ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1706)
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1707)
http://www.aulavirtual.web.ve
REVISTA CIENTÍFICA
AULA VIRTUAL
Director Editor:
La Revista seriada Científica Arbitrada e Indexada
Aula Virtual, es de acceso abierto y en formato
electrónico; la misma está orientada a la
divulgación de las producciones científicas creadas
por investigadores en diversas áreas del
conocimiento. Su cobertura temática abarca
Tecnología, Ciencias de la Salud, Ciencias
Administrativas, Ciencias Sociales, Ciencias
Jurídicas y Políticas, Ciencias Exactas y otras áreas
afines. Su publicación es CONTINUA, indexada y
arbitrada por especialistas en el área, bajo la
modalidad de doble ciego. Se reciben las
producciones tipo: Artículo Científico en las
diferentes modalidades cualitativas y cuantitativas,
Avances Investigativos, Ensayos, Reseñas
Bibliográficas, Ponencias o publicaciones
derivada de eventos, y cualquier otro tipo de
investigación orientada al tratamiento y
profundización de la información de los campos de
estudios de las diferentes ciencias. La Revista Aula
Virtual, busca fomentar la divulgación del
conocimiento científico y el pensamiento crítico
reflexivo en el ámbito investigativo.
• Dra. Leidy Hernández PhD.
• Dr. Fernando Bárbara
Consejo Asesor:
• MSc. Manuel Mujica
• MSc. Wilman Briceño
• Dra. Harizmar Izquierdo
• Dr. José Gregorio Sánchez
Revista Científica Arbitrada de
Fundación Aula Virtual
Email: revista@aulavirtual.web.ve
URL: http://aulavirtual.web.ve/revista
ISSN:
Depósito Legal:
País:
Año de Inicio:
Periodicidad:
Sistema de Arbitraje:
Licencia:
Volumen:
Número:
Año:
Período:
Dirección Fiscal:
2665-0398
LA2020000026
Venezuela
2020
Continua
Revisión por pares. “Doble Ciego”
Creative Commons CC BY NC ND
7
14
2026
Enero 2026 - Junio 2026 (continua)
Av. Libertador, Arca del Norte, Nro.
52D, Barquisimeto estado Lara,
Venezuela, C.P. 3001
Generando Conocimiento
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1708)
http://www.aulavirtual.web.ve
Tipo de Publicación: Articulo Científico
Recibido: 22/05/2026
Aceptado: 24/06/2026
Publicado: 30/06/2026
Código Único AV: e772
Páginas: 1(1706-1729)
DOI: https://doi.org/10.5281/zenodo.21178180
Autores:
Jorge Luis Romero Flores
Ingeniero de Sistemas
https://orcid.org/0009-0000-8348-0422
E-mail: jorge.romerof@unmsm.edu.pe
Afiliación: Universidad Nacional Mayor de San
Marcos
País: República del Perú
María Alejandra Vidarte Vásquez
Economista
https://orcid.org/0009-0002-0707-9084
E-mail: maria.vidartev@unmsm.edu.pe
Afiliación: Universidad Nacional Mayor de San
Marcos
País: República del Perú
Percy Dario Mazuelos-Soldevilla
Ingeniero Comercial
Maestro en Contabilidad, Tributación y Auditoria
https://orcid.org/0000-0001-9678-3326
E-mail: permazuelos@upt.pe
Afiliación: Universidad Privada de Tacna
País: República del Perú
Pablo Enrique Mazuelos-Soldevilla
Ingeniero Industrial
https://orcid.org/0000-0002-7856-8785
E-mail: pabmazueloss@upt.pe
Afiliación: Universidad Privada de Tacna
País: República del Perú
Resumen
La gestión de proyectos de infraestructura pública enfrenta persistentes problemas de
sobrecostos, retrasos, baja eficiencia decisional y limitada capacidad institucional para
incorporar tecnologías digitales avanzadas. En este contexto, la inteligencia artificial y el
Business Intelligence emergen como herramientas estratégicas para mejorar la
planificación, el control presupuestal, la gestión de plazos y la toma de decisiones basada
en evidencia; sin embargo, su adopción continúa condicionada por barreras
organizacionales e institucionales que requieren ser sistematizadas. El objetivo de este
artículo fue proponer un marco conceptual de estrategias para superar dichas barreras,
orientado a facilitar la integración efectiva de la inteligencia artificial y el Business
Intelligence en entidades públicas gestoras de infraestructura. Para ello, se desarrolló una
revisión sistemática de la literatura siguiendo el protocolo PRISMA, a partir de artículos
científicos indexados en Scopus, publicados entre 2019 y 2025, vinculados con
inteligencia artificial, analítica de datos, inteligencia empresarial, infraestructura pública,
gestión de costos, gestión de plazos y transformación digital institucional. Los resultados
permitieron identificar barreras recurrentes, como resistencia al cambio, brecha digital,
baja madurez organizacional, escasez de especialistas, fragmentación de datos, limitada
interoperabilidad, debilidad regulatoria, insuficiente financiamiento y ausencia de
modelos de implementación gradual. Asimismo, se identificaron factores habilitadores
asociados al liderazgo directivo, la cultura institucional, la capacitación, la calidad de
datos, la gobernanza tecnológica y la coordinación interinstitucional. Se concluye que la
integración efectiva de estas tecnologías exige un marco estratégico progresivo basado en
diagnóstico institucional, fortalecimiento de capacidades, gobernanza de datos,
automatización del soporte decisional, regulación habilitante y evaluación continua, con
el fin de mejorar la eficiencia, transparencia y predictibilidad de la infraestructura pública.
Palabras
Clave
Inteligencia artificial, inteligencia empresarial, infraestructura pública,
barreras organizacionales, transformación digital institucional.
Abstract
Public infrastructure project management faces persistent challenges related to cost
overruns, schedule delays, weak decision-making capacity, and limited institutional
readiness to adopt advanced digital technologies. In this context, artificial intelligence and
Business Intelligence have emerged as strategic tools to improve planning, budget control,
schedule management, and evidence-based decision-making; however, their adoption
remains constrained by organizational and institutional barriers that require systematic
analysis. The objective of this article was to propose a conceptual framework of strategies
to overcome these barriers, aimed at facilitating the effective integration of artificial
intelligence and Business Intelligence in public entities responsible for infrastructure
management. To achieve this objective, a systematic literature review was conducted
following the PRISMA protocol, drawing on scientific articles indexed in Scopus and
published between 2019 and 2025, related to artificial intelligence, data analytics,
Business Intelligence, public infrastructure, cost management, schedule management, and
institutional digital transformation. The findings revealed recurring barriers, including
resistance to change, digital gaps, low organizational maturity, shortage of specialized
personnel, fragmented data systems, limited interoperability, weak regulatory
frameworks, insufficient funding, and the absence of gradual implementation models. The
review also identified key enabling factors, such as executive leadership, institutional
culture, staff training, data quality, technological governance, and interinstitutional
coordination. The study concludes that the effective integration of these technologies
requires a progressive strategic framework based on institutional readiness assessment,
capacity building, data governance, decision-support automation, enabling regulation, and
continuous evaluation. This framework may contribute to improving the efficiency,
transparency, and predictability of public infrastructure management, while strengthening
the institutional conditions needed for sustainable digital transformation in the public
sector.
Keywords
Artificial intelligence, Business Intelligence, public infrastructure,
organizational barriers, institutional digital transformation.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1709)
http://www.aulavirtual.web.ve
Introducción
La gestión de proyectos de infraestructura
pública afronta desafíos cada vez más complejos,
derivados de la articulación entre dinámicas
organizacionales, restricciones institucionales y
exigencias técnicas propias del sector público.
Desde la teoría de las capacidades dinámicas
organizacionales, la adopción efectiva de
tecnologías emergentes no depende únicamente de
su disponibilidad técnica, sino de la capacidad
institucional para reconfigurar recursos, procesos y
estructuras frente a entornos cambiantes
(Tomaževič et al., 2024). Bajo esta perspectiva, la
inteligencia artificial (IA) y el Business Intelligence
(BI) constituyen herramientas con potencial
estratégico para optimizar costos, plazos y procesos
decisionales en proyectos de infraestructura,
siempre que las entidades públicas logren enfrentar
las barreras organizacionales que condicionan su
implementación.
De manera complementaria, Madan & Ashok
(2023), desde la teoría de la difusión de
innovaciones, sostienen que la incorporación de IA
en la administración pública se encuentra mediada
por factores institucionales como la cultura
organizacional, el liderazgo directivo y la
gobernanza tecnológica. Estos elementos inciden
tanto en la velocidad de adopción como en la
profundidad con que las soluciones tecnológicas son
incorporadas en las rutinas administrativas. En esa
misma línea, Egwim et al., (2023) advierten que la
aplicación de IA a lo largo de la cadena de valor de
la construcción exige marcos analíticos capaces de
integrar las dimensiones técnicas y
organizacionales, debido a que la separación entre
ambas perspectivas constituye una limitación
persistente en la literatura especializada.
La producción científica reciente ha permitido
comprender con mayor precisión las condiciones
que favorecen o restringen la adopción tecnológica
en el sector público y en la industria de la
construcción. Tomaževič et al., (2024) desarrollaron
una revisión sistemática orientada a identificar los
habilitadores organizacionales para la adopción de
IA en instituciones públicas. En dicho estudio, los
autores reconocieron cinco dimensiones centrales:
personas, cultura, estructura, procesos y tecnología.
Sus hallazgos evidencian que la transformación de
estos componentes debe producirse antes o de
manera simultánea a la implementación de IA, pues
la incorporación tecnológica sin adecuación
organizacional tiende a generar resultados
limitados.
Por su parte, Aguila (2024) examinó el uso de
tecnologías de la información y la comunicación en
la gestión de proyectos de inversión pública. Sus
resultados permitieron advertir que la resistencia al
cambio, la insuficiente capacitación del personal y
las limitaciones de infraestructura tecnológica
continúan siendo obstáculos relevantes para una
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1710)
http://www.aulavirtual.web.ve
adopción efectiva, especialmente en contextos
latinoamericanos. En el ámbito específico de la
infraestructura, Pedraza-Jaimes et al., (2024)
propusieron un diseño conceptual que integra
Building Information Modeling, gemelos digitales e
IA para la gestión de carreteras bajo esquemas de
participación público-privada. Su estudio evidenció
que la asimetría de información durante el ciclo de
vida de los proyectos genera ineficiencias en costos
y plazos, las cuales podrían mitigarse mediante
soluciones tecnológicas integradas.
Pese a los avances identificados, la literatura
especializada presenta vacíos relevantes que
justifican el desarrollo de la presente revisión. En
primer lugar, Tomaževič et al., (2024) reconocen
que su análisis sobre habilitadores organizacionales
se circunscribe a una perspectiva general del sector
público, sin profundizar en sectores específicos
como la infraestructura, donde las dinámicas
institucionales, los requerimientos técnicos y la
coordinación interorganizacional adquieren
características particulares.
En segundo lugar, Macedo et al., (2023)
documentan que los bajos niveles de eficiencia y
eficacia en la ejecución de obras públicas,
expresados en ampliaciones de plazo, variaciones
presupuestales y dificultades de control, resultan
más pronunciados en países en desarrollo. No
obstante, la literatura aún no ha explorado
suficientemente cómo la IA y el BI podrían
contribuir a enfrentar las causas organizacionales de
dichos problemas. En tercer lugar, Mavutha et al.,
(2023) evidencian que la adopción de BI enfrenta
barreras financieras, cognitivas y de soporte
institucional incluso en sectores con mayor madurez
tecnológica. Esta constatación revela la ausencia de
marcos conceptuales que orienten estrategias de
superación de dichas barreras en entidades públicas
encargadas de gestionar infraestructura.
A partir de los vacíos identificados, el
presente artículo de revisión sistemática tiene como
objetivo proponer un marco conceptual de
estrategias para superar las barreras
organizacionales e institucionales que dificultan la
integración efectiva de IA y BI en entidades
públicas responsables de la gestión de
infraestructura. Este propósito busca sistematizar la
evidencia dispersa sobre barreras organizacionales
en el sector público y tecnologías aplicadas a la
infraestructura, a fin de articular ambas perspectivas
en una propuesta analítica con valor académico y
utilidad práctica para los decisores institucionales.
Metodología
La presente investigación se desarrolló bajo el
enfoque de revisión sistemática de la literatura,
aplicando el protocolo PRISMA (Preferred
Reporting Items for Systematic Reviews and Meta-
Analyses) como guía metodológica para garantizar
la transparencia, replicabilidad y rigor del proceso
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1711)
http://www.aulavirtual.web.ve
de búsqueda, selección y análisis de los estudios
incluidos.
Para orientar la revisión sistemática y
delimitar el alcance del análisis, se formularon las
siguientes preguntas de investigación: PI1: ¿Cuáles
son las principales barreras organizacionales e
institucionales que limitan la adopción de IA y
Business Intelligence en entidades públicas gestoras
de infraestructura? PI2: ¿Qué factores
organizacionales —cultura institucional, liderazgo,
capacidades tecnológicas y estructura de procesos—
se asocian con el nivel de adopción de IA y BI en la
gestión de costos y plazos de proyectos de
infraestructura pública? PI3: ¿Qué estrategias han
sido documentadas en la literatura para superar las
barreras organizacionales e institucionales que
dificultan la integración de IA y BI en el sector
público de infraestructura?
La búsqueda bibliográfica se realizó
exclusivamente en la base de datos Scopus,
seleccionada por ser la mayor base de datos de
resúmenes y citas de literatura científica revisada
por pares, con más de 22.000 títulos de 5.000
editoriales internacionales, lo que permite una
visión multidisciplinaria de la ciencia. Scopus
ofrece herramientas avanzadas de búsqueda, filtrado
y exportación de datos bibliométricos que facilitan
la ejecución de revisiones sistemáticas rigurosas.
Adicionalmente, sus robustas métricas de citación
permiten examinar tendencias e identificar
investigaciones significativas. Si bien el uso
exclusivo de una sola base de datos constituye una
limitación, estudios previos han validado a Scopus
como fuente suficiente y confiable para análisis
bibliométricos y revisiones sistemáticas en campos
interdisciplinarios.
La fórmula booleana empleada en la búsqueda
fue la siguiente: ( ( "artificial intelligence" OR
"machine learning" OR "deep learning" OR
"business intelligence" OR "data analytics" OR
"predictive analytics" ) AND ( "public
infrastructure" OR "infrastructure project" OR
"public works" OR "construction project" ) AND (
"organizational barriers" OR "institutional barriers"
OR "adoption" OR "implementation" OR "digital
transformation" OR "cost management" OR
"schedule management" OR "cost overrun" OR
"delay" ) AND ( "public sector" OR "government"
OR "public administration" OR "public institution"
) )
La construcción de esta fórmula se estructuró
en cuatro bloques temáticos conectados mediante el
operador booleano AND: a) tecnologías de IA y BI,
b) infraestructura pública, c) barreras y adopción
organizacional, y d) sector público. Dentro de cada
bloque, se empleó el operador OR para incluir
sinónimos y términos relacionados, ampliando así la
cobertura de la búsqueda. Los términos fueron
seleccionados a partir de la revisión preliminar de
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1712)
http://www.aulavirtual.web.ve
literatura clave en el campo y de los descriptores
utilizados en estudios previos relevantes.
Criterios de inclusión
Criterios de exclusión
Artículos originales de
investigación y artículos de
revisión publicados en
revistas científicas indexadas
en Scopus.
Editoriales, cartas al editor,
notas breves, resúmenes de
conferencia, capítulos de
libro, erratas y documentos
retractados.
Estudios publicados entre
2019 y 2025.
Estudios publicados fuera del
periodo temporal definido
para la revisión.
Publicaciones redactadas en
inglés o español.
Publicaciones en idiomas
distintos al inglés o español.
Estudios sobre aplicación,
adopción o implementación
de IA y/o BI en la gestión de
proyectos de infraestructura
pública.
Estudios sobre IA o BI
aplicados exclusivamente al
sector privado o sin relación
con infraestructura pública.
Investigaciones que
analizaron barreras
organizacionales,
institucionales o de
gobernanza para la adopción
de IA y/o BI en el sector
público.
Estudios centrados
únicamente en aspectos
técnicos de algoritmos, sin
considerar dimensiones
organizacionales,
institucionales o de gestión.
Artículos con evidencia
empírica, marcos
conceptuales, modelos
teóricos o revisiones de
literatura vinculadas con las
preguntas de investigación.
Estudios sin descripción
metodológica clara o con
limitaciones severas que
comprometieran la validez
de sus hallazgos.
Artículos con texto completo
disponible para revisión.
Artículos cuyo texto
completo no estuvo
disponible tras agotar las
vías de acceso institucional.
Publicaciones pertenecientes
a áreas relacionadas con
gestión pública,
infraestructura,
Publicaciones de áreas no
relacionadas, como
medicina, ciencias biológicas
o ciencias agrícolas.
Criterios de inclusión
Criterios de exclusión
transformación digital, IA o
BI.
Registros únicos
considerados después de la
depuración inicial.
Registros duplicados
identificados durante el
proceso de cribado.
Tabla 1. Criterios de inclusión y exclusión
Figura 1. Flujograma del método PRISMA
Cribado
Incluidos
Registros eliminados
n = 150
Documentos
inspeccionados n=327
Excluidos
n = 95
Documentos
recuperados n = 232
Documentos no
recuperados n = 85
Documentos evaluados
elegibles n = 147
Documentos
excluidos n = 132
Documentos incluidos
n = 15
Identificación
Documentos
identificados
n = 477
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1713)
http://www.aulavirtual.web.ve
Resultados
Autor
Contexto del
estudio
Tecnología
analizada
Barreras organizacionales
identificadas
Barreras institucionales
identificadas
Carranza et al.,
(2022)
Gestión urbana y
gobiernos locales en
América Latina
Machine learning y
datos abiertos
Escasez de especialistas,
complejidad técnica, débil
infraestructura de datos y
resistencia burocrática
Baja capacidad fiscal, falta
de decisión política y
limitada disponibilidad de
información oficial
Felemban et al.,
(2024)
Construcción e
infraestructura en
Arabia Saudita
IA en planificación
temprana de
proyectos
Resistencia al cambio, baja
madurez organizacional,
limitada capacidad de
absorción y actitudes
desfavorables del personal
Necesidad de apoyo
gubernamental, presión
externa y alineación con
políticas públicas
Hansen et al.,
(2023)
Selección de
proyectos públicos
de infraestructura en
Indonesia
IA y sistema fuzzy de
soporte decisional
Falta de herramienta
estandarizada, débil
coordinación, planificación
fragmentada y problemas de
recursos humanos
Limitado financiamiento,
barreras regulatorias,
interferencia política y débil
integración interinstitucional
Kaveh & Alhajj
(2025)
Gestión de
infraestructura civil
Gemelos digitales, IA
predictiva, IoT y
machine learning
Altos costos de
implementación, baja
interoperabilidad, limitada
integración de datos y riesgos
de ciberseguridad
Falta de estándares,
necesidad de colaboración
gobierno-industria-academia
y ausencia de protocolos
comunes
Kusonkhum et
al., (2023)
Contratación pública
de obras en Tailandia
Big data y machine
learning
Uso de datos tradicionales,
limitada implementación
tecnológica y debilidad del
análisis presupuestal
Problemas de transparencia,
riesgo de sobrecostos y
necesidad de fortalecer el
sistema de contratación
pública
Mange & Taifa
(2026)
Proyectos públicos
de edificaciones en
Tanzania
Service Engineering
4.0, IA, IoT, BIM,
gemelos digitales y
cloud computing
Bajo conocimiento, brechas de
capacitación, métodos
tradicionales, recursos
limitados y altos costos
Ausencia de marco claro,
falta de regulación, escaso
análisis costo-beneficio y
bajo compromiso
institucional
Marino &
Marufuzzaman
(2020)
Infraestructura
pública de carga
eléctrica en Lima
Aprendizaje no
supervisado,
clustering y
optimización
estocástica
Complejidad para planificar
infraestructura en ciudades
dispersas y demanda incierta
Vacíos regulatorios,
necesidad de incentivos,
inversión pública y
coordinación entre actores
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1714)
http://www.aulavirtual.web.ve
Autor
Contexto del
estudio
Tecnología
analizada
Barreras organizacionales
identificadas
Barreras institucionales
identificadas
Montoya
Villanueva et al.,
(2026)
Infraestructura
pública peruana
BIM, machine
learning y gemelos
digitales
Brecha digital, resistencia al
cambio, baja capacidad técnica
y gestión fragmentada
Barreras regulatorias,
legales, contractuales y lenta
adopción tecnológica en el
sector público
Ouansrimeang &
Wisaeang (2024)
Proyectos públicos
de construcción en
Tailandia
Machine learning,
deep learning, redes
neuronales, árbol de
decisión y Naïve
Bayes
Problemas financieros del
contratista, falta de mano de
obra, deficiente planificación y
baja continuidad operativa
Debilidades en contratación
pública, énfasis en menor
precio y riesgos de
retrasos/costos
Peiman et al.,
(2024)
Proyectos de
edificación en países
en desarrollo
NGBoost, XGBoost,
KNN y gestión del
valor ganado
Débil control del desempeño,
incertidumbre en duración,
deficiencias de seguimiento y
baja estabilidad predictiva
Baja calidad regulatoria,
debilidad del Estado de
derecho, permisos lentos y
cambios normativos
Semakale et al.,
(2026)
Gestión de riesgos en
construcción en
Lesotho
IA, BIM, cloud
computing, drones,
IoT y tecnologías
digitales
Bajo uso tecnológico, reportes
manuales, brechas de
conocimiento, baja
capacitación y resistencia
industrial
Desafíos regulatorios, falta
de incentivos, débil
colaboración sectorial y baja
digitalización
Soibelman &
Kim (s. f.)
Gestión del
conocimiento en
proyectos de
construcción
KDD, data mining,
machine learning,
árboles de decisión y
redes neuronales
Falta de tiempo para analizar
datos, complejidad del análisis
y ausencia de mecanismos
automatizados
Limitada explotación
institucional de grandes
bases de datos constructivos
Suneja et al.,
(2021)
Proyectos de
infraestructura vial
en Gujarat, India
Machine learning y
redes neuronales
profundas
Débil estimación temprana de
costos, falta de herramientas
predictivas y dependencia de
métodos tradicionales
Sobrecostos por cambios de
alcance, diseño, inflación,
obligaciones legales y débil
planificación de
adquisiciones
Toh et al,. (2026)
Profesión de quantity
surveying en
construcción,
Sarawak, Malasia
IA aplicada a gestión
de costos, contratos,
riesgos y
planificación
Baja adopción de IA, falta de
habilidades, adaptación laboral
limitada y preocupación por
reemplazo profesional
Transformación digital lenta
y brechas de capacitación
tecnológica
Wibowo et al.,
(2024)
Empresas estatales
de construcción en
Indonesia
Construction 4.0,
analítica predictiva,
BIM, LiDAR y
digital control towers
Debilidad financiera, baja
eficiencia, limitadas
capacidades internas y
problemas de gestión
organizacional
Necesidad de certeza
regulatoria, políticas públicas
claras y adaptación a
exigencias ESG
Tabla 2. Barreras para la adopción de IA y BI
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1715)
http://www.aulavirtual.web.ve
Autor
Sector o entidad
estudiada
Factores organizacionales
analizados
Relación con la adopción
de IA/BI
Impacto en costos y/o
plazos
Carranza et al.,
(2022)
Gobiernos locales
latinoamericanos
Capacidad institucional,
datos abiertos, cooperación
académica y software libre
La adopción es viable
cuando se usan datos
abiertos y modelos ML de
bajo costo
Reduce tiempo, costos y
complejidad en procesos
públicos urbanos
Felemban et al.,
(2024)
Organizaciones
públicas y privadas
de construcción
Cultura, liderazgo, apoyo
gubernamental, madurez
organizacional y actitud del
personal
La adopción depende del
liderazgo directivo,
respaldo estatal y
disposición de empleados
Mejora la planificación
temprana, reduce
incertidumbre y favorece
decisiones de costo-tiempo
Hansen et al.,
(2023)
Ministerios, agencias
públicas y gobiernos
locales
Coordinación, gobernanza,
criterios de preparación,
financiamiento y
participación de actores
La adopción se fortalece
con herramientas objetivas
de priorización
Permite evaluar proyectos
según riesgos,
financiamiento, estrategia
y sostenibilidad
Kaveh & Alhajj
(2025)
Infraestructura civil
Capacidades digitales,
interoperabilidad,
ciberseguridad, estándares y
colaboración intersectorial
Requiere datos integrados,
protocolos seguros y
modelos predictivos
Optimiza mantenimiento,
monitoreo en tiempo real y
ciclo de vida del activo
Kusonkhum et
al., (2023)
Sistema de
contratación pública
tailandés
Calidad de datos, tipo de
proyecto, método de
licitación, duración y escala
El ML permite analizar
datos históricos de
contratación pública para
predecir comportamiento
de ofertas
Predice si el precio
ganador superará el
presupuesto, evitando
reprocesos y pérdidas de
tiempo
Mange & Taifa
(2026)
Proyectos públicos de
edificaciones en
Tanzania
Conciencia tecnológica,
capacitación, recursos,
infraestructura remota y
compromiso de actores
La adopción de SE4.0
depende del
conocimiento,
participación y
preparación de
stakeholders
Puede mejorar eficiencia,
claridad, sostenibilidad y
desempeño de edificios
públicos
Marino &
Marufuzzaman
(2020)
Infraestructura
pública de carga
eléctrica en Lima
Coordinación gobierno-
industria-academia-
sociedad, planificación
urbana e incentivos
La adopción depende de
políticas, inversión,
análisis espacial y
modelamiento de
demanda
Optimiza ubicación de
estaciones y minimiza
costos de consumo
energético bajo
incertidumbre
Montoya
Villanueva et al.,
(2026)
Infraestructura
pública peruana
Brecha digital, resistencia al
cambio, capacidades
técnicas, regulación y
contratos colaborativos
La adopción de BIM, ML
y gemelos digitales
requiere factores críticos
de éxito articulados
Busca reducir sobrecostos,
suspensiones, disputas
contractuales y baja
predictibilidad
Ouansrimeang &
Wisaeang (2024)
Sector público de
construcción en
Tailandia
Liquidez del contratista,
disponibilidad laboral,
desempeño del contratista y
control de causas de retraso
La adopción de ML
permite identificar y
clasificar causas críticas
de retraso
El deep learning identificó
con alta precisión
problemas financieros del
contratista como causa de
demora
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1716)
http://www.aulavirtual.web.ve
Autor
Sector o entidad
estudiada
Factores organizacionales
analizados
Relación con la adopción
de IA/BI
Impacto en costos y/o
plazos
Peiman et al.,
(2024)
Proyectos de
edificación en países
en desarrollo
Variables EVM, inflación,
tipo de empleador, tipo de
proyecto, calidad regulatoria
y Estado de derecho
La adopción de modelos
predictivos mejora la
estimación de duración
real
NGBoost redujo el error
predictivo e incorporó
variables legales e
institucionales en la
estimación de plazos
Semakale et al.,
(2026)
Industria de la
construcción en
Lesotho
Capacitación, conocimiento
tecnológico, colaboración,
regulación, incentivos y
madurez digital
La adopción depende de
superar desafíos de
conocimiento, regulación
e industria
La baja integración digital
afecta riesgos de
cronograma, finanzas,
operaciones y seguridad
Soibelman &
Kim (s. f.)
Base de datos
constructiva del US
Army Corps of
Engineers
Disponibilidad de datos,
calidad de información,
análisis automatizado y
aprendizaje desde
experiencias previas
KDD y minería de datos
transforman datos
constructivos en patrones
útiles para gestión
Facilita mejores decisiones
sobre programación,
presupuestos y actividades
recurrentes
Suneja et al.,
(2021)
Infraestructura vial en
India
Datos históricos, variables
de diseño, costos de
materiales, mano de obra,
terreno y requisitos legales
Las redes neuronales
permiten descubrir
relaciones entre variables
del proyecto y costo final
Busca mejorar la precisión
del costo temprano y
reducir subestimaciones
presupuestales
Toh et al., (2026)
Quantity surveyors en
Malasia
Competencias digitales,
conocimiento, comunicación
contractual, estimación de
costos y gestión de riesgos
La adopción de IA
depende de habilidades
profesionales y
disposición organizacional
Mejora eficiencia, cost
estimation, quantity take-
off, programación y
análisis de riesgos
Wibowo et al.,
(2024)
Empresas estatales de
construcción en
Indonesia
Capacidades internas,
recursos, competencias,
regulación, innovación y
sostenibilidad
La adopción se fortalece
mediante Construction
4.0, analítica predictiva,
BIM y digital control
towers
Contribuye a eficiencia,
gestión de riesgos y
ejecución dentro del
presupuesto y plazo
Tabla 3. Factores asociados a la adopción de IA y BI
Autor
Problema abordado
Estrategia propuesta o
documentada
Barrera que busca
superar
Condición para su
implementación
Carranza et al.,
(2022)
Alto costo técnico en
procesos públicos
urbanos
Usar datos abiertos,
plataformas colaborativas y
machine learning
Baja capacidad fiscal y
falta de datos oficiales
Calidad de datos,
cooperación académica y
capacidades locales
Felemban et al.,
(2024)
Baja preparación
organizacional para
adoptar IA
Aplicar el marco TOE para
diagnosticar preparación
tecnológica, organizacional y
ambiental
Resistencia al cambio y
baja madurez
institucional
Apoyo gubernamental,
liderazgo directivo y
capacitación
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1717)
http://www.aulavirtual.web.ve
Autor
Problema abordado
Estrategia propuesta o
documentada
Barrera que busca
superar
Condición para su
implementación
Hansen et al.,
(2023)
Selección
fragmentada de
proyectos públicos
Implementar una herramienta
web de soporte decisional
basada en NSFDSS-II
Subjetividad, débil
coordinación y ausencia
de criterios comunes
Definir criterios, validar
con expertos y
automatizar decisiones
Kaveh & Alhajj
(2025)
Dificultad para
implementar
tecnologías digitales
en infraestructura
Estandarizar datos, usar IA
predictiva, cloud/edge
computing y protocolos
seguros
Interoperabilidad, altos
costos y ciberseguridad
Colaboración
intersectorial, estándares y
alfabetización digital
Kusonkhum et
al., (2023)
Riesgo de que el
precio ganador
supere el presupuesto
público
Usar ML para predecir
comportamiento de licitación
con datos del sistema e-GP
Errores presupuestales,
reprocesos y riesgos de
transparencia
Disponibilidad de datos
históricos, modelos
predictivos y mejora del
sistema de contratación
Mange & Taifa
(2026)
Baja aplicación de
tecnologías SE4.0 en
edificaciones
públicas
Sensibilizar actores, asignar
fondos, promover inversión y
brindar soporte regulatorio
Bajo conocimiento,
escasos recursos y
ausencia de marco
institucional
Participación de gobierno,
contratistas, entidades
TIC, academia e
instituciones públicas
Marino &
Marufuzzaman
(2020)
Despliegue
ineficiente de
infraestructura
pública de carga
eléctrica
Aplicar PCA, clustering K-
means y optimización
estocástica para ubicar
estaciones
Incertidumbre de
demanda, dispersión
urbana y altos costos
energéticos
Datos urbanos,
modelamiento espacial,
políticas e incentivos
Montoya
Villanueva et al.,
(2026)
Transformación
digital lenta en
infraestructura
pública peruana
Formular factores críticos de
éxito para adoptar BIM, ML y
gemelos digitales
Brecha digital, resistencia
al cambio y barreras
técnico-legales
Marco normativo,
contratos colaborativos,
validación experta y
modelo por etapas
Ouansrimeang
& Wisaeang
(2024)
Retrasos en
proyectos públicos de
construcción
Combinar RII con machine
learning para priorizar y
predecir causas de demora
Falta de diagnóstico
preciso sobre causas
críticas de retraso
Datos de proyectos
públicos, clasificación de
causas y validación con
algoritmos
Peiman et al.,
(2024)
Estimación imprecisa
de duración final de
proyectos
Aplicar NGBoost y variables
legales/institucionales para
predecir duración real
Incertidumbre, baja
estabilidad predictiva y
omisión de factores
institucionales
Datos EVM, indicadores
legales, inflación y
modelos explicables como
SHAP
Semakale et al.,
(2026)
Bajo uso de
tecnologías digitales
para gestionar riesgos
Fortalecer capacidades,
reformar regulación,
promover colaboración e
incentivos gubernamentales
Brechas de conocimiento,
desafíos regulatorios y
baja colaboración
industrial
Capacitación, soporte
normativo, inversión y
alianzas sectoriales
Soibelman &
Kim (s. f.)
Escasa conversión de
datos constructivos
en conocimiento útil
Implementar KDD y data
mining para descubrir
patrones en bases de datos de
construcción
Datos no analizados, baja
sistematización y
decisiones basadas solo
en experiencia
Bases de datos
estructuradas, limpieza de
datos, algoritmos y
visualización
Suneja et al.,
(2021)
Sobrecostos en
proyectos viales por
Desarrollar modelos
predictivos de costo mediante
redes neuronales profundas
Subestimación
presupuestal, baja
precisión en etapas
Datos históricos de
proyectos, selección de
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1718)
http://www.aulavirtual.web.ve
Autor
Problema abordado
Estrategia propuesta o
documentada
Barrera que busca
superar
Condición para su
implementación
estimaciones
imprecisas
tempranas y ausencia de
herramientas analíticas
variables influyentes y
uso de software abierto
Toh et al.,
(2026)
Baja integración de
IA en funciones de
gestión de costos y
contratos
Fortalecer habilidades,
conocimiento, comunicación
contractual y uso de IA en
tareas del quantity surveyor
Falta de competencias,
baja adopción digital y
resistencia profesional
Capacitación, gestión del
cambio y procedimientos
claros para incorporar IA
Wibowo et al.,
(2024)
Incertidumbre futura
y bajo desempeño de
empresas estatales
constructoras
Aplicar foresight industrial
con análisis macro, meso y
micro para orientar
transformación digital
Falta de visión
estratégica, capacidades
internas limitadas y baja
preparación tecnológica
Regulación clara,
fortalecimiento de
recursos, competencias
internas y adopción de
tecnologías Construction
4.0
Tabla 4. Estrategias para integrar IA y BI en infraestructura pública
Discusión de resultados
Los resultados de esta revisión sistemática
evidencian que la integración efectiva de la
inteligencia artificial y el Business Intelligence en
entidades públicas gestoras de infraestructura no
depende únicamente de la disponibilidad de
herramientas tecnológicas, sino de la convergencia
entre capacidades organizacionales, condiciones
institucionales, gobernanza de datos y liderazgo
estratégico. Este hallazgo permite sostener que el
marco conceptual propuesto debe trascender una
concepción instrumental de la tecnología y
orientarse hacia una lógica de transformación
organizacional, en la cual la IA y el BI funcionen
como mecanismos de soporte decisional para
optimizar costos, plazos, priorización de
inversiones, contratación pública, monitoreo de
riesgos y gestión del ciclo de vida de los activos
públicos.
Un primer resultado relevante se relaciona con
la identificación de barreras organizacionales e
institucionales recurrentes. La evidencia revisada
muestra que la resistencia al cambio, la baja
madurez digital, la escasez de especialistas, la
limitada infraestructura de datos, la fragmentación
de procesos y la ausencia de herramientas
estandarizadas constituyen obstáculos persistentes
para la adopción de IA y BI. Estos hallazgos
coinciden con lo señalado por Tomaževič et al.,
(2024), quienes sostienen que la adopción de IA en
instituciones públicas requiere transformar
previamente dimensiones internas vinculadas con
las personas, la cultura, la estructura, los procesos y
la tecnología. De manera similar, Felemban et al.,
(2024) identificaron que la preparación
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1719)
http://www.aulavirtual.web.ve
organizacional para incorporar IA en proyectos de
construcción depende del apoyo gubernamental, el
liderazgo directivo y las actitudes de los
trabajadores. Esta convergencia confirma que las
entidades públicas no pueden implementar
tecnologías avanzadas sin intervenir
simultáneamente sus rutinas administrativas,
capacidades internas y patrones culturales.
Asimismo, los resultados se articulan con los
planteamientos de Madan & Ashok (2023), quienes
explican que la difusión de IA en la administración
pública está condicionada por la cultura
institucional, el liderazgo, la gobernanza
tecnológica y la legitimidad organizacional de los
procesos de innovación. En la presente revisión, esta
premisa se advierte en los estudios de Montoya
Villanueva et al., (2026), Mange & Taifa (2026),
Semakale et al., (2026) y Wibowo et al., (2024), en
los cuales las barreras identificadas no se reducen a
dificultades técnicas, sino que se vinculan con
regulaciones insuficientes, resistencia institucional,
escasa claridad normativa, falta de incentivos,
debilidad de capacidades internas y ausencia de
modelos de implementación progresiva. La
coincidencia entre estos estudios permite afirmar
que la adopción de IA y BI en infraestructura
pública debe comprenderse como un proceso
sociotécnico, en el que la tecnología solo genera
valor cuando se inserta en un marco institucional
estable, con reglas claras, datos confiables y
recursos humanos preparados.
Un segundo resultado principal se refiere a los
factores organizacionales asociados con la adopción
de IA y BI. La revisión permitió identificar que el
liderazgo directivo, el apoyo gubernamental, la
calidad de los datos, la interoperabilidad, la
coordinación interinstitucional, la capacitación del
personal, la disponibilidad de financiamiento y la
madurez digital son elementos determinantes para
explicar el nivel de adopción tecnológica. Este
resultado coincide con Felemban et al., (2024),
quienes, a partir del marco tecnología-organización-
entorno, concluyeron que el respaldo
gubernamental, el compromiso de la alta dirección
y la actitud de los trabajadores constituyen factores
centrales para la preparación institucional. También
converge con Kaveh & Alhajj (2025), quienes
señalan que la implementación de gemelos digitales
e IA predictiva en infraestructura civil requiere
interoperabilidad, estándares de datos,
ciberseguridad y colaboración entre gobierno,
academia e industria.
La relación entre adopción tecnológica y
optimización de costos y plazos se observa con
especial nitidez en estudios centrados en modelos
predictivos y analítica aplicada. Kusonkhum et al.,
(2023) demostraron que los datos históricos de
contratación pública pueden ser procesados
mediante machine learning para predecir si una
oferta ganadora superará el presupuesto asignado, lo
que permitiría reducir riesgos de reprocesos,
demoras administrativas y pérdida de eficiencia. Por
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1720)
http://www.aulavirtual.web.ve
su parte, Ouansrimeang & Wisaeang (2024),
mediante técnicas de machine learning y el índice de
importancia relativa, identificaron que los
problemas financieros de los contratistas y la
disponibilidad de mano de obra constituyen causas
críticas de retrasos en proyectos públicos de
construcción. En esa misma línea, Peiman et al.,
(2024) evidenciaron que los modelos de aprendizaje
ensamblado, como NGBoost, mejoran la estimación
de la duración final de los proyectos cuando
incorporan variables legales e institucionales. Estos
hallazgos refuerzan la idea de que la IA y el BI no
deben limitarse a automatizar tareas, sino que deben
emplearse para anticipar desviaciones
presupuestales, prever retrasos, identificar riesgos
contractuales y fortalecer la toma de decisiones
basada en evidencia.
Este resultado también dialoga con Macedo et
al., (2023), quienes sostienen que la ineficiencia y la
baja eficacia en la ejecución de obras públicas se
expresan en ampliaciones de plazo, variaciones
presupuestales y dificultades de control. La presente
revisión amplía dicho planteamiento al mostrar que
la IA, el BI, la minería de datos y los modelos
predictivos pueden ofrecer respuestas operativas
frente a esas ineficiencias, siempre que las entidades
públicas cuenten con datos estructurados, procesos
interoperables y personal capacitado. En esa misma
línea, Soibelman & Kim (s. f.) permiten comprender
el papel del BI desde una perspectiva de
descubrimiento de conocimiento, al demostrar que
las bases de datos de construcción pueden
transformarse en patrones útiles para mejorar la
programación, los presupuestos y la gestión de
actividades recurrentes. Este aporte resulta
particularmente relevante porque conecta el BI con
la gestión del conocimiento institucional, dimensión
que suele presentar debilidades en las entidades
públicas responsables de infraestructura.
Un tercer resultado significativo se vincula
con las estrategias documentadas para superar las
barreras de adopción. Los estudios analizados
permiten proponer un marco conceptual sustentado
en cinco ejes estratégicos: a) diagnóstico de
preparación institucional, b) fortalecimiento de
capacidades humanas, c) gobernanza e
interoperabilidad de datos, d) automatización del
soporte decisional y e) regulación habilitante. El
primer eje encuentra respaldo en Felemban et al.,
(2024), quienes recomiendan evaluar la preparación
tecnológica, organizacional y ambiental antes de
implementar IA. Este planteamiento coincide con
Tomaževič et al., (2024), para quienes la
transformación organizacional debe preceder o
acompañar la adopción tecnológica. En
consecuencia, el marco conceptual propuesto debe
iniciar con una evaluación de madurez institucional
que identifique brechas de liderazgo, cultura digital,
capacidades técnicas, procesos, datos y recursos.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1721)
http://www.aulavirtual.web.ve
El segundo eje, referido al fortalecimiento de
capacidades humanas, se encuentra respaldado por
Toh et al., (2026), Mange & Taifa (2026) y
Semakale et al., (2026). Estos estudios muestran que
la baja capacitación, la limitada alfabetización
digital y la resistencia profesional restringen el uso
de IA en tareas de estimación de costos, gestión
contractual, análisis de riesgos y planificación. Este
hallazgo converge con Aguila (2024), quien
identificó que la resistencia al cambio y la
insuficiente capacitación del personal siguen siendo
obstáculos relevantes para la adopción de
tecnologías de información en proyectos de
inversión pública. Por tanto, la formación técnica y
la gestión del cambio deben ser consideradas
componentes estructurales del marco conceptual, y
no acciones accesorias. La adopción efectiva de IA
y BI exige desarrollar perfiles profesionales capaces
de interpretar modelos predictivos, validar
resultados, gestionar datos y traducir información
analítica en decisiones públicas.
El tercer eje corresponde a la gobernanza e
interoperabilidad de datos. Kaveh & Alhajj (2025)
resaltan que los gemelos digitales, la IA predictiva
y el monitoreo en tiempo real requieren estándares,
protocolos seguros e integración entre plataformas.
Carranza et al., (2022), desde otro contexto,
muestran que el uso de datos abiertos y machine
learning puede reducir costos, tiempo y complejidad
en procesos públicos urbanos cuando existe
cooperación institucional y disponibilidad de
información confiable. Este resultado se relaciona
con Pedraza-Jaimes et al., (2024), quienes sostienen
que la integración de BIM, gemelos digitales e IA
permite reducir asimetrías de información durante el
ciclo de vida de los proyectos de infraestructura. En
conjunto, estos hallazgos indican que el BI puede
operar como una capa articuladora entre bases de
datos, tableros de control, modelos predictivos y
sistemas de seguimiento de proyectos, siempre que
exista una política clara de calidad,
interoperabilidad, actualización y seguridad de los
datos.
El cuarto eje estratégico se refiere a la
automatización del soporte decisional. Hansen et al.,
(2023) proponen una herramienta web basada en
sistemas difusos para priorizar proyectos de
infraestructura, mientras que Marino &
Marufuzzaman (2020) aplican aprendizaje no
supervisado, clustering y optimización estocástica
para planificar infraestructura pública de carga
eléctrica bajo incertidumbre. Suneja et al., (2021)
desarrollaron un modelo de estimación de costos
basado en redes neuronales para infraestructura vial,
y Kusonkhum et al., (2023) emplearon machine
learning para anticipar comportamientos de
licitación. Estos estudios convergen en señalar que
la IA y el BI permiten mejorar decisiones críticas en
etapas tempranas del ciclo de vida del proyecto,
especialmente en selección, priorización,
estimación de costos, análisis de demanda y
prevención de sobrecostos. La diferencia entre ellos
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1722)
http://www.aulavirtual.web.ve
radica en el tipo de problema abordado: algunos se
concentran en costos, otros en plazos, contratación
o planificación territorial. Esta diversidad, lejos de
constituir una debilidad, demuestra que el marco
conceptual debe ser flexible y modular, capaz de
adaptarse a distintas funciones de las entidades
públicas de infraestructura.
El quinto eje corresponde a la regulación
habilitante y a los modelos institucionales de
implementación. Montoya Villanueva et al., (2026)
evidencian que la transformación digital de la
infraestructura pública peruana exige articular BIM,
machine learning y gemelos digitales con marcos
contractuales, regulación específica y factores
críticos de éxito. Wibowo et al., (2024)
complementan esta perspectiva al mostrar que las
empresas estatales de construcción requieren
prospectiva industrial, certeza regulatoria,
fortalecimiento de capacidades internas y adopción
de tecnologías Construction 4.0 para mejorar su
eficiencia y preparación futura. Estos resultados
convergen con Madan & Ashok (2023), en cuanto la
adopción tecnológica en el sector público requiere
gobernanza, legitimidad y condiciones
institucionales que reduzcan la incertidumbre. En
consecuencia, el marco conceptual propuesto debe
incorporar no solo herramientas tecnológicas, sino
también lineamientos normativos, esquemas de
financiamiento, mecanismos de rendición de
cuentas y estándares para la contratación pública
digital.
No obstante, los hallazgos de esta revisión
presentan algunas divergencias respecto de la
literatura existente. Mientras que estudios generales
sobre IA en administración pública, como los de
Tomaževič et al., (2024) y Madan & Ashok (2023),
tienden a enfatizar habilitadores organizacionales
amplios, los estudios específicos sobre
infraestructura muestran una mayor incidencia de
variables técnicas, contractuales y operativas, tales
como financiamiento de contratistas, disponibilidad
de mano de obra, calidad regulatoria, permisos,
estimación temprana de costos e interoperabilidad
de datos. Esta diferencia puede explicarse por la
naturaleza particular de los proyectos de
infraestructura pública, los cuales poseen alta
complejidad contractual, múltiples actores, ciclos de
vida prolongados, dependencia de información
técnica y fuerte exposición a riesgos políticos,
financieros y territoriales. Por ello, el marco
conceptual no debe adoptar mecánicamente
modelos generales de adopción de IA en el sector
público, sino contextualizarlos según las
condiciones específicas de la gestión de
infraestructura.
La revisión también permite advertir una
brecha importante respecto al Business Intelligence.
Aunque varios estudios emplean conceptos afines,
como analítica de datos, minería de datos, datos
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1723)
http://www.aulavirtual.web.ve
abiertos, modelos predictivos y tableros de control,
pocos abordan explícitamente el BI como categoría
central en entidades públicas gestoras de
infraestructura. Esta situación converge
parcialmente con Mavutha et al., (2023), quienes
identifican que la adopción de BI enfrenta barreras
financieras, cognitivas y de soporte institucional
incluso en sectores menos complejos. En la presente
revisión, el BI aparece más como una infraestructura
analítica transversal que como una tecnología
aislada. Esta constatación sugiere que la integración
de IA y BI debe entenderse de forma
complementaria: el BI organiza, integra y visualiza
datos para la toma de decisiones, mientras que la IA
permite predecir, clasificar, optimizar y automatizar
análisis complejos.
En cuanto a las limitaciones de la
investigación, una primera restricción se relaciona
con el uso exclusivo de la base de datos Scopus. Si
bien esta base garantiza acceso a literatura indexada
y revisada por pares, la exclusión de otras fuentes,
como Web of Science, IEEE Xplore, ScienceDirect,
SciELO, Redalyc o repositorios institucionales,
puede haber limitado la identificación de estudios
relevantes, especialmente en América Latina y en
documentos técnicos elaborados por organismos
públicos. Esta limitación podría afectar la amplitud
del corpus y reducir la representación de
experiencias locales de implementación de IA y BI
en infraestructura pública.
Una segunda limitación se vincula con la
heterogeneidad de los estudios incluidos. El corpus
combina investigaciones empíricas, revisiones
sistemáticas, modelos predictivos, estudios
conceptuales y aplicaciones tecnológicas
desarrolladas en distintos países y sectores. Aunque
esta diversidad permitió construir una visión amplia
del fenómeno, también dificulta la comparación
directa entre resultados, debido a diferencias
metodológicas, contextuales y tecnológicas. Por
ejemplo, los estudios sobre redes neuronales para
estimación de costos no son directamente
comparables con los estudios sobre madurez
organizacional o transformación digital
institucional. Esta heterogeneidad exige interpretar
los resultados como evidencia integradora y no
como medición homogénea de efectos.
Una tercera limitación corresponde al alcance
temporal y temático de la revisión. Aunque el
periodo reciente permite capturar avances
tecnológicos actuales, también puede excluir
trabajos previos relevantes sobre minería de datos,
BI, sistemas de soporte decisional y gestión del
conocimiento en construcción. El caso de
Soibelman & Kim (s. f.) muestra que algunos
fundamentos conceptuales del BI aplicado a la
construcción anteceden al auge contemporáneo de
la IA. Por ello, limitar excesivamente el periodo
puede reducir la profundidad histórica del análisis.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1724)
http://www.aulavirtual.web.ve
Una cuarta limitación se relaciona con el
hecho de que varios estudios incluidos no abordan
simultáneamente IA, BI, infraestructura pública,
costos y plazos. Algunos se concentran en IA, otros
en machine learning, gemelos digitales, datos
abiertos, contratación pública o gestión de riesgos.
Esta dispersión refleja el estado fragmentado de la
literatura, pero también implica que el marco
conceptual propuesto se construye mediante una
síntesis interpretativa de hallazgos relacionados, y
no a partir de estudios que examinen de manera
integral todos los componentes del fenómeno. En
consecuencia, la propuesta conceptual requiere
validación empírica posterior.
Una quinta limitación se vincula con la
predominancia de estudios desarrollados en países
en desarrollo, como Perú, Indonesia, Tailandia,
Tanzania, Lesoto, India, Malasia y otros contextos
latinoamericanos. Si bien esta orientación resulta
pertinente para comprender realidades
institucionales con restricciones presupuestales y
brechas digitales, puede limitar la generalización de
los hallazgos hacia países con mayor madurez
tecnológica, sistemas de contratación más estables o
infraestructura digital más consolidada. Sin
embargo, esta limitación también constituye una
fortaleza, porque permite proponer un marco más
sensible a contextos donde las barreras
organizacionales e institucionales son más
pronunciadas.
A partir de estas limitaciones, futuras
investigaciones deberían avanzar hacia la validación
empírica del marco conceptual propuesto en
entidades públicas gestoras de infraestructura. Sería
pertinente desarrollar estudios de caso en
ministerios, gobiernos regionales, municipalidades,
agencias de inversión pública y empresas estatales
de infraestructura, con el fin de evaluar el nivel de
madurez digital, las capacidades analíticas
disponibles, los sistemas de información existentes
y las condiciones institucionales para integrar IA y
BI. Estos estudios permitirían transformar el marco
conceptual en un modelo operativo con indicadores,
niveles de madurez y rutas de implementación.
También se recomienda desarrollar
investigaciones cuantitativas que midan la relación
entre factores organizacionales y nivel de adopción
de IA y BI en proyectos de infraestructura pública.
Variables como liderazgo directivo, cultura digital,
calidad de datos, interoperabilidad, capacitación,
financiamiento, apoyo regulatorio y coordinación
interinstitucional podrían analizarse mediante
modelos de ecuaciones estructurales o análisis
multivariante. Este tipo de estudios permitiría
estimar el peso relativo de cada factor y priorizar
intervenciones institucionales con mayor capacidad
de impacto.
Otra línea futura consiste en profundizar el
estudio del Business Intelligence en infraestructura
pública. La literatura revisada muestra una
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1725)
http://www.aulavirtual.web.ve
presencia limitada del BI como categoría explícita,
pese a que sus componentes aparecen dispersos en
estudios sobre datos abiertos, minería de datos,
sistemas de soporte decisional y analítica predictiva.
Por ello, futuras investigaciones deberían analizar
cómo los tableros de control, almacenes de datos,
sistemas de visualización, indicadores de
desempeño y plataformas integradas pueden
contribuir al monitoreo de costos, plazos, avance
físico, riesgos contractuales y desempeño de
contratistas.
Asimismo, se recomienda explorar modelos
híbridos que integren BI, IA, BIM y gemelos
digitales en una arquitectura común de gestión
pública de infraestructura. Esta línea permitiría
evaluar cómo los datos generados en la formulación,
contratación, ejecución, operación y mantenimiento
pueden alimentar sistemas predictivos para anticipar
sobrecostos, retrasos, fallas estructurales o riesgos
de sostenibilidad. Tales investigaciones podrían
contribuir a superar la fragmentación actual entre
herramientas digitales y promover una gestión del
ciclo de vida del activo público basada en evidencia.
Finalmente, futuras investigaciones deberían
incorporar enfoques comparativos entre países y
niveles de gobierno. Comparar experiencias de
adopción de IA y BI en contextos con diferente
madurez institucional permitiría identificar
condiciones transferibles y factores contextuales
específicos. Además, sería relevante examinar el
papel de los marcos regulatorios, los modelos
contractuales colaborativos, la gobernanza de datos
y la ética algorítmica en la implementación de
tecnologías predictivas en infraestructura pública.
De esta manera, el desarrollo futuro del campo no
solo debería orientarse a mejorar la precisión técnica
de los modelos, sino también a garantizar
transparencia, explicabilidad, rendición de cuentas
y legitimidad institucional en el uso de IA y BI para
la gestión de infraestructura pública.
En síntesis, la discusión de los resultados
permite afirmar que el marco conceptual propuesto
debe estructurarse como una estrategia gradual e
integrada. En una primera fase, las entidades
públicas deben diagnosticar su preparación
institucional y fortalecer capacidades humanas. En
una segunda fase, deben ordenar, integrar y
gobernar sus datos mediante estándares de
interoperabilidad y calidad. En una tercera fase,
deben implementar herramientas de BI para
monitoreo y soporte decisional. En una cuarta fase,
deben incorporar modelos de IA para predicción,
clasificación y optimización de costos y plazos.
Finalmente, todo el proceso debe sostenerse en
regulación habilitante, liderazgo directivo,
coordinación interinstitucional y evaluación
continua. Bajo esta lógica, la IA y el BI pueden
pasar de ser herramientas aisladas a constituirse en
componentes estratégicos de una gestión pública de
infraestructura más eficiente, transparente,
predictiva y orientada al valor público.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1726)
http://www.aulavirtual.web.ve
Conclusiones
Los resultados de esta revisión sistemática
permiten concluir que la integración efectiva de la
inteligencia artificial (IA) y el Business Intelligence
(BI) en entidades públicas gestoras de
infraestructura no depende únicamente de la
incorporación de herramientas tecnológicas, sino de
la existencia de condiciones organizacionales e
institucionales que hagan viable su adopción.
Entre los principales hallazgos, se identificó
que la resistencia al cambio, la baja madurez digital,
la fragmentación de procesos, la limitada
infraestructura de datos, la insuficiente capacitación
del personal y la ausencia de gobernanza
tecnológica constituyen barreras persistentes para la
implementación de IA y BI en el sector público.
Asimismo, la literatura revisada evidencia que
factores como el liderazgo directivo, el apoyo
gubernamental, la interoperabilidad de datos, la
coordinación interinstitucional, la disponibilidad de
financiamiento y la regulación habilitante resultan
decisivos para transformar estas tecnologías en
instrumentos efectivos de soporte decisional.
Estos hallazgos contribuyen al campo de
estudio al articular dos perspectivas que suelen
abordarse de manera separada: la transformación
organizacional del sector público y la aplicación de
tecnologías inteligentes en la gestión de
infraestructura.
En atención al objetivo de investigación, el
artículo propone un marco conceptual de estrategias
orientado a superar las barreras organizacionales e
institucionales que dificultan la integración efectiva
de IA y BI en entidades públicas responsables de
infraestructura. Dicho marco se estructura en cinco
ejes estratégicos: diagnóstico de preparación
institucional, fortalecimiento de capacidades
humanas, gobernanza e interoperabilidad de datos,
automatización del soporte decisional y regulación
habilitante.
Esta propuesta permite sostener que la
adopción tecnológica debe desarrollarse de manera
gradual, articulada y contextualizada, evitando
enfoques meramente instrumentales centrados en la
adquisición de software o plataformas digitales. En
concordancia con Tomaževič et al., (2024), la
transformación de dimensiones internas como
personas, cultura, estructura, procesos y tecnología
debe preceder o acompañar la adopción de IA.
Del mismo modo, los aportes de Madan &
Ashok (2023) permiten reafirmar que la difusión de
IA en la administración pública requiere liderazgo,
legitimidad institucional y gobernanza tecnológica.
Por tanto, el marco propuesto responde al objetivo
planteado al ofrecer una ruta conceptual para que las
entidades públicas transiten desde una adopción
tecnológica fragmentada hacia una gestión de
infraestructura más predictiva, interoperable,
eficiente y orientada al valor público.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1727)
http://www.aulavirtual.web.ve
Metodológicamente, el estudio corresponde a
un artículo de revisión sistemática, lo que permitió
identificar, seleccionar, analizar y sintetizar
literatura científica relevante sobre IA, BI,
transformación digital, gestión pública e
infraestructura. Esta naturaleza metodológica otorga
a las conclusiones un carácter integrador, pues no se
derivan de la medición empírica directa en una
entidad específica, sino de la interpretación
sistemática de investigaciones previas.
En ese sentido, los resultados deben
comprenderse como una síntesis analítica del estado
actual del conocimiento y como una base conceptual
para futuras validaciones empíricas. La revisión
permitió reconocer patrones recurrentes,
convergencias teóricas y vacíos temáticos en torno
a la adopción de IA y BI, especialmente en
contextos públicos donde las restricciones
institucionales, presupuestales y técnicas
condicionan la implementación de soluciones
digitales.
Finalmente, las implicaciones del estudio
sugieren que la IA y el BI pueden constituirse en
componentes estratégicos para mejorar la gestión de
infraestructura pública, siempre que su
incorporación se acompañe de reformas
organizacionales, fortalecimiento de capacidades,
calidad de datos, regulación pertinente y
mecanismos de rendición de cuentas. No obstante,
futuras investigaciones deberían validar
empíricamente el marco conceptual propuesto en
ministerios, gobiernos regionales, municipalidades,
agencias de inversión pública y empresas estatales
de infraestructura.
Asimismo, resulta necesario desarrollar
estudios cuantitativos que midan la relación entre
madurez digital, liderazgo, gobernanza de datos y
nivel de adopción tecnológica, así como
investigaciones comparativas entre países con
distintos grados de desarrollo institucional.
También se recomienda profundizar en modelos
híbridos que integren IA, BI, BIM y gemelos
digitales, a fin de evaluar su impacto en la reducción
de sobrecostos, retrasos, riesgos contractuales y
deficiencias de monitoreo. De esta manera, el
desarrollo futuro del campo debería orientarse no
solo a mejorar la precisión técnica de los modelos
predictivos, sino también a garantizar transparencia,
explicabilidad, legitimidad institucional y valor
público en el uso de tecnologías inteligentes para la
infraestructura.
Referencias
Aguila, J. A. U. del. (2024). Uso de las TIC en la
gestión y proyectos de inversión pública: Una
revisión. Revista De Climatología, 24, 737–742.
Documento en línea. Disponible
https://doi.org/10.59427/rcli/2024/v24cs.737-
742
Carranza, J. P., Piumetto, M. A., Lucca, C. M., &
Da Silva, E. (2022). Mass appraisal as affordable
public policy: Open data and machine learning
for mapping urban land values. Land Use Policy,
119, Article 106211. Documento en línea.
Disponible
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1728)
http://www.aulavirtual.web.ve
https://doi.org/10.1016/j.landusepol.2022.10621
1
Egwim, C. N., Alaka, H., Demir, E., Balogun, H.,
Olu-Ajayi, R., Sulaimon, I., Wusu, G., Yusuf,
W., & Adegoke, M. (2023). Artificial
Intelligence in the Construction Industry: A
Systematic Review of the Entire Construction
Value Chain Lifecycle. Energies, 17(1), 182.
Documento en línea. Disponible
https://doi.org/10.3390/en17010182
Felemban, H., Sohail, M., & Ruikar, K. (2024).
Exploring the readiness of organisations to adopt
artificial intelligence. Buildings, 14(8), Article
2460. Documento en línea. Disponible
https://doi.org/10.3390/buildings14082460
Hansen, S., Suryadibrata, A., & Hansun, S. (2023).
Infrastructure project selection automation using
Non-Structural Fuzzy Decision Support System
II. Eastern-European Journal of Enterprise
Technologies, 1(3[121]), 46–56. Documento en
línea. Disponible https://doi.org/10.15587/1729-
4061.2023.271822
Kaveh, H., & Alhajj, R. (2025). Advancing civil
infrastructure with digital twins: A review of
applications and challenges. Journal of Civil
Engineering and Management, 31(8), 828–842.
Documento en línea. Disponible
https://doi.org/10.3846/jcem.2025.24921
Kusonkhum, W., Srinavin, K., & Chaitongrat, T.
(2023). The adoption of a big data approach
using machine learning to predict bidding
behavior in procurement management for a
construction project. Sustainability, 15(17),
Article 12836. Documento en línea. Disponible
https://doi.org/10.3390/su151712836
Macedo, X. Y. H., Cuela, F. E. P., Carlos, D. D. V.,
Miranda, O. C. C., & Sánchez, A. T. (2023).
Eficiencia y eficacia en la ejecución de obras
públicas: Un análisis crítico. Revista De
Climatología, 23, 1825–1833. Documento en
línea. Disponible
https://doi.org/10.59427/rcli/2023/v23cs.1825-
1833
Madan, R., & Ashok, M. (2023). AI adoption and
diffusion in public administration: A systematic
literature review and future research agenda.
Government Information Quarterly, 40(1),
101774. Documento en línea. Disponible
https://doi.org/10.1016/j.giq.2022.101774
Mange, M. A., & Taifa, I. W. R. (2026). Service
Engineering 4.0 applicability: Results from
stakeholders’ engagement assessment in the
public building construction projects. Journal of
Engineering, 2026, Article 5557271. Documento
en línea. Disponible
https://doi.org/10.1155/je/5557271
Marino, C., & Marufuzzaman, M. (2020).
Unsupervised learning for deploying smart
charging public infrastructure for electric
vehicles in sprawling cities. Journal of Cleaner
Production, 266, Article 121926. Documento en
línea. Disponible
https://doi.org/10.1016/j.jclepro.2020.121926
Mavutha, W., Kamwendo, A. R., & Corbishley, K.
M. (2023). Business intelligence adoption among
small apparel retailers in KwaZulu-Natal.
International Journal of Research in Business
and Social Science (2147-4478), 12(6), 66–78.
Documento en línea. Disponible
https://doi.org/10.20525/ijrbs.v12i6.2639
Montoya Villanueva, F. R., Sanchez-Carigga, C.,
Delgado-Quispe, E., & Soto-Pérez, G. (2026).
Towards the digital transformation of Peruvian
public infrastructure: A framework of critical
success factors for the adoption of BIM, machine
learning and digital twins. International Journal
of Construction Management. Advance online
publication. Documento en línea. Disponible
https://doi.org/10.1080/15623599.2026.2664477
Ouansrimeang, S., & Wisaeang, K. (2024).
Analyzing the critical delay factors for
construction projects in the public sector using
relative importance index and machine learning
techniques. Journal of Infrastructure, Policy and
Development, 8(8), Article 6208. Documento en
línea. Disponible
https://doi.org/10.24294/jipd.v8i8.6208
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1729)
http://www.aulavirtual.web.ve
Pedraza-Jaimes, G., Camacho-Pico, J. A., & Porras-
Díaz, H. (2024). Aproximación al diseño
conceptual de la gestión de carreteras
inteligentes: una referencia a modelos de
participación pública-privada. Revista Uis
Ingenierías, 23(1). Documento en línea.
Disponible
https://doi.org/10.18273/revuin.v23n1-2024013
Peiman, F., Khalilzadeh, M., Shahsavari-Pour, N.,
& Ravanshadnia, M. (2024). Estimation of
building project completion duration using a
natural gradient boosting ensemble model and
legal and institutional variables. Engineering,
Construction and Architectural Management.
Documento en línea. Disponible
https://doi.org/10.1108/ECAM-12-2022-1170
Semakale, L., Aghimien, D., & Nkhonjera, G.
(2026). Advancing sustainable construction risk
management in Lesotho through digital
technologies—A PLS-SEM approach.
Sustainability, 18(10), Article 4868. Documento
en línea. Disponible
https://doi.org/10.3390/su18104868
Soibelman, L., & Kim, H. (s. f.). Generating
construction knowledge with knowledge
discovery in databases. Proceedings of the
International Group for Lean Construction.
Suneja, N., Shah, J. P., Shah, Z. H., & Holia, M. S.
(2021). A neural network approach to design
reality-oriented cost estimate model for
infrastructure projects. Reliability: Theory &
Applications, 16(Special Issue 1[60]), 254–263.
Toh, S. C. L., Wong, S. Y., & Ding, C. S. (2026).
The impact of artificial intelligence on the
quantity surveying profession in Sarawak,
Malaysia. Journal of Engineering, Design and
Technology. Advance online publication.
Documento en línea. Disponible
https://doi.org/10.1108/JEDT-06-2025-0272
Tomaževič, N., Murko, E., & Aristovnik, A. (2024).
Organisational Enablers of Artificial Intelligence
Adoption in Public Institutions: A Systematic
Literature Review. Central European Public
Administration Review, 22(1), 109–138.
Documento en línea. Disponible
https://doi.org/10.17573/cepar.2024.1.05
Wibowo, F. A., Satria, A., Gaol, S. L., & Indrawan,
D. (2024). Foresight for SOE companies in
Indonesia’s construction industry: Recognizing
future opportunities. Sustainability, 16(23),
Article 10384. Documento en línea. Disponible
https://doi.org/10.3390/su162310384