Modelos y plataformas de IA

Qué reveló sobre la IA empresarial la Cumbre de Canadá 2026 sobre transformación de la IA y los datos en la construcción

Antoine Tardif
Añade Unite.AI a tus fuentes preferidas en Google
Toronto construction site with a digital twin and connected data pathways
Puntos claveLa principal restricción de la IA empresarial ahora es la organización que rodea al…
Ver más
  • La principal restricción de la IA empresarial ahora es la organización que rodea al modelo, más que el acceso al modelo.
  • La preparación de los datos es una disciplina operativa continua porque la IA no puede reconstruir información que nunca se capturó.
  • Las inversiones en IA enfrentan un escrutinio creciente del ROI a medida que las empresas exigen resultados medibles vinculados a problemas operativos específicos.

Divulgación: AMG World fue anfitrión de la asistencia de Unite.AI a la cumbre de Toronto. Las observaciones y conclusiones de este artículo son nuestras.

Puede que la industria de la construcción no sea el primer lugar donde la gente busque pistas sobre el rumbo de la inteligencia artificial. Precisamente por eso es un entorno tan útil para poner a prueba esta tecnología.

La construcción combina cadenas de suministro complejas, equipos descentralizados, sistemas heredados, riesgos físicos, márgenes estrechos y enormes volúmenes de información generados en obras que cambian constantemente. Un sistema de IA puede ofrecer una demostración impresionante en un entorno controlado, pero generar valor fiable en esas condiciones es un desafío muy distinto.

En la Cumbre de Canadá 2026 sobre transformación de la IA y los datos en la construcción, organizada por AMG World en Toronto el 17 de noviembre, la conversación reflejó un mercado de la IA que entra en una etapa más exigente. El programa de la conferencia abordó el rendimiento de la inversión (ROI) cuantificable, los datos conectados, los gemelos digitales, la transformación de la fuerza laboral y la implementación operativa. Sin embargo, entre las presentaciones y las mesas redondas destacó una conclusión: el principal obstáculo para la IA empresarial ya no es el acceso a un modelo potente, sino la organización que lo rodea.

La ambición en materia de IA choca con la realidad operativa

No hizo falta convencer a los asistentes de que la IA podía influir en la construcción. Las preguntas más difíciles eran cómo implementarla, dónde aplicarla y cómo demostrar que aportaba suficiente valor para justificar la inversión.

Muchas organizaciones parecen estar atrapadas entre la ambición y la incertidumbre. Quieren implementar la IA, pero todavía no cuentan con un proceso claro para identificar los casos de uso adecuados, asignar responsabilidades o introducir la tecnología de una manera que los empleados acepten. Esta conversación es más saludable que el entusiasmo sin reservas que caracterizó el auge inicial de la IA generativa.

Esto también implica que los proveedores se enfrentan a clientes más exigentes. Una interfaz atractiva no basta. Cada vez más, las empresas de construcción quieren saber cómo encaja un sistema de IA en su entorno de datos actual, qué ocurre cuando falta información, cómo se pueden validar los resultados y si la implementación resistirá el contacto con las operaciones reales sobre el terreno.

El debate sobre los modelos también pareció más acotado de lo que cabría esperar al considerar el mercado de la IA en su conjunto. Claude fue el único modelo de lenguaje grande de propósito general mencionado repetidamente en las conversaciones recogidas en nuestras notas. Esto no debe interpretarse como un dato sobre la cuota de mercado. Sí sugiere que la adopción empresarial suele concentrarse en torno a un pequeño número de herramientas que ya han superado los umbrales internos de confianza, seguridad o contratación.

El problema más importante de la IA surge antes de llegar al modelo

La calidad de los datos fue la preocupación más recurrente.

Los gemelos digitales ofrecieron un ejemplo claro. Un gemelo digital solo es útil si recibe continuamente información de todas las partes pertinentes de un proyecto. Si un contratista no presenta una actualización, un sistema de terceros solo expone parte de la información necesaria o un empleado se marcha sin transmitir sus conocimientos, el modelo se va alejando poco a poco de la realidad.

El resultado todavía puede parecer sofisticado. También puede ser incorrecto.

Este problema no se resuelve aumentando el tamaño del modelo. La IA no puede reconstruir de manera fiable información operativa que nunca se registró. Tampoco puede determinar qué parte era responsable de subsanar una carencia, a menos que la organización haya establecido esa responsabilidad.

En las conversaciones de Toronto se volvió una y otra vez a la necesidad de contar con información fiable, estructuras de datos claras y procesos para mantener los modelos actualizados. Esta es una de las razones por las que la agenda de la conferencia oficial hizo tanto hincapié en los fundamentos de datos, la ejecución conectada, los gemelos digitales y la coordinación entre personas y procesos.

Para el sector de la IA en general, la lección es importante: la preparación de los datos no consiste simplemente en limpiar una base de datos antes de la implementación. Es una disciplina operativa continua.

Los equipos sobre el terreno se están convirtiendo en parte de la infraestructura de IA

Una de las observaciones más prácticas de la conferencia se refirió al papel de los directores de proyecto. Se los identificó como un punto clave para recopilar información sobre el terreno y garantizar que llegue a los sistemas que utiliza el resto de la organización.

Esto convierte a los directores de proyecto y a los equipos de primera línea en parte de la infraestructura de IA, tanto si sus cargos mencionan la inteligencia artificial como si no.

Si registrar información exige rellenar formularios adicionales, introducir los mismos datos dos veces o adoptar un flujo de trabajo nuevo y complicado, la carencia de datos persistirá. Por lo tanto, los sistemas más eficaces serán aquellos que integren la recopilación de datos precisos de forma natural en la realización del trabajo, en lugar de imponerla después como una carga administrativa adicional.

Esto es especialmente importante en un sector en el que muchos flujos de trabajo siguen siendo analógicos y donde los empleados, contratistas, sindicatos, proveedores de tecnología y propietarios de proyectos pueden interactuar con la información de maneras muy distintas. Una implementación exitosa requiere algo más que dar acceso a las personas a un asistente de IA. También exige diseñar un flujo de información fiable para toda la organización.

Aumenta el escrutinio del rendimiento de la inversión

Los participantes también expresaron su preocupación por las inversiones en IA que aún no habían generado los beneficios esperados inicialmente. Se mencionaron los costos de los tokens, pero el problema de mayor alcance era el riesgo de capital.

Las empresas de construcción están acostumbradas a evaluar los proyectos en función del costo, los plazos, la seguridad y la exposición al riesgo. Es poco probable que toleren indefinidamente la experimentación con IA sin objetivos definidos, sobre todo cuando su implementación requiere nuevas integraciones, consultoría, capacitación y preparación de datos, además del uso de modelos.

Esto no significa que las empresas estén dando marcha atrás en la adopción de la IA. Significa que exigen una relación más sólida entre la tecnología y un resultado empresarial medible.

Las implementaciones más creíbles estarán vinculadas a problemas operativos concretos: reducir el trabajo administrativo, mejorar el acceso al conocimiento de los proyectos, identificar riesgos para los plazos, mantener registros digitales o ayudar a los equipos a tomar decisiones más rápido con la información que ya tienen. Una iniciativa de IA descrita únicamente como una transformación encontrará más resistencia que otra diseñada para resolver un cuello de botella identificable.

La fiabilidad está pasando a formar parte del cálculo del rendimiento de la inversión. Los asistentes se preguntaron qué ocurriría si un servicio de IA o una importante plataforma en la nube dejara de estar disponible. Una vez que la IA se incorpora a un flujo de trabajo operativo, la planificación de la continuidad ya no puede dejarse para después. Las organizaciones deben saber qué tareas pueden continuar, qué decisiones requieren una alternativa con intervención humana y cómo se recuperarán los sistemas sin perder datos.

La adopción sigue siendo un desafío humano

Había temor a que la IA reemplazara puestos de trabajo, pero también un obstáculo más inmediato: muchos empleados todavía no tienen conocimientos básicos sobre lo que la IA puede y no puede hacer.

Esto genera riesgos en ambos sentidos. Los empleados pueden evitar sistemas útiles porque desconfían de ellos o confiar demasiado en sus resultados porque sobreestiman su precisión.

El desafío no se resuelve con una sola sesión de capacitación. La adopción depende de mostrar a los empleados cómo la IA respalda su trabajo, establecer expectativas claras sobre la responsabilidad humana y elegir aplicaciones que puedan reconocer como útiles.

Esto resulta especialmente difícil para las pequeñas y medianas empresas. Muchas no tienen capacidad para crear un equipo dedicado a la IA ni para asignar la responsabilidad a largo plazo de una iniciativa experimental. Por ello, quizá sean menos importantes las preguntas sobre cómo entrenar un LLM interno que las relacionadas con el acceso a los datos, la gobernanza, la evaluación y quién seguirá siendo responsable del sistema resultante.

La oportunidad de mercado es considerable, pero quizá la aprovechen los proveedores capaces de reducir la complejidad organizativa, en lugar de limitarse a ofrecer otro modelo.

La construcción pone a prueba la IA empresarial

Lo que hizo valiosa la cumbre de Toronto fue su enfoque en la brecha entre una demostración exitosa y una implementación fiable. La combinación de presentaciones y debates en grupos reducidos permitió abordar inquietudes operativas que suelen quedar fuera de los relatos más pulidos sobre la IA.

La construcción pone de manifiesto casi todas las debilidades que debe superar la IA empresarial: información fragmentada, entornos cambiantes, procesos heredados, compradores cautelosos, capacidad técnica limitada, resistencia de la fuerza laboral y graves consecuencias cuando la información es incorrecta.

También demuestra por qué la oportunidad sigue siendo tan atractiva. Conectar el conocimiento de los proyectos, los datos de campo, los gemelos digitales y la experiencia de la organización podría mejorar considerablemente la forma en que las empresas planifican y ejecutan trabajos complejos. Sin embargo, los sistemas que triunfen serán los que hagan que la información sea más completa, fiable y accesible para las personas responsables de actuar en función de ella.

La conversación continúa más allá de Toronto

La serie de AMG World dedicada a la construcción continúa con la Cumbre sobre transformación de la IA y los datos en la construcción, Austin 2027, el 26 de enero, seguida de la Cumbre sobre transformación de la IA y los datos en la construcción, Europa 2027, en Londres, el 23 de febrero.

La organización también lleva el debate a otros sectores con uso intensivo de activos. La Cumbre de IA y tecnología para el petróleo y el gas 2027 se celebrará en Houston el 9 de febrero y reunirá a líderes de IA, datos, transformación digital y operaciones del sector energético.

Si Toronto sirve de indicio, la próxima fase de la IA empresarial no estará liderada por quien produzca la demostración más llamativa. La liderarán las organizaciones capaces de conectar el modelo con datos fiables, personas responsables, procesos resilientes y un resultado empresarial que justifique la inversión.

Antoine es un líder visionario y socio fundador de Unite.AI, impulsado por una pasión inquebrantable por dar forma e impulsar el futuro de la IA y la robótica. Como emprendedor que ha fundado varias empresas, cree que la IA transformará la sociedad tanto como la electricidad y suele hablar con entusiasmo del potencial de las tecnologías disruptivas y de la inteligencia artificial general (AGI).

Como futurista, se dedica a explorar cómo estas innovaciones darán forma a nuestro mundo. Además, es el fundador de Securities.io, una plataforma centrada en invertir en tecnologías de vanguardia que están redefiniendo el futuro y transformando sectores enteros.