Framework ciberfísico y orientado a datos para la gestión de proyectos de construcción: diseño y validación en contextos reales
DOI:
https://doi.org/10.26439/interfases2026.n023.8789Palavras-chave:
gestión de proyectos, sector construcción, transformación digital, inteligencia artificial, analítica de datos, frameworkResumo
La industria de la construcción enfrenta desafíos persistentes asociados a la fragmentación de la información, la baja interoperabilidad entre sistemas y la limitada capacidad para gestionar datos en tiempo real, lo que afecta la toma de decisiones en proyectos complejos. En este contexto, el presente estudio tiene como objetivo diseñar y validar un framework orientado a integrar tecnologías emergentes y enfoques basados en datos para fortalecer la gestión de proyectos. Esto se realiza a través de un enfoque mixto, en el que se combina una validación cuantitativa mediante el método Delphi con la participación de cinco expertos internacionales y una evaluación cualitativa mediante grupos focales con representantes de treinta y cuatro empresas del sector de la construcción. El framework se estructura a partir de una arquitectura multicapa, un flujo de datos continuo y seis dimensiones operativas que articulan la captura, procesamiento, análisis y uso de la información. Los resultados evidencian una alta aceptación del framework, con una media global de 4,51 sobre 5,00, un coeficiente de variación promedio de 0,019, un alfa de Cronbach de 0,87 y un coeficiente de Kendall de 0,79, lo que indica un elevado nivel de consenso y confiabilidad. Asimismo, la evaluación cualitativa confirma su aplicabilidad en contextos reales y destaca mejoras en la toma de decisiones, la optimización de recursos y la anticipación de riesgos, aunque se identifican desafíos asociados a la interoperabilidad, la inversión tecnológica y la disponibilidad de talento especializado. Se concluye que el framework constituye una propuesta viable para avanzar hacia modelos de gestión más inteligentes, integrados y orientados a datos en el sector construcción.
Downloads
Referências
Akbari, S., Khanzadi, M., & Gholamian, M. R. (2018). Building a rough sets-based prediction model for classifying large-scale construction projects based on sustainable success index. Engineering, Construction and Architectural Management, 25(4), 534-558. https://doi.org/10.1108/ECAM-05-2016-0110
Alotaibi, B. S., Shema, A. I., Ibrahim, A. U., Abuhussain, M. A., Abdulmalik, H., Dodo, Y. A., & Atakara, C. (2024). Assimilation of 3D printing, artificial intelligence (AI) and internet of things (IoT) for the construction of eco-friendly intelligent homes: An explorative review. Heliyon, 10(17), e36846. https://doi.org/10.1016/j.heliyon.2024.e36846
Alves, J. L., Palha, R. P., & Filho, A. T. de A. (2025). Towards an integrative framework for BIM and artificial intelligence capabilities in smart architecture, engineering, construction, and operations projects. Automation in Construction, 174, 106168. https://doi.org/10.1016/j.autcon.2025.106168
Baghalzadeh Shishehgarkhaneh, M., Keivani, A., Moehler, R. C., Jelodari, N., & Roshdi Laleh, S. (2022). Internet of things (IoT), building information modeling (BIM), and digital twin (DT) in construction industry: A review, bibliometric, and network analysis. Buildings, 12(10), 1503. https://doi.org/10.3390/buildings12101503
Belton, I., MacDonald, A., Wright, G., & Hamlin, I. (2019). Improving the practical application of the Delphi method in group-based judgment: A six-step prescription for a well-founded and defensible process. Technological Forecasting and Social Change, 147, 72-82. https://doi.org/10.1016/j.techfore.2019.07.002
Chathuranga, S., Jayasinghe, S., Antucheviciene, J., Wickramarachchi, R., Udayanga, N., & Weerakkody, W. S. (2023). Practices driving the adoption of agile project management methodologies in the design stage of building construction projects. Buildings, 13(4), 1079. https://doi.org/10.3390/buildings13041079
Craveiro, M., & Domingues, L. (2025). Artificial intelligence on project management performance domains. Procedia Computer Science, 256, 1583-1590. https://doi.org/10.1016/j.procs.2025.02.294
Creswell, J. W., & Clark, V. L. P. (2017). Designing and conducting mixed methods research. Sage.
Cui, Y., Ma, Z., Wang, L., Yang, A., Liu, Q., Kong, S., & Wang, H. (2023). A survey on big data-enabled innovative online education systems during the COVID-19 pandemic. Journal of Innovation & Knowledge, 8(1), 100295. https://doi.org/10.1016/j.jik.2022.100295
Datta, S. D., Islam, M., Sobuz, M. H. R., Ahmed, S., & Kar, M. (2024). Artificial intelligence and machine learning applications in the project lifecycle of the construction industry: A comprehensive review. Heliyon, 10(5), e26888. https://doi.org/10.1016/j.heliyon.2024.e26888
Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in the era of big data–Evolution, challenges and research agenda. International Journal of Information Management, 48, 63-71. https://doi.org/10.1016/j.ijinfomgt.2019.01.021
Feng, N. (2022). The influence mechanism of BIM on green building engineering project management under the background of big data. Applied Bionics and Biomechanics, 8227930. https://doi.org/10.1155/2022/8227930
Greeshma, A. S., & Edayadiyil, J. B. (2022). Automated progress monitoring of construction projects using machine learning and image processing approach. International Conference on Advances in Construction Materials and Structures, 65, 554-563. https://doi.org/10.1016/j.matpr.2022.03.137
Hsu, C.-C., & Sandford, B. A. (2007). The delphi technique: Making sense of consensus. Practical Assessment, Research, and Evaluation, 12(1), 10. https://doi.org/10.7275/PDZ9-TH90
Huang, Y., Shi, Q., Zuo, J., Pena-Mora, F., & Chen, J. (2021). Research status and challenges of data-driven construction project management in the big data context. Advances in Civil Engineering, 6674980. https://doi.org/10.1155/2021/6674980
Jakobsen, S. M., Momme, M. B., & Kadenic, M. D. (2025). Exploring strategies for successful implementation of IT projects: Integrating project management practices and human factors. Procedia Computer Science, 256, 1493-1504. https://doi.org/10.1016/j.procs.2025.02.283
Kerzner, H. (2025). Project management: A systems approach to planning, scheduling, and controlling. John Wiley & Sons.
Krueger, R. A., & Casey, M. A. (2014). Focus groups: A practical guide for applied research (5.a ed.). Sage.
Niederberger, M., & Spranger, J. (2020, 21 de septiembre). Delphi technique in health sciences: A map. Frontiers in Public Health, 8, Article 457. https://doi.org/10.3389/fpubh.2020.00457
Okoli, C., & Pawlowski, S. D. (2004). The Delphi method as a research tool: An example, design considerations and applications. Information & Management, 42(1), 15-29. https://doi.org/10.1016/j.im.2003.11.002
Omokhua, D., Mayouf, M., Ashayeri, I., Ekanayake, E., & Zalloom, B. (2025). Adoption of BIM in architectural firms in Nigeria: A survey of current practices, challenges and enablers. Buildings, 15(24), 4547. https://doi.org/10.3390/buildings15244547
Pan, M., Yang, Y., Zheng, Z., & Pan, W. (2022). Artificial intelligence and robotics for prefabricated and modular construction: A systematic literature review. Journal of Construction Engineering and Management, 148(9), 03122004. https://doi.org/10.1061/(ASCE)CO.1943-7862.0002324
Parsamehr, M., Perera, U. S., Dodanwala, T. C., Perera, P., & Ruparathna, R. (2023). A review of construction management challenges and BIM-based solutions: Perspectives from the schedule, cost, quality, and safety management. Asian Journal of Civil Engineering, 24, 353-389. https://link.springer.com/article/10.1007/s42107-022-00501-4
Qian, Z., Yang, X., Xu, Z., & Cai, W. (2021). Research on key construction technology of building engineering under the background of big data. Journal of Physics: Conference Series, 1802, 032003. https://doi.org/10.1088/1742-6596/1802/3/032003
Sacks, R., Brilakis, I., Pikas, E., Xie, H. S., & Girolami, M. (2020). Construction with digital twin information systems. Data-Centric Engineering, 1, e14. https://doi.org/10.1017/dce.2020.16
Shmueli, G., Bruce, P. C., Gedeck, P., & Patel, N. R. (2019). Data mining for business analytics: Concepts, techniques and applications in Python. John Wiley & Sons.
Shojaei, R. S., Oti-Sarpong, K., & Burgess, G. (2023). Enablers for the adoption and use of BIM in main contractor companies in the UK. Engineering, Construction and Architectural Management, 30(4), 1726-1745. https://doi.org/10.1108/ECAM-07-2021-0650
Shokouhi, M., & Bachari, M. S. (2025). An overview of the aspects of sustainability in project management. Progress in Engineering Science, 2(1), 100048. https://doi.org/10.1016/j.pes.2024.100048
Sivarajah, U., Kumar, S., Kumar, V., Chatterjee, S., & Li, J. (2024). A study on big data analytics and innovation: From technological and business cycle perspectives. Technological Forecasting and Social Change, 202, 123328. https://doi.org/10.1016/j.techfore.2024.123328
Sompolgrunk, A., Banihashemi, S., Golzad, H., & Nguyen, K. L. (2024). Strategic alignment of BIM and big data through systematic analysis and model development. Automation in Construction, 168, 105801. https://doi.org/10.1016/j.autcon.2024.105801
Wu, L., & AbouRizk, S. (2023). Towards construction’s digital future: A roadmap for enhancing data value. En S. Walbridge, M. Nik-Bakht, K. T. W. Ng, M. Shome, M. S. Alam, A. el Damatty & G. Lovegrove (Eds.), Proceedings of the Canadian Society of Civil Engineering Annual Conference 2021 (pp. 225-238). CSCE. https://doi.org/10.13140/RG.2.2.29564.67205
Zabala-Vargas, S., Jaimes-Quintanilla, M., & Jimenez-Barrera, M. H. (2023). Big data, data science, and artificial intelligence for project management in the architecture, engineering, and construction industry: A systematic review. Buildings, 13(12), 2944. https://doi.org/10.3390/buildings13122944
Downloads
Publicado
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
Última actualización: 03/05/21
