La inteligencia artificial en la gestión de proyectos de inversión pública
del Ministerio de Vivienda, Construcción
y Saneamiento

Johnny Óscar Álvarez Ochoa

https://orcid.org/0000-0003-3256-7709

Universidad Nacional de Ingeniería,
Facultad de Ingeniería Industrial y de Sistemas, Lima, Perú

Recibido: 24 de mayo del 2021 / Aprobado: 9 de junio del 2021

doi: https://doi.org/10.26439/ing.ind2022.n.5802

RESUMEN. Esta investigación tiene como objetivo determinar que la inteligencia artificial se relaciona con la gestión de proyectos de inversión pública en el Perú. Esto se demuestra en la revisión de bibliografía y el diseño de una encuesta, con una muestra censal. Según los resultados de la prueba Spearman, se comprueban las hipótesis descritas. Finalmente, se propone como aporte un modelo de optimización para la priorización de proyectos (MOPP).

PALABRAS CLAVE: inteligencia artificial / algoritmos / factores críticos / eficiencia / eficacia

Artificial intelligence in the management of public investment
projects of the Ministry of Housing, Construction and Sanitation

ABSTRACT. The research aims to determine that artificial intelligence is related to the management of public investment projects in Peru. This is demonstrated thanks to the study consisting of a literature review and the design of a survey, with a census sample. According to the results of the Spearman test, the hypotheses described are confirmed. Finally, an optimization model for project prioritization (MOPP) is proposed as a contribution.

KEYWORDS: artificial intelligence / algorithms / critical factors / efficiency /
effectiveness

Correo electrónico: johnnyalvarez025@gmail.com

INTRODUCCIÓN

En todo el mundo, los proyectos se han convertido en un medio para mejorar el desempeño de la organización y la competitividad (Gällstedt, 2003). La inversión pública es necesaria para proveer bienes y servicios en mercados en los que el sistema de precios no puede operar u opera con deficiencias. Además, a través de las inversiones públicas, el Estado es capaz de innovar y hacer posibles actividades que de otra forma no se llevarían a cabo (Mazzucatto, 2015). Sin embargo, América Latina es una región donde los niveles de inversión pública son menores que en los países de Europa occidental o en los países más desarrollados del este asiático. Esto es un problema porque la inversión pública es necesaria para mejorar y ampliar la infraestructura y el acceso a servicios que en la región latinoamericana hacen mucha falta. Por ejemplo, el año 2014, en la región había 18,5 millones de personas sin acceso a la electricidad y, en el 2015, 24 millones no tenían acceso a fuentes mejoradas de abastecimiento de agua (Sánchez et al., 2017). Por ello, a nivel mundial, un estudio del McKinsey Global Institute (2013) encontró que podría ahorrarse hasta un millón de millones de dólares al año si se mejora la selección de los proyectos de inversión y los activos ya existentes se utilizan de la mejor manera posible.

Uno de los inconvenientes que presenta la priorización de proyectos es que no existe una propuesta clara, según su alcance, tiempo y recursos necesarios, dado que estos son finitos y no es posible ejecutar todos los proyectos que componen un portafolio al mismo tiempo. Asimismo, se tiene un gran nivel de incertidumbre en cuanto a los resultados esperados, dado que estos se conocen solo cuando el proyecto ha culminado, y es en las fases finales cuando se identifica si el proyecto ha generado o no valor para la institución, cuando ya no hay posibilidades de recuperar la inversión realizada.

En este trabajo se determinó que la inteligencia artificial (IA) se relaciona con la gestión de proyectos, lo cual permitió proponer un modelo de priorización de proyectos. Para ello, se tomó como base la tesis doctoral titulada Factores críticos que influyen en la gestión de los proyectos de saneamiento del Ministerio de Vivienda, Construcción y Saneamiento de la República del Perú (Álvarez Ochoa, 2021), que se encuentra en proceso de aprobación por la Universidad Nacional de Ingeniería. En ella se identificaron trece factores críticos que influyen en la gestión de proyectos de saneamiento (véase la tabla 1).

Tabla 1

Determinación de trece factores críticos en la gestión de proyectos de saneamiento

 

Factores críticos

Fase

Coeficiente
de aporte

Sig.

 

(Constante β)

 

10,164

0,004

5

Disponibilidad del terreno (preinversión)

Preinversión

1,263

0,001

7

Proceso para contratar al formulador del estudio (preinversión)

Preinversión

1,256

0,016

8

Cambio de la normativa vigente

Preinversión

0,654

0,048

10

Calidad del expediente técnico

Elaboración de expediente técnico

1,834

0,003

11

Experiencia del formulador (elaboración)

Elaboración de expediente técnico

1,545

0,001

13

Disponibilidad del terreno (elaboración)

Elaboración de expediente técnico

2,049

0,018

15

Participación de la comunidad en la planificación del proyecto

Elaboración de expediente técnico

2,194

0,015

16

Requisitos del CIRA

Elaboración de expediente técnico

1,146

0,024

20

Rotación del personal

Ejecución de obra

1,791

0,000

25

Conocimiento del ejecutor del proyecto (Invierte.pe, Presupuesto, Planeamiento, Contrataciones, Cooperación)

Ejecución de obra

1,286

0,000

26

Disponibilidad de materiales

Ejecución de obra

0,671

0,048

28

Experiencia del ejecutor

Ejecución de obra

1,750

0,004

31

Solvencia por parte del contratista

Ejecución de obra

1,037

0,013


Nota. De Factores críticos que influyen en la gestión de los proyectos de saneamiento, por J. O. Álvarez Ochoa, 2021.

Con esta información, se plantea que los trece factores críticos durante el ciclo del proyecto sirven como punto de partida para llevarlo a una plataforma y someterlo a un análisis mediante la inteligencia artificial para lograr una mayor efectividad en la toma de decisiones.

El problema general que se plantea es este:

Los problemas específicos son los siguientes:

Una vez planteados los problemas, tenemos los siguientes objetivos general y específicos:

MARCO TEÓRICO

Base de la teoría burocrática

Max Weber (1864-1924) mencionó en su clásico libro Economía y sociedad, publicado en 1922, que las burocracias son importantes para el manejo de la república en las sociedades modernas y altamente desarrolladas; y encontró que, en lo esencial, operaba la misma lógica de funcionamiento tanto en una organización pública como en una organización privada de gran escala. El modelo burocrático de Weber supone que el comportamiento de los miembros de la organización es previsible, es decir que todos los empleados deberán comportarse de acuerdo con las normas y reglamentos de la organización, con la finalidad de que esta alcance la máxima eficiencia posible. Robert K. Merton, por su parte, observó las consecuencias imprevistas y denominó disfunciones de la burocracia a las anomalías en su modelo; en su planteamiento teórico burocrático, señala que los científicos dieron mucho énfasis a los resultados positivos de la organización burocrática y descuidaron las tensiones internas. Para Merton, no existe una organización totalmente racional y el formalismo no tiene la profundidad descrita por Weber. El concepto popular de burocracia se basa en la creencia de que el grado de eficiencia administrativa de ese sistema social racional es muy bajo. Esto es, el tipo ideal de burocracia sufre transformaciones cuando es operado por hombres. En síntesis, el modelo burocrático de Weber es un proceso netamente conservador y es contrario a la innovación, donde el burócrata es un individualista apegado a las reglas; si bien es cierto que este modelo dio buenos resultados en el siglo xix, sin embargo, en la actualidad está condenado a desaparecer, debido a las nuevas condiciones modernas como las transformaciones del ambiente, de la tecnología, el cambio del comportamiento administrativo y el tamaño de las organizaciones.

Base de la teoría de la complejidad

Para Edgar Morin, la perspectiva semántica sobre el término complejidad hace referencia a fenómenos u objetos que se componen de elementos diversos, por lo que se establecen relaciones recíprocas entre sí y configuran un todo. Pero estas configuraciones del todo en las ciencias físicas han puesto de manifiesto factores que influyen en eventos, acciones, interacciones, determinaciones y azares. Ello le brinda a nuestro planeta rasgos de confusión, incertidumbre y desorden (Ortegón & Machicao, 2020).

Las nuevas tecnologías han cambiado la manera de comprender y manejar la complejidad en diferentes aspectos. Así, la inteligencia artificial (IA) se refiere a la capacidad de una máquina computacional u ordenador para solucionar por sí misma problemas complejos y determinados mediante la implementación de un algoritmo, que comienza por la identificación de un problema y su delimitación (Almonacid & Coronel, 2020). Para ello, se sirve del aprendizaje a partir de los datos, a semejanza de un pensamiento estructurado, similar al del cerebro humano (Alemán, 2017; Gutiérrez et al., 2017). Está centrada en la automatización de procesos para aprender fácilmente patrones en los datos que se le proporcionan. Con la visión por computadora y el procesamiento del lenguaje, la inteligencia artificial puede jugar al ajedrez, hacer sugerencias de compra, realizar preferencias de inversión, facilitar la predicción de ventas, el pronóstico del tiempo y, en general, las actividades basadas en patrones que pueden perfeccionarse (Cabanelas, 2019). Su fin es combinar técnicas y algoritmos para crear máquinas con capacidades similares a las que posee el ser humano, tales como razonamiento lógico, conocimiento, planificación, capacidad de procesamiento del lenguaje natural, percepción o inteligencia, en el más amplio sentido de la palabra (Observatorio Sector Público IECISA, 2017).

La inteligencia artificial ha producido cambios en varios sectores. Combinada con la robótica, en el área médica posibilita que algunas decisiones puedan ser obviadas de forma correcta (Beltrán et al., 2014). Los sistemas expertos proporcionan la facilidad de almacenar información y tomar decisiones gracias a sus algoritmos de trabajo, obteniendo diagnósticos de forma rápida y asertiva. En el campo de la gestión empresarial, se centra generalmente en la creación de sistemas inteligentes. Estos sistemas están diseñados para servir de soporte a los complejos análisis que se requieren en el descubrimiento de las tendencias del negocio, con el fin de tomar decisiones eficientes y oportunas (Sosa, 2007). Asimismo, en la política internacional, ha reducido los costos de recopilación de información, ha disminuido la fricción del mercado e impulsado significativamente el proceso de expansión del mercado mundial (Faundez et al., 2020). Incluso, en educación, los ingenieros de aprendizaje tienen las habilidades necesarias para integrar la ingeniería y el pensamiento de sistemas con la ciencia del aprendizaje (Yepes & Martínez, 2019).

La automatización de procesos industriales y la gerencia integrada de producción han sido objeto de estudio por la comunidad científica durante las últimas décadas (Bravo et al., 2011). Sin embargo, a pesar de la popularidad actual de la inteligencia artificial y del aumento constante de publicaciones sobre esta tecnología, pocos estudios han investigado su aplicación en contextos públicos (Campion et al., 2020). Aun así, las organizaciones deben adaptar sus procesos estratégicos para hacer frente a los cambios en su entorno y hacerlo rápidamente (Aubry et al., 2007). En este sentido, la inteligencia artificial contribuye a predecir no solamente futuras aplicaciones, sino también establecer cuáles son las limitaciones para asegurar la calidad (Sánchez et al., 2020). Las administraciones públicas están descubriendo todo el poder de esta tecnología y los algoritmos (Escuela CLAD, 2021).

No obstante, si el ser humano puede mentir, manipular y ser manipulado, y si los algoritmos son obra del ser humano, entonces, los algoritmos pueden mentir, engañar, manipular y ser manipulados. Por ello, es preciso una labor regulatoria que identifique a los responsables del uso de algoritmos, prevenga y sancione este tipo de prácticas en defensa de los consumidores (Tapia, 2020). Los desarrollos de la inteligencia artificial avanzan a un ritmo mayor que la educación y el derecho sobre esta tecnología (Barrios et al., 2020). Por su parte, los stakeholders, que son un factor importante en el éxito de los proyectos en ingeniería, no son capaces de interactuar de una manera ordenada y no tienen una relación armónica, según la revisión de la literatura y la experiencia (Vahos et al., 2013).

Así, por ejemplo, la inteligencia artificial puede presentarse como un aliado al momento de moderar contenidos violentos o de noticias aparentes, pero su utilización sin intervención humana que contextualice y traduzca adecuadamente la expresión deja abierto el riesgo de que se genere una censura previa (Larrondo & Grandi, 2021). Por ello, se ha de demostrar un principio de transparencia, que contribuye directamente a los derechos y la autonomía de los usuarios, y un principio de seguridad, donde todo usuario ha de tener la capacidad de decidir si desea ser asistido por un robot y el derecho a recabar la información que considere necesaria de las decisiones derivadas del mismo (Sánchez et al., 2021).

Algunas instituciones han abordado los retos planteados por los desarrollos de la inteligencia artificial. La Organización para la Cooperación y el Desarrollo Económicos (OCDE) cuenta con un Consejo sobre Inteligencia Artificial que publicó una serie de recomendaciones generales firmada por 42 países, que apuntan tanto a la responsabilidad y transparencia en la creación de la tecnología y su uso, así como al impulso estatal en la investigación, desarrollo, aplicación y cooperación internacional en temas vinculados con la inteligencia artificial (Abdala et al., 2019). Por su parte, la CAF busca apoyar y financiar proyectos innovadores, enfocados en resolver un problema público en una ciudad, basados en el uso estratégico de datos e inteligencia artificial (CAF Banco de Desarrollo de América Latina, 2020).

Machine learning

Es una rama de la inteligencia artificial que permite a un sistema aprender de los datos. El objetivo es desarrollar técnicas que hagan posible que las computadoras aprendan. De forma más concreta, los investigadores del aprendizaje de máquinas buscan algoritmos para convertir muestras de datos en programas de computadora, sin tener que escribir los últimos explícitamente. Los modelos o programas resultantes deben ser capaces de generalizar comportamientos e inferencias para un conjunto más amplio (potencialmente infinito) de datos.

Deep learning

Es un tipo de machine learning que entrena a una computadora para que realice tareas como las que hacemos los seres humanos, como el reconocimiento del habla, la identificación de imágenes o hacer predicciones. En lugar de organizar datos para que se ejecuten a través de ecuaciones predefinidas, el deep learning (DL) configura parámetros básicos acerca de los datos y entrena a la computadora para que aprenda por cuenta propia reconociendo patrones mediante el uso de muchas capas de procesamiento. El DL es una de las bases de la inteligencia artificial y actualmente concita el interés, en parte, por el auge que tiene ahora la inteligencia artificial. Las técnicas de DL han mejorado la capacidad de clasificar, reconocer, detectar y describir; en una palabra, entender. Ahora varias novedades están integrando avances en el aprendizaje a fondo (véase la figura 1).

Al mismo tiempo, las interfaces de humano a máquina han evolucionado considerablemente. El mouse y el teclado están siendo reemplazados con gesticulaciones, deslizamientos de los dedos, tacto y lenguaje natural, lo que genera un interés renovado en la inteligencia artificial y el deep learning.

Figura 1

Importancia del deep learning


FORMULACIÓN DE LAS HIPÓTESIS

Hipótesis general

La inteligencia artificial se relaciona con la gestión de proyectos de inversión pública en el Perú.

Hipótesis específicas

La inteligencia artificial se relaciona con la preinversión de los proyectos de inversión pública en el Perú.

La inteligencia artificial se relaciona con la elaboración de expedientes de los proyectos de inversión pública en el Perú.

La inteligencia artificial se relaciona con la ejecución de obra de los proyectos de inversión pública en el Perú.

METODOLOGÍA

A continuación, se describe la metodología empleada para la presente investigación, según su tipo, diseño, nivel de investigación, población y muestra, así como sus definiciones operacionales.

Esta investigación es de tipo básico, ya que tiene el fin de obtener y recopilar información para construir una base de conocimiento que se irá agregando dentro de los conocimientos existentes. El diseño de investigación es no experimental, pues no se manipulan deliberadamente las variables; y es transversal porque se analizan los datos de un periodo de tiempo determinado, los cuales se obtienen de la observación de los fenómenos tal y como se presentan. El nivel de investigación es descriptivo, porque se describe a las variables en su forma natural pura; y correlacional, porque se midió la relación entre ambas. Respecto a la población, Hernández y Mendoza (2015) la definieron como el conjunto de todos los casos que concuerdan con una serie de especificaciones. En este estudio, la población fue constituida por 30 funcionarios con experiencia en proyectos de saneamiento y en la gestión de proyectos de inversión pública en el Perú. La muestra es de tipo censal, es decir, incluye en su totalidad a la población que va a ser investigada (Bernal, 2006).

Variable inteligencia artificial

La inteligencia artificial (IA) es entendida como una subdisciplina de las ciencias computacionales y las neurociencias cognitivas que involucra a la teoría de la computación, la teoría computacional de la mente, la lógica bivalente, así como variados modelos emergentes de lógicas polivalentes, la detección de patrones y las teorías de modelos de razonamiento bajo incertidumbre. Estudia las posibilidades de creación de máquinas pensantes basadas en modelos biomatemáticos que pueden ejercer las mismas labores que los humanos (Valbuena, 2021).

Variable gestión de proyectos de inversión pública en el Perú

Preinversión

Elaboración de expedientes

Ejecución de obra, por parte de la entidad

Ejecución de obra, por parte del contratista

RESULTADOS

Prueba de confiabilidad

El nivel de confiabilidad que demuestra el estudio y que es aprobatorio para su análisis se muestra en la tabla 2. Se obtuvo un nivel de 0,857, que es mayor que el parámetro de fiabilidad establecido > 0,800. Por lo tanto, sí existe confiabilidad del instrumento de investigación.

Tabla 2

Prueba de confiabilidad de las encuestas

Alfa de Cronbach

N.o de elementos

0,857

16


Prueba de normalidad

El análisis de la distribución normal de la información demuestra que la información cuantitativa no es paramétrica o no tiene distribución normal (véase la tabla 3). Por lo tanto, para demostrar la hipótesis planteada, es necesario hacer un análisis de rho de Spearman.

Tabla 3

Prueba de distribución paramétrica de las variables del estudio

 

 

Shapiro-Wilk

 

Estadístico

gl

Sig.

Inteligencia artificial

0,764

30

0,000

Gestión de los proyectos de inversión pública en el Perú

0,825

30

0,000


Prueba de hipótesis

A continuación, se hace un análisis de la prueba de hipótesis para plantear si se cumple el objetivo del estudio.

Correlación de hipótesis general

La regla de toma de decisión por medio del parámetro del valor P es 0,000 < 0,05, donde se demuestra que el rho de Spearman es 0,788; hay evidencia estadística para afirmar que la inteligencia artificial sí se relaciona de manera directa y con un nivel significativo igual a 0,001 con la gestión de los proyectos de inversión pública en el Perú. Por lo tanto, se comprueba la relación de la inteligencia artificial respecto a la gestión de los proyectos de inversión pública en el Perú.

Tabla 4

Prueba de correlación de hipótesis general



Significancia: 0,05 (95,0 %; z = 1,96).

Correlación de hipótesis específica 1

La regla de toma de decisión por medio del parámetro del valor P es 0,000 < 0,05, donde se demuestra que el rho de Spearman es 0,708; hay evidencia estadística para afirmar que la inteligencia artificial sí se relaciona de manera directa y con un nivel significativo igual a 0,004 con la preinversión en la gestión de los proyectos de inversión pública en el Perú. Por lo tanto, se comprueba la relación de la inteligencia artificial con la preinversión de los proyectos de inversión pública en el Perú.

Tabla 5

Prueba de correlación de hipótesis específica 1

 

Preinversión

Rho de Spearman

Inteligencia artificial

Coeficiente de correlación

0,708

Sig. (bilateral)

0,004

N

30

Correlación de hipótesis específica 2

La regla de toma de decisión por medio del parámetro del valor P es 0,000 < 0,05, donde se demuestra que el rho de Spearman es 0,742; hay evidencia estadística para afirmar que la inteligencia artificial sí se relaciona de manera directa y con un nivel significativo igual a 0,002 con la elaboración de expedientes en la gestión de los proyectos de inversión pública en el Perú. Por lo tanto, se comprueba la relación de la inteligencia artificial con la elaboración de expedientes técnicos de los proyectos de inversión pública en el Perú.

Tabla 6

Prueba de correlación de hipótesis específica 2

 

Elaboración de expedientes

Rho de Spearman

Inteligencia artificial

Coeficiente de correlación

0,742

Sig. (bilateral)

0,002

N

30


Correlación de hipótesis específica 3

La regla de toma de decisión por medio del parámetro del valor P es 0,000 < 0,05, donde se demuestra que el rho de Spearman es 0,766; hay evidencia estadística para afirmar que la inteligencia artificial sí se relaciona de manera directa y con un nivel significativo igual a 0,005 con la ejecución de obra en la gestión de los proyectos de inversión pública en el Perú. Por lo tanto, se comprueba la relación de la inteligencia artificial con la ejecución de obra de los proyectos de inversión pública en el Perú.

Tabla 7

Prueba de correlación de hipótesis específica 3

 

Ejecución de obra

Rho de Spearman

Inteligencia artificial

Coeficiente de correlación

0,766

Sig. (bilateral)

0,005

N

30


Análisis descriptivo de las encuestas

En la tabla 8 se observan los resultados de la encuesta realizada a los 30 funcionarios expertos en gestión de proyectos de inversión pública (MVCS-PNSU). El instrumento está en función de los trece factores críticos detallados anteriormente y cuenta con tres preguntas sobre la inteligencia artificial en el ciclo de proyecto (Invierte.pe).

Tabla 8

Instrumento sobre la inteligencia artificial en la gestión de proyectos de inversión pública

Dimensión

Ítems

No (%)

Parcial
(%)

Sí

(%)

Total (%)

Preinversión

1. ¿Considera que la inteligencia artificial se debe aplicar para la toma de decisiones en la etapa de preinversión?

10,0

26,7

63,3

100,0

2. ¿Cree que en el estudio de preinversión se debe considerar o asegurar la adquisición del terreno?

3,3

30,0

66,7

100,0

3. ¿Considera que los procesos de selección para contratar al formulador del estudio de preinversión son largos y engorrosos?

13,3

30,0

56,7

100,0

4. Ante un cambio en la normatividad vigente, ¿considera que la empresa contratista muestra disposición a acatarlo?

33,3

40,0

26,7

100,0

Elaboración de expedientes

5. ¿Considera que la inteligencia artificial se debe aplicar para la toma de decisiones en la etapa de elaboración de expedientes técnicos del proyecto?

10,0

26,7

63,3

100,0

6. ¿Considera que los expedientes técnicos del proyecto que son formulados en la etapa de la ejecución cumplen los requisitos?

13,3

50,0

36,7

100,0

7. ¿Considera que, para contratar al formulador de expedientes técnicos, se deben tomar criterios técnicos, tales como años de experiencia, volumen de facturación, expedientes técnicos realizados, referencias y otros?

0,0

20,0

80,0

100,0

8. En su experiencia, ¿considera que se debe tener la adquisición del terreno en la etapa de elaboración de expedientes técnicos, dado que, de no ser así, ocasionaría retrasos y sobrecostos?

10.0

13,3

76,7

100,0

9. ¿Es importante que la comunidad participe durante la planificación y programación del proyecto para lograr el beneficio social?

3,3

16,7

80,0

100,0

10. Durante el proceso de elaboración del expediente técnico, ¿considera usted que se debe contar con el CIRA?

3,3

26,7

70,0

100,0

Ejecución de obra

11. ¿Considera que la inteligencia artificial se debe aplicar para la toma de decisiones en la etapa de ejecución de obra?

13,3

26,7

60,0

100,0

12. ¿Considera que el alto índice de rotación de personal durante el tiempo que se ejecuta la obra genera retrasos?

3,3

13,3

83,4

100,0

13. ¿Considera que el ejecutor del proyecto utiliza adecuadas herramientas de planificación y programación, según las normativas vigentes (Invierte.pe, Presupuesto, Planeamiento, Contrata-ciones, Cooperación)?

40,0

40,0

20,0

100,0

14. ¿Considera que la falta de capacidad de financiamiento del contratista ocasiona retrasos con los materiales de obra?

3,3

10,0

86,7

100,0

15. ¿Considera que la falta de experiencia del ejecutor es perjudicial tanto en costo, tiempo y calidad?

3,3

6,7

90,0

100,0

16. ¿Considera que la falta de solvencia económica del contratista en la etapa de ejecución de la obra es perjudicial?

6,7

16,7

76,6

100,0


Análisis del modelo de optimización de la inteligencia artificial en la gestión de proyectos de inversión pública

Inteligencia artificial en la preinversión

Se presenta la ponderación propuesta en la investigación que determina el nivel óptimo de los proyectos de saneamiento del Ministerio de Vivienda, Construcción y Saneamiento en la fase de preinversión.

Los tres valores de ponderación mostrados en la tabla 9 han sido evaluados por un juicio de expertos, que permite medir el nivel óptimo esperado sobre la eficiencia en la gestión de proyectos de saneamiento. El valor de la unidad es considerado como valor máximo en cada una de las encuestas. Utilizando la ecuación econométrica de regresión lineal múltiple, se puede determinar el valor mínimo de ١٠,164 y el valor óptimo igual a 19,683, que debería cumplir un proyecto de inversión pública en la etapa de preinversión.

Tabla 9

Ponderación de la inteligencia artificial en la preinversión

2. ¿Cree que en el estudio de preinversión se debe considerar o asegurar la adquisición del terreno?

3. ¿Considera que los procesos de selección para contratar al formulador del estudio de preinversión son largos y engorrosos?

4. Ante un cambio en la normatividad vigente, ¿considera que la empresa contratista muestra disposición a acatarlo?

No

Parcial

Sí

Sí

Parcial

No

No

Parcial

Sí

0

0,5

1

0

0,5

1

0

0,5

1

Deficiente

Regular

Óptimo

Deficiente

Regular

Óptimo

Deficiente

Regular

Óptimo

0,0-1,5

2,0-2,5

3

0,0-1,5

2,0-2,5

3

0,0-1,5

2,0-2,5

3


Tabla 10

Ponderación de los factores críticos de la inteligencia artificial en la preinversión

Factores críticos

Coeficiente

Valor X

ÓPTIMO

Valor X

MÍNIMO

(Constante β)

10,164

 

10,164

 

10,164

Disponibilidad del terreno
(preinversión)

1,263

3

3,789

0,0

0,0

Proceso para contratar al formulador del estudio

1,256

3

3,768

0,0

0,0

Cambio de la normatividad vigente

0,654

3

1,962

0,0

0,0

Valores esperados  

 

 

19,683

 

10,164


Tabla 11

Escenario posible de la ponderación de la inteligencia artificial en la preinversión

Valores totales posibles en un escenario real

Valor porcentual

19,683

100,0

19,052

96,8

18,424

93,6

18,097

91,9

10,164

51,6

19,683

 


En la tabla 11 se recomienda al administrador del proyecto que, para ser eficiente en su gestión, debería tomar solo los valores mayores a 19,0. En caso de obtener valores mínimos o menores que los recomendados, tendría que evaluar los resultados de los factores de la tabla 9, a fin de poder realizar las acciones correspondientes para mejorar dicho resultado.

Inteligencia artificial en la elaboración de expedientes

Se presenta la ponderación propuesta en la investigación que determina el nivel óptimo de los proyectos de saneamiento del Ministerio de Vivienda, Construcción y Saneamiento en la fase de elaboración de expedientes.

Los cinco valores de ponderación mostrados en la tabla 12 han sido evaluados por un juicio de expertos, que permite medir el nivel óptimo esperado sobre la eficiencia en la gestión de proyectos de saneamiento. El valor de la unidad es considerado como valor máximo en cada una de las encuestas. Utilizando la ecuación econométrica de regresión lineal múltiple, se puede determinar el valor mínimo de 10,164 y el valor óptimo igual a 36,468, que debería cumplir un proyecto de inversión pública en la etapa de elaboración de expedientes.

Tabla 12

Ponderación de la inteligencia artificial en la elaboración de expedientes




Tabla 13

Ponderación de los factores críticos de la inteligencia artificial en la elaboración de expedientes

Factores críticos

Coeficiente

Valor X

ÓPTIMO

Valor X

MÍNIMO

(Constante β)

10,164

 

10,164

 

10,164

Calidad del expediente técnico

1,834

3

5,502

0,0

0,0

Experiencia del formulador (elaboración)

1,545

3

4,635

0,0

0,0

Disponibilidad del terreno (elaboración)

2,049

3

6,147

0,0

0,0

Participación de la comunidad en la planificación del proyecto

2,194

3

6,582

0,0

0,0

Requisitos del CIRA

1,146

3

3,438

0,0

0,0

Valores esperados  

 

 

36,468

 

10,164


Tabla 14

Escenario posible de la ponderación de la inteligencia artificial en la elaboración de expedientes

Valores totales posibles en un escenario real

Valor porcentual

36,468

100,0

35,551

97,5

35,371

97,0

34,347

94,2

10,164

27,9

36,468

 


En la tabla 14 se recomienda al administrador del proyecto que, para ser eficiente en su gestión, debería tomar solo los valores mayores a 35,0. En caso de obtener valores mínimos o menores que los recomendados, tendría que evaluar los resultados de los factores de la tabla 12, a fin de poder realizar las acciones correspondientes para mejorar dicho resultado.

Inteligencia artificial en la ejecución del proyecto

Se presenta la ponderación propuesta en la investigación que determina el nivel óptimo de los proyectos de saneamiento del Ministerio de Vivienda, Construcción y Saneamiento en la fase de ejecución de obra.

Los cinco valores de ponderación mostrados en la tabla 15 han sido evaluados por un juicio de expertos, que permite medir el nivel óptimo esperado sobre la eficiencia en la gestión de proyectos de saneamiento. El valor de la unidad es considerado como valor máximo en cada una de las encuestas. Utilizando la ecuación econométrica de regresión lineal múltiple, se puede determinar el valor mínimo de ١٠,164 y el valor óptimo igual a 29,769, que debería cumplir un proyecto de inversión pública en la etapa de ejecución de obra.

Tabla 15

Ponderación de la inteligencia artificial en la ejecución de obra


Tabla 16

Ponderación de los factores críticos de la inteligencia artificial en la ejecución de obra

Factores críticos

Coeficiente

Valor X

ÓPTIMO

Valor X

MÍNIMO

(Constante β)

10,164

 

10,164

 

10,164

Rotación del personal

1,791

3

5,373

0,0

0,0

Conocimiento del ejecutor del proyecto
(Invierte.pe, Presupuesto, Planeamiento, Contrataciones, Cooperación)

1,286

3

3,858

0,0

0,0

Disponibilidad de materiales

0,671

3

2,013

0,0

0,0

Experiencia del ejecutor

1,750

3

5,250

0,0

0,0

Solvencia por parte del contratista

1,037

3

3,111

0,0

0,0

Valores esperados  

 

 

29,769

 

10,164


Tabla 17

Escenario posible de la ponderación de la inteligencia artificial en la ejecución de obra

Valores totales posibles
en un escenario real

Valor
porcentual

29,769

100,0

28,874

97,0

28,231

94,8

27,356

91,9

10,164

34,1

29,769

 


En la tabla 17 se recomienda al administrador del proyecto que, para ser eficiente en su gestión, debería tomar solo los valores mayores a 28,8. En caso de obtener valores mínimos o menores que los recomendados, tendría que evaluar los resultados de los factores de la tabla 15, a fin de poder realizar las acciones correspondientes para mejorar dicho resultado.

Modelo de optimización para la priorización de proyectos (MOPP)

Modelo econométrico:
Donde:

Modelo de la investigación científica

Figura 2

Modelo de optimización de la inteligencia artificial en la gestión de proyectos de inversión pública

CONCLUSIONES

REFERENCIAS

Abdala, M., Lacroix, S., & Soubie, S. (2019). La política de la inteligencia artificial: sus usos en el sector público y sus implicancias regulatorias [Documento de trabajo n.o 185]. CIPPEC. https://www.cippec.org/wp-content/uploads/2019/10/185-DT-Abdala-Lacroix-y-Soubie-La-pol%C3%ADtica-de-la-Inteligencia-Artifici....pdf

Alemán, D. (2017). Artificial intelligence techniques applied to civil engineering problems. Revista Arquitectura e Ingeniería, 11(3). https://dialnet.unirioja.es/servlet/articulo?codigo=6452841

Almonacid, J., & Coronel, Y. (2020). Aplicabilidad de la inteligencia artificial y la tecnología blockchain en el derecho contractual privado. Revista de Derecho Privado, 38, 119-142. https://revistas.uexternado.edu.co/index.php/derpri/article/view/6298

Álvarez Ochoa, J. O. (٢٠٢١). Factores críticos que influyen en la gestión de los proyectos de saneamiento del Ministerio de Vivienda, Construcción y Saneamiento de la República del Perú [Tesis doctoral no publicada, en proceso de aprobación]. Universidad Nacional de Ingeniería.

Aubry, M., Hobbs, B., & Thuillier, D. (2007). A new framework for understanding organizational project management through the PMO. International Journal of Project Management, 25, 328-336. https://isiarticles.com/bundles/Article/pre/pdf/3179.pdf

Beltrán, R., Maciel, R., & Jiménez, J. (2014). La tecnología y la inteligencia artificial como futuro en el área pública. Universitas-XXI: Revista de Ciencias Sociales y Humanas, 21, 185-190. https://dialnet.unirioja.es/servlet/articulo?codigo=5968416

Bernal, C. (2010). Metodología de la investigación: administración, economía, humanidades y ciencias sociales (3.a ed.). Pearson Educación. https://abacoenred.com/wp-content/uploads/٢٠١٩/٠٢/El-proyecto-de-investigaci٪C٣٪B٣n-F.G.-Arias-٢٠١٢-pdf.pdf

Bravo, C., Aguilar Castro, J., Ríos, A., Aguilar Martin, J., & Rivas, F. (2011). Arquitectura basada en inteligencia artificial distribuida para la gerencia integrada de producción industrial. Revista Iberoamericana de Automática e Informática Industrial, 8(4), 405-417. https://polipapers.upv.es/index.php/RIAI/article/view/9710

Barrios, H., Díaz, V., & Guerra, Y. (2020). Subjetividades e inteligencia artificial: desafíos para “lo humano”. Veritas, 47, 81-107. https://scielo.conicyt.cl/scielo.php?pid=S0718-92732020000300081&script=sci_abstract

Cabanelas, J. (2019). Inteligencia artificial: ¿Dr. Jekyll o Mr. Hyde? Mercados y Negocios, 40, 4-16. https://www.redalyc.org/jatsRepo/5718/571860888002/index.html

CAF Banco de Desarrollo de América Latina. (2020). Implementación de un proyecto para el uso estratégico de datos e inteligencia artificial en el sector público en una ciudad de un país socio de CAF. https://www.caf.com/media/2678747/sobre-los-proyectos-y-el-apoyo-de-caf-propuestas-uso-de-datos-y-ai-en-el-sector-pu-blico.pdf

Campion, A., Gasco-Hernández, M., Jankin, S. & Esteve, M. (2020). Overcoming the challenges of collaboratively adopting artificial intelligence in the public sector. Social Science Computer Review. https://doi.org/10.1177/0894439320979953

Campos, C. (2019). Inteligencia artificial e innovación en la administración pública: (in)necesarias regulaciones para la garantía del servicio público. Revista Vasca de Gestión de Personas y Organizaciones Públicas, número especial, 74-91. https://www.ivap.euskadi.eus/contenidos/informacion/rvgp_ultimo_numero/es_def/Campos%2074_91.pdf

Escuela CLAD. (Ed.). (2021). Inteligencia artificial y ética en la gestión pública. https://clad.org/wp-content/uploads/2021/03/Libro-7-Inteligencia-artificial-y-%C3%A9tica-en-la-gesti%C3%B3n-p%C3%BAblica.pdf#page=15

Faundez, A., Mellado, R., & Aldunate, E. (2020). Use of artificial intelligence by tax administrations: an analysis regarding taxpayers’ rights in Latin American countries. Computer Law and Security Review, 38, [105441]. https://doi.org/10.1016/j.clsr.2020.105441

Gällstedt, M. (2003). Working conditions in projects: perceptions of stress and motivation among project team members and project managers. International Journal of Project Management, 21(6), 449-455.

Gutiérrez, M., Segovia, M., & Ramos, M. (2017). Análisis del riesgo de caída de cartera en seguros: metodologías de “inteligencia artificial” vs. “modelos lineales generalizados”. Economía Informa, 407, 56-86. https://www.sciencedirect.com/science/article/pii/S0185084917300592

Hernández, R., & Mendoza, P. (2018). Metodología de la investigación. Las rutas cuantitativa, cualitativa y mixta. McGraw-Hill Interamericana.

Larrondo, M., & Grandi, N. (2021). Inteligencia artificial, algoritmos y libertad de expresión. Universitas. Revista de Ciencias Sociales y Humanas, 34, 177-194. https://www.redalyc.org/jatsRepo/4761/476165932008/index.html

Mazzucatto, M. (2015). The Entrepreneurial State: debunking public vs. private sector myths. Anthem Press. https://marianamazzucato.com/books/the-entrepreneurial-state

McKinsey Global Institute. (2013). Infrastructure productivity: how to save $1 trillion a year. https://www.mckinsey.com/business-functions/operations/our-insights/infrastructure-productivitys?hl=es&lr=&id=SoMTEAAAQBAJ

Miranda, J. J. (2011). Gestión de proyectos (4.a ed.). https://silo.tips/queue/gestion-de-proyectos?&queue_id=-1&v=1630777790&u=MTkwLjIzNy4xNTcuMTYw

Observatorio Sector Público IECISA. (2017). Inteligencia artificial y su aplicación en los servicios públicos. https://www.ospi.es/export/sites/ospi/documents/informes/Informe_IA_Observatorio.pdf

Ortegón, E., & Machicao, J. (2020). Complejidad, inteligencia artificial y evolución en la gestión pública: retos y oportunidades. Universidad Continental, Fondo Editorial. https://books.google.com.pe/

Sánchez, R., Lardé, J., Chauvet, P., & Jaimurzina, A. (2017). Inversiones en infraestructura en América Latina. Tendencias, brechas y oportunidades. CEPAL. https://www.cepal.org/es/publicaciones/43134-inversiones-infraestructura-america-latina-tendencias-brechas-oportunidades

Sánchez, J., Cambil, J., Villegas, M., & Luque, F. (2020). Impacto de la inteligencia artificial en calidad asistencial. El camino hacia el futuro. Journal of Healthcare Quality Research, 35(6), 407-408.

Sánchez, J., Cambil, J., Villegas, M., & Luque, F. (2021). Inteligencia artificial y robótica. Reflexiones sobre la necesidad de implementar un nuevo marco bioético. Journal of Healthcare Quality Research, 36(2), 113-114. https://dialnet.unirioja.es/servlet/articulo?codigo=7842500

Sosa, M. C. (2007). Inteligencia artificial en la gestión financiera empresarial. Pensamiento & Gestión, 23, 153-186. https://www.redalyc.org/pdf/646/64602307.pdf

Tapia, A. (2020, 4 de diciembre). Decálogo de la inteligencia artificial ética y responsable en la Unión Europea. Diario La Ley. http://www.aidaargentina.com/wp-content/uploads/Dec%C3%A1logo_de_la_inteligen...-1.pdf

Vahos, L., Pastor, A., & Jiménez, J. (2013). Método para la formación de stakeholder en proyectos de ingeniería usando la metodología PMI y técnicas de inteligencia artificial. Revista Ingenierías, 12(23), 157-168. http://www.scielo.org.co/pdf/rium/v12n23/v12n23a13.pdf

Valbuena, R. (2021). Inteligencia artificial. Investigación científica avanzada centrada en datos. Publicaciones Centro de Capacitación Alternativa. https://books.google.com.pe/

Vega Luna, E. (2015, 9 de junio). ¿Por qué hay obras de agua y saneamiento paralizadas? Esta situación afecta tus derechos. Blog de la Defensoría del Pueblo. https://www.defensoria.gob.pe/blog/obras-de-agua-paralizadas/

Wallace, W. (2014). Gestión de proyectos. Edinburgh Business School. https://ebs.online.hw.ac.uk/documents/course-tasters/spanish/pdf/pr-bk-taster.pdf

Yepes, N., & Martínez, Y. (2019, 10-13 de septiembre). El proceso de enseñanza y aprendizaje digital en la cátedra de formulación y evaluación de proyectos de ingeniería. Encuentro Internacional de Educación en Ingeniería ACOFI, Cartagena de Indias, Colombia. https://acofipapers.org/index.php/eiei/article/view/88