Estamos en plena era de la IA, o eso se repite constantemente. Sin embargo, cuando bajas al día a día de una pyme industrial, una ingeniería o un departamento técnico, la situación es bastante menos espectacular. La oportunidad real aparece se analiza realmente qué tareas de una oficina técnica se pueden automatizar con inteligencia artificial: preparación de informes, tratamiento de documentación, reuniones, clasificación de información o pequeñas tareas auxiliares de programación.
Buena parte de las horas de una oficina técnica tampoco se emplean calculando, diseñando o tomando decisiones críticas. Hay tiempo que se pierde ordenando notas, buscando antecedentes, trasladando información entre sistemas, reconstruyendo reuniones o adaptando documentos a una plantilla. Es precisamente en ese trabajo intermedio, poco brillante pero imprescindible, donde la IA puede empezar a tener sentido empresarial.
Para ciertas operaciones auxiliares puedes apoyarte en plataformas como ToolToDo, junto con sistemas documentales, automatizaciones convencionales y software especializado. La cuestión importante no es qué herramienta está de moda, sino dónde está el cuello de botella. A partir de ahí conviene analizar tres procesos habituales: informes técnicos, reuniones de proyecto y consulta de documentación.
Qué tareas de una oficina técnica se pueden automatizar con inteligencia artificial
La IA encaja mejor en tareas repetitivas donde hay que recopilar, clasificar, resumir o transformar información antes de aplicar criterio técnico. Puede preparar material, detectar patrones y generar borradores. Cuanto mayor sea el impacto de un error sobre seguridad, normativa, coste o diseño, menor debe ser su autonomía.
La pregunta qué tareas de una oficina técnica se pueden automatizar con inteligencia artificial tiene una respuesta menos atractiva que muchos discursos comerciales, pero bastante más útil: conviene empezar por los procesos donde el ingeniero actúa de intermediario entre información desordenada y un resultado estructurado.
Ahí entran las actas, los borradores de informes, la clasificación documental, la preparación de checklists, la consulta de procedimientos o determinadas rutinas de código. Son trabajos donde parte del valor consiste en localizar, ordenar y transformar información que ya existe.
El matiz importante es que automatización e inteligencia artificial no significan lo mismo.
Una automatización convencional trabaja especialmente bien cuando la lógica puede expresarse mediante reglas estables. Si un documento aprobado entra en una carpeta concreta, puede copiarse automáticamente al repositorio del proyecto. Si una incidencia cambia de estado, el sistema puede enviar una notificación. No hace falta IA para eso.
La inteligencia artificial aporta valor cuando la información resulta menos estructurada: una conversación, un conjunto de notas, varios documentos con terminología distinta o una petición redactada en lenguaje natural. Un software especializado de ingeniería, por su parte, continúa siendo la herramienta adecuada para cálculos, modelado o simulaciones que requieren métodos definidos y controlados.
IA aplicada · procesos documentales
Dónde puede ayudar la IA y qué debe seguir revisando una persona
La utilidad de la IA cambia según el cuello de botella. En informes, reuniones y documentación técnica puede acelerar clasificación, búsqueda y estructuración, pero la validación final sigue dependiendo del contraste con los datos, documentos y decisiones originales.
| Proceso | Cuello de botella habitual | Papel razonable de la IA | Revisión humana |
|---|---|---|---|
| Informes técnicos | Reunir notas, mediciones, imágenes y antecedentes antes de redactar. | Clasificar información, ordenar observaciones y preparar un borrador. | Datos, unidades, referencias, interpretación y conclusiones. |
| Reuniones de proyecto | Convertir conversación en acuerdos, responsables y acciones. | Transcribir, estructurar decisiones y preparar el acta. | Fechas, nombres, cifras, compromisos y cambios de alcance. |
| Documentación técnica | Encontrar la versión correcta y localizar información dentro de muchos archivos. | Búsqueda semántica, síntesis y preparación inicial. | Contraste con documentos originales y vigencia de la información. |
Lectura técnica: la IA resulta especialmente útil cuando el problema es localizar, ordenar o transformar información. El punto de control no desaparece: unidades, referencias, versiones, compromisos, interpretación y conclusiones deben contrastarse antes de convertir una salida automatizada en documentación técnica válida.
La frontera puede entenderse con una regla empresarial sencilla: automatiza con más libertad aquello que sea frecuente, comprobable y reversible. Reduce la autonomía cuando el error pueda propagarse hasta una decisión difícil de corregir.
Un borrador de acta incorrecto puede detectarse antes de aprobarlo. Una selección equivocada de cargas de cálculo puede tener consecuencias mucho más serias. Técnicamente, ambas tareas contienen información; operativamente, pertenecen a niveles de riesgo completamente distintos.
Tres procesos de oficina técnica donde la IA puede liberar trabajo repetitivo
1. Del montón de notas al informe técnico revisado
Imagina una ingeniería que desarrolla proyectos de instalaciones industriales y realiza visitas de seguimiento. El técnico vuelve a la oficina después de revisar una instalación y dispone de fotografías, notas tomadas durante la visita, mediciones, comentarios recibidos por correo, documentación anterior y quizá una hoja de cálculo actualizada.
A primera vista, parece que su siguiente tarea consiste en redactar un informe. En realidad, todavía está lejos de poder escribirlo.
Antes tendrá que revisar las fotografías, relacionarlas con las observaciones, decidir qué valores de las mediciones son definitivos, comprobar si determinados comentarios ya habían aparecido en una visita anterior y reconstruir qué incidencias siguen abiertas. Después deberá adaptar toda esa información a la estructura documental de la empresa.
El cuello de botella está aquí: preparar el material que permite redactar.
Parte de ese problema se puede resolver sin inteligencia artificial. Una nomenclatura coherente de archivos, formularios de inspección, plantillas, campos obligatorios y un repositorio documental bien organizado eliminan bastante trabajo innecesario.
De hecho, introducir IA sobre un proceso documental caótico suele ser una mala decisión. Si existen tres versiones de una misma medición y nadie sabe cuál es válida, ningún modelo debería decidirlo por su cuenta.
Una vez organizado el proceso, la IA puede recibir un conjunto de información previamente identificado:
- notas de visita;
- observaciones del técnico;
- fotografías con descripción;
- mediciones;
- actas anteriores;
- extractos de especificaciones;
- estructura del informe que utiliza la empresa.
A partir de esa entrada puede clasificar las observaciones por disciplinas, separar incidencias abiertas de cuestiones cerradas, detectar información repetida, preparar una tabla preliminar de desviaciones y proponer la estructura narrativa del informe.
Después puede generar un borrador.
La palabra importante es borrador.
El ingeniero sigue teniendo que comprobar si una presión está expresada en la unidad correcta, si la fotografía corresponde realmente al equipo indicado, si una desviación incumple una especificación o simplemente refleja una alternativa admisible y si la conclusión propuesta se desprende de los datos disponibles.
El flujo cambia de esta forma:
- Información dispersa → información ordenada → borrador asistido → contraste con datos originales → revisión técnica → informe aprobado
Antes, una parte importante de la capacidad del técnico quedaba absorbida por clasificación y preparación documental. Después de introducir el nuevo flujo, esa carga puede reducirse y la revisión puede concentrarse en los puntos donde realmente importa el conocimiento profesional.
Lo que no desaparece es la responsabilidad sobre el contenido.
Si el informe acaba recomendando modificar una instalación, cambiar un componente o rechazar una solución ejecutada, esa conclusión tiene consecuencias técnicas y económicas. No debería adoptarse simplemente porque un modelo haya redactado una explicación convincente.
2. De una reunión desordenada a decisiones y tareas trazables
Las reuniones técnicas son otro buen ejemplo porque generan mucha información y, sorprendentemente, bastante retrabajo.
Piensa en una reunión semanal de proyecto con ingeniería, producción, compras, mantenimiento, proveedores y dirección de proyecto. Durante cuarenta minutos pueden hablarse cambios de diseño, retrasos de suministro, nuevas fechas, consultas al cliente, modificaciones de planos y decisiones sobre materiales.
Una persona intenta participar en la conversación mientras toma notas.
Al terminar, comienza un segundo trabajo: interpretar sus propios apuntes.
Tiene que convertir frases incompletas en acuerdos, identificar responsables, comprobar fechas y separar una propuesta que se comentó de una decisión que realmente quedó aprobada. Si el acta tarda dos días en circular, algunos participantes quizá recuerden la conversación de forma diferente.
El problema no es simplemente escribir un acta. El problema es la pérdida de trazabilidad entre lo que se dijo, lo que se decidió y lo que alguien debe ejecutar después.
Una transcripción automática ya elimina una primera barrera. La IA puede trabajar después sobre ese texto y localizar temas, propuestas, acuerdos, acciones pendientes, responsables mencionados y fechas.
El flujo podría quedar así:
- Se graba o transcribe la reunión según las políticas internas aplicables.
- El sistema separa los temas tratados.
- La IA identifica posibles acuerdos y acciones.
- Genera un borrador de acta.
- El responsable revisa nombres, fechas, cifras y compromisos.
- Se corrigen ambigüedades.
- El acta aprobada pasa al sistema de proyectos.
- Las acciones validadas se convierten en tareas.
El ahorro operativo procede de que nadie necesita reconstruir toda la conversación desde cero.
Eso no convierte el resultado automático en acta oficial.
Un modelo puede asignar una frase al interlocutor equivocado, interpretar como acuerdo lo que era una posibilidad, confundir una referencia de plano o convertir una fecha tentativa en un compromiso. En un proyecto real, esos detalles tienen peso contractual y operativo.
Por eso conviene definir una revisión explícita:
- responsables;
- fechas;
- cantidades;
- versiones de planos;
- referencias documentales;
- cambios de alcance;
- decisiones que impliquen coste;
- compromisos adquiridos frente al cliente.
Una vez revisado, el sistema puede conectar esa información con el resto del proyecto. Una tarea puede quedar vinculada al acta de la que procede, al documento afectado y a la persona que asumió la acción.
Ese es un cambio bastante más interesante que “generar actas con IA”. Lo relevante es convertir una conversación difícil de explotar en información estructurada y rastreable.
3. De buscar manuales durante horas a consultar conocimiento técnico organizado
El tercer caso aparece en empresas donde la información ya existe, pero encontrarla tiene un coste operativo considerable.
Una ingeniería que trabaja con varias familias de equipos puede acumular manuales, fichas técnicas, instrucciones internas, procedimientos de mantenimiento, especificaciones de fabricantes, documentación de proyectos anteriores y criterios propios desarrollados durante años.
El problema no suele ser la falta de conocimiento, sino en acceder al documento adecuado, saber qué versión está vigente, localizar el apartado correcto y entender cómo se relaciona con el caso actual.
Un técnico puede recordar que una determinada tolerancia aparecía en un manual concreto. Aun así, tendrá que abrir varios archivos, buscar términos distintos, comparar documentos y verificar que no está consultando una revisión antigua.
Un buscador tradicional ayuda si conoces la palabra exacta. La búsqueda semántica puede ir más lejos y relacionar preguntas redactadas en lenguaje natural con fragmentos relevantes aunque no utilicen exactamente la misma terminología.
Sobre un repositorio autorizado, la IA puede:
- localizar apartados relacionados con una consulta;
- agrupar fragmentos procedentes de varios documentos;
- resumir diferencias;
- preparar una estructura para un procedimiento;
- generar preguntas que convenga resolver;
- proponer un borrador basado en la documentación recuperada.
La condición técnica es importante: el sistema debe permitir volver a la fuente original.
Si preguntas cuál es el par de apriete de una unión crítica, una síntesis automática puede ayudarte a encontrar la información, pero el valor que se utilice debería contrastarse con el manual, la ficha o la especificación correspondiente.
Lo mismo ocurre con tolerancias, requisitos normativos, ajustes, limitaciones de operación o condiciones contractuales. El resumen sirve para orientarte. La documentación aprobada sigue siendo la referencia.
En entornos BIM y de gestión documental esta necesidad de estructurar flujos, estados y responsabilidades resulta especialmente relevante. El análisis de Abanda y colaboradores sobre ISO 19650 muestra cómo el modelado explícito de procesos facilita comprender responsabilidades, interdependencias y movimientos de información dentro de equipos multidisciplinares (Abanda et al., 2025).
La IA resulta mucho más útil cuando trabaja dentro de esa organización que cuando se convierte en una capa adicional de desorden.
¿Qué parte del proceso conviene automatizar?
Una matriz sencilla permite evitar dos errores habituales: automatizar algo porque técnicamente es posible o rechazarlo porque contiene cualquier componente de ingeniería.
IA aplicada · nivel de autonomía
Qué tareas admiten automatización y cuáles exigen criterio profesional
La repetitividad por sí sola no determina cuánto puede delegarse en IA. También importan la claridad de las reglas, el impacto de un error y el nivel de criterio profesional necesario para validar el resultado.
| Tipo de tarea | Repetitividad | Reglas | Impacto de un error | Criterio profesional | Enfoque recomendable |
|---|---|---|---|---|---|
| Transcripción inicial | Alta | Claras | Bajo | Bajo | Automatización razonable |
| Clasificación documental | Alta | Bastante claras | Medio | Medio | Asistencia con control |
| Borrador de informe | Media | Claras en estructura | Medio/alto | Alto | Asistencia y revisión completa |
| Script auxiliar | Media | Definibles | Alto si entra en producción | Alto | Generación asistida y pruebas |
| Cálculo de dimensionamiento | Media | Muy definidas | Crítico | Muy alto | IA limitada a apoyo |
| Decisión de seguridad | Variable | Dependientes del contexto | Crítico | Imprescindible | Decisión profesional |
| Aprobación técnica | Baja | Contextuales | Muy alto | Imprescindible | Sin autonomía |
Lectura técnica: una tarea puede tener reglas muy definidas y seguir siendo poco adecuada para una ejecución autónoma si el impacto de un error es crítico. La matriz separa automatización, asistencia y decisión profesional según el riesgo y el nivel de criterio necesario, no solo según lo repetitiva que sea la tarea.
Esta matriz introduce algo que falta en muchos proyectos de adopción: no todas las automatizaciones merecen el mismo grado de confianza.
Un sistema que prepara una clasificación inicial puede revisarse por muestreo si el riesgo está controlado. Un resultado que condiciona seguridad, cumplimiento o dimensionamiento exige otro nivel de comprobación.
Cómo integrar la IA sin perder trazabilidad ni control técnico
El problema serio de la IA en ingeniería no empieza cuando el modelo se equivoca. Empieza cuando una organización deja de saber qué información era original, qué parte fue generada y quién validó el resultado.
En una oficina técnica madura, el control documental ya debería distinguir versiones, estados, responsables y aprobaciones. La IA tiene que incorporarse a ese sistema, no colocarse por encima.
Un modelo operativo razonable puede estructurarse así:
Información original → procesamiento con IA → borrador → contraste → revisión técnica → aprobación → registro
1. Información original
Todo comienza por identificar qué material está autorizado para alimentar el proceso.
Puede tratarse de:
- pliegos;
- especificaciones;
- manuales;
- transcripciones;
- mediciones;
- notas;
- archivos de proyecto;
- procedimientos;
- documentación BIM;
- datos procedentes de sistemas corporativos.
Aquí aparece una regla básica de ingeniería de datos: si la entrada está equivocada, duplicada o desactualizada, la automatización puede acelerar precisamente el error que intentabas evitar.
2. Procesamiento
Después debe definirse qué transformación se espera del sistema.
“Analiza estos documentos” es una instrucción demasiado abierta para un proceso corporativo estable.
Resulta mucho más controlable establecer operaciones concretas:
- clasifica incidencias según estas categorías;
- extrae responsables y fechas de esta transcripción;
- resume estos apartados manteniendo la referencia documental;
- prepara un borrador con esta plantilla;
- identifica contradicciones entre estas dos versiones;
- genera un script que realice una operación determinada.
Cuanto mejor delimitada esté la salida, más fácil resulta comprobarla.
3. Borrador
El resultado generado debe tener un estado propio.
No es todavía una memoria aprobada, un procedimiento válido, un acta definitiva ni una instrucción técnica.
Es material pendiente de revisión.
Parece una distinción obvia, pero operativamente es decisiva. Si una organización mezcla borradores generados con documentación validada dentro del mismo repositorio, acabará perdiendo control sobre qué puede utilizarse realmente.
4. Contraste
Cuando una IA resume documentación o extrae información, conviene que el técnico pueda volver al fragmento original.
El objetivo es reducir la distancia entre respuesta y evidencia.
En aplicaciones más técnicas, el principio es parecido. Los desarrollos recientes que combinan modelos de lenguaje con BIM muestran que el uso de IA puede integrarse con comprobaciones formales en lugar de funcionar como una generación libre. El proyecto Text2BIM, por ejemplo, utiliza agentes basados en modelos de lenguaje para convertir instrucciones en código y combina ese proceso con verificaciones basadas en reglas antes de refinar el resultado (Du et al., 2025).
La lección para una oficina técnica es clara: cuanto más cerca esté la automatización del núcleo técnico, más valor tienen las comprobaciones estructuradas.
5. Revisión técnica
La revisión tampoco debería consistir en leer superficialmente el texto para comprobar que “suena bien”.
Un responsable tiene que saber qué aspectos revisar según el proceso:
- datos;
- unidades;
- hipótesis;
- normativa;
- referencias;
- versiones;
- coherencia física;
- omisiones;
- consecuencias de las conclusiones;
- compatibilidad con documentación aprobada.
Los modelos son especialmente peligrosos cuando producen respuestas plausibles. Un error evidente suele detectarse pronto. Una explicación técnicamente bien redactada que contiene una premisa equivocada puede superar una revisión superficial.
La evidencia disponible sobre gestión de riesgos en construcción encaja con este punto. En una comparación ciega entre GPT-4 y especialistas, el modelo mostró capacidad para generar planes amplios, mientras que los expertos mantuvieron ventaja en practicidad y adaptación al contexto; los autores plantearon precisamente una relación complementaria entre ambos enfoques (Nyqvist et al., 2024).
6. Aprobación
Una vez revisado el resultado, alguien debe asumir formalmente su aprobación cuando el procedimiento lo requiera.
Conviene distinguir tres estados:
IA aplicada · control documental
Generado, revisado y aprobado no significan lo mismo
Separar estos estados ayuda a saber si una salida automática sigue siendo un borrador, si ya ha pasado por una comprobación profesional o si puede utilizarse como versión válida dentro del proceso.
Generado
El sistema ha producido una salida.
Revisado
Un profesional ha comprobado el contenido definido en el procedimiento.
Aprobado
El documento puede utilizarse como versión válida dentro del proceso.
| Estado | Qué significa |
|---|---|
| Generado | El sistema ha producido una salida. |
| Revisado | Un profesional ha comprobado el contenido definido en el procedimiento. |
| Aprobado | El documento puede utilizarse como versión válida dentro del proceso. |
Lectura técnica: una salida generada no debería confundirse con una salida aprobada. Introducir estados explícitos permite separar la producción automática de la revisión profesional y de la autorización final para utilizar el documento dentro del flujo de trabajo.
Esta separación evita que una herramienta tecnológica borre responsabilidades que siguen existiendo en la organización.
7. Registro
El resultado aprobado debe volver al sistema documental correspondiente.
Ahí debería quedar identificado como cualquier otro documento controlado: versión, fecha, responsable, proyecto, estado y, cuando proceda, historial de cambios.
Versión controlada que entra en el circuito habitual de la oficina técnica.
IA aplicada · flujo documental
Del dato original al documento aprobado: cómo encaja la IA dentro del proceso
La IA actúa en una fase intermedia del flujo. Puede ayudar a clasificar, extraer, sintetizar o estructurar información, pero su salida sigue siendo provisional hasta que una revisión técnica la convierte en documentación válida.
Información original
Documentos, datos, notas, transcripciones o especificaciones identificadas.
IA
Clasificación, extracción, síntesis, estructuración o generación auxiliar.
Borrador
Salida provisional que todavía no debe utilizarse como documentación validada.
Revisión técnica
Comprobación de datos, referencias, contexto, unidades, normativa y conclusiones.
Documento aprobado
Versión válida para utilizarse dentro del proceso técnico definido.
Dónde aporta valor la IA
En la organización y transformación inicial de la información, no en la validación final.
Qué no debe confundirse
Un borrador generado o asistido no equivale a un documento revisado o aprobado.
Punto de control crítico
La revisión técnica decide si la salida puede convertirse en versión válida.
Lectura técnica: el valor del flujo no está en “automatizar el documento” sino en separar con claridad origen, asistencia, borrador, revisión y aprobación. Esa trazabilidad evita que una salida provisional entre en operación como si ya hubiese sido validada.
Este modelo resulta menos espectacular que poner un chatbot delante de todos los documentos de la empresa. También resulta bastante más útil.
Cómo decidir qué proceso automatizar primero
Veredicto técnico: La primera automatización debería ser frecuente, medible, basada en reglas relativamente estables y sencilla de revisar. Conviene evitar como piloto una decisión crítica o un proceso lleno de excepciones. Empieza por un cuello de botella pequeño, mide el cambio y amplía únicamente cuando el nuevo flujo demuestre que funciona.
Muchas implantaciones fallan porque empiezan por la herramienta.
Se compra una licencia, se crea una cuenta corporativa o se anuncia un “proyecto de IA” y después alguien intenta encontrar problemas que justifiquen la decisión. El orden debería ser el contrario.
Primero hay que dibujar un proceso real.
Una buena secuencia puede ser esta:
- Elegir una tarea concreta. Mejor “preparación del acta semanal de proyecto” que “automatizar reuniones”.
- Representar el proceso actual. Qué entra, quién interviene, qué sistemas se utilizan y qué salida se produce.
- Localizar el cuello de botella. Determinar dónde se acumulan horas, errores, esperas o retrabajo.
- Separar trabajo mecánico de criterio técnico. Clasificar, copiar o resumir no tienen el mismo nivel de responsabilidad que interpretar o aprobar.
- Decidir dónde interviene la IA. Definir una función delimitada.
- Establecer la revisión humana. Especificar exactamente qué debe comprobarse.
- Probar con casos reales. Sin convertir el piloto en el nuevo estándar desde el primer día.
- Comparar el proceso anterior y el nuevo. Medir dedicación, retrabajo, incidencias y calidad de la salida.
- Corregir antes de escalar. Si el flujo exige más revisión de la prevista, hay que rediseñarlo.
La selección del primer proceso debería fijarse en cinco características.
1. Se repite con frecuencia
Automatizar algo que ocurre dos veces al año rara vez justifica el esfuerzo inicial de diseño, pruebas y control.
2. Consume tiempo mecánico
Cuanto mayor sea la proporción de clasificación, búsqueda, preparación o adaptación de formato, más interesante puede resultar.
3. Tiene entradas identificables
Un proceso es más sencillo de automatizar cuando sabes con qué documentos empieza y qué datos necesita.
4. El resultado puede comprobarse
Si no existe una manera clara de saber si la salida es correcta, introducir IA añade incertidumbre en lugar de eliminar trabajo.
5. Un error inicial es reversible
Las primeras pruebas deberían producir borradores o resultados intermedios que puedan corregirse antes de generar una consecuencia operativa seria.
La adopción en ingeniería tampoco avanza igual en todos los contextos. Un estudio presentado en el Construction Research Congress 2026, basado en respuestas de profesionales del sector, encontró una percepción especialmente favorable de la IA en planificación y preconstrucción, mientras que otras aplicaciones más próximas a la ejecución generaban mayor cautela (Sadeh et al., 2026).
Eso encaja bastante bien con una lógica industrial prudente: empezar donde la información pueda prepararse y verificarse antes de utilizarse para actuar.
IA aplicada · preparación del proceso
Checklist antes de automatizar
Antes de iniciar una prueba, merece la pena responder estas preguntas por escrito. El objetivo es comprobar que el problema, las fuentes, la salida, la revisión y el tratamiento de errores están suficientemente definidos.
Y aquí está el punto central del artículo.
En los tres casos analizados (informes, reuniones y documentación técnica) la tecnología aporta valor porque absorbe parte del trabajo previo a la decisión: recopilar, ordenar, clasificar, resumir y preparar información.
El ingeniero continúa realizando la parte incómoda de automatizar porque es precisamente la que aporta responsabilidad profesional: interpretar, comprobar, contextualizar, decidir y aprobar.
Ese reparto no debería verse como una limitación de la IA. Es una arquitectura de trabajo sensata.
Una oficina técnica eficiente no necesita convertir cada actividad en un proceso autónomo. Necesita evitar que profesionales cualificados gasten demasiadas horas en tareas mecánicas que pueden estructurarse mejor.
Por eso, antes de buscar otra herramienta, conviene coger un proceso real, dibujarlo de principio a fin y localizar dónde se acumula trabajo repetitivo. Si esa parte puede aislarse, comprobarse y automatizarse sin comprometer el control técnico, ahí tienes un candidato mucho mejor que cualquier lista genérica de “usos de la IA”.
Referencias consultadas:
- Abanda, F. H., Tah, J. H. M., & Cheung, F. K. T. (2025). Decoding ISO 19650 through process modelling for information management and stakeholder communication in BIM. Buildings, 15(3), 431.
- Du, J., et al. (2025). Text2BIM: Generating building models using a large language model-based multiagent framework. Journal of Computing in Civil Engineering.
- Nyqvist, R., Peltokorpi, A., & Seppänen, O. (2024). Can ChatGPT exceed humans in construction project risk management? Engineering, Construction and Architectural Management, 31(13), 223–247.
- Sadeh, H., et al. (2026). Can generative AI reengineer construction? Understanding industry awareness, perception, and digital evolution. Construction Research Congress 2026.
