inteligencia artificial archivos - El blog de Víctor Yepes

¿El fin del profesor? Por qué la IA y los humanos escriben mejor juntos (y qué dice la ciencia al respecto).

En las aulas de hoy se libra una batalla silenciosa. Por un lado, el temor a que la inteligencia artificial (IA) despoje al aprendizaje de su esencia humana y, por otro, la realidad agotadora de los instructores que no disponen de tiempo suficiente para ofrecer retroalimentación detallada sobre cada borrador. Estamos ante una encrucijada: ¿automatizamos la enseñanza o encontramos una forma de que la tecnología nos haga más humanos?

Investigadores de la Universidad de California han arrojado luz sobre este dilema mediante el modelo PAIRR (Peer and AI Review + Reflection). No se trata de una capitulación ante las máquinas, sino de una estrategia centrada en el ser humano que demuestra que la clave no es elegir entre «IA» y «humano», sino potenciar el binomio «IA + humano». Los estudiantes lo tienen claro: no quieren elegir entre el código y el corazón; quieren ambos.

El «combo» ganador: validación y lentes complementarios.

Los datos del estudio (N = 361) son contundentes y desafían la idea de que los jóvenes buscan la automatización como un camino fácil. El 58 % de los estudiantes prefiere recibir retroalimentación combinada de la IA y de sus compañeros, mientras que un rotundo 36 % aún prefiere únicamente la retroalimentación humana. Solo un minúsculo 7 % optaría por recibir comentarios exclusivamente de una IA.

¿Por qué esta preferencia masiva por el modelo híbrido? La ciencia apunta a dos mecanismos psicológicos:

Refuerzo y validación: cuando la IA y un compañero coinciden, el estudiante siente una «reaseguración». El comentario deja de ser una opinión aislada para convertirse en una verdad comprobada.
Perspectivas complementarias: la IA y los humanos miran el texto con lentes distintos. Mientras la IA actúa como un arquitecto de la estructura, los compañeros actúan como lectores sensibles al matiz.

La IA como el entrenador de rúbricas que nunca duerme.

Una de las grandes fortalezas de modelos como ChatGPT es su capacidad para ofrecer estrategias de revisión accionables basadas estrictamente en la rúbrica. Mientras que un compañero puede ser vago en sus sugerencias, la IA destaca por identificar problemas de organización y de flujo con una frialdad técnica que constituye su mayor virtud.

Pero su mayor impacto radica en su disponibilidad. Consideremos el caso de Elizabeth, una estudiante de redacción científica. Para ella, la IA no es un sustituto del profesor, sino un «coach» disponible en los momentos de mayor soledad creativa:

«Me dio la retroalimentación que necesitaba para seguir revisando de inmediato… definitivamente me ayudó a mantenerme comprometida con mis trabajos, incluso a la 1 a. m.».

Esa inmediatez elimina el bloqueo del escritor. En lugar de enfrentarse a una página en blanco mientras espera a la clase del lunes, Elizabeth utiliza la IA para identificar patrones recurrentes, lo que hace que su flujo de trabajo sea mucho más eficiente.

Lo que la IA no puede sentir: el peso de la humanidad.

A pesar de su precisión algorítmica, la IA tiene límites insalvables. El estudio revela un contraste fascinante: la IA suele centrarse en preocupaciones de «alto orden» (la estructura, el esqueleto del argumento), mientras que los humanos aportan la «carne» y el contexto.

Hay tres elementos que la IA simplemente no puede replicar:

Conocimiento contextual: los estudiantes comprenden los desafíos específicos del curso y lo que el profesor realmente valora.
Empatía y tono alentador: un algoritmo no puede motivar a un estudiante que duda de sus capacidades.
Audiencia auténtica: un ser humano reacciona emocionalmente. Elizabeth lo comprobó cuando un compañero le confesó que su texto sobre el cuidado de pacientes sonaba «aterrador» y «desalentador». Esa respuesta subjetiva, vital para la conciencia retórica, es algo que la IA jamás podrá sentir.

De copiar y pegar a la «decisión ejecutiva».

El modelo PAIRR no fomenta la pereza, sino la alfabetización en IA. El objetivo es que el estudiante no acepte ciegamente lo que dice la máquina, sino que ejerza su agencia como escritor. Al verse obligado a comparar dos fuentes de comentarios, el estudiante debe tomar lo que los investigadores llaman una «decisión ejecutiva».

El proceso PAIRR se consolida en cinco pasos críticos:

Borrador: creación de la versión inicial.
Feedback de pares: obtención de la perspectiva humana y emocional.
Feedback de IA: uso de la rúbrica para realizar un análisis técnico y estructural.
Reflexión: análisis comparativo en el que el autor decide a quién creer.
Revisión: ajustes finales basados en el juicio crítico del estudiante.

Cerrando la brecha de equidad.

La IA tiene el potencial de ser un gran nivelador. Para escritores multilingües como Irina, para quien el inglés es su tercer idioma, la IA ofrece un espacio seguro. Irina utiliza la tecnología para pulir la gramática y las normas del inglés académico estándar antes de someterlo a la revisión humana, lo que reduce la intimidación inicial.

Sin embargo, el estudio no ignora los riesgos. Los modelos de lenguaje pueden perpetuar los sesgos lingüísticos de los grupos dominantes. Por eso, el modelo PAIRR es fundamental: en lugar de prohibir la tecnología y permitir que los estudiantes la utilicen a escondidas, los profesores los guían para que aprendan a evaluar el sesgo en lugar de aceptarlo ciegamente.

Conclusión y reflexión final.

El hallazgo más importante de la Universidad de California es que la tecnología no crea entornos de aprendizaje ricos, sino que son los profesores y las relaciones humanas quienes los hacen. La IA es una herramienta «infaliblemente útil», pero su valor solo florece cuando hay un ser humano en el centro que toma las decisiones.

En el mundo laboral del mañana, la habilidad más valiosa no será escribir de forma aislada, sino colaborar con la IA de manera ética, crítica y analítica.

Pregunta de cierre: ¿qué pasaría con la calidad de nuestras ideas si dejáramos de ver la IA como una herramienta de reemplazo y empezáramos a usarla como a un colega que nos obliga a justificar cada una de nuestras decisiones?

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

Este vídeo resume bien los conceptos básicos de este artículo.

The_PAIRR_Model

Referencia:

Sperber, L., MacArthur, M., Minnillo, S., Stillman, N., & Whithaus, C. (2025). Peer and AI Review+ Reflection (PAIRR): A human-centered approach to formative assessment. Computers and Composition, 76, 102921.

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

Evaluación de la percepción estudiantil sobre la capacidad de la inteligencia artificial para resolver problemas de ingeniería

Dentro del proyecto de innovación docente PROFUNDIA, hemos realizado una investigación cualitativa sobre la percepción de los estudiantes respecto de la capacidad de la inteligencia artificial para resolver problemas de ingeniería. Se realizó mediante una variante de la técnica de «focus group» en una clase de 10 alumnos del Máster Universitario en Ingeniería del Hormigón de la Universitat Politècnica de València. A continuación describimos cómo se realizó la investigación y adelantamos algunas de las conclusiones más interesantes.

La presente investigación tuvo como objetivo analizar cómo perciben los estudiantes universitarios la capacidad de la inteligencia artificial generativa (IAG) para resolver problemas de ingeniería y, en especial, cómo evolucionan dichas percepciones cuando tienen la oportunidad de contrastar las respuestas proporcionadas por la IA con una solución correcta validada por el profesorado.

Para ello, se diseñó una experiencia en dos fases. En la primera, los participantes utilizaron libremente herramientas de inteligencia artificial para resolver un problema de ingeniería cuyo resultado desconocían y, posteriormente, respondieron a un cuestionario de preguntas abiertas. En la segunda fase, una vez facilitada la resolución correcta del problema, los estudiantes compararon ambos resultados y completaron un nuevo cuestionario orientado a identificar posibles cambios en sus opiniones, niveles de confianza y criterios de valoración.

Los resultados muestran que los estudiantes parten de una actitud generalmente favorable hacia la inteligencia artificial. La mayoría considera que estas herramientas son útiles para apoyar el aprendizaje, agilizar los cálculos, estructurar procedimientos o proporcionar orientación inicial en la resolución de problemas técnicos. Sin embargo, incluso antes de conocer la solución correcta, ya se observa una percepción relativamente madura de sus propias limitaciones. Los participantes manifiestan reiteradamente que las respuestas obtenidas deben ser verificadas mediante la normativa técnica, la bibliografía especializada o el propio razonamiento, lo que evidencia una confianza condicionada más que una aceptación acrítica de los resultados generados por la IA.

La comparación posterior con la resolución correcta produjo un efecto significativo de recalibración de la confianza. Los estudiantes comprobaron que la inteligencia artificial era capaz de generar respuestas técnicamente plausibles y bien redactadas, pero no necesariamente correctas desde el punto de vista normativo o metodológico. Esta constatación reforzó la percepción de que la apariencia de rigor técnico no constituye una garantía de validez. Tras la experiencia, las opiniones evolucionaron de una valoración centrada en la utilidad operativa de la herramienta a una visión más crítica, basada en la necesidad de validar sistemáticamente cualquier resultado antes de aceptarlo como correcto.

Uno de los hallazgos más relevantes del estudio es la identificación de la normativa técnica como uno de los ámbitos en los que los estudiantes perciben mayores limitaciones al uso de la inteligencia artificial. Numerosos participantes señalaron que las respuestas generadas no incorporaban adecuadamente los criterios establecidos en las normas aplicables, omitían condicionantes relevantes o utilizaban referencias incorrectas. En consecuencia, la principal fuente de error detectada no se relacionó tanto con la capacidad de cálculo de la herramienta como con su dificultad para interpretar y aplicar correctamente los marcos regulatorios específicos. Esta percepción resulta especialmente relevante en el ámbito de la ingeniería, donde la adecuación normativa constituye un requisito esencial para la validez de cualquier solución técnica.

El análisis también revela una comprensión creciente por parte de los estudiantes del funcionamiento y de las limitaciones inherentes de los sistemas de inteligencia artificial. A medida que reflexionaban sobre los errores detectados, los participantes identificaban fenómenos como la generación de respuestas plausibles sin fundamento suficiente, la tendencia a proporcionar una respuesta incluso cuando la información disponible es insuficiente o la dependencia de fuentes cuya calidad no siempre puede verificarse. Esta toma de conciencia constituye un indicio del desarrollo de competencias de alfabetización en inteligencia artificial y de una comprensión más sofisticada de los riesgos asociados a su uso.

Otro aspecto especialmente significativo es que los estudiantes concluyen prácticamente de manera unánime que el uso eficaz de la inteligencia artificial requiere sólidos conocimientos previos sobre la materia consultada. Lejos de considerar que estas herramientas puedan sustituir el aprendizaje o el criterio profesional, los participantes afirman que la capacidad para detectar errores, formular preguntas adecuadas y validar resultados depende directamente del dominio conceptual del usuario. Desde esta perspectiva, la IA se percibe como una herramienta de apoyo cuyo valor aumenta cuando se utiliza desde una posición de conocimiento y de pensamiento crítico.

En términos educativos, la experiencia pone de manifiesto el potencial formativo de actividades basadas en la comparación entre respuestas generadas por la inteligencia artificial y soluciones correctas validadas por expertos. Este tipo de ejercicios no solo permite evaluar la fiabilidad de la herramienta en contextos específicos, sino que también favorece el desarrollo de competencias fundamentales para el futuro ejercicio profesional, tales como la capacidad de análisis crítico, la verificación de la información, la interpretación normativa y la toma de decisiones fundamentadas.

En conclusión, los resultados indican que la experiencia no conduce a un rechazo de la inteligencia artificial, sino a una comprensión más realista de sus capacidades y limitaciones. Los estudiantes mantienen una valoración positiva de estas herramientas como recurso de apoyo, pero desarrollan simultáneamente una actitud más prudente y reflexiva respecto a su utilización. La principal transformación observada consiste en el paso de una confianza basada en la aparente calidad de las respuestas a una confianza condicionada por la necesidad de validación, de supervisión humana y de juicio profesional. Este cambio puede interpretarse como un indicador de madurez tecnológica y constituye uno de los resultados más relevantes de la investigación.

En esta conversación puedes escuchar cómo hemos realizado esta investigación cualitativa.

El vídeo resume bien las ideas más importantes de este tema.

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.

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

¿Es Turnitin realmente infalible? Cinco verdades incómodas sobre la detección de IA que todo educador debe conocer.

En el panorama actual de la educación superior, la integridad académica se enfrenta a un desafío sin precedentes. La explosión de los modelos de lenguaje extensos (LLM), personificada por ChatGPT —que alcanzó la asombrosa cifra de 100 millones de usuarios en apenas dos meses—, ha sumido a las instituciones en una carrera frenética para detectar el contenido generado por máquinas. Sin embargo, en esta búsqueda de certezas surge una pregunta que todo docente debe hacerse: ¿estamos interpretando correctamente las herramientas en las que confiamos?

Un estudio fundamental de Lucky E. Atamhenwan (2026) arroja luz crítica y necesaria sobre el detector de IA de Turnitin. A través de un análisis riguroso de 81 guiones que mezclaban prosa humana con contenido generado por modelos como ChatGPT (GPT-4o), Copilot, Gemini y Grammarly, Atamhenwan explora una frontera donde chocan la estadística y la pedagogía: ¿qué tan preciso es Turnitin cuando lo humano y lo artificial se entrelazan?

Este estudio investiga la capacidad de Turnitin para identificar el contenido generado por diversas inteligencias artificiales frente al contenido escrito por humanos. El autor analizó ochenta y un documentos con distintos porcentajes de mezcla y descubrió que la herramienta es inconsistente y tiende a fallar cuando el contenido de IA es bajo. Los resultados demuestran que Turnitin solo activa sus alarmas cuando el texto generado por máquinas supera el 15 %, aunque sus puntuaciones rara vez son exactas. Además, la investigación revela que el uso de herramientas de parafraseo puede eludir con éxito la detección, lo que hace que los textos artificiales parezcan humanos. Ante estos desafíos, el autor sugiere la implementación de exámenes presenciales con navegadores bloqueados y la promoción de la cooperación entre instituciones y desarrolladores de tecnología. En definitiva, el artículo advierte que los educadores no deben confiar ciegamente en los porcentajes de detección al tomar decisiones académicas importantes.

1. El «punto ciego» del 15 %: cuando la IA pasa desapercibida.

Una de las realidades más contundentes que revela la investigación es la existencia de un umbral de invisibilidad técnica. El estudio analizó guiones con un 5 % y un 10 % de contenido generado por IA, mezclados con texto humano. En estos niveles, Turnitin no detectó la presencia de IA y mostró un asterisco en su interfaz.

Para el educador, es fundamental comprender que este asterisco no es un error, sino que indica una puntuación inferior al umbral de notificación (menos del 15 %). Si un estudiante utiliza la IA de manera puntual —para ajustar párrafos aislados o pulir transiciones—, la herramienta es esencialmente ciega. Sin embargo, como analista, debo destacar un dato del análisis de regresión del estudio: el valor de R2 de Nagelkerke de 0,825 indica que el 82,5 % de la varianza en los resultados de Turnitin se explica por la presencia real de IA. Esto significa que, aunque Turnitin no sea preciso en cuanto al volumen, si la herramienta marca cualquier cifra superior al 15 %, es casi seguro que hay intervención de un LLM, incluso si el porcentaje indicado es inexacto.

2. La paradoja de la proporción: menos es más (y viceversa).

Quizás el hallazgo más inquietante de Atamhenwan sea la falta de linealidad en las puntuaciones. No existe una relación proporcional directa entre la cantidad de IA presente y lo que informa Turnitin. De hecho, la herramienta incurre en una contradicción sistemática que he denominado «Paradoja de la Proporción»:

Contenido de IA bajo (15-40 %): Turnitin tiende a arrojar puntuaciones exageradamente altas, lo que distorsiona la percepción del uso de IA.
Contenido de IA alto (70-100 %): la herramienta subestima la presencia artificial y arroja puntuaciones consistentemente más bajas de lo que debería.

Esta distorsión es tan marcada que el autor la sintetiza de forma magistral:

«Cuanto menor sea el porcentaje de palabras generadas realmente por un gran modelo de lenguaje (LLM) en un texto, más inexactamente elevada será la puntuación de la IA de Turnitin. Por el contrario, cuanto mayor sea el porcentaje de palabras generadas por un LLM, más inexactamente baja será la puntuación de la IA de Turnitin».

3. El maestro del disfraz: la ironía de ChatGPT frente a Gemini.

Resulta fascinante —y profundamente irónico— que el modelo más popular sea el más difícil de detectar. Aunque Turnitin afirma haber sido entrenado específicamente para detectar los patrones de OpenAI, ChatGPT (GPT-4o) demostró ser el maestro del disfraz en este estudio de 2026.

Turnitin clasificó el contenido de ChatGPT como «escrito por humanos» en 13 de los 20 guiones que probó. La disparidad es alarmante: en los guiones en los que el texto era 100 % generado por ChatGPT, Turnitin apenas detectó un 60 %. En comparación, Gemini de Google mostró resultados mucho más equilibrados, con 9 guiones detectados por encima y 9 por debajo del valor real. Como analista de tecnología, esta diferencia sugiere que, mientras Gemini mantiene patrones lingüísticos que Turnitin identifica con mayor frecuencia, ChatGPT ha evolucionado hacia una sofisticación que incluso elude a los detectores entrenados para vigilarlo.

4. El escudo de la «humanización» y el rastro de OpenAI.

El estudio abordó el «juego del gato y el ratón» entre los detectores y los denominados «humanizadores» de texto, como QuillBot y RyneAI. Los resultados confirman que estas herramientas son armas efectivas para erosionar la integridad académica:

QuillBot logró reducir a 0 % la puntuación de textos generados al 100 % por Copilot. Sin embargo, ante ChatGPT, su efectividad se redujo hasta un 33 %.
RyneAI fue el más eficaz, logrando puntuaciones del 0 % (totalmente humano) en Copilot, Grammarly y Gemini.

No obstante, existe un matiz crítico: RyneAI falló al intentar borrar por completo el rastro de ChatGPT, que Turnitin detectó en un 26 %. Esto demuestra que Turnitin posee una «memoria» específica de los patrones de OpenAI que incluso los algoritmos de parafraseo más avanzados tienen dificultades para neutralizar por completo.

5. La confianza en el cero: el valor de la autoría auténtica.

A pesar de las inconsistencias en el volumen de detección, el estudio de Atamhenwan ofrece una base sólida para la justicia académica: Turnitin confirma con una precisión excepcional la autoría humana auténtica. En todas las pruebas con guiones escritos al 100 % por humanos, la herramienta no mostró puntuaciones atribuibles a la IA.

Esta ausencia de «falsos positivos» en textos puramente humanos es la principal fortaleza de la herramienta. Para un docente, esto simplifica el panorama: una puntuación del 0 % es una señal casi infalible de integridad. La herramienta no inventa fantasmas donde no los hay; su problema no es la calumnia, sino la precisión en la medición de la falta.

Conclusión: hacia una nueva pedagogía de la integridad.

Los datos de Atamhenwan nos obligan a adoptar una regla de oro en la evaluación: la puntuación de Turnitin no debe ser el único criterio, especialmente en el rango del 15 % al 40 %. La recomendación para el docente es clara: si el detector marca un 30 %, el uso real podría ser apenas del 15 %, pero si marca un 80 %, es muy probable que el texto sea 100 % artificial.

Dada la capacidad de los LLM para realizar cualquier tarea escrita, debemos pasar de la «detección» a la «invigilancia». La solución a corto plazo consiste en el uso de navegadores bloqueados (lockdown browsers) para evaluaciones sumativas controladas, en las que el estudiante debe demostrar su conocimiento en tiempo real. A largo plazo, se requiere una cooperación entre varios actores que permita a los educadores acceder a las fuentes originales de los contenidos detectados.

En última instancia, debemos reflexionar: en un mundo en el que la IA puede «humanizarse» con un clic, ¿deberíamos centrarnos menos en la vigilancia tecnológica y más en diseñar evaluaciones que exijan una demostración auténtica del pensamiento crítico?

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

Este vídeo resume bien los aspectos más importantes tratados.

Referencia:

Atamhenwan, L.E. How are combinations of human-written words and LLM-generated words by ChatGPT, Copilot, Gemini and Grammarly detected by Turnitin?. Educ Inf Technol (2026). https://doi.org/10.1007/s10639-026-14049-2

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

El futuro de nuestros puentes. IA, resiliencia y la nueva frontera de la infraestructura

Erguidos como centinelas de nuestra conectividad, los puentes constituyen la columna vertebral de la civilización moderna. Sin embargo, tras su imponente fisonomía de acero y hormigón se esconde una crisis silenciosa: el envejecimiento de una infraestructura crítica sometida a cargas de tráfico y embates climáticos para los que nunca fue diseñada. Mantener operativas estas arterias ya no es una labor que pueda encomendarse únicamente al martillo de inspección y al ojo humano, sino que requiere una transformación tecnológica.

La conferencia IABMAS 2024, celebrada en Copenhague, se ha convertido en el epicentro de esta transformación. En ella, la ingeniería civil ha dejado de ser una disciplina puramente física para abrazar una narrativa de datos, algoritmos y robótica avanzada, y redefinir el límite entre lo que consideramos una estructura inerte y un sistema inteligente capaz de «comunicar» su estado de salud.

La IA que «escucha» el cansancio de los puentes.

Uno de los hitos más fascinantes presentados por Sadeghi Eshkevari y su equipo es el uso de redes neuronales profundas (DNN, por sus siglas en inglés) para estimar la fatiga estructural. En ingeniería tradicional, la deformación de un material es el «patrón oro» para evaluar su vida útil, pero su medición requiere sensores costosos y difíciles de mantener.

La solución contraintuitiva consiste en la detección indirecta de la deformación mediante IA. Mientras que la aceleración mide la vibración global de la estructura y la deformación mide la alteración interna de la materia, la IA de Eshkevari logra vincular ambas fenomenologías sin contacto físico directo. La clave reside en la arquitectura del modelo, que emplea capas de autoatención (self-attention layers). Estas capas no solo filtran el ruido, sino que también permiten que el algoritmo valore la importancia de distintos puntos de datos a lo largo del tiempo, lo que demuestra una gran robustez frente a las incertidumbres operativas, las fluctuaciones térmicas y las interferencias del tráfico real.

El puente que se negó a caer: lecciones del puente de Vecht.

Para salvar una infraestructura, a veces es necesario comprender su agonía. Los investigadores Ensink, Lantsoght y Hendriks llevaron a cabo un experimento de colapso controlado en el puente Vecht, una estructura de 1962 en los Países Bajos del tipo «viga en T» (post-tensioned concrete slab-between-girder).

El resultado supuso un jarro de agua fría para los modelos teóricos conservadores, ya que el puente demostró tener una capacidad de carga drásticamente superior a la calculada. ¿La razón? Mecanismos de resistencia «ocultos», como la acción de membrana compresiva (compressive membrane action), un fenómeno en el que la geometría de la estructura genera fuerzas internas de compresión que refuerzan el sistema desde el interior. Según los autores:

«Se espera que estos resultados experimentales sirvan de base para desarrollar mejores métodos de evaluación de puentes de vigas y losas en todo el mundo».

Este hallazgo es trascendental, ya que nos permite evitar la demolición innecesaria de puentes que, sobre el papel, deberían haber fallado, pero que, en la práctica, poseen reservas de seguridad insospechadas.

Digitalización frente a sostenibilidad: una distinción necesaria.

En la euforia de la transformación digital, tendemos a confundir los medios con los fines. El profesor Joan Ramon Casas (2026) propone una distinción intelectualmente rigurosa: la sostenibilidad es una necesidad social, mientras que la digitalización es solo una herramienta.

Un sistema de gestión de puentes (BMS, por sus siglas en inglés) no es, por sí solo, sostenible por ser digital. La sostenibilidad real exige optimizar el ciclo de vida y reducir la huella de carbono, algo que solo puede lograr la tecnología, guiada por el discernimiento. Casas enfatiza que la idea de un sistema totalmente automatizado es peligrosa, ya que la clave está en el binomio técnico-humano.

«Una mezcla armoniosa de la tecnología proporcionada por la herramienta (digitalización) y el juicio humano, aportado por la educación y la experiencia en el campo de los puentes (bagaje profesional), es esencial».

Inspección robótica: más allá del ojo humano.

La inspección de puentes está dejando atrás la subjetividad del ojo humano para entrar en la era de la precisión quirúrgica. Los equipos de Alqurashi y de Wang han presentado avances disruptivos mediante vehículos terrestres no tripulados (UGV), pero con enfoques complementarios que marcarán el futuro de la gestión.

Tomografía por ultrasonido y termografía: Alqurashi utiliza la termografía infrarroja para realizar escaneos rápidos a gran escala e identificar regiones «sospechosas» que luego se analizan mediante tomografía por ultrasonido para determinar con precisión la profundidad de las delaminaciones y los desprendimientos (spalling).
Mapeo 3D basado en LiDAR: Wang aborda el desafío que plantean las vigas de cajón de sección variable. Su sistema utiliza LiDAR para la navegación autónoma y la planificación de tareas en entornos en los que la oclusión de las señales hace que la inspección humana resulte casi imposible.

La IA procesa estos datos en tiempo real, localizando defectos con coordenadas globales precisas y eliminando el error y la lentitud del procesamiento manual.

El precio de la belleza: la estética en la ingeniería a gran escala.

Según Tang, la ingeniería no puede desvincularse del arte. No obstante, la estética plantea un dilema de realismo económico. Tang distingue entre los puentes de gran envergadura, que a menudo se encuentran en entornos remotos donde la elegancia debe emanar de la pura eficiencia estructural, y los puentes urbanos, que deben dialogar con la arquitectura circundante.

La cuestión no es solo el sobrecoste de la construcción, sino también la mayor propensión al mantenimiento más complejo. La belleza es una inversión social, pero Tang advierte que los diseñadores deben abordarla con cautela y realismo, ya que el propósito primordial sigue siendo la movilidad segura y eficiente.

Puentes ante el «Apocalipsis»: resiliencia ante el cambio climático.

La infraestructura moderna ya no se diseña solo para el tráfico, sino para garantizar la supervivencia en un entorno hostil. La resiliencia ha pasado de ser un concepto abstracto a una metodología de cálculo prioritaria.

Autómatas celulares y corrosión: Nava, D’Iorio y Biondini han desarrollado modelos de autómatas celulares no estacionarios para simular cómo la corrosión por cloruros se acelera ante las nuevas fluctuaciones de temperatura y humedad derivadas del cambio climático.
Análisis de opciones reales (ROA): Kim, Yang y Frangopol proponen el uso del ROA para optimizar el momento de los refuerzos sísmicos, lo que permite a las agencias decidir cuándo intervenir en función de la valoración de los beneficios acumulados y de los riesgos futuros.
Hidrodinámica y socavación: El trabajo de Arora y Banerjee se centra en las fuerzas hidrodinámicas en las inundaciones extremas y demuestra que el refuerzo de la superestructura es la única manera de garantizar la supervivencia de los puentes antiguos frente a las crecidas violentas.

Ishibashi et al. aportan un detalle crucial: el cambio de paradigma hacia la resiliencia de la red. A veces, la estrategia más eficaz no consiste en reforzar cada columna, sino en prever el despliegue de vigas de puentes temporales prealmacenadas para restablecer la funcionalidad del transporte tras un desastre. Lo importante no es la invulnerabilidad de un solo puente, sino la capacidad del sistema para no colapsar en su conjunto.

Conclusión: hacia una infraestructura que aprende y se adapta.

Hemos cruzado el umbral hacia una era en la que el mantenimiento de puentes se basa en datos y en previsiones. La infraestructura del mañana será un sistema que aprende de sus vibraciones, que se cartografía mediante robots y que se gestiona desde la perspectiva de la sostenibilidad ética. No obstante, este despliegue tecnológico no sustituye al ingeniero, sino que aumenta su responsabilidad.

Ante la magnitud de la crisis de infraestructuras a la que nos enfrentamos, ya no se trata de si la tecnología es fiable, sino de si podemos permitirnos no confiar en la vigilancia invisible de los algoritmos para garantizar la seguridad de nuestras ciudades.

En esta conversación podemos escuchar algunas de las ideas más interesantes sobre este tema.

El siguiente vídeo resume bien los conceptos clave tratados aquí.

The_Digital_Bridge_Blueprint

Referencia:

Jensen, J. S., Frangopol, D. M., Schmidt, J. W., & Tsompanakis, Y. (2026). Advances in bridge maintenance, safety, management, digitalisation and sustainability. Structure and Infrastructure Engineering, 1–6. https://doi.org/10.1080/15732479.2026.2665704

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

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:

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.

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.

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

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):

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).
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).
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.
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:

Muestreo de Hipercubo Latino (LHS): Genera un conjunto inicial de 100 soluciones bien distribuidas en el espacio de diseño.
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.

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.
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.
Eficiencia sistémica: Las vigas THVS, al reducir el peso estructural, disminuyen las solicitaciones y el impacto ambiental de las columnas y las cimentaciones.
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)

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:

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