THVS reducen las emisiones hasta en un 70 % en comparación con los perfiles I convencionales. Además, los impactos del mantenimiento se reducen en un 45 % gracias a la geometría optimizada de las vigas.

Al comparar las soluciones optimizadas, la tipología compuesta con uniones rígidas (Comp F) supera sistemáticamente a los sistemas de hormigón armado (RC) en entornos de baja agresividad, con una reducción de aproximadamente el 30 % en las emisiones del ciclo de vida. En entornos altamente agresivos, la ventaja se mantiene, aunque disminuye al 21 % debido al mayor impacto del mantenimiento del acero. Otra ventaja del sistema RC-THVS es que reduce el peso estructural, lo que disminuye las cargas axiales en las columnas y en las cimentaciones. Cuando se integran elementos rigidizadores, como losas y muros, en la superestructura, la eficiencia del sistema aumenta y se pueden reducir las emisiones hasta en un 42 %, lo que posiciona la configuración con uniones articuladas (Comp P) como la opción óptima para grandes luces. El estudio concluye que la combinación de LCEIO y las configuraciones compuestas RC-THVS ofrece una estrategia escalable y eficiente para diseñar soluciones edificatorias más sostenibles y respetuosas con el medio ambiente.

Introducción y contexto

La industria de la construcción es una de las principales causantes de la degradación medioambiental, por lo que es necesario transformarla para que adopte prácticas más sostenibles. La optimización estructural surge como una herramienta esencial para este propósito, ya que automatiza el diseño, controla el tipo y la cantidad de material utilizado y fomenta tipologías innovadoras. Aunque la investigación se ha centrado tradicionalmente en la optimización de estructuras convencionales de hormigón armado, existe una necesidad creciente de integrar tipologías compuestas e híbridas en marcos de evaluación del ciclo de vida completo.

Las estructuras compuestas, que combinan materiales como el acero y el hormigón, ofrecen un mejor rendimiento estructural y una mayor sostenibilidad. Sin embargo, su integración con técnicas de optimización ha sido limitada, centrándose a menudo en componentes aislados y obviando el rendimiento a largo plazo. Este estudio aborda estas limitaciones aplicando un marco LCEIO a la nueva tipología RC-THVS y comparándola directamente con un sistema de hormigón armado convencional. La investigación tiene en cuenta factores críticos como la interacción suelo-estructura (SSI), el envejecimiento de los materiales y los escenarios de mantenimiento en diversas condiciones ambientales, y utiliza un algoritmo de optimización eficiente (LHS-CINS) para superar los altos costes computacionales asociados a las simulaciones de alta fidelidad.

Metodología de optimización

Sistemas estructurales y casos de estudio

El estudio evalúa una tipología compuesta (RC-THVS) y otra tradicional de hormigón armado (RC).

  • Tipología RC tradicional: compuesta por vigas, columnas y cimentaciones de hormigón armado con uniones rígidas.
  • Tipología Compuesta RC-THVS: Integra columnas y cimentaciones de RC con vigas de acero THVS. Se analizan dos variantes de conexión viga-columna:
    • Comp F: Conexiones rígidas.
    • Comp P: Conexiones articuladas.

El rendimiento de estas tipologías se evalúa en tres casos de estudio de edificios porticados que varían en altura y en dimensiones del vano, como se muestra en la Figura 1 del documento fuente. El modelado, el análisis y el diseño se han realizado con el programa informático SAP2000 y las verificaciones de las vigas THVS se han procesado mediante una rutina personalizada en MATLAB.

Cargas consideradas Valor
Carga muerta en plantas inferiores 4,80 kN/m²
Carga muerta en cubierta 5,40 kN/m²
Carga viva en plantas inferiores (oficinas) 3,00 kN/m²
Carga viva en cubierta 0,80 kN/m²
Carga de viento extrema Presión positiva variable de 0,92 a 1,50 kN/m², presión negativa variable de 0,50 a 0,83 kN/m².

Formulación del problema de optimización

Función objetivo: impacto ambiental del ciclo de vida

La función objetivo a minimizar es el potencial de calentamiento global (GWP), medido en kg de CO₂ equivalente (kg CO₂ eq), evaluado a lo largo de un ciclo de vida de 100 años. Se consideran dos escenarios de exposición ambiental: baja agresividad y alta agresividad (marina).

GWP = Σ (elcaj × mj)

Donde elcaj es el impacto ambiental unitario de cada proceso j en cada etapa del ciclo de vida i, y mj es la medida que cuantifica dicho proceso.

Análisis del ciclo de vida (ACV)

El ACV incluye cuatro etapas principales, modeladas con el software OpenLCA y datos de Ecoinvent v3.7.1 y BEDEC (2016):

  1. Fabricación: Incluye la producción de hormigón, acero de refuerzo y vigas THVS. Para estas últimas, se consideran los procesos de corte, soldadura y pintura (pintura alquídica).
  2. Construcción: Abarca el transporte de materiales (100 km) y el consumo de energía de la maquinaria para la manipulación, el montaje y los trabajos de cimentación (excavación y relleno).
  3. Uso y mantenimiento:
    • Elementos RC: La vida útil se calcula con el modelo de Tuutti (1982), considerando la carbonatación y la penetración de cloruros. Las reparaciones (46,58 kg CO₂ eq/m²) se realizan si la vida útil es inferior a 100 años. Se contabiliza la absorción de CO₂ mediante la carbonatación.
    • Vigas THVS: El mantenimiento se realiza conforme a la norma ISO 12944:2018. El ciclo de mantenimiento del sistema de recubrimiento protector se extiende por 18 años en entornos de baja agresividad y por 9 años en entornos de alta agresividad e incluye retoques, repintado completo y reemplazo total del recubrimiento.
  4. Fin de vida: Incluye la demolición, el desmontaje, la trituración del hormigón y el reciclaje. Se asume una tasa de reutilización/reciclaje del 93 %/7 % para el acero estructural y del 42 %/58 % para los elementos de RC.

Variables de diseño

El problema de optimización utiliza variables discretas.

  • Tipología RC (19 variables): dimensiones de vigas (4), dimensiones de columnas (8), rectangularidad de las cimentaciones (4) y tipo de hormigón (3).
  • Tipología Compuesta (30 variables): se reemplazan las 5 variables de las vigas RC por 16 variables para las vigas THVS, que definen:
    • Alturas de la sección central y de los extremos (hw1, hw2).
    • Espesor del alma (tw) y de las alas (tf).
    • Ancho del ala (bf).
    • Posición del punto de transición (TP).
    • Calidad del acero para el alma (fyw) y las alas (fyf), con 8 grados de calidad disponibles (S235 a S600).

Algoritmo de solución: LHS-CINS

Para abordar el alto coste computacional de las Simulaciones de Alta Fidelidad (HFS), se utiliza un método híbrido:

  1. Muestreo de Hipercubo Latino (LHS): Genera un conjunto inicial de 100 soluciones bien distribuidas en el espacio de diseño.
  2. Muestreo Iterativo de Vecindad Restringido (CINS): Un algoritmo de búsqueda local mejorado basado en la mejor solución encontrada mediante LHS. CINS explora el vecindario de la solución actual y combina inteligentemente las mejoras para acelerar la convergencia y escapar de óptimos locales.

Esta estrategia LHS-CINS demostró ser significativamente más rápida, requiriendo un 53 % menos de HFS que los algoritmos heurísticos tradicionales, como el Biogeography-Based Optimization (BBO), para alcanzar una solución de alta calidad.

Resultados clave y análisis

Impacto de la LCEIO en el diseño

La optimización estructural reduce drásticamente el impacto ambiental en comparación con un enfoque de diseño tradicional.

  • Diseños RC: La LCEIO reduce el impacto en un ~15 %.
  • Sistemas compuestos: La LCEIO reduce el impacto en más del 30 % (hasta un 32 % en la configuración con uniones rígidas, Comp F).
  • A nivel de elementos: Las vigas THVS optimizadas muestran una reducción del impacto entre el 47 % y el 55 % en comparación con los perfiles W de acero utilizados en el diseño tradicional.

La mayor ventaja de las vigas THVS se observa en las fases de fabricación (reducciones de hasta el 74 %) y de mantenimiento (~45 %), gracias a su eficiencia en materiales y a su geometría cónica.

Ventajas de la tipología compuesta optimizada

Entornos de baja agresividad

  • Rendimiento global: La tipología Comp F es la más eficiente, reduciendo el GWP total en un 30,50 % (CS-1), un 27,17 % (CS-2) y un 27,49 % (CS-3) en comparación con la tipología RC optimizada.
  • Rendimiento de las vigas: Las vigas THVS superan a las de RC, con reducciones de emisiones de ~56 % en vanos de 4 m y de ~44 % en vanos de 8 m.
  • Beneficios sistémicos: La reducción del peso de las vigas THVS disminuye las emisiones de columnas (hasta un 16,31 %) y de cimentaciones (hasta un 12,12 %).

La tipología Comp P, a pesar del buen rendimiento individual de sus vigas, presenta un impacto global mayor debido a su menor rigidez, lo que se traduce en mayores solicitaciones en las columnas.

Entornos de alta agresividad

  • Rendimiento global: La tipología Comp F sigue siendo superior a la RC, pero su ventaja se reduce a un promedio del 21 % (por ejemplo, un 19,65 % en CS-1 y un 14,55 % en CS-3).
  • Impacto del mantenimiento: El principal factor de esta reducción es el fuerte aumento de las emisiones de mantenimiento de los elementos de acero. Para la tipología compuesta, el impacto de la fase de uso y mantenimiento pasa del 7 % al 28 % del de la fase de fabricación.

A pesar de ello, los beneficios fundamentales, como la reducción de la carga axial en las columnas (hasta un 17 %), se mantienen.

Estudio paramétrico de diseños óptimos

  • Vigas THVS:
    • Geometría: Las soluciones optimizadas presentan geometrías cónicas eficientes. En entornos de alta agresividad, las secciones tienden a ser más robustas para reducir la superficie expuesta y, por tanto, el impacto del mantenimiento.
    • Material: Predominan las configuraciones híbridas (Rh > 1,0). Se observa una tendencia al uso de acero de menor grado (S235) para las almas de las vigas exteriores, combinado con aceros de mayor resistencia para las alas.
  • Columnas y Cimentaciones:
    • Columnas: Se observa una rectangularidad estratégica para mejorar la rigidez frente a las cargas de gravedad. Las columnas exteriores se diseñan con mayores dimensiones en el eje principal de flexión. Se favorece el uso de hormigón de alta resistencia (35-40 MPa) para mejorar la capacidad portante y la durabilidad.
    • Cimentaciones: La mayoría de las zapatas tienden a ser cuadradas o de baja rectangularidad. Se prefiere el uso de hormigón de menor impacto ambiental (25 MPa), ya que no está expuesto a la carbonatación y sus solicitaciones son principalmente de flexión.

Influencia de elementos rigidizadores adicionales

La inclusión de losas de 12 cm y muros de mampostería en el modelo estructural mejora significativamente el rendimiento de las tipologías compuestas, mitigando la desventaja de la menor rigidez del pórtico.

  • Tipología Comp P: Se beneficia enormemente, con una reducción del impacto total de casi el 42 % en CS-2. Para edificios de grandes vanos (CS-3), la tipología Comp P resulta la solución óptima, con una reducción del GWP superior al 30 %.
  • Tipología Comp F: Mantiene su ventaja en edificios de vanos pequeños, aunque con mejoras más modestas.

Estos resultados indican que, para pórticos desnudos, las tipologías compuestas pueden ser un 25-30 % menos contaminantes, y esta cifra puede aumentar al 40-50 % en edificios donde todos los componentes contribuyen a la rigidez global.

Discusión y perspectivas futuras

El estudio confirma que el uso de algoritmos de inteligencia artificial como herramientas de diseño supera a los enfoques tradicionales, logrando reducciones globales de impacto de más del 30 %. La tipología compuesta RC-THVS con uniones rígidas se establece como una solución superior en la mayoría de los escenarios, no solo por la eficiencia de las vigas, sino también por los beneficios en cascada en las columnas y las cimentaciones.

El análisis paramétrico revela cómo el algoritmo de optimización equilibra el rendimiento inicial con la durabilidad a largo plazo, por ejemplo, seleccionando aceros de mayor calidad en el alma para reducir el área de superficie expuesta y las futuras demandas de mantenimiento.

Líneas de investigación futuras:

  • Robustez estructural: Aplicar la optimización para mejorar la resistencia al colapso progresivo o al fuego.
  • Configuraciones complejas: Extender el marco a edificios de gran altura o con plantas irregulares y evaluar el comportamiento bajo escenarios multi-riesgo (sismos, fuego).
  • Soluciones alternativas: Utilizar la plataforma de optimización para explorar otros sistemas, como vigas híbridas con aberturas en el alma o sistemas de madera de ingeniería.
  • Precisión del modelo ACV: Incorporar enfoques basados en la incertidumbre (p. ej., optimización basada en la fiabilidad) para modelar la variabilidad de las tasas de degradación, las propiedades de los materiales y los intervalos de mantenimiento.
  • Optimización multiobjetivo: Formular problemas que aborden simultáneamente la constructibilidad, la seguridad y el impacto ambiental.

Conclusiones finales

La aplicación de la Optimización del Impacto Ambiental del Ciclo de Vida (LCEIO) a la tipología compuesta RC-THVS aporta beneficios sustanciales para la construcción sostenible de edificios porticados.

  1. Reducción significativa del impacto: Los sistemas compuestos optimizados reducen el impacto del ciclo de vida hasta en un 32 % en comparación con diseños convencionales, con reducciones de hasta el 70 % en la fase de fabricación y del 45 % en la de mantenimiento.
  2. Superioridad sobre el hormigón armado: En comparación con los sistemas de RC optimizados, la configuración compuesta con uniones rígidas logra una reducción de emisiones del 30 % en entornos de baja agresividad y mantiene una ventaja del 21 % en entornos de alta agresividad.
  3. Eficiencia sistémica: Las vigas THVS, al reducir el peso estructural, disminuyen las solicitaciones y el impacto ambiental de las columnas y las cimentaciones.
  4. Flexibilidad de diseño: La inclusión de elementos rigidizadores, como losas y muros, puede hacer que la configuración con uniones articuladas sea la más sostenible para edificios de grandes vanos, lo que demuestra la adaptabilidad del sistema.

En conjunto, los hallazgos confirman que la combinación de LCEIO con la tipología RC-THVS representa una alternativa altamente sostenible y eficiente frente a los pórticos tradicionales de hormigón armado.

Referencia:

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Life-cycle environmental impact optimization of an RC-THVS composite frame for sustainable construction. Engineering Structures, 345, 121461. DOI:10.1016/j.engstruct.2025.121461 Featured Paper Award

Como se trata de un artículo publicado en abierto, os dejo un enlace para su descarga.

1-s2.0-S0141029625018528-main (3)

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

El futuro de la construcción: 5 lecciones inesperadas que cambiarán la forma en que construimos edificios

La industria de la construcción tiene una enorme huella medioambiental y es una de las principales causas de la degradación del planeta. Para alcanzar los objetivos de sostenibilidad, es fundamental transformar la forma en que diseñamos y construimos. Por fortuna, la innovación en el diseño estructural, combinada con la optimización mediante inteligencia artificial, está dando lugar a soluciones sorprendentes y altamente eficientes que hace solo unos años parecían imposibles.

Este artículo explora los cinco descubrimientos más impactantes de un estudio reciente sobre un innovador tipo de estructura de edificio compuesto que combina columnas de hormigón armado con vigas de acero de sección variable, conocido como sistema RC-THVS. Estos descubrimientos no solo demuestran el potencial de la tecnología para crear edificios más sostenibles, sino que también desafían algunas de las ideas más arraigadas en la ingeniería estructural.

1. La optimización inteligente no es un pequeño ajuste, sino una revolución medioambiental.

La Optimización del Impacto Ambiental del Ciclo de Vida (LCEIO, por sus siglas en inglés) es una estrategia que utiliza algoritmos para diseñar edificios que no solo sean resistentes, sino que también tengan el menor impacto ambiental posible a lo largo de toda su vida útil, desde la extracción de materiales hasta su demolición y reciclaje.

El resultado clave del estudio es contundente: los sistemas compuestos optimizados con esta tecnología pueden reducir el impacto ambiental del ciclo de vida, medido como el potencial de calentamiento global (GWP), hasta en un 32 % en comparación con los edificios diseñados tradicionalmente.

No se trata de una mejora marginal, sino de un salto cualitativo. Esto demuestra el poder de integrar la inteligencia artificial no como un añadido final, sino en las fases más tempranas del diseño, lo que transforma la sostenibilidad de un ideal a un resultado cuantificable y optimizado desde el núcleo mismo de la estructura.

2. La mayor victoria se consigue en la fábrica, no en la obra.

A menudo pensamos que la sostenibilidad depende del mantenimiento o del reciclaje al final de la vida útil de un edificio. Sin embargo, este estudio demuestra que el mayor ahorro de emisiones se produce mucho antes, en la fase de fabricación.

Los datos son reveladores. Las innovadoras vigas de acero de sección variable (THVS) utilizadas en el sistema compuesto reducen las emisiones de fabricación hasta en un 70 % en comparación con los perfiles de acero tradicionales en forma de I y, en el caso de las columnas de hormigón optimizadas, la reducción en la fabricación (encofrado, acero y hormigón) es del 27 %.

Este hallazgo cambia por completo el enfoque de los esfuerzos. La eficiencia de los materiales y un diseño inteligente desde el principio tienen un impacto mucho mayor que las acciones realizadas al final de la vida útil. La verdadera construcción sostenible comienza en la mesa de diseño y en la planta de fabricación.

3. Una viga más ligera reduce la carga sobre todo el edificio.

Los beneficios de un componente bien diseñado van más allá de él. El estudio demuestra que el menor peso de las vigas THVS optimizadas tiene un efecto dominó positivo en toda la estructura del edificio.

Este «efecto en cascada» puede cuantificarse. Al reducir el peso de las vigas, se disminuyen las cargas axiales que soportan las columnas y, por ende, las cimentaciones. Por ejemplo, en la estructura compuesta analizada, las columnas exteriores experimentan un 17 % menos de fuerza axial que en un sistema tradicional de hormigón armado.

Esta es una lección clave sobre el pensamiento sistémico. Optimizar una sola pieza de forma aislada es ineficiente. En cambio, mejorar un componente clave puede generar una cadena de optimizaciones que aligere y haga más sostenible todo el sistema estructural.

4. La paradoja de las conexiones: ¿por qué la unión «débil» puede fortalecer el sistema?

Aquí es donde el diseño se vuelve contraintuitivo. Las vigas con conexiones articuladas (o «pinned»), que individualmente son las más eficientes (ya que reducen su impacto hasta en un 55 %), empeoran el rendimiento global del edificio en un modelo de estructura esquelética simple. La razón es que su menor rigidez sobrecarga las columnas, lo que incrementa el impacto total.

Sin embargo, la historia da un giro inesperado. Cuando se añaden losas y muros al modelo estructural, este problema no solo desaparece, sino que se invierte. El estudio demuestra que, específicamente en edificios de grandes luces con estos elementos, la configuración con uniones articuladas se convierte en la solución más sostenible, ya que reduce el impacto del ciclo de vida en más del 30 %.

Este hallazgo contradice las suposiciones convencionales sobre el diseño. Pone en tela de juicio la suposición de que los componentes deben optimizarse individualmente para lograr la máxima rigidez. En un sistema integrado, la flexibilidad controlada puede ser la clave para la eficiencia global.

5. El clima y el entorno lo cambian todo.

La ventaja medioambiental de una estructura no es un valor absoluto, sino que depende drásticamente del entorno en el que se construye. El estudio comparó el rendimiento del sistema compuesto en dos escenarios a lo largo de 100 años.

En entornos de baja agresividad, la ventaja fue clara: una reducción de emisiones del 30 % frente a las estructuras de hormigón tradicionales. Sin embargo, en entornos de alta agresividad, como las zonas marinas, la ventaja se redujo al 21 %, aunque siguió siendo superior. La razón es que las emisiones asociadas al mantenimiento de los elementos de acero aumentan drásticamente en condiciones más adversas.

En resumen, se puede llegar a la siguiente conclusión:

El diseño estructural más sostenible no es universal, sino una solución adaptada de forma inteligente a las condiciones específicas de su entorno durante sus primeros 100 años de vida.

Esto subraya la necesidad de un enfoque de diseño basado en el ciclo de vida completo. No basta con pensar en el día de la inauguración; hay que planificar para las décadas de uso, desgaste y mantenimiento que definen el verdadero impacto de un edificio.

Conclusión: mirando hacia el futuro.

La combinación de materiales compuestos innovadores con un diseño optimizado a lo largo de todo el ciclo de vida es una de las vías más prometedoras para reducir drásticamente el impacto ambiental de la construcción. Ya no es necesario elegir entre rendimiento y sostenibilidad, pues la tecnología nos permite optimizar ambos aspectos simultáneamente.

Estos avances demuestran que es posible construir de manera más inteligente y sostenible. Si se pueden lograr estas mejoras optimizando únicamente la estructura, ¿qué no se podría conseguir aplicando este nivel de análisis a cada componente de nuestros edificios?

En esta conversación puedes escuchar las ideas más interesantes de este trabajo.

Este vídeo resume bien las ideas más importantes.

En este documento se resumen las ideas más relevantes.

[gview file=»https://victoryepes.blogs.upv.es/wp-content/uploads/2026/01/Life_Cycle_Optimization_of_Hybrid_Structures.pdf»]

Referencia:

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Life-cycle environmental impact optimization of an RC-THVS composite frame for sustainable construction. Engineering Structures, 345, 121461. DOI:10.1016/j.engstruct.2025.121461 Featured Paper Award

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Europa premia a la UPV por revolucionar el diseño estructural con Inteligencia Artificial

La Universitat Politècnica de València (UPV) ha obtenido un reconocimiento destacado europeo al ganar el premio al mejor proyecto en la categoría «AI for Sustainable Development» de la European Universities Competition on Artificial Intelligence, organizada por la HAW Hamburg.

El trabajo galardonado, desarrollado en el ICITECH por el doctorando Iván Negrín, demuestra cómo la inteligencia artificial puede transformar el diseño estructural para hacerlo más sostenible y resiliente, con reducciones de hasta un 32 % en la huella de carbono respecto a los sistemas convencionales. Este logro posiciona a la UPV como un referente europeo en innovación ética e impacto y reafirma su compromiso con la búsqueda de soluciones frente al cambio climático y al desarrollo insostenible.

El trabajo se enmarca en el proyecto de investigación RESILIFE, que dirijo como investigador principal en la Universitat Politècnica de València. La tesis doctoral de Iván la dirigen los profesores Víctor Yepes y Moacir Kripka.

Introducción: El dilema de la construcción moderna.

La industria de la construcción se enfrenta a un reto monumental: edificar las ciudades del futuro sin agotar los recursos del presente. El enorme impacto medioambiental de los materiales y procesos tradicionales, especialmente las emisiones de CO₂, es uno de los problemas más acuciantes de nuestra era.

¿Y si la solución a este problema no radicara en un nuevo material milagroso, sino en una nueva forma de pensar? ¿Y si la inteligencia artificial (IA) pudiera enseñarnos a construir de manera mucho más eficiente y segura?

Esa es precisamente la hazaña que ha logrado un innovador proyecto de la Universitat Politècnica de València (UPV). Su enfoque es tan revolucionario que acaba de ganar un prestigioso premio europeo, lo que demuestra que la IA ya no es una promesa, sino una herramienta tangible para la ingeniería sostenible.

Clave 1: una innovación europea premiada al más alto nivel.

Este no es un proyecto académico cualquiera. La investigación, dirigida por el doctorando Iván Negrín del Instituto de Ciencia y Tecnología del Hormigón (ICITECH) de la UPV, ha recibido el máximo reconocimiento continental.

Inicialmente seleccionado como uno de los diez finalistas, el proyecto tuvo que defenderse en una presentación final ante un jurado de expertos. Tras la deliberación del jurado, el proyecto fue galardonado como el mejor en la categoría «AI for Sustainable Development Projects» de la competición «European Universities Competition on Artificial Intelligence to Promote Sustainable Development and Address Climate Change», organizada por la Universidad de Ciencias Aplicadas de Hamburgo (HAW Hamburg). Este reconocimiento consolida la reputación del proyecto en el ámbito de la innovación europea.

Clave 2: adiós al CO₂: reduce la huella de carbono en más del 30 %.

El resultado más impactante de esta investigación es su capacidad para abordar el principal problema medioambiental del sector de la construcción: las emisiones de carbono. La plataforma de diseño asistido por IA puede reducir la huella de carbono de los edificios de manera significativa.

En concreto, consigue una reducción del 32 % de la huella de carbono en comparación con los sistemas convencionales de hormigón armado, que ya habían sido optimizados. Esta reducción abarca todo el ciclo de vida del edificio, desde la extracción de materiales y la construcción hasta su mantenimiento y su eventual demolición.

En un sector tan difícil de descarbonizar, un avance de esta magnitud, impulsado por un diseño inteligente y no por un nuevo material, supone un cambio de paradigma fundamental para la ingeniería sostenible.

Clave 3: Rompe el mito: más sostenible no significa menos resistente.

Uno de los aspectos más revolucionarios del proyecto es la forma en que resuelve un conflicto histórico en ingeniería: la sostenibilidad frente a la resiliencia. La IA ha superado la barrera que obligaba a elegir entre usar menos material para ser sostenible o más material para ser resistente.

En una primera fase, el modelo optimizó estructuras mixtas de acero y hormigón (denominadas técnicamente RC-THVS) para que fueran altamente sostenibles, aunque con una resiliencia baja. Lejos de detenerse, la IA iteró sobre su propio diseño y, en una evolución posterior (RC-THVS-R), logró una solución altamente sostenible y resiliente frente a eventos extremos.

La metodología desarrollada permite compatibilizar la sostenibilidad y la resiliencia, superando el tradicional conflicto entre ambos objetivos.

Clave 4: Ahorro desde los cimientos. Menos costes, energía y materiales.

Los beneficios de esta IA no solo benefician al planeta, sino también al bolsillo y a la eficiencia del proyecto. La optimización inteligente de las estructuras se traduce en ahorros tangibles y medibles desde las primeras fases de la construcción.

Los datos demuestran un ahorro significativo en múltiples frentes:

  • -16 % de energía incorporada.
  • -6 % de coste económico.
  • – Reducción del 17 % de las cargas transmitidas a columnas y cimentaciones.

Este último punto es clave. Una menor carga en los cimientos no solo supone un ahorro directo de materiales, sino que tiene un efecto cascada en materia de sostenibilidad: al usar menos hormigón, se reduce la cantidad de cemento empleado, uno de los principales generadores de CO₂ a nivel mundial.

Clave 5: un enfoque versátil para las ciudades del futuro (y del presente).

La aplicación de esta metodología no se limita a los grandes edificios de nueva construcción. Su versatilidad la convierte en una herramienta estratégica para el desarrollo urbano integral.

Puede aplicarse a infraestructuras de transporte, como puentes y pasarelas, para minimizar su impacto ambiental. También es fundamental para la rehabilitación de estructuras existentes, ya que permite optimizar su seguridad y reducir las emisiones asociadas a los refuerzos.

Este enfoque se alinea con los Objetivos de Desarrollo Sostenible (ODS) de la ONU, concretamente con los ODS 9 (Industria, innovación e infraestructura), 11 (Ciudades y comunidades sostenibles) y 13 (Acción por el clima).

Conclusión: construyendo un futuro inteligente.

Este proyecto de la UPV demuestra que la inteligencia artificial ha dejado de ser una tecnología futurista para convertirse en una herramienta imprescindible en la ingeniería civil. Ya no se trata de promesas, sino de soluciones prácticas que resuelven problemas reales, medibles y urgentes.

La capacidad de diseñar estructuras más baratas, ecológicas, seguras y resistentes abre un nuevo capítulo en la construcción.

¿Estamos a las puertas de una nueva era en la ingeniería en la que la sostenibilidad y la máxima seguridad ya no son objetivos contrapuestos, sino aliados inseparables gracias a la inteligencia artificial?

En futuros artículos, explicaremos con más detalle el contenido de este proyecto ganador. De momento, os dejo una conversación que lo explica muy bien y un vídeo que resume lo más importante. Espero que os resulte interesante.

Os dejo un documento resumen, por si queréis ampliar la información.

Pincha aquí para descargar

Referencias:

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Environmental Life-Cycle Design Optimization of a RC-THVS composite frame for modern building construction. Engineering Structures, 345, 121461. DOI:10.1016/j.engstruct.2025.121461

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Manufacturing cost optimization of welded steel plate I-girders integrating hybrid construction and tapered geometry. International Journal of Advanced Manufacturing Technology, 140, 1601-1624. DOI:10.1007/s00170-025-16365-2

NEGRÍN, I.; CHAGOYÉN, E.; KRIPKA, M.; YEPES, V. (2025). An integrated framework for Optimization-based Robust Design to Progressive Collapse of RC skeleton buildings incorporating Soil-Structure Interaction effects. Innovative Infrastructure Solutions, 10:446. DOI:10.1007/s41062-025-02243-z

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Design optimization of a composite typology based on RC columns and THVS girders to reduce economic cost, emissions, and embodied energy of frame building construction. Energy and Buildings, 336:115607. DOI:10.1016/j.enbuild.2025.115607

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Metamodel-assisted design optimization of robust-to-progressive-collapse RC frame buildings considering the impact of floor slabs, infill walls, and SSI implementation. Engineering Structures, 325:119487. DOI:10.1016/j.engstruct.2024.119487

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2024). Optimized Transverse-Longitudinal Hybrid Construction for Sustainable Design of Welded Steel Plate Girders. Advances in Civil Engineering, 2024:5561712. DOI:10.1155/2024/5561712.

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2023). Multi-criteria optimization for sustainability-based design of reinforced concrete frame buildings. Journal of Cleaner Production, 425:139115. DOI:10.1016/j.jclepro.2023.139115

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2023). Metamodel-assisted meta-heuristic design optimization of reinforced concrete frame structures considering soil-structure interaction. Engineering Structures, 293:116657. DOI:10.1016/j.engstruct.2023.116657

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2023). Design optimization of welded steel plate girders configured as a hybrid structure. Journal of Constructional Steel Research, 211:108131. DOI:10.1016/j.jcsr.2023.108131

TERREROS-BEDOYA, A.; NEGRÍN, I.; PAYÁ-ZAFORTEZA, I.; YEPES, V. (2023). Hybrid steel girders: review, advantages and new horizons in research and applications. Journal of Constructional Steel Research, 207:107976. DOI:10.1016/j.jcsr.2023.107976.

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2023). Metamodel-assisted design optimization in the field of structural engineering: a literature review. Structures, 52:609-631. DOI:10.1016/j.istruc.2023.04.006

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Prohibieron la IA en sus clases de ingeniería. Ahora es su mejor herramienta para enseñar a pensar.

Introducción: El dilema de la IA en las aulas.

En los pasillos de la educación superior, un debate resuena con fuerza: ¿qué hacemos con la inteligencia artificial generativa (IAG)? Para muchos, herramientas como ChatGPT suponen una amenaza directa para el pensamiento crítico, ya que facilitan el plagio y fomentan la superficialidad académica. El temor es comprensible y está muy extendido.

Sin embargo, ¿y si el problema no fuera la herramienta, sino nuestra forma de reaccionar ante ella? El proyecto PROFUNDIA (acrónimo de PROFUNDo y autonomÍA) surge de esta cuestión, pero con un enfoque inesperado. Esta iniciativa de innovación educativa en ingeniería estructural no surgió de una prohibición teórica, sino de un problema práctico y urgente: el uso no regulado de la IA por parte de los estudiantes estaba deteriorando la calidad de su aprendizaje.

En lugar de intensificar la prohibición, este proyecto propone una solución radicalmente diferente. Este artículo explora los cuatro descubrimientos clave de un enfoque que busca transformar la IA de una amenaza en una de las herramientas pedagógicas más potentes.

Los 4 descubrimientos clave del proyecto PROFUNDIA

1. La cruda realidad es que el uso no supervisado de la IA estaba deteriorando el aprendizaje.

El proyecto PROFUNDIA no se basó en una hipótesis abstracta, sino que surgió de una necesidad urgente detectada en las aulas a partir del curso 2023-2024. El profesorado comenzó a observar un patrón preocupante en los trabajos de los estudiantes.

Las estadísticas internas confirmaron la sospecha: las encuestas revelaron que más del 60 % del alumnado ya utilizaba la IA para hacer sus trabajos. Sin embargo, el dato más alarmante era otro: solo el 25 % de ellos revisaba críticamente los resultados que la herramienta generaba.

La consecuencia fue una «notable disminución de la calidad técnica y argumentativa» de los proyectos. El problema era específico y grave: aunque la herramienta ofrecía soluciones funcionales, no podía verificar las hipótesis iniciales ni razonar la adecuación del modelo al contexto técnico. Los estudiantes dependían de la IA de forma acrítica, entregando trabajos con «errores conceptuales importantes» y debilitando su capacidad de razonamiento. Esto demostró que mirar hacia otro lado no era una opción, sino que era necesaria una intervención educativa guiada.

2. El cambio de paradigma: de la prohibición a la integración crítica.

Hasta entonces, la política en las asignaturas implicadas era clara: el uso de la IA «estaba explícitamente prohibido». Sin embargo, la realidad demostró que esta medida era ineficaz y contraproducente.

En lugar de librar una batalla perdida contra una tecnología omnipresente, el proyecto PROFUNDIA optó por un cambio de 180 grados: integrarla de forma «explícita, guiada y crítica». La nueva filosofía consistía en enseñar a los estudiantes a utilizar la herramienta de manera inteligente en lugar de ignorarla.

La esencia de este nuevo paradigma se resume en su declaración de intenciones:

Frente a enfoques que restringen o penalizan el uso de la IA, PROFUNDIA propone su integración crítica y formativa como herramienta cognitiva para potenciar el aprendizaje profundo, la interpretación técnica, la argumentación fundamentada y el desarrollo de la autonomía del estudiante.

3. El método: aprender a pensar «enseñando» a la IA.

La propuesta metodológica supone un cambio estructural en el aprendizaje, ya que se pasa de un proceso lineal (profesor-estudiante) a otro triangular (profesor-estudiante-IA). En primer lugar, los estudiantes resuelven un problema por sus propios medios. Después, piden a la IA que resuelva el mismo problema. La fase clave llega a continuación: deben comparar críticamente su solución con la de la IA.

En este punto radica la innovación más profunda del método. La IA se incorpora «como un agente más en el proceso, con un papel activo y con un sesgo deliberado hacia el error». El papel del estudiante cambia radicalmente: deja de ser un usuario pasivo para convertirse en entrenador activo de la IA. Su tarea ya no consiste en obtener una respuesta, sino en identificar, cuestionar y corregir los errores de la herramienta, lo que les lleva a «enseñar» a la IA a resolver problemas complejos y, en el proceso, a dominar el tema a un nivel mucho más profundo.

El objetivo final de este proceso es la «reflexión metacognitiva». Se pretende que el estudiante «reflexione sobre cómo piensa y aprende» al contrastar su razonamiento con el de la IA, sus compañeros y el profesor.

4. La meta final: la IA como una «mindtool» para crear mejores ingenieros.

Este enfoque no es solo una técnica ingeniosa, sino que se fundamenta en un concepto pedagógico sólido: el de las mindtools o «herramientas para la mente». Esta idea defiende el uso de la tecnología no como un sustituto del esfuerzo intelectual, sino como un andamio para potenciar el pensamiento crítico y la construcción activa del conocimiento, es decir, tratar la tecnología no como una muleta, sino como un gimnasio para la mente.

Este planteamiento conecta directamente con las demandas del mercado laboral actual. Como señalan estudios previos (Pellicer et al., 2017), las empresas no solo buscan egresados con conocimientos técnicos, sino también con habilidades transversales como la resolución de problemas, la autonomía y el juicio crítico.

Por tanto, los resultados de aprendizaje que se persiguen son extremadamente precisos y potentes. El objetivo es formar ingenieros que puedan:

  1. Formular problemas técnicos complejos con la precisión necesaria para que la IAG pueda analizarlos.
  2. Evaluar y validar críticamente las soluciones generadas por la IAG, justificando sus decisiones.
  3. Gestionar de forma autónoma el uso de la IAG en estrategias complejas de resolución de problemas.

En definitiva, se les prepara para un entorno profesional «complejo, colaborativo y en constante evolución».

Conclusión: ¿Y si dejamos de temer a la tecnología y empezamos a usarla para pensar mejor?

El proyecto PROFUNDIA demuestra que es posible cambiar la perspectiva sobre la IA en la educación. Transforma lo que muchos consideran una amenaza para el aprendizaje en una oportunidad única para fomentar un pensamiento más profundo, crítico y autónomo.

Su reflexión trasciende las aulas de ingeniería. ¿Qué otras tecnologías emergentes podríamos empezar a integrar en nuestras profesiones, no como un atajo, sino como un catalizador para desarrollar un pensamiento más crítico y sofisticado?

Os dejo un audio en el que dos personas hablan y discuten sobre este tema.

También os dejo un vídeo que resume muy bien el contenido del proyecto.

Referencias:

Blight, T., Martínez-Pagán, P., Roschier, L., Boulet, D., Yepes-Bellver, L., & Yepes, V. (2025). Innovative approach of nomography application into an engineering educational context. PloS one, 20(2), e0315426.

Castro-Aristizabal, G., Acosta-Ortega, F., & Moreno-Charris, A. V. (2024). Los entornos de aprendizaje y el éxito escolar en Latinoamérica. Lecturas de Economía, (101), 7-46.

Hadgraft, R. G., & Kolmos, A. (2020). Emerging learning environments in engineering education. Australasian Journal of Engineering Education, 25(1), 3-16.

Jiang, N., Zhou, W., Hasanzadeh, S., & Duffy Ph D, V. G. (2025). Application of Generative AI in Civil Engineering Education: A Systematic Review of Current Research and Future Directions. In CIB Conferences (Vol. 1, No. 1, p. 306).

Jonassen, D. H., Peck, K. L., & Wilson, B. G. (1999). Learning with technology: A constructivist perspective. Columbus, OH: Merrill/Prentice-Hall.

Liao, W., Lu, X., Fei, Y., Gu, Y., & Huang, Y. (2024). Generative AI design for building structures. Automation in Construction, 157, 105187.

Navarro, I. J., Marti, J. V., & Yepes, V. (2023). Evaluation of Higher Education Students’ Critical Thinking Skills on Sustainability. International Journal of Engineering Education, 39(3), 592-603.

Onatayo, D., Onososen, A., Oyediran, A. O., Oyediran, H., Arowoiya, V., & Onatayo, E. (2024). Generative AI applications in architecture, engineering, and construction: Trends, implications for practice, education & imperatives for upskilling—a review. Architecture, 4(4), 877-902.

Pellicer, E., Yepes, V., Ortega, A. J., & Carrión, A. (2017). Market demands on construction management: View from graduate students. Journal of Professional Issues in Engineering Education and Practice, 143(4), 04017005.

Perkins, D., & Unger, C. (1999). La enseñanza para la comprensión. Argentina: Paidós.

Torres-Machí, C., Carrión, A., Yepes, V., & Pellicer, E. (2013). Employability of graduate students in construction management. Journal of Professional Issues in Engineering Education and Practice, 139(2), 163-170.

Xu, G., & Guo, T. (2025). Advances in AI-powered civil engineering throughout the entire lifecycle. Advances in Structural Engineering, 13694332241307721.

Zhou, Z., Tian, Q., Alcalá, J., & Yepes, V. (2025). Research on the coupling of talent cultivation and reform practice of higher education in architecture. Computers and Education Open, 100268.

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Inteligencia artificial y eficiencia en el diseño de edificios

La inteligencia artificial (IA) está transformando de manera radical el diseño arquitectónico y la edificación. En la actualidad, el sector de la construcción se enfrenta a tres tendencias clave: la industrialización, la sostenibilidad y la transformación digital e inteligente. La convergencia de estos factores genera numerosas oportunidades, pero también desafíos significativos.

Los proyectos contemporáneos son cada vez más grandes y complejos, y están sujetos a requisitos ambientales más estrictos, lo que aumenta la presión sobre los equipos de diseño en términos de procesamiento de información, tiempo y recursos. En este contexto, la IA no solo optimiza los procesos, sino que también mejora la eficiencia de los métodos tradicionales de diseño.

A continuación, analizamos cómo la IA puede impulsar la eficiencia del diseño, fomentar la innovación y contribuir a la sostenibilidad de los proyectos. La tecnología ya está presente en todas las etapas del ciclo de vida del edificio, desde el análisis predictivo y la supervisión de la construcción hasta el mantenimiento de las instalaciones.

La digitalización ha transformado profundamente la forma en que concebimos, proyectamos y gestionamos las infraestructuras. Tras la aparición del diseño asistido por ordenador (CAD) y el modelado de información para la construcción (BIM), la inteligencia artificial (IA) se presenta como el siguiente gran avance tecnológico. A diferencia de otras herramientas, la IA no solo automatiza tareas, sino que también aprende, genera propuestas y ayuda a tomar decisiones complejas de manera óptima. Como señalan Li, Chen, Yu y Yang (2025), la IA se está consolidando como una herramienta fundamental para aumentar la eficiencia en el diseño arquitectónico e integrar criterios de sostenibilidad, industrialización y digitalización en toda la cadena de valor.

La IA se puede definir como un conjunto de técnicas informáticas que buscan reproducir procesos propios de la inteligencia humana, como el razonamiento, el aprendizaje o el reconocimiento de patrones. Entre sus ramas se incluyen el aprendizaje automático (machine learning o ML), basado en algoritmos que identifican patrones en grandes volúmenes de datos; las redes neuronales artificiales, que imitan el funcionamiento del cerebro y permiten resolver problemas complejos, como la predicción energética (Chen et al., 2023); los algoritmos genéticos, que simulan procesos evolutivos para hallar soluciones óptimas en problemas con múltiples variables, y la IA generativa, capaz de crear contenidos originales, como imágenes o planos, a partir de descripciones textuales. Este último enfoque, también conocido como AIGC (contenido generado por IA), ha popularizado herramientas como Stable Diffusion o Midjourney (Li et al., 2025).

En el sector de la construcción confluyen tres grandes tendencias: la industrialización, vinculada a la modularización y la prefabricación de componentes; el desarrollo sostenible, que impulsa diseños energéticamente eficientes y con menor impacto ambiental; y la digitalización inteligente, en la que la IA desempeña un papel protagonista (Asif, Naeem y Khalid, 2024). Estas tres dinámicas están interrelacionadas: sin tecnologías de análisis avanzado, como la IA, sería mucho más difícil cumplir los objetivos de sostenibilidad o gestionar procesos constructivos industrializados.

Tendencias de la construcción

Las aplicaciones de la IA se extienden a lo largo de todo el ciclo de vida del edificio. En las primeras fases de diseño, los algoritmos generan en segundos múltiples alternativas de distribución, optimizando la orientación, la iluminación natural o la ventilación. El diseño paramétrico asistido por IA permite explorar variaciones infinitas ajustando solo unos pocos parámetros (Li et al., 2025). Durante la fase de proyecto, los sistemas basados en procesamiento del lenguaje natural pueden interpretar normativas y detectar incumplimientos de forma automática, lo que reduce la probabilidad de modificaciones en obra (Xu et al., 2024). Además, las técnicas de simulación permiten prever el comportamiento estructural, acústico o energético de un edificio antes de su construcción, lo que proporciona seguridad y precisión en la toma de decisiones.

Avances de la IA en el diseño arquitectónico

En el sector de la construcción, la IA se combina con sensores y análisis de datos en tiempo real para optimizar la producción y la logística. En la construcción industrializada, los algoritmos ajustan la fabricación de elementos prefabricados, optimizan los cortes y los ensamblajes, y mejoran la gestión de las obras (Li et al., 2025). Al mismo tiempo, la monitorización inteligente permite anticiparse a las desviaciones, planificar los recursos con mayor eficiencia e incrementar la seguridad en entornos complejos.

Optimización del ciclo de vida del edificio con IA

Uno de los campos más avanzados es la predicción y optimización del consumo energético. Algoritmos como las redes neuronales, las máquinas de soporte vectorial o los métodos evolutivos permiten modelizar con gran precisión el comportamiento energético, incluso en las fases preliminares (Chen et al., 2023). Gracias a estas técnicas, es posible seleccionar soluciones constructivas más sostenibles, diseñar envolventes eficientes e integrar energías renovables en el proyecto. Como señalan Ding et al. (2018), estas herramientas facilitan el cumplimiento de los sistemas de evaluación ambiental y apoyan la transición hacia edificios de energía casi nula.

Las ventajas de la IA son evidentes: aumenta la eficiencia, reduce los errores y permite generar múltiples alternativas en mucho menos tiempo (Li et al., 2025). También optimiza los aspectos energéticos y estructurales, lo que hace que los proyectos sean más fiables y competitivos. La automatización de tareas repetitivas agiliza la creación de planos y documentos, mientras que los profesionales pueden dedicarse a tareas creativas. Además, las herramientas de gestión de proyectos con IA ayudan a organizar mejor los recursos y los plazos. Gracias a su capacidad para analizar grandes volúmenes de datos, fomentan la innovación, diversifican los métodos de diseño y facilitan la selección de materiales y el rendimiento energético.

Beneficios de la IA en el diseño

Sin embargo, la IA también plantea importantes desafíos. Su eficacia depende de la calidad de los datos; sin información fiable, los algoritmos pierden precisión. Además, integrarla con plataformas como CAD o BIM sigue siendo complicado (Xu et al., 2024). A esto se suman cuestiones éticas y legales, como la propiedad intelectual de los diseños generados por IA, la opacidad en la toma de decisiones y el riesgo de que los diseñadores pierdan cierto control. En algunos lugares, como EE. UU., se han revocado derechos de autor sobre obras generadas por IA, lo que refleja la incertidumbre legal existente.

Otros retos son la homogeneización del diseño si todos usan herramientas similares, la reticencia de algunos profesionales a adoptar soluciones de IA por dudas sobre la personalización y la fiabilidad, y los altos costes y la limitada disponibilidad de hardware y software especializados. Aún así, la IA sigue siendo una herramienta poderosa que, si se utiliza correctamente, puede transformar la eficiencia, la creatividad y la sostenibilidad en el sector de la construcción, abriendo un futuro lleno de oportunidades.

Desafíos de la adopción de la IA en el diseño

Ya existen ejemplos prácticos que muestran el potencial de estas tecnologías. Herramientas como Stable Diffusion o FUGenerator pueden generar imágenes y maquetas a partir de descripciones en lenguaje natural y actúan como asistentes que multiplican la productividad del proyectista (Li et al., 2025). Estas plataformas no sustituyen la creatividad humana, pero ofrecen un apoyo decisivo en la fase de ideación.

Bucle interactivo de inferencia de diseño arquitectónico de FUGenerator (Li et al., 2025)

La IA se está convirtiendo en un pilar fundamental de la construcción, integrándose cada vez más con tecnologías como la realidad aumentada (RA), la realidad virtual (RV), la realidad mixta (RM) y los gemelos digitales. Gracias a esta combinación, no solo es posible visualizar cómo será un edificio, sino también anticipar su comportamiento estructural, energético o acústico antes de su construcción (Xu et al., 2024). Esto permite a los diseñadores y a los clientes evaluar las propuestas en las primeras etapas, lo que mejora la calidad del diseño y la experiencia del usuario.

La IA del futuro será más inteligente y adaptable, capaz de predecir con gran precisión los resultados del diseño y ofrecer soluciones personalizadas. Su impacto no se limita al diseño arquitectónico: la gestión de la construcción se beneficiará de la robótica asistida, lo que aumentará la seguridad y la eficiencia en tareas complejas o de alto riesgo; la operación de los edificios podrá monitorizar su rendimiento, anticipar las necesidades de mantenimiento y prolongar su vida útil, lo que reducirá los costes, y el análisis de mercado aprovechará el big data para prever la demanda y los precios de los materiales, lo que optimizará la cadena de suministro.

En ingeniería civil, la integración de la IA y las tecnologías avanzadas permite tomar decisiones más fundamentadas, minimizar riesgos y entregar proyectos más seguros y sostenibles (Xu et al., 2024). Así, la construcción del futuro se perfila como un proceso más eficiente, innovador y conectado, en el que la tecnología y la planificación estratégica trabajan juntas para lograr resultados óptimos.

En conclusión, la IA no pretende sustituir a los ingenieros y arquitectos, sino ampliar sus capacidades, como ya hicieron el CAD o el BIM (Asif et al., 2024; Li et al., 2025). Automatiza tareas repetitivas, agiliza el diseño, facilita la toma de decisiones basada en datos y ayuda a elegir materiales, mejorar la eficiencia energética y estructural e inspirar soluciones creativas. Su impacto trasciende el diseño y se extiende a la planificación, la supervisión de la construcción y la gestión del ciclo de vida del edificio. No obstante, su adopción plantea desafíos como los altos costes, la escasez de software disponible y la necesidad de contar con datos de calidad y algoritmos robustos. Si se depende en exceso de la IA, los diseños podrían homogeneizarse, por lo que es fundamental definir claramente los roles entre los arquitectos y la IA. Si se utiliza correctamente, la IA puede potenciar la creatividad, la eficiencia y la sostenibilidad, y ofrecer un futuro más innovador y dinámico para la construcción.

Os dejo un vídeo que resume las ideas más importantes.

Referencias:

Glosario de términos clave

  • Inteligencia Artificial (IA): Una disciplina científica y tecnológica de vanguardia que simula el aprendizaje y la innovación humanos para extender el alcance de la aplicación de la tecnología.
  • Inteligencia Artificial Generativa (GAI): Un subconjunto de la IA que utiliza el aprendizaje automático y las capacidades de procesamiento del lenguaje natural para que las computadoras simulen la creatividad y el juicio humanos, produciendo automáticamente contenido que cumple con los requisitos.
  • Diseño Paramétrico: Un método de diseño en el que se utilizan algoritmos para definir la relación entre los elementos de diseño, permitiendo la generación de diversas variaciones de diseño mediante el ajuste de parámetros.
  • Diseño Asistido por IA: Métodos en los que las herramientas de IA ayudan a los diseñadores a optimizar diseños, analizar datos, resolver problemas y explorar conceptos creativos.
  • Colaboración Hombre-Máquina: Un enfoque en el que humanos y máquinas trabajan juntos en tareas complejas, con la IA apoyando la innovación humana y el intercambio de información eficiente.
  • Redes Neuronales Artificiales (RNA o ANN): Un tipo de algoritmo de IA, modelado a partir del cerebro humano, que se utiliza para modelar relaciones complejas entre entradas y salidas, a menudo empleadas en la predicción del consumo de energía de los edificios.
  • Aprendizaje Profundo (Deep Learning): Un subcampo del aprendizaje automático que utiliza redes neuronales con múltiples capas (redes neuronales profundas o DNN) para aprender representaciones de datos con múltiples niveles de abstracción.
  • Redes Neuronales Profundas (DNN): Redes neuronales con numerosas capas ocultas que permiten que el modelo aprenda patrones más complejos en los datos, mejorando la precisión en tareas como la predicción del consumo de energía.
  • Máquinas de Vectores de Soporte (SVM): Un algoritmo de aprendizaje supervisado utilizado para tareas de clasificación y regresión, especialmente eficaz con conjuntos de datos pequeños y para identificar relaciones no lineales.
  • Procesamiento del Lenguaje Natural (PLN o NLP): Un campo de la IA que se ocupa de la interacción entre las computadoras y el lenguaje humano, permitiendo a los sistemas interpretar y generar lenguaje humano.
  • Modelado de Información de Construcción (BIM): Una metodología para la gestión de la información de construcción a lo largo de su ciclo de vida, utilizada con la IA para mejorar las simulaciones de rendimiento del edificio.
  • Algoritmos Genéticos (GA): Una clase de algoritmos de optimización inspirados en el proceso de selección natural, utilizados para encontrar soluciones óptimas en tareas de diseño complejas.
  • Adaptación de Bajo Rango (LoRA): Un método de ajuste de bajo rango para modelos de lenguaje grandes, que permite modificar el comportamiento de los modelos añadiendo y entrenando nuevas capas de red sin alterar los parámetros del modelo original.
  • Stable Diffusion: Una herramienta avanzada de IA para generar imágenes a partir de descripciones de texto o dibujos de referencia, que a menudo utiliza el modelo LoRA para estilos específicos.
  • Inception Score (IS) y Fréchet Inception Distance (FID): Métricas cuantitativas utilizadas para evaluar la calidad y diversidad de las imágenes generadas por modelos de IA, con IS evaluando la calidad y FID la similitud de la distribución entre imágenes reales y generadas.
  • FUGenerator: Una plataforma que integra varios modelos de IA (como Diffusion Model, GAN, CLIP) para respaldar múltiples escenarios de aplicación de diseño arquitectónico, desde la descripción semántica hasta la generación de bocetos y el control.
  • Industrialización (en construcción): Énfasis en métodos de construcción modulares y automatizados para mejorar la eficiencia y estandarización.
  • Desarrollo Ecológico (en construcción): Enfoque en la conservación de energía durante el ciclo de vida, el uso de materiales sostenibles y la reducción del impacto ambiental.
  • Transformación Digital-Inteligente (en construcción): Integración de sistemas de digitalización e inteligencia, aprovechando tecnologías como la GAI para optimizar procesos y mejorar la creación de valor.
  • Problema Mal Definido (Ill-defined problem): Problemas de diseño, comunes en arquitectura, que tienen propósitos y medios iniciales poco claros.
  • Problema Malicioso (Wicked problem): Problemas de diseño caracterizados por interconexiones y objetivos poco claros, que requieren enfoques de resolución complejos.
  • Integración del Internet de las Cosas (IoT): La interconexión de dispositivos físicos con sensores, software y otras tecnologías para permitir la recopilación y el intercambio de datos, crucial para los sistemas de control de edificios inteligentes

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Más allá de los robots: 4 revelaciones sobre la Industria 6.0 que lo cambiarán todo

1. Introducción: La próxima frontera industrial no es lo que esperas.

Hemos oído hablar mucho de la Industria 4.0 y sus fábricas inteligentes, conectadas a través del Internet de las cosas (IoT). Más recientemente, la Industria 5.0 nos ha familiarizado con la idea de una colaboración precisa entre humanos y robots (cobots), en la que la inteligencia humana y la eficiencia de las máquinas trabajan conjuntamente.

Sin embargo, la Industria 6.0 no es simplemente el siguiente paso lógico en esta progresión. Se trata de un salto revolucionario que está a punto de redefinir la esencia de la creación, la inteligencia y la realidad en el mundo de la fabricación. Prepárese para ir más allá de la simple automatización y descubrir un ecosistema industrial que piensa, crea y se regenera por sí mismo.

2. Las cuatro revelaciones más impactantes de la Industria 6.0.

2.1. No es una evolución, es una revolución.

La Industria 6.0 no es una simple actualización de la 5.0. Supone un cambio de paradigma fundamental, que se manifiesta en múltiples dimensiones. Mientras que la Industria 5.0 se centra en la «IA con humanos en el ciclo» para prescribir optimizaciones, la Industria 6.0 introduce la «autonomía de IA generativa que co-crea flujos de trabajo».

Esta distinción es fundamental y se complementa con otros cambios clave:

  • Alcance de la automatización: pasamos de la colaboración a nivel de tareas individuales con cobots a «redes de cobots con IA generativa (GAI-cobots) que autoorquestan cadenas de suministro enteras». Esto significa que la automatización ya no se limita a un paso en un flujo de trabajo fijo, sino que gestiona de manera dinámica ecosistemas de producción completos.
  • Paradigma de decisión: la Industria 5.0 se basa en «respuestas reactivas, impulsadas por eventos». En contraste, la Industria 6.0 opera con una «autoadaptación continua y proactiva», anticipándose a los problemas y ajustándose en tiempo real para evitar interrupciones.
  • Límites del ecosistema: pasamos de las «fábricas inteligentes individuales y aisladas» a los «ecosistemas de metaverso físico-virtuales sin fisuras», que conectan la producción con mundos digitales persistentes.

No se trata solo de proporcionar a los trabajadores herramientas más eficientes, sino de cuestionar los supuestos básicos sobre el funcionamiento de las fábricas y la creación de valor.

«La Industria 6.0 no se limita a añadir nuevas herramientas al marco de la Industria 5.0, sino que cuestiona los supuestos fundamentales sobre cómo se diseñan las fábricas, se toman las decisiones y se genera valor».

2.2. Las fábricas pensarán (y se curarán) por sí mismas.

El concepto de Industria 6.0 va mucho más allá de la automatización tradicional y da paso a fábricas autónomas, adaptativas y autorreparadoras. Se trata de una plataforma industrial diseñada para «crear, sanar e intercambiar recursos en tiempo real».

Esa es la profunda repercusión de la Industria 6.0: un cambio desde el mantenimiento predictivo (una característica de las Industrias 4.0 y 5.0) hacia una autorregulación y regeneración proactivas y autónomas. En lugar de predecir cuándo podría fallar una pieza, el sistema se anticipa, se reconfigura y se cura a sí mismo para evitar el fallo por completo. El resultado es un ecosistema industrial verdaderamente resiliente y adaptable, capaz de anticiparse y ajustarse continuamente en lugar de simplemente responder a los eventos.

2.3. Tu próximo diseñador de productos podría ser una IA generativa.

En la Industria 6.0, la IA generativa (GAI) no es solo una herramienta de optimización, sino un socio creativo. El proceso de diseño se transforma por completo. Por ejemplo, un ingeniero puede describir los objetivos de rendimiento como «una carcasa más ligera, con menor resistencia aerodinámica y menos pasos de ensamblaje». La GAI responde casi de inmediato, produciendo «múltiples geometrías físicamente válidas» para su evaluación.

Así, se invierte el proceso de diseño tradicional, ya que en lugar de que el ser humano cree una geometría específica para que la computadora la pruebe, el ser humano establece metas abstractas y la IA genera múltiples realidades físicas válidas. Este cambio redefine por completo el papel del ser humano. Como describe la investigación, el papel del ser humano pasa de ser un «conserje de datos» a ser un «director creativo». En lugar de sumergirse en el tedioso trabajo de dibujo y borrador, las personas pueden centrarse en la estrategia de alto nivel, ajustando las restricciones y guiando el proceso creativo, mientras la IA se encarga de la iteración y la validación complejas.

2.4. La fabricación se fusionará con mundos virtuales y biológicos.

Quizás el aspecto más sorprendente de la Industria 6.0 sea la sinergia entre las esferas física, digital y biológica. Este nuevo paradigma contempla «metaversos industriales», en los que las fábricas físicas son sustituidas o complementadas por fábricas virtuales. Los clientes pueden explorar diseños y productos funcionales a través de avatares desde la comodidad de sus propios espacios virtuales.

Pero la fusión va aún más lejos al integrarse con «esferas biológicas» a través de la «web emocional» (web 5.0). No se trata de ciencia ficción abstracta, sino de fomentar «conexiones neuronales y emocionales» entre humanos y máquinas. Implica sistemas industriales que no solo se conectan a mundos digitales, sino que también pueden interactuar con los estados biológicos y emocionales de las personas, creando una relación verdaderamente simbiótica. Esta convergencia difumina las líneas entre la realidad, la simulación e incluso la biología en el contexto de la fabricación y representa el aspecto más transformador y visionario de esta nueva era industrial.

3. La Industria 6.0 y el sector de la construcción

La Industria 6.0 está preparada para transformar significativamente el sector de la construcción, conocido como arquitectura, ingeniería y construcción (AEC). Esta nueva fase industrial tiene como objetivo modernizar las operaciones y redefinir los procesos para sincronizarlos con maquinaria, productos y procesos sostenibles y escalables de alta gama.

A continuación, se explica cómo podría afectar la Industria 6.0 a la industria de la construcción.

3.1 Impactos positivos y oportunidades

  • Diseño y desarrollo de estructuras inteligentes y ecológicas: La Industria 6.0 supone una evolución de los enfoques tradicionales de la Industria 5.0 en el sector de la arquitectura, la ingeniería y la construcción (AEC) para satisfacer la creciente necesidad de infraestructuras creativas y respetuosas con el medio ambiente. Los principios de la Industria 6.0 son un paso importante hacia la sostenibilidad de los edificios inteligentes y están en consonancia con los objetivos medioambientales mundiales.
  • Mayor eficiencia y longevidad: La Industria 6.0 en la AEC ha mejorado la eficiencia y la longevidad de los procedimientos de construcción modernos mediante el uso de equipos de vanguardia, digitalización avanzada y enfoques respetuosos con el medio ambiente.
  • Edificios inteligentes y sostenibles: La integración de las tecnologías de la Industria 6.0 hace posible la construcción de edificios inteligentes y ecológicos. Estos edificios utilizan datos de sensores e inteligencia artificial (IA) para ajustar dinámicamente los sistemas de conservación de energía, mejorar la seguridad del edificio y optimizar las operaciones de CVC (calefacción, ventilación y aire acondicionado), lo que conduce a un mejor rendimiento medioambiental y confort del ocupante.
  • Gestión de la construcción basada en datos: La combinación de IA e Internet de las Cosas (IoT) da lugar a técnicas de gestión de la construcción basadas en datos, lo que aumenta considerablemente la previsibilidad de la construcción y reduce los riesgos.
  • Reducción de residuos y mejora ambiental: El uso de robótica, impresión 3D e inteligencia artificial en las operaciones de construcción puede reducir los residuos y sus efectos ambientales negativos. La sostenibilidad y la responsabilidad medioambiental son claramente importantes para la industria 6.0, como se observa en programas como las transiciones verdes de la Unión Europea, que se centran en el uso de la inteligencia artificial, la energía renovable y los materiales energéticamente eficientes.
  • Visualización y colaboración del diseño: La tecnología de Realidad Virtual (RV) y Realidad Aumentada (RA) ha mejorado la visualización del diseño, la colaboración y la inmersión, mejorando los procedimientos de planificación y reduciendo los errores. Esta sinergia permite que arquitectos, algoritmos de IA y robótica trabajen juntos de manera más efectiva.
  • Enfoque en las cualidades humanas: La Industria 6.0 asistida por AEC se centra en utilizar las cualidades y habilidades humanas que van más allá de lo que los robots pueden hacer; por el contrario, la Industria 5.0 se preocupa más por los sistemas ciberfísicos en las cadenas de suministro. El objetivo principal es potenciar las capacidades humanas para que las personas puedan participar activamente en la toma de decisiones complejas, la creatividad y la resolución de problemas.

3.2 Desafíos a considerar

  • Dificultades de implantación: A pesar de las ventajas de la Industria 5.0 de la AEC, como el aumento de la participación de las partes interesadas, la automatización, la optimización mediante robótica, las estructuras de decisión basadas en datos y la gestión meticulosa de los recursos, la implementación de los principios de la Industria 6.0 de la AEC presenta dificultades.
  • Seguridad de los datos: La adopción de estas nuevas tecnologías requerirá una cuidadosa consideración de los desafíos relacionados con la seguridad de los datos.
  • Mejora de las habilidades laborales: Otra preocupación es la necesidad de mejorar las habilidades de la fuerza de trabajo para poder colaborar con estas nuevas tecnologías.
  • Dilemas éticos y consecuencias laborales: La Industria 6.0 aún debe superar una serie de obstáculos, como los dilemas morales y las posibles consecuencias laborales derivadas de la automatización.

4. Conclusión: ¿cuál es nuestro lugar en este nuevo universo creativo?

La Industria 6.0 no consiste solo en fábricas más rápidas o robots más inteligentes. Se trata de crear un ecosistema industrial profundamente integrado, autónomo e inteligente que cambia nuestra relación con la tecnología y la creación misma. Desde la IA que actúa como socio de diseño hasta las fábricas que se curan a sí mismas, pasando por la integración de la sostenibilidad como objetivo central a través de «bucles de economía circular en tiempo real», esta revolución reescribe las reglas.

Esto nos lleva a una pregunta poderosa y fundamental sobre nuestro futuro:

Si las fábricas del futuro pueden crear, pensar e incluso sentir, ¿cuál será nuestro nuevo papel en el universo de la creación?

Os dejo un audio que creo os puede resultar de interés para aclarar algunas ideas.

Lo mismo pasa con este vídeo resumen de todos los conceptos anteriores.

Referencias:

Garcia, J., Villavicencio, G., Altimiras, F., Crawford, B., Soto, R., Minatogawa, V., Franco, M., Martínez-Muñoz, D., & Yepes, V. (2022). Machine learning techniques applied to construction: A hybrid bibliometric analysis of advances and future directions. Automation in Construction, 142, 104532.

Maureira, C., Pinto, H., Yepes, V., & García, J. (2021). Towards an AEC-AI industry optimization algorithmic knowledge mapping: an adaptive methodology for macroscopic conceptual analysis. IEEE Access, 9, 110842-110879.

Verma, A., Prasad, V. K., Kumari, A., Bhattacharya, P., Srivastava, G., Fang, K., Wang, W., & Gadekallu, T. R. (2025). Industry 6.0: Vision, technical landscape, and opportunities. Alexandria Engineering Journal, 130, 139-174.

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.