IA, gemelos digitales y planificación de reformas: ¿qué es una moda pasajera y qué resulta útil hoy en día?

Esta es la respuesta breve: las herramientas útiles hoy en día son aquellas que te ayudan a planificar el CAPEX utilizando gestión de activos basada en el riesgo, evalúa las opciones de modernización, clasifica los proyectos según el riesgo y las emisiones de carbono, y documenta los motivos por los que has tomado cada decisión. La IA es eficaz para la clasificación de inspecciones. Los gemelos digitales son eficaces para simular escenarios de modernización. Los modelos de riesgo son eficaces para indicar cuándo hay que reparar, aplazar o sustituir. Y ninguno de ellos debería funcionar en piloto automático.

Si tuviera que resumir todo el artículo, diría lo siguiente:

• La IA ayuda a organizar el trabajo de inspección, no a sustituir a los ingenieros
• Los modelos de ciclo de vida y de riesgo ayudan a planificar el gasto a lo largo de 5, 10 y 30 años
• Los gemelos digitales permiten comparar las distintas opciones de rehabilitación antes de que comience la obra
• Las herramientas de gestión de carteras ayudan a clasificar los edificios según su riesgo, sus emisiones y su presupuesto
• Unos datos de activos erróneos interrumpirán todos y cada uno de esos flujos de trabajo

Unas cuantas cifras lo dejan claro enseguida: la revisión de imágenes basada en la inteligencia artificial ha alcanzado aproximadamente Precisión del 94% para algunos casos concretos de detección de defectos; un caso de la cartera que se ha gestionado Más de 2.000 solicitudes de mantenimiento en 600 inmuebles; y los gemelos calibrados han respaldado los planes de modernización vinculados a Ahorro energético estimado entre 14% y 27%, con un caso en el que se ha informado de Ahorro real del modelo 23% una vez finalizado el trabajo.

¡Aprovecha todo el potencial de los gemelos digitales con IA en el sector de la construcción!

sbb-itb-5be7949

Comparación rápida

Herramienta	Para qué lo usaría ahora	Lo que hace bien	Límite principal
Evaluación del estado con ayuda de la inteligencia artificial	Inspecciones de selección en carteras de gran tamaño	Detecta posibles defectos a partir de fotografías, vídeos, imágenes tomadas con drones y registros de trabajo	Deficiente, con daños ocultos, fallos esporádicos y datos desordenados
Modelización del ciclo de vida y de los riesgos	Reparar o sustituir el sistema de distribución	Estado de los enlaces, riesgo de fallo y coste a lo largo del tiempo	Las previsiones de un solo punto pueden llevar a conclusiones erróneas
Gemelos digitales	Pruebas de escenarios de modernización	Compara el consumo energético, el confort, el coste y las opciones de fase	Se necesitan datos de referencia calibrados
Herramientas de priorización de carteras	Clasificación de proyectos en distintos activos	Ayuda a destinar los fondos en primer lugar a los que obtienen peores resultados	Los resultados aún deben ser revisados por personas
Oxand Simeo™	Planificación plurianual de CAPEX/OPEX	Integra el estado, el envejecimiento, los riesgos y la modelización de escenarios en planes listos para la auditoría	Depende de que el registro de activos esté al día y de los datos sobre el estado actual

Así pues, si gestionas un campus, un sistema sanitario, una red de servicios públicos o una cartera de inmuebles comerciales que se están quedando obsoletos, la estrategia a corto plazo es sencilla: Corregí primero tus datos, utiliza la inteligencia artificial para agilizar la revisión de las inspecciones, emplea modelos de riesgo para gestionar el tiempo dedicado y utiliza gemelos digitales cuando dispongas de suficientes datos del edificio como para confiar en los resultados de los escenarios.

1. Oxand Simeo

Oxand Simeo™ es una plataforma de planificación de inversiones en activos diseñada para tomar decisiones sobre CAPEX y OPEX basadas en el riesgo en horizontes temporales de 5, 10 y 30 años. ^[1][5][6]

En lo que respecta a la planificación de renovaciones, su función principal es bastante sencilla: ayudar a los equipos a simular cómo envejecen, fallan y se recuperan los activos en función de diferentes vías de intervención. La plataforma se basa en Más de 10 000 modelos de envejecimiento y rendimiento y Más de 30 000 acciones de mantenimiento y bases de coste. ^[2][3] Aon describe SIMEO™ como:

una potente herramienta de simulación que permite comparar estrategias de inversión a corto y largo plazo, respaldada por modelos de envejecimiento y bases de datos de mantenimiento creadas a lo largo de más de 15 años. ^[4]

Esto es importante a la hora de planificar el día a día. Un gestor de cartera puede simular escenarios como retrasar cinco años la sustitución del tejado, adelantar las mejoras del sistema de climatización para cumplir un objetivo de descarbonización o mantener el CAPEX sin cambios en lugar de aumentarlo. Así, puede comparar las compensaciones entre costes, riesgos y emisiones sin verse abrumado por el caos de las hojas de cálculo. ^[3][5] Oxand afirma que este método puede reducir el coste del ciclo de vida, mejorar la disponibilidad y agilizar la planificación para las auditorías. ^[2][4]

La plataforma también admite ISO 55001 gobernanza. Además, genera automáticamente un registro de auditoría que vincula cada recomendación de inversión con los datos y modelos en los que se basa. ^[3]

Sin embargo, hay un gran inconveniente: la calidad de la planificación depende de la calidad de los datos con los que se alimenta. Simeo depende de que los datos procedentes del CMMS, el IoT, las inspecciones y otras fuentes de información sobre activos estén actualizados y sean completos. Si el registro de activos presenta lagunas o los datos sobre el estado están desactualizados, los escenarios reflejarán esos defectos. Puede hacer que los datos de calidad resulten más útiles, pero no salvará a los datos de mala calidad. ^[3] Por eso es fundamental dar prioridad a la evaluación del estado de las instalaciones con ayuda de la inteligencia artificial.

2. Evaluación del estado con ayuda de la inteligencia artificial

La evaluación del estado de las instalaciones con ayuda de la IA ayuda a los equipos a convertir los datos de inspección en un un sistema de triaje más rápido. No sustituye a los ingenieros. Les ayuda a identificar qué aspectos requieren atención prioritaria. Por eso, la inspección es uno de los primeros ámbitos en los que la IA está empezando a dar sus frutos.

En el uso diario, esto suele significar aplicar aprendizaje automático y visión artificial a fotos, vídeos, imágenes tomadas con drones y registros de mantenimiento. El sistema clasifica el estado de los activos, señala posibles defectos y proporciona a los inspectores un mejor punto de partida. En estos momentos, los mejores casos de uso son las comprobaciones visuales repetitivas, entre las que se incluyen:

• crepitar
• desprendimiento
• corrosión
• defectos en el tejado
• infiltración de agua
• anomalías en la fachada

En lo que respecta a las imágenes captadas por drones, el aprendizaje profundo ha alcanzado aproximadamente Precisión del 94% en la detección de distintos tipos de daños en el hormigón.^[8]

Esto cambia la forma en que los equipos pueden gestionar grandes carteras. En lugar de revisar cada activo siguiendo el mismo calendario anual fijo, la IA puede realizar una evaluación preliminar de la cartera y señalar el grupo de mayor riesgo para que se someta a una revisión técnica exhaustiva. Un marco de trabajo de 2023 aplicado a una cartera inmobiliaria procesó más de 2.000 solicitudes de mantenimiento en 600 inmuebles. Combinó el análisis de imágenes de las fotos de los tejados con el análisis de texto de los registros de los sistemas de climatización y, a continuación, transformó esos resultados en paquetes de trabajo específicos y reparaciones de los sistemas de climatización en un plazo de 60 días.^[7]

Dicho esto, el punto óptimo en este caso es rendimiento y uniformidad En la inspección, no en un diagnóstico totalmente autónomo. La IA puede ayudar a clasificar, ordenar por importancia y señalar problemas. Todavía no es una herramienta en la que se pueda confiar por sí sola para determinar la causa raíz o definir el alcance de la reparación.

También existen límites estrictos. La IA funciona mejor cuando los datos de inspección están vinculados a los identificadores de los activos, los tipos de defectos, los índices de gravedad y los resultados del seguimiento. Sin esa estructura, el rendimiento disminuye. Además, resulta menos fiable en casos de deterioro oculto, modos de fallo poco frecuentes, tipos de construcción muy variables o activos con documentación desordenada. Y, al igual que ocurre con muchas herramientas de software, los modelos pueden parecer seguros de sí mismos incluso cuando los datos se salen del ámbito para el que fueron entrenados.

La opción más sensata en este momento es Inspección asistida por IA con revisión por parte de un ingeniero. Dejemos que el modelo clasifique los activos según su probable deterioro y señale las anomalías. A continuación, los ingenieros confirman las valoraciones del estado, determinan la causa raíz y deciden el alcance de las reparaciones en todo lo relacionado con la seguridad, el cumplimiento normativo o las decisiones importantes de inversión. El proceso es sencillo: inspeccionar, verificar e invertir. Esas puntuaciones de estado verificadas pueden incorporarse posteriormente a los modelos de ciclo de vida y de riesgo.

3. Modelización del ciclo de vida y de los riesgos

Una vez que hayas confirmado las puntuaciones de estado mediante la inspección asistida por IA, el siguiente paso es sencillo: ¿Cuándo conviene gastar dinero y en qué? Para ello, es necesario partir de un registro de activos actualizado, puntuaciones de estado verificadas, la vida útil restante (RUL), datos de costes y una visión clara de la probabilidad de fallo y sus consecuencias. Al reunir todos estos elementos, los datos sobre el estado de los activos comienzan a orientar los plazos, el alcance y los límites de riesgo.

La modelización basada en el riesgo suele dar mejores resultados que la planificación basada únicamente en la antigüedad. Un estudio realizado a partir de datos de inspecciones anteriores reveló que la gestión de instalaciones basada en el riesgo presentaba una relación más estrecha con el estado y la fiabilidad futuros que los modelos deterministas basados en la antigüedad.^[16][18] Esa idea no es nueva. Lo que ha cambiado es la escala a la que se puede aplicar. Dos fachadas construidas el mismo año pueden requerir planes de actuación muy diferentes en función de su exposición, su uso y las consecuencias que tendría su fallo. Una fachada situada sobre una entrada pública muy transitada tiene prioridad. Una fachada similar en un ala de servicio con poco tráfico puede esperar. La antigüedad por sí sola no lo indica.

En lo que respecta a la inteligencia artificial, los modelos pronósticos basados en esta tecnología han alcanzado ya un nivel de madurez suficiente como para mejorar las previsiones de vida útil residual en comparación con las tablas de vida útil.^[9][11][13] Son capaces de analizar señales de degradación superpuestas, deterioros no lineales y diferentes condiciones de funcionamiento. Además, pueden generar intervalos de vida útil restante (RUL) con límites de confianza que facilitan una planificación que tenga en cuenta los riesgos.^[9][11] En el uso diario, estos modelos resultan más prácticos para activos de gran valor o de alto riesgo —puentes, elementos estructurales importantes y sistemas MEP de importancia crítica— en los que los propietarios ya disponen de registros de inspección o datos de sensores.^[9][10] En el caso de carteras de edificios en general con datos más limitados, los modelos más sencillos basados en la antigüedad, el entorno y las revisiones periódicas del estado suelen ser la opción más adecuada, especialmente para fachadas y cubiertas.^[13] Esas previsiones deberían incorporarse directamente a la planificación de los gastos de capital (CAPEX) y los gastos operativos (OPEX) de la cartera.

Pero hay un inconveniente: las estimaciones de RUL pueden parecer exactas sobre el papel y, aun así, no dar en el blanco. Si los activos se utilizan en condiciones distintas a las empleadas para entrenar el modelo —nuevos materiales, fenómenos climáticos extremos o cambios en los patrones de uso—, la previsión puede estar muy lejos de la realidad.^[11][12] Un error habitual es elaborar planes de inversión basándose en estimaciones de la vida útil residual (RUL) de un solo punto, sin realizar pruebas de sensibilidad ni recalibraciones periódicas.^[9][11] Es más seguro considerar los resultados del ciclo de vida como gamas, no respuestas fijas. Documenta los supuestos, conserva las curvas de deterioro en el archivo y recalibra el modelo tras cada ciclo de inspección para que se mantenga actualizado y no quede obsoleto.^[17][15]

La verdadera cuestión es cuánta incertidumbre puede soportar tu modelo.

Acérquese a	Fuerza	Limitación clave
Renovación en función de la edad	Sencillo y fácil de explicar	A menudo no tiene en cuenta el estado real, el uso y las consecuencias de un fallo
Modelización del ciclo de vida basada en el estado	Refleja el desgaste real y la vida útil restante	Requiere inspecciones periódicas y datos de buena calidad
Modelización basada en el riesgo	Prioriza según la probabilidad y el impacto	Es necesario establecer criterios de criticidad y mecanismos de gobernanza consensuados
Previsión de la vida útil restante (RUL) basada en la inteligencia artificial	Puede mejorar la precisión de las previsiones y gestionar el deterioro no lineal	Depende de la calidad de los datos de entrenamiento y puede sobreestimar la precisión

En algunos casos, los activos que en su momento se habían previsto sustituir a corto plazo han durado sin problemas 25% o más más allá de las estimaciones de vida útil, lo que permite a los equipos aplazar el gasto de capital (CAPEX) sin salirse de un margen de riesgo aceptable.^[14] Por otro lado, la modelización de riesgos puede poner de manifiesto activos problemáticos ocultos —estructuras con una vida útil teórica prolongada, pero en las que las condiciones del entorno son deficientes—, de modo que los equipos puedan intervenir a tiempo allí donde el riesgo en materia de seguridad y cumplimiento normativo es mayor.^[13] Esos rangos se convierten entonces en los datos de entrada para las pruebas de escenarios de renovación con gemelos digitales.

4. Gemelos digitales para la simulación de escenarios de renovación

Los gemelos digitales ayudan a los propietarios a evaluar las opciones de rehabilitación en función del rendimiento real del edificio, los costes y las molestias que ello conlleva. Un gemelo digital calibrado del edificio integra un modelo BIM o 3D, datos de consumo de servicios públicos por intervalos, datos de los sistemas de climatización y de gestión de edificios (HVAC/BMS), y los horarios de ocupación.^{[21][22][23][30]} A partir de ahí, puede simular el comportamiento actual de un edificio y cómo podría responder a las distintas opciones de rehabilitación, incluyendo los efectos sobre el consumo energético, las cargas máximas, el confort y las compensaciones entre CAPEX y OPEX.^[22][23][26]

La palabra clave aquí es calibrado. Un modelo de simulación resulta más útil cuando se ajusta al rendimiento de referencia medido y refleja los datos de la empresa de servicios públicos local, los archivos climáticos y los patrones de ocupación reales.^[23][26] Ese paso es lo que convierte el modelo de una estimación aproximada en algo que los propietarios pueden utilizar para planificar.

En el día a día, los gemelos digitales pueden ayudar a los propietarios a decidir si una rehabilitación es más conveniente que una sustitución completa, qué conjunto de medidas ofrece el mejor retorno de la inversión y qué orden seguir a la hora de renovar los activos para alcanzar los objetivos de reducción de emisiones de carbono y cumplir con los plazos establecidos por la normativa y los reglamentos.^[22][25][26] A nivel de cartera, los gemelos pueden comparar las distintas opciones de renovación y ayudar a ordenar los proyectos en función del plazo de amortización, los periodos de interrupción y los plazos reglamentarios.^[20][25]

Ya hay ejemplos claros. Un modelo digital calibrado del edificio que se utilizó para planificar una renovación del sistema de climatización en el Universidad de Liverpool Se preveía un ahorro energético de 14%. El consumo energético real se redujo en 23%, lo que supuso un ahorro de aproximadamente $32 000 al año.^[29] En un estudio paralelo realizado para 15 edificios de oficinas de Singapur, se calculó un ahorro energético de 27% y una producción de electricidad de hasta 19% procedente de instalaciones fotovoltaicas in situ.^[31] A escala de cartera, este mismo método ofrece a los equipos una forma estandarizada de comparar activos mixtos. Este mismo enfoque calibrado puede utilizarse, por tanto, en toda la cartera.

Por supuesto, esos resultados dependen de los datos de referencia utilizados para ajustar el gemelo. Como mínimo, los propietarios estadounidenses necesitan datos de consumo por intervalos de entre 12 y 24 meses, un modelo del edificio razonablemente preciso, las especificaciones principales de los sistemas y los horarios de ocupación.^[21][22][23] Sin esa base, los resultados de los escenarios resultan demasiado inciertos para tomar decisiones de inversión reales. En el caso de los edificios más antiguos, cuya documentación es escasa, los equipos pueden crear gemelos digitales por etapas, partiendo de los planos de obra y añadiendo datos de sensores y contadores a lo largo del tiempo.^[22][27]

Donde los gemelos digitales destacan es en la realización de pruebas continuas de distintos escenarios. Los equipos pueden simular situaciones con diferentes niveles de ocupación, condiciones meteorológicas extremas o cambios en las tarifas, y luego actualizar el modelo a medida que se reciben nuevos datos.^[19][22] Igualmente importante es que el sistema gemelo ofrece a los propietarios, ingenieros y operadores una referencia visual común. Esto puede reducir las idas y venidas que a menudo ralentizan las decisiones de inversión.^[22][25][27] Twins también facilita la medición y la verificación tras la implementación, relacionando el rendimiento previsto con los resultados reales.^[23][24][27]

Dicho esto, hay límites. Muchos gemelos se centran exclusivamente en el consumo energético y pasan por alto otras cuestiones, como el riesgo estructural, el cumplimiento de la normativa, el comportamiento de los inquilinos y la logística de la construcción.^[22][25][15] Esos datos aún deben ser revisados por expertos. A escala de cartera, sigue siendo complicado recopilar datos dispares de docenas de edificios, y las afirmaciones de que los «gemelos de cartera» pueden generar automáticamente secuencias de renovación optimizadas van más allá de lo que la mayoría de los equipos pueden hacer hoy en día.^[19][20][28] Así pues, la estrategia más acertada es sencilla: utilizar gemelos digitales para comparar opciones, no para sustituir el criterio de los ingenieros. Esos resultados pueden servir de apoyo a la hora de establecer prioridades en la cartera de proyectos y planificar la descarbonización. El siguiente paso consiste en clasificar esas opciones en función del riesgo, las emisiones de carbono y el presupuesto.

Caso práctico	Vencimiento hoy	Requisito clave	Limitación principal
Simulación de la rehabilitación del sistema de climatización de un único edificio	Útil hoy	Datos calibrados de servicios públicos y del sistema de gestión de edificios (BMS)	Ámbito de aplicación limitado; centrado en decisiones relacionadas con la energía y los sistemas de climatización
Pruebas de escenarios de rehabilitación de la envolvente	Útil hoy	Modelo 3D/BIM + archivo climático + datos de contadores	La calibración requiere más trabajo en los edificios más antiguos
Secuenciación de las renovaciones a nivel de cartera	En auge	Datos coherentes en todos los activos	La integración de datos heterogéneos sigue siendo compleja
Medición y verificación tras la implementación	Útil hoy	Medición y seguimiento continuos	Requiere un compromiso constante con la gestión de datos

5. Priorización de la cartera y planificación de la descarbonización

Las simulaciones de escenarios a nivel de edificio solo dan sus frutos si se invierte el capital de la cartera en los lugares adecuados. A nivel de cartera, el proceso es bastante sencillo de describir, pero más difícil de llevar a cabo correctamente: clasificar los proyectos según riesgo, carbono y presupuesto. E incluso con un software potente, esa decisión sigue requiriendo el criterio humano.

Empieza por comparar cada activo en Gestor de carteras ENERGY STAR, y a continuación utilice el del DOE MEJOR herramienta para clasificar los edificios según su potencial de rehabilitación para alcanzar un consumo energético neto cero.^[32][39] A partir de ahí, clasifica los activos según su intensidad de gases de efecto invernadero, el tipo de sistema de calefacción y la intensidad de carbono de la red eléctrica. Esto facilita la selección de edificios representativos para realizar auditorías más exhaustivas y, posteriormente, aplicar los resultados obtenidos a activos similares.^[33] Esto resulta mucho más útil cuando las clasificaciones se vinculan a las puntuaciones de estado, los rangos de RUL y los resultados de los escenarios ya establecidos mediante el modelado del ciclo de vida y las pruebas con gemelos digitales.

En pocas palabras: empezar por los que obtienen peores resultados. Destinar los fondos de renovación a esos activos puede reportar Reducciones entre 10 y 30 veces mayores en cuanto al consumo energético y las emisiones de carbono que los enfoques menos específicos.^[36] del DOE Desafío «Por un mejor clima» da una idea de cómo puede ser eso en la práctica. Los participantes señalaron que... Reducción media de gases de efecto invernadero según el modelo 21% durante el primer año.^[35][37]

Por ahora, suele ser recomendable centrar el modelo en Emisiones operativas de los alcances 1 y 2, a menos que la cartera cuente con datos más exhaustivos en los que se pueda confiar. El carbono incorporado, el alcance 3 y el riesgo climático detallado siguen quedando al margen de muchas herramientas básicas de planificación.^[38][40] Así pues, aunque estas herramientas resultan útiles para planificar los trabajos y asignar presupuestos, una hoja de ruta de renovación orientada a la reducción de las emisiones de carbono sigue necesitando la revisión de expertos.

También deberías doblar IRA incentivos en el modelo. El §179D descuento por eficiencia energética, §45L desgravaciones fiscales, y el Crédito fiscal por inversión ya que las energías renovables in situ pueden mejorar la rentabilidad de los proyectos de toda una cartera. En pocas palabras, pueden ayudar a sacar más partido a un presupuesto fijo de CAPEX sin desviarse de los objetivos de emisiones de carbono.^[34]

Herramienta / Enfoque	Decisión que respalda	Vencimiento hoy	Limitación clave
Gestor de carteras ENERGY STAR	Comparativa de la intensidad de EUI y de gases de efecto invernadero en los distintos activos	Para adultos	Datos de referencia sobre servicios públicos; sin evaluación del estado.
Herramienta DOE BETTER	Priorización de edificios para su rehabilitación con el objetivo de alcanzar un consumo energético neto cero	Para adultos	De carácter general; no sustituye a las auditorías.
Priorización «lo peor primero»	Planificación de las reformas para lograr el máximo impacto en la reducción de las emisiones de carbono	Para adultos	Es necesario establecer una referencia coherente para toda la cartera.
Modelización de incentivos de las cuentas IRA	Mejora de la rentabilidad de los proyectos y de la asignación de CAPEX	Para adultos	Es necesario comprobar que se cumplen los requisitos.
El carbono incorporado y la integración del Alcance 3	Planificación de las emisiones de carbono a lo largo de todo el ciclo de vida	En auge	Sigue habiendo lagunas en los datos.

Estas herramientas funcionan mejor cuando los datos de la cartera están bien organizados y la decisión ya se ha planteado en torno a riesgo, carbono y presupuesto.

Ventajas, inconvenientes y decisiones sobre la mejor opción

La verdadera pregunta no es qué son estas herramientas promesa. La cuestión es cuáles son los que tienen peso en la toma de decisiones ahora mismo.

La mayoría de las herramientas solo son importantes cuando ayudan a modificar una decisión de inversión, no cuando generan un panel de control con un aspecto impecable. Los criterios establecidos anteriormente en este artículo siguen siendo válidos: Calendario de inversiones en capital (CAPEX), objetivos de reducción de emisiones de carbono, registro de auditoría y reducción de riesgos. Si una herramienta no puede ayudar con eso, es difícil justificar su uso.

El mantenimiento predictivo puede reducir los costes y mejorar el tiempo de actividad, pero muchas implementaciones siguen sin alcanzar los objetivos de retorno de la inversión porque los datos son insuficientes y la configuración del proceso no está lista.^[41][42] Esa es la diferencia. No es la tecnología en sí misma.

Los gemelos digitales con datos en tiempo real permiten simular escenarios de renovación. Los gemelos estáticos basados en BIM se limitan, en su mayoría, a describir lo que ya existe. Esa es una gran diferencia. La cuestión no es si la herramienta aspecto avanzada; la cuestión es si puede respaldar una decisión de inversión defendible.

Oxand Simeo™ destaca en este aspecto. Permite planificar las inversiones de capital (CAPEX) a varios años vista mediante modelos probabilísticos de envejecimiento y de riesgo, y lo hace sin depender de densas redes de sensores.

La matriz que figura a continuación distingue entre las herramientas que pueden mejorar las decisiones de renovación en la actualidad y aquellas que aún necesitan datos más precisos o una gestión más rigurosa.

Asunto	Ventajas actuales	Principales limitaciones	Caso de uso más adecuado	Todavía no es lo suficientemente fiable
Oxand Simeo™	Planificación de CAPEX/OPEX basada en el riesgo; simulación de escenarios; registro de auditoría conforme a la norma ISO 55001; independiente de redes densas de IoT	Requiere un registro de activos actualizado y datos de estado calibrados	Carteras de gran tamaño que requieren planes de inversión basados en el riesgo y alineados con los objetivos de reducción de emisiones de carbono, con documentación justificativa	Asignación automática del presupuesto sin revisión humana
Evaluación del estado con ayuda de la inteligencia artificial	Detección más temprana de defectos; clasificación coherente de las inspecciones; decisiones de mantenimiento específicas	Requiere un historial suficiente de datos de sensores e imágenes; puede pasar por alto defectos estructurales ocultos	Inspección de alta frecuencia con abundantes datos operativos	Único fundamento para tomar decisiones de gran importancia en materia de seguridad estructural
Modelización del ciclo de vida y de los riesgos	Somete a pruebas de resistencia los escenarios presupuestarios; cuantifica las trayectorias de riesgo; ayuda a planificar el calendario de inversiones de capital (CAPEX) en horizontes temporales de entre 5 y 30 años	Las curvas de degradación dependen de la calidad de los datos históricos; las previsiones puntuales pueden inducir a error	Análisis de escenarios presupuestarios a nivel de cartera	Las previsiones puntuales tratadas como certezas
Gemelos digitales para la simulación de escenarios	Simulaciones hipotéticas de la rehabilitación de la envolvente, los sistemas de climatización y los sistemas de control antes de la construcción; permiten identificar de forma temprana los principales factores que influyen en los costes y los riesgos.	Gran esfuerzo inicial en el caso de los edificios antiguos; obstáculos relacionados con la interoperabilidad y la ciberseguridad; a menudo descriptivos, no predictivos	Edificios que ya cuentan con infraestructura BIM, BMS e IoT; renovaciones complejas por fases	Planificación de la renovación a escala de ciudad o de distrito; predicción precisa del comportamiento de los ocupantes
Priorización de la cartera y descarbonización	Agrega los datos sobre el riesgo a nivel de activo y las emisiones de carbono en los paneles de control de la cartera; facilita la elaboración de planes de renovación alineados con los objetivos de reducción de emisiones de carbono	Siguen existiendo lagunas en los datos del Alcance 3 y del carbono incorporado; los resultados deben ser revisados por expertos	Carteras con múltiples centros que tienen obligaciones de información normativa o en materia de criterios ESG	Selección de proyectos totalmente automatizada sin revisión por parte de los órganos de gobierno

Hay dos errores que se repiten una y otra vez: datos de entrada de mala calidad y la interpretación de los gráficos de tendencias como si fueran previsiones de riesgo. Ambos se pueden evitar. Se necesita una base de datos sólida y la disciplina necesaria para tratar los resultados del modelo como apoyo a la toma de decisiones, no es la última palabra.

Así pues, la cuestión práctica para los propietarios estadounidenses es bastante sencilla: ¿qué herramientas deben incluirse en el plan a corto plazo y cuáles es mejor dejar de lado por ahora?

Qué deberían hacer ahora los propietarios y gestores de carteras estadounidenses

Comience con limpiar los datos de los activos. A continuación, incorpora la IA después de Vuestro proceso de inventario e inspección está estandarizado. En estos momentos, las herramientas que más ayudan a la hora de tomar decisiones sobre reformas son aquellas que se basan en datos de activos claros y bien estructurados.

Elabora un inventario completo de activos que incluya el tipo de activo, el modelo, el número de serie, la antigüedad y la ubicación. Manténlo organizado siguiendo una norma de clasificación única, como por ejemplo Uniformat II.^[44] A continuación, estandarice las inspecciones mediante formularios digitales, fotografías y la puntuación FCI. El Departamento de Defensa de EE. UU. utiliza puntuaciones FCI validadas en un ciclo de cinco años y revisa unos 20% de activos cada año.^[45]

Una vez definidos el inventario y las inspecciones, pasa a la modelización de «reparar frente a sustituir». Utiliza modelos de vida útil residual y de riesgo para clasificar las decisiones de reparar o sustituir. A continuación, utiliza el EUI, las emisiones, el fin de la vida útil y la intensidad de carbono de la red eléctrica para decidir qué proyectos deben priorizarse en la cartera.^[43]

Oxand Simeo™ puede convertir datos sobre activos, riesgos, estado, energía y emisiones de carbono en escenarios de CAPEX y OPEX a varios años vista. Esto facilita la planificación temporal del CAPEX, la elaboración de planes de renovación alineados con los objetivos de reducción de emisiones de carbono y la preparación de documentación lista para auditorías en toda la cartera.

Una vez que tengas definidos los escenarios de la cartera, incorpora el mantenimiento predictivo en aquellos casos en los que el historial de datos sea sólido. Partiendo de esa misma base de datos, el mantenimiento predictivo basado en inteligencia artificial puede aportar De $25 000 a $150 000 de ahorro anual para un 100 000 pies cuadrados edificio comercial.^[41]

La puesta en marcha práctica puede llevarse a cabo a lo largo de De 12 a 24 meses:

• Limpiar el registro de activos
• Estandarizar las inspecciones de los sistemas de alta criticidad, como tejados, sistemas de climatización, instalaciones eléctricas y de seguridad
• Implementar modelos de riesgo de referencia en un grupo piloto
• Ampliar la planificación de escenarios a toda la cartera
• Incorporar la clasificación de defectos y la detección de anomalías basadas en imágenes únicamente cuando se disponga de un historial de datos suficiente

A continuación, incorpora todos los resultados a la planificación de capital, los registros de riesgos, los informes ESG y los materiales para el consejo de administración. De este modo, la planificación de inversiones basada en el riesgo sigue siendo trazable, en lugar de quedar oculta en un panel de control de la plataforma que nadie consulta.

Preguntas frecuentes

¿Qué datos necesito antes de utilizar la IA o los gemelos digitales?

Antes de incorporar la inteligencia artificial o los gemelos digitales, pon en orden primero la capa de datos. Eso significa introducir la información de los activos en un sistema normalizado en lugar de dejarlo disperso en hojas de cálculo, herramientas de proveedores y registros antiguos.

Empieza por los datos históricos:

• inventarios de activos
• registros de mantenimiento
• gastos recurrentes
• detalles de la garantía
• características físicas

A continuación, añade datos de telemetría en tiempo real, como el consumo energético, la temperatura, las vibraciones y la ocupación.

El objetivo es sencillo: ofrecer a tu equipo un único lugar desde el que trabajar, con datos que sigan el Las 5 C – completa, correcta, actualizada, coherente y exhaustiva.

¿En qué casos merece la pena invertir en un gemelo digital para la planificación de una reforma?

Merece la pena invertir en un gemelo digital cuando la planificación de una reforma depende de la realización de pruebas complejas «¿Y si...?» escenarios. Esto incluye aspectos como las reformas energéticas, la coordinación de los proyectos de inversión con los ciclos de vida útil de los equipos o la ponderación de los objetivos de reducción de emisiones de carbono frente a las restricciones presupuestarias.

Esto cobra aún más importancia en el caso de las carteras grandes y maduras. En esos casos, los métodos de clasificación sencillos pueden pasar por alto riesgos como los plazos de cumplimiento normativo o las limitaciones específicas de cada emplazamiento. Un gemelo digital reúne los datos dispersos en un único lugar, lo que ayuda a los equipos a tomar decisiones de inversión más basadas en el riesgo.

¿Cómo debería combinar la inteligencia artificial, los modelos de riesgo y la revisión humana?

Utiliza un enfoque estructurado en el que cada parte tenga una función clara.

Comience con datos sobre activos centralizados, estandarizados y preparados para auditorías. Si los datos están desordenados, todo lo que viene después se vuelve inestable rápidamente.

A continuación, utiliza IA y modelos de riesgo para analizar grandes conjuntos de datos y modelar el envejecimiento de los activos, su mantenimiento y los escenarios de emisiones de carbono. Es aquí donde empiezan a surgir patrones a gran escala.

Por último, añade revisión humana para comprobar los resultados, tener en cuenta los límites cotidianos, como la ocupación o el presupuesto, y establecer prioridades de inversión. Este último paso es fundamental. Los datos pueden orientarte en la dirección correcta, pero sigue siendo necesario que las personas evalúen qué es lo que funciona sobre el terreno.

Esto ayuda a que las decisiones basado en datos, orientado al riesgo y alineado con los objetivos de la organización.

Entradas de blog relacionadas

• Gemelos digitales para la sostenibilidad: Simular escenarios antes de invertir
• IA para la planificación de la inversión de activos: Donde realmente crea valor
• Cómo la IA puede ayudar a priorizar la renovación de infraestructuras antiguas con restricciones presupuestarias
• ¿Puede la IA ayudar a identificar los edificios con peor rendimiento antes de iniciar grandes programas de rehabilitación?