Predicción de retrasos en proyectos de construcción vial aplicando Machine Learning
Publicado: 26 Sep 2025, 21:42
Un común denominador en la mayoría de los proyectos de construcción vial es el desafío que representa el cumplir con los plazos de ejecución planificados, considerando que esto se puede ver afectado por factores tanto internos como externos al proyecto, por ejemplo, el clima, conflictos sociales, liberación de áreas, disponibilidad de materiales y equipos, y las decisiones que se suelen tomar pueden generar desviaciones que impacten los costos y la productividad. Frente a este problema, el uso de Machine Learning se presenta como una alternativa para anticipar estas situaciones y eficientar la planificación.
Los modelos permiten analizar datos históricos de obras, combinados con información recolectada en tiempo real durante el proyecto, esto puede ser mediante el uso de tecnología IoT o a través de información capturada con aplicaciones. Con esto se pueden identifican patrones que preceden a los retrasos y generar alertas tempranas que apoyen la toma de decisiones. Esta capacidad predictiva abre la puerta a una gestión proactiva, donde se puedan reasignar recursos o ajustar procesos antes de que el retraso ocurra.
En el contexto de un proyecto de transformación digital, esta integración de inteligencia artificial representa un cambio cultural y operativo. No se trata únicamente de usar algoritmos, sino de rediseñar los procesos, donde los datos se convierten en un activo estratégico. Esto se complementa con la visualización de Dashboards que facilite a los jefes de obra y gerentes de proyectos a tomar decisiones rápidas y fundamentadas.
En proyectos reales se tienen antecedentes donde se han obtenido resultados prometedores. Por ejemplo, en Chile, un estudio sobre puentes en el sur mostró que variables climáticas pueden explicar parte significativa del retraso si se incorporan en la planificación.
En Arabia Saudita, modelos como LightGBM han logrado predecir riesgos de retraso con gran precisión en diferentes niveles de sobretiempo.
En Colombia, investigaciones han combinado ML con análisis de valor ganado para anticipar desviaciones de cronograma y costos en obras residenciales, lo que prueba que estas técnicas funcionan en contextos reales.
La aplicación de Machine Learning en la predicción de retrasos de proyectos viales no solo es una oportunidad, sino una necesidad para enfrentar la creciente complejidad del sector. La clave está en combinar datos históricos con información en tiempo real para generar modelos predictivos útiles. Implementar esta tecnología contribuye a mejorar la eficiencia operativa, reducir sobrecostos y habilitar una verdadera cultura de transformación digital.
Referencias.
Deloitte (2022). AI in Construction: Transforming Project Delivery. Deloitte Insights.
https://www.deloitte.com/uk/en/Industri ... nd-ai.html
World Economic Forum (2021). Shaping the Future of Construction: A Breakthrough in Mindset and Technology. WEF Report.
https://www.weforum.org/publications/sh ... echnology/
Jahroudi, El., et al. — Predicting construction delay risks in Saudi Arabian projects: A comparative analysis of CatBoost, XGBoost, and LGBM. Expert Systems with Applications, 2025.
https://doi.org/10.1016/j.eswa.2024.126268
Ballesteros-Pérez, P., del Campo-Hitschfeld, M. L., González-Naranjo, M. A., González-Cruz, M. C. (2015). Climate and construction delays: case study in Chile. Engineering, Construction and Architectural Management.
https://www.emerald.com/ecam/article/22 ... e-study-in
Restrepo Ramírez, A. F., Rua-Machado, C. A. (2025). Predicting Delays and Cost Overruns in Construction Projects: A Machine Learning Approach. Revista EIA, Universidad Nacional de Colombia.
https://revistas.eia.edu.co/index.php/r ... /view/1861
Los modelos permiten analizar datos históricos de obras, combinados con información recolectada en tiempo real durante el proyecto, esto puede ser mediante el uso de tecnología IoT o a través de información capturada con aplicaciones. Con esto se pueden identifican patrones que preceden a los retrasos y generar alertas tempranas que apoyen la toma de decisiones. Esta capacidad predictiva abre la puerta a una gestión proactiva, donde se puedan reasignar recursos o ajustar procesos antes de que el retraso ocurra.
En el contexto de un proyecto de transformación digital, esta integración de inteligencia artificial representa un cambio cultural y operativo. No se trata únicamente de usar algoritmos, sino de rediseñar los procesos, donde los datos se convierten en un activo estratégico. Esto se complementa con la visualización de Dashboards que facilite a los jefes de obra y gerentes de proyectos a tomar decisiones rápidas y fundamentadas.
En proyectos reales se tienen antecedentes donde se han obtenido resultados prometedores. Por ejemplo, en Chile, un estudio sobre puentes en el sur mostró que variables climáticas pueden explicar parte significativa del retraso si se incorporan en la planificación.
En Arabia Saudita, modelos como LightGBM han logrado predecir riesgos de retraso con gran precisión en diferentes niveles de sobretiempo.
En Colombia, investigaciones han combinado ML con análisis de valor ganado para anticipar desviaciones de cronograma y costos en obras residenciales, lo que prueba que estas técnicas funcionan en contextos reales.
La aplicación de Machine Learning en la predicción de retrasos de proyectos viales no solo es una oportunidad, sino una necesidad para enfrentar la creciente complejidad del sector. La clave está en combinar datos históricos con información en tiempo real para generar modelos predictivos útiles. Implementar esta tecnología contribuye a mejorar la eficiencia operativa, reducir sobrecostos y habilitar una verdadera cultura de transformación digital.
Referencias.
Deloitte (2022). AI in Construction: Transforming Project Delivery. Deloitte Insights.
https://www.deloitte.com/uk/en/Industri ... nd-ai.html
World Economic Forum (2021). Shaping the Future of Construction: A Breakthrough in Mindset and Technology. WEF Report.
https://www.weforum.org/publications/sh ... echnology/
Jahroudi, El., et al. — Predicting construction delay risks in Saudi Arabian projects: A comparative analysis of CatBoost, XGBoost, and LGBM. Expert Systems with Applications, 2025.
https://doi.org/10.1016/j.eswa.2024.126268
Ballesteros-Pérez, P., del Campo-Hitschfeld, M. L., González-Naranjo, M. A., González-Cruz, M. C. (2015). Climate and construction delays: case study in Chile. Engineering, Construction and Architectural Management.
https://www.emerald.com/ecam/article/22 ... e-study-in
Restrepo Ramírez, A. F., Rua-Machado, C. A. (2025). Predicting Delays and Cost Overruns in Construction Projects: A Machine Learning Approach. Revista EIA, Universidad Nacional de Colombia.
https://revistas.eia.edu.co/index.php/r ... /view/1861