Inteligencia artificial y modelos GPT personalizados para optimizar la gestión del conocimiento y las tareas profesionales del arquitecto técnico
DOI:
https://doi.org/10.20868/ade.2026.5724Palabras clave:
automatización, gestión del conocimiento, GPT, inteligencia artificial, productividadResumen
Los modelos avanzados de lenguaje permiten transformar tareas intensivas en información dentro de la Arquitectura Técnica mediante sistemas personalizados de apoyo profesional. Este trabajo describe la configuración de modelos GPT especializados para integrar normativa, procedimientos internos, pliegos, bases de precios, control de calidad, mediciones, seguridad y documentación de obra. El proceso parte de la selección, depuración y estructuración de fuentes, complementadas con instrucciones contextuales que definen el rol, el nivel técnico y la jerarquía de las respuestas. Entre las aplicaciones analizadas se encuentran la elaboración de informes, actas, memorias, planificaciones, fichas de control y listas de comprobación; la generación de hojas de cálculo y comparativos económicos; y la automatización de avisos, licitaciones, análisis de fotografías y flujos vinculados con herramientas de planificación.
Estos modelos pueden reducir tiempos, mejorar la coherencia documental y facilitar la reutilización del conocimiento experto. No obstante, actúan como apoyo y no sustituyen el juicio ni la responsabilidad profesional. Su implantación progresiva puede contribuir a modernizar el sector mediante una gestión más estructurada del conocimiento y la automatización de tareas de alto valor práctico.
Descargas
Referencias
1. Abanda, F. H., & Byers, L. (2016). An investigation of the impact of building orientation on energy consumption in a domestic building using emerging BIM (Building Information Modelling). Energy, 97, 517–527. https://doi.org/10.1016/j.energy.2015.12.135
2. Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., . . . Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.
3. Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at work (NBER Working Paper No. 31161). National Bureau of Economic Research.https://doi.org/10.3386/w31161
4. Du, S., Hou, L., Zhang, G., Tan, Y., & Mao, P. (2024). BIM and IFC data readiness for AI integration in the construction industry: A review approach. Buildings, 14(10), 3305. https://doi.org/10.3390/buildings14103305
5. Eastman, C., Lee, J.-M., Jeong, Y.-S., & Lee, J.-K. (2009). Automatic rule-based checking of building designs. Automation in Construction, 18(8), 1011–1033. https://doi.org/10.1016/j.autcon.2009.07.002
6. Eastman, C., Teicholz, P., Sacks, R., & Liston, K. (2011). BIM handbook: A guide to building information modeling for owners, managers, designers, engineers and contractors (2nd ed.). John Wiley & Sons.
7. International Organization for Standardization. (2018). Industry Foundation Classes (IFC) for data sharing in the construction and facility management industries—Part 1: Data schema (ISO Standard No. 16739-1:2018). https://www.iso.org/standard/70303.html
8. Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y., Chen, D., Dai, W., Chan, H. S., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Article 248, 1–38. https://doi.org/10.1145/3571730
9. Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-T., Rocktäschel,
10. T., Riedel, S., & Kiela, D. (2020). Retrieval-augmentedgeneration for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459–9474.
11. Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press.
12. Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
13. Pan, Y., & Zhang, L. (2021). Roles of artificial intelligence in construction engineering and management: A critical review and future trends. Automation in Construction, 122, 103517. https://doi.org/10.1016/j.autcon.2020.103517
14. PricewaterhouseCoopers. (2024). PwC’s 2024 AI Jobs Barometer: How will AI affect jobs, skills, wages, and productivity? https://www.pwc.es/es/consultoria/assets/pwc-ai-jobs-barometer-informe.pdf
15. 59 Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de 2016, relativo a la protección de las personas físicas en lo que respecta al tratamiento de datos personales y a la libre circulación de estos datos. (2016). Diario Oficial de la Unión Europea, L 119, 1–88. https://eur-lex.europa.eu/eli/reg/2016/679/oj
16. Succar, B. (2009). Building information modelling framework: A research and delivery foundation for industry stakeholders. Automation in Construction, 18(3), 357–375. https://doi.org/10.1016/j.autcon.2008.10.003
17. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.
18. Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing reasoning and acting in language models. The Eleventh International Conference on Learning Representations. https://openreview.net/forum?id=WE_vluYUL-X
19. Zhang, J., & El-Gohary, N. M. (2016). Semantic NLP-based information extraction from construction regulatory documents for automated compliance checking. Journal of Computing in Civil Engineering, 30(2), Article 04015014. https://doi.org/10.1061/(ASCE)CP.1943-5487.0000346
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Autor / BY-NC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
1. Los autores conservan los derechos de autor y garantizan a la revista el derecho de una Licencia Creative Commons Atribución - Nocomercial 4.0 Internacional que permite a otros compartir el trabajo con un reconocimiento de la autoría y uso no comercial.
2. Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro).
Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y distribución “Creative Commons"
