Transformación digital en la gestión de infraestructura pública: Una revisión sistemática sobre barreras, factores habilitadores y estrategias para adoptar IA y BI
Barra lateral del artículo
Contenido principal del artículo
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
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El contenido de los articulos es de exclusiva responsabilidad de los autores.
Deberá cumplir con los siguentes aspectos de la Licencia CC BY NC ND :
- Atribución : Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
- No Comercial : No se puede utilizar el material con fines comerciales.
- Sin derivados : Si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
- Sin restricciones adicionales : No se pueden aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
Citas
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 https://doi.org/10.1016/j.landusepol.2022.106211
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
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
Tomaževi?, 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