El problema El contrato a precio cerrado que empieza bien y se tuerce: el coste se incrementa, el plazo se alarga, y el margen que parecía sólido al firmar se evapora por el camino. Lo adviertes cuando ya estás dentro y no hay marcha atrás — la grúa contratada, la cuadrilla en obra, el cliente esperando.
Por qué ocurre Qué obras se desvían no es un misterio: está registrado en tu histórico de obras terminadas —qué tipo de cliente, qué alcance, qué plazo, qué condiciones acabaron desviándose y cuáles no—. Pero ese patrón nadie lo cruza al presupuestar la siguiente, de modo que cada obra se firma con el optimismo de la anterior y se repite el mismo desvío. El obstáculo es el volumen de variables, no tu oficio.
Cómo se resuelve A partir de tu histórico de obras se calcula la probabilidad de que una nueva se desvíe y qué factores lo disparan —el tipo de cliente, el plazo apretado, la partida que siempre se va—, para ajustar el presupuesto o las condiciones antes de comprometerte. Durante la ejecución, la misma lectura marca la partida que empieza a salirse mientras aún cabe corregir, no al cuadrar el cierre de obra.
El algoritmo Riesgo de desvío de coste y plazo, antes de firmar y durante (GBM + explicación con SHAP sobre tu histórico de proyectos).
Qué requiere Tu histórico de obras con su presupuesto inicial, el coste y plazo reales, el tipo de cliente y las condiciones · marcando cuáles se desviaron y cuánto, para que el modelo aprenda la diferencia.
Lo que está en juego El retorno reside en conocer dónde está el riesgo antes de firmar: ajustar el precio o reforzar las condiciones de una obra con probabilidad de desviarse protege el margen que de otra forma se evapora a mitad de ejecución. No es un experimento de despacho — Bechtel, una de las mayores ingenierías de construcción del mundo, parte de un dato propio: el 98% de las megaobras se pasa de coste o de plazo, y por eso aplica aprendizaje automático sobre su experiencia de unas 25.000 obras para buscar la mejor secuencia de construcción —el orden óptimo de ejecutar el trabajo— donde antes esa variabilidad añadía riesgo y coste. El número concreto para tu negocio lo da el diagnóstico sobre tu propio histórico de obras.
Caso real Bechtel, con experiencia en unas 25.000 obras, montó un centro de big data que aplica aprendizaje por refuerzo —al estilo de AlphaGo— para encontrar la mejor secuencia de construcción de un proyecto, representado como una rejilla 3D de cubos: simula paso a paso el orden de ejecutar el trabajo para hallar la secuencia óptima, en un sector donde, según su propio data scientist, «el 98% de las megaobras se pasa de tiempo o de coste» y esa variabilidad de secuencia añade riesgo y coste.
iTnews, «Bechtel makes a game of its billion-dollar build projects» (2018), declaraciones de Evann Smith (senior data scientist) · fuente