REVISIÓN: CARACTERÍSTICAS DE LOS SISTEMAS INFORMÁTICOS DE INTELIGENCIA ARTIFICIAL, PARA LA PREVENCIÓN DE RIESGOS DEL ENTORNO LABORAL DE LAS ACTIVIDADES DEL SECTOR CONSTRUCCIÓN TRABAJO DE INVESTIGACIÓN PARA OPTAR EL GRADO DE MAESTRA EN PREVENCIÓN DE RIESGOS LABORALES GLORIA ALEJANDRA CARRASCO VILLENA LIMA – PERÚ 2025 ASESOR MG. JONH MAXIMILIANO ASTETE CORNEJO JURADO DE TRABAJO DE INVESTIGACIÓN MG. HENRY ALEXANDER CUEVA VASQUEZ PRESIDENTE MG. BRUNELLA YSABEL LIZARDO OTERO VOCAL MG. MIRKO ROGERS PEZOA VILLANUEVA SECRETARIO (A) DEDICATORIA. A Dios, por darme la fuerza y la oportunidad de llegar hasta aquí. A mis padres, por ser los pilares de mi vida y por su sacrificio que me han permitido convertirme en la persona que soy hoy en día A mis ángeles en el cielo, mi mama y abuelita, quien desde donde estén me guían y cuidan mi camino. Este logro es también para ustedes AGRADECIMIENTOS. A mis seres queridos, quienes me acompañaron en todo este proceso, brindándome su apoyo emocional, motivación constante y la tranquilidad para culminar esta meta. Asimismo, Expreso mi sincero agradecimiento a mis docentes, por la paciencia, orientación y compromiso a lo largo de este proceso. FUENTES DE FINANCIAMIENTO. Trabajo de investigación Autofinanciado ÍNDICE RESUMEN ABSTRACT I. DESARROLLO DE LOS TRABAJOS ......................................................... 1 1.1.1.1 Trabajo 1: Características de la Inteligencia Artificial ...................................... 10 1.2.1.2. Trabajo 2: Aplicabilidad en el Sector Construcción ........................................ 31 1.3.1.3. Trabajo 3: Prevención de Riesgos ................................................................... 52 II. CONCLUSIONES ....................................................................................... 82 III. RECOMENDACIONES ............................................................................. 86 IV. REFERENCIAS BIBLIOGRÁFICAS ........................................................ 88 RESUMEN El objetivo de esta investigación es analizar las características, la aplicabilidad y el aporte de la inteligencia artificial en la prevención de riesgos en construcción, en concordancia con la Ley 29783, el DS 011-2019-TR y el RNE G.050, e incorporando un enfoque de gestión ética alineado con IEEE 7000 2021 y con un sistema de gestión de IA conforme a ISO IEC 42001 2023. Los materiales y métodos fueron una revisión sistemática de literatura académica y documentos oficiales recientes, con extracción de métricas de desempeño e indicadores líderes, mapeo normativo, evaluación de transferibilidad al contexto peruano y una matriz transversal de ética, privacidad y sesgo que consideró minimización de datos, validación humana, explicabilidad y pruebas de sesgo por subgrupos. Los resultados indican que la inteligencia artificial produce impacto cuando se integra al sistema de gestión existente y se gobierna con indicadores líderes como tiempo a corrección, relación alerta a acción, cumplimiento de equipos de protección personal y registro de incidentes precursores, observándose aumentos sostenidos de cumplimiento, reducción de la latencia y descenso de dichos incidentes; destacan visión por computador para conductas y uso de equipos de protección, sensores portables para fatiga y estrés térmico, procesamiento de lenguaje natural para extraer lecciones de reportes, arquitecturas con procesamiento en el borde que disminuyen la latencia y vehículos aéreos no tripulados que amplían cobertura, con efectividad condicionada por calidad y representatividad de datos, calibración y control de deriva, capacidad organizacional e interoperabilidad en entornos multiempresa. Las conclusiones señalan que la inteligencia artificial es compatible con el marco peruano cuando su operación queda trazada en IPERC, análisis de trabajo seguro y permisos para trabajos de alto riesgo, con validación humana obligatoria, privacidad por diseño y gobierno de datos, y recomiendan una hoja de ruta con pilotos medibles, formación especializada, adopción escalonada orientada al retorno preventivo y guías técnicas que aseguren evidencia digital en auditorías. PALABRAS CLAVE INTELIGENCIA, ARTIFICIAL, PREVENCIÓN, RIESGOS, CONSTRUCCIÓN ABSTRACT The objective of this study is to analyze the characteristics, applicability, and contribution of artificial intelligence to risk prevention in construction, in line with Peru’s Law 29783, DS 011-2019-TR, and the RNE G.050, and with an ethical management approach aligned to IEEE 7000 2021 and an AI management system consistent with ISO IEC 42001 2023. Materials and methods were a systematic review of recent scholarly literature and official documents, with extraction of performance metrics and leading indicators, regulatory mapping, assessment of transferability to the Peruvian context, and the development of a cross-cutting ethics, privacy, and bias matrix that considered data minimization, human validation, explainability, and subgroup bias testing. Results indicate that AI delivers impact when it is embedded in the existing safety management system and governed with leading indicators such as time to correction, alert to action ratio, compliance with personal protective equipment, and near-miss records, producing sustained gains in compliance, shorter response times, and fewer precursor incidents. The strongest effects are seen with computer vision for behaviors and PPE use, wearables for fatigue and heat stress, natural language processing to extract lessons from reports, edge processing that reduces latency, and UAVs that extend coverage, with effectiveness conditioned by data quality and representativeness, calibration and control of model drift, organizational response capacity, and interoperability in multiemployer settings. Conclusions state that AI is compatible with the Peruvian framework when its operation is traceable within IPERC, ATS, and PETAR, with mandatory human validation, privacy by design, and robust data governance, and they recommend a national roadmap with measurable pilots, specialized training, phased adoption oriented to preventive return, and technical guidance that secures digital evidence for audits. KEYWORDS INTELLIGENCE, ARTIFICIAL, PREVENTION, RISKS, CONSTRUCTION 1 I. DESARROLLO DE LOS TRABAJOS La administración del riesgo en construcción se concibe como un proceso sistémico que integra la identificación de peligros, la evaluación de riesgos, la implantación de controles operativos y el seguimiento de su desempeño. En su forma más robusta, este proceso se estructura bajo el ciclo Planear–Hacer–Checar– Actuar (PHCA): se planifican medidas preventivas a partir de los peligros identificados; se ejecutan controles en la operación; se hacen seguimiento y medición mediante indicadores para valorar su efectividad; y se incorporan aprendizajes para la mejora continua. Todo ello se realiza asegurando el cumplimiento legal, la gobernanza de la información y la consulta y participación de los trabajadores y sus representantes desde el diseño hasta la evaluación, de modo que se fortalezcan la eficacia del sistema y la aceptación en obra (1). Sin embargo, esta lógica, que en el papel resulta consistente y coherente, choca con la complejidad del frente de obra: heterogeneidad de tareas, variabilidad ambiental, presión por plazos y la simultaneidad de múltiples riesgos que tornan insuficientes las inspecciones periódicas y los métodos puramente reactivos. En este contexto, la inteligencia artificial (IA) no reemplaza la gestión tradicional; por el contrario, la potencia. Al integrar y tratar grandes cantidades de datos recopilados a través de sensores, grabaciones visuales, registros operativos y reportes laborales, la IA transforma información dispersa en conocimiento operativo que posibilita tanto la anticipación de condiciones peligrosas como la detección inmediata de actos inseguros, como la visión por computador y sensores del Internet de las Cosas (IoT); y la activación de respuestas (2,3). Esta capacidad de amplificación informativa reduce latencias y amplía la cobertura de supervisión, 2 elementos críticos en obras donde el tiempo y el espacio condicionan la exposición al riesgo. El problema, sin embargo, no es únicamente técnico; es sistémico y multidimensional. A nivel global, aproximadamente tres millones de muertes anuales están relacionadas con trabajo, producto de accidentes, enfermedades profesionales y cientos de millones más padecen lesiones no mortales con consecuencias individuales, familiares y económicas de largo plazo (4). Tales magnitudes ponen de manifiesto que, aunque las normativas y los marcos regulatorios han evolucionado, persiste una brecha amplia entre el conocimiento disponible y la acción preventiva efectiva, sobre todo en actividades intrínsecamente peligrosas como la construcción. Por ello, la demanda por herramientas que permitan anticipar, detectar y mitigar riesgos con mayor rapidez y cobertura resulta ineludible. Mirando hacia América Latina y Caribe enfrentan problemáticas específicas que agravan esta situación: elevados niveles de informalidad laboral, heterogeneidad en tamaño y escala de obras, desde megaproyectos hasta construcciones informales, debilidades en los sistemas de inspección y diferencias marcadas en el cumplimiento normativo entre países. Estas características, junto con la exposición creciente a factores climáticos extremos y a interrupciones logísticas, hacen que la región sea particularmente vulnerable y que la solución tecnológica deba articularse con mejoras en gobernanza, capacitación y fiscalización (5,4,6). En otras palabras, la adopción de IA en Latinoamérica no sólo requiere inversiones tecnológicas, sino también un fortalecimiento paralelo de capacidades institucionales y sociales. 3 La adopción práctica de IA en la construcción latinoamericana ha sido heterogénea y mayormente concentrada en pilotos o estudios de factibilidad. Las revisiones recientes muestran proliferación de propuestas técnicas (visión, audio, PLN, fusión multimodal), pero una escasez relativa de implementaciones a escala que integren sensores, conectividad robusta y gobernanza de datos. Entre las barreras recurrentes se encuentran la infraestructura de comunicaciones insuficiente en obra, la baja estandarización de datos, la carencia de personal con competencias en ciencia de datos y resistencia o desconfianza sindical hacia sistemas de vigilancia tecnológica. Por consiguiente, para que la IA deje de ser promesa y sea una herramienta efectiva de reducción de siniestralidad, es necesario un enfoque dual: innovación tecnológica acompañada de políticas de formación, transparencia y regulación del uso de datos (2,3). Centrándonos en el caso peruano, la problemática se manifiesta con nitidez cuantitativa y cualitativa. De acuerdo con los registros del Ministerio de Trabajo y Promoción del Empleo (MTPE), en el año 2023 el sector de la construcción notificó 3 322 accidentes no mortales y 18 siniestros con desenlace mortal, cifras que confirman la persistencia de vulnerabilidades y la insuficiencia de estrategias preventivas actuales (7). Detrás de estos números se hallan factores recurrentes: la operación de maquinaria pesada en entornos simultáneamente complejos, la frecuente exposición a trabajos en altura, la presión por cumplir plazos que tiende a desplazar el cumplimiento riguroso de protocolos, carencias formativas y, en ciertos contextos, prácticas informales que eluden controles institucionales. Además, investigaciones recientes sobre machine learning y seguridad laboral advierten que la eficacia de modelos predictivos y sistemas automatizados depende 4 de la existencia de datasets representativos, balanceados y continuamente actualizados; la ausencia de estos insumos incrementa la probabilidad de sesgos y de resultados imprecisos, lo cual puede traducirse en falsos positivos que erosionan la confianza operativa o en falsos negativos que dejan riesgos no detectados (8). Frente a este panorama, proponemos avanzar paso a paso, como en un embudo: primero, hacer un diagnóstico amplio para conocer la situación real y ubicar las principales brechas técnicas y organizativas; después, realizar pilotos controlados que combinen cámaras y sensores (IoT y wearables), análisis con inteligencia artificial y reglas claras sobre manejo y privacidad de datos; y, por último, definir cuándo y cómo escalar lo que funcione. Estos pilotos se evaluarán con indicadores alineados a ISO 45001, tales como: cuántos accidentes ocurren en relación con las horas trabajadas (tasa de frecuencia), qué tan graves son sus consecuencias (tasa de gravedad), cuántos “casi accidentes” logramos detectar a tiempo (near-miss), cuánto tarda el sistema en avisar de un riesgo (latencia de alerta) y qué tan bien aciertan los modelos de IA al distinguir situaciones seguras de riesgosas. Desde el inicio, todo se co-diseñará con trabajadores y representantes sindicales para asegurar aceptación, transparencia y respeto de los derechos laborales. Con este enfoque integral, buscamos que el potencial de la IA se convierta en una reducción real y sostenible de los accidentes en la construcción peruana (9). El fundamento teórico de la investigación radicará en la necesidad de articular y profundizar marcos conceptuales que expliquen la ocurrencia de accidentes y enfermedades laborales en el sector construcción del Perú, incorporando además el potencial de las Inteligencias Artificiales (IA) como herramientas de predicción y prevención. La propuesta integrará enfoques sistémicos, teoría del factor humano y 5 modelos de gestión del riesgo prevención, mitigación y control, complementados con sistemas de IA capaces de identificar patrones de siniestralidad a partir de grandes volúmenes de datos. De este modo, el estudio aportará un puente entre la literatura internacional y el contexto local, atendiendo tanto a semejanzas como a diferencias con respecto a otros países, con el propósito de teorizar sobre patrones que hasta ahora han sido tratados de manera fragmentaria. La introducción de la IA refuerza la construcción de un marco explicativo innovador, al situar la investigación en el cruce entre la teoría tradicional de la seguridad laboral y los avances tecnológicos emergentes. En el plano metodológico, la investigación se sustentará en un diseño riguroso y pluralista que combinará métodos cuantitativos y cualitativos, garantizando representatividad en los muestreos de obras y empresas. A la recolección de registros de incidentes, encuestas validadas y entrevistas en profundidad con actores clave, se añadirá el uso de algoritmos de IA aplicados al análisis de datos históricos y en tiempo real, con el fin de detectar correlaciones ocultas, generar modelos predictivos y reducir la subjetividad en la interpretación. Así, el empleo de técnicas estadísticas avanzadas (correlacionales, regresión, minería de datos) se complementará con análisis temático asistido por IA, fortaleciendo la validez, la confiabilidad y la triangulación de la información. En consecuencia, se reducirá la incertidumbre y se consolidará la certeza en las conclusiones. La dimensión práctica se justifica por su impacto potencial en la gestión de la seguridad laboral en el Perú. La investigación no solo permitirá generar recomendaciones tradicionales controles, programas de capacitación, protocolos de supervisión, sino que también propondrá la adopción de sistemas de IA capaces de 6 monitorear riesgos en tiempo real, predecir incidentes y optimizar recursos en las obras de construcción. En términos operativos, la integración de la IA facilitará la traducción del conocimiento en acciones inmediatas y sostenibles, generando beneficios como reducción de accidentes, disminución de costos derivados de la siniestralidad y fortalecimiento de la cultura preventiva en el rubro. Finalmente, al proporcionar evidencia localmente pertinente, el estudio contribuirá a la formulación de políticas empresariales y públicas que promuevan prácticas más seguras, equitativas, tecnológicamente avanzadas y sostenibles en el sector construcción. Entonces ¿Cuáles son las características de la aplicación de los sistemas informáticos de inteligencia artificial y la prevención de riesgos del entorno laboral? Para responder esta pregunta se plantearon tres objetivos; Analizar las características, la aplicabilidad y el aporte de los sistemas de inteligencia artificial en la prevención de riesgos laborales en el sector construcción, considerando sus beneficios y limitaciones. Describir las características fundamentales y la evolución tecnológica de la inteligencia artificial aplicadas a la prevención de gestión de riesgos de la seguridad y salud en el trabajo. Analizar la aplicabilidad de los sistemas de inteligencia artificial en el sector construcción, identificando ejemplos concretos de implementación y sus resultados en la reducción de riesgos laborales. Evaluar los aportes y limitaciones de la inteligencia artificial en la prevención de riesgos laborales en construcción, contrastando la evidencia con la normativa peruana vigente. El presente estudio seguirá un diseño de revisión documental sistemática, mediante la técnica PRISMA, enfocada en compilar, identificar, estudiar y condensar la literatura existente sobre las particularidades y la incorporación de la 7 IA, aplicados a prevención de riesgos laborales en construcción. La búsqueda se efectuará en bases de datos académicas y técnicas relevantes: Scopus, Web of Science, ScienceDirect, IEEE Xplore, Redalyc y SciELO. El período de búsqueda será del 1 de enero de 2015 al 9 de septiembre de 2025. Los documentos a incluir en esta revisión son aquellos que abordan inteligencias artificiales en visión por computador, dispositivos portátiles (wearables), algoritmos predictivos, procesamiento de lenguaje natural, y robótica; suma del riesgo en la construcción y SST (salud y seguridad en trabajo) de obra. Además, en cuanto a revisión contempla sistemáticas, artículos científicos originales (tanto experimentales como observacionales), casos de estudio que hasta cierto punto corroboran el desarrollo empírico, y reportes técnicos que predominantemente explican sus argumentaciones. Publicaciones en español o en inglés, del 2015 al 2025, y cuyo texto completo esté disponible en los fundamentos seleccionados o repositorios de instituciones disponibles, históricamente y mediante bases de datos seleccionadas, son aceptadas. No se tendrán en cuenta en la revisión las tesis de pregrado que no tengan una versión pública sobre la cual se pueda realizar un repositorio de verificación, las cartas al editor, blogs que no tengan respaldo metodológico, y cualquier otro tipo de documento que no se pueda acceder en formato de texto. Estas exclusiones buscan la seguridad de la validez y la reproducibilidad de todos los hallazgos que se estudian en el ensayo. El proceso de selección constará de dos etapas. En primer lugar, se realizará un cribado de títulos y resúmenes para identificar documentos potencialmente 8 importantes. En segundo lugar, textos completos de los trabajos preseleccionados serán evaluados detalladamente por los mismos revisores. Las discrepancias entre evaluadores se resolverán por consenso; si no se alcanzara acuerdo, se recurrirá a un tercer revisor imparcial. Todo el flujo de selección será documentado y presentado mediante un diagrama PRISMA actualizado para asegurar transparencia en el procedimiento. La extracción de información se hará mediante una ficha estandarizada en la que se registrarán, al menos, los siguientes elementos: autor y año, país, tipo de estudio, objetivo, tecnología de IA estudiada, indicadores y métricas reportadas, el contexto de implementación, la existencia de evaluaciones de impacto o consideraciones éticas, y las limitaciones señaladas por los autores. La calidad metodológica de los trabajos se valorará con herramientas apropiadas al diseño de cada estudio como, instrumentos para evaluar estudios de precisión diagnóstica, chequeos de calidad para revisiones sistemáticas, directrices para estudios observacionales y criterios adaptados para la literatura gris. A partir de esta valoración se ponderarán los hallazgos en la síntesis final, que será de naturaleza descriptiva y temática: se presentarán tablas resumen, una matriz que relacione normas relevantes con la evidencia identificada y las brechas detectadas, y un análisis cualitativo de las categorías emergentes. Por último, se aclararán las limitaciones de la revisión, incluida la potencial sesgo de publicación, la heterogeneidad metodológica de los estudios y las barreras para acceder a la documentación empresarial no pública y propietaria. El protocolo de revisión, que consistirá en los objetivos, los elementos de control, los criterios 9 de selección y las cadenas de búsqueda empleadas, se documentará y se adjuntará como material complementario para ayudar a asegurar la reproducibilidad del estudio. De forma transversal al diseño metodológico, se incorpora un análisis de ética, privacidad y sesgo algorítmico conforme a IEEE 7000:2021 e ISO/IEC 42001:2023. Este análisis comprende: (i) extracción sistemática de cómo cada fuente o componente de IA aborda privacidad y equidad; (ii) clasificación de controles de gobernanza (políticas, roles, auditorías y métricas); (iii) una matriz que vincule riesgos identificados con las mitigaciones propuestas; y (iv) criterios para revisión humana y documentación de decisiones durante todo el ciclo de vida del sistema. 10 1.1.1.1 Trabajo 1: Características de la Inteligencia Artificial La aparición de la inteligencia artificial (IA) transformo numerosos sectores industriales, siendo la construcción uno de los más beneficiados con su uso. Según las estadísticas de la MTPE, en 2023, el ámbito de construcción en Perú sufrió 3,322 lesiones no fatales y tuvo 18 fatalidades. Estos datos por sí mismos prueban la importancia de las metodologías evasivas en tecnologías avanzadas (7). A escala mundial, la construcción da empleo a aproximadamente tres millones de individuos, y dado que cada año se registran cerca de tres millones de muertes por incidentes o patologías laborales, resulta cada vez más pertinente replantear la incorporación de herramientas tecnológicas innovadoras en esta industria (4). Esto confirma el argumento a favor de tales gastos innecesarios completamente con el propósito de reemplazar los recursos presupuestarios, que deben ser invertidos en tecnologías avanzadas para la construcción. Redirigir recursos para abordar la falta de compra de tecnologías avanzadas en el sector de la construcción para reducir los accidentes laborales. A escala internacional, los datos más recientes y sólidos confirman que la carga de enfermedad y muerte vinculada al trabajo sigue en ascenso, lo que refuerza la pertinencia de enfoques predictivos basados en IA. En sectores de alta peligrosidad como la construcción estos patrones se expresan con mayor intensidad por la concurrencia de riesgos físicos, ergonómicos y conductuales. Esta evidencia robustece la tesis de que la prevención proactiva requiere incorporar modelos de aprendizaje automático capaces de priorizar tareas, detectar condiciones inseguras y emitir alertas tempranas en tiempo real, integrando fuentes de datos heterogéneas. Tales capacidades, descritas en revisiones de alto impacto en Automation in 11 Construction y Advanced Engineering Informatics, ubican a la IA como el núcleo técnico del cambio de paradigma desde la inspección retrospectiva hacia la gestión anticipatoria del riesgo (10). Actualmente, la IA es una herramienta increíble en el campo de seguridad y salud dentro del trabajo (SST). Como se destacó en el congreso de Prevención de Riesgos Laborales celebrado en España los días 13 y 14 de junio de 2024, el aumento del uso de la IA tiene como objetivo reducir el índice de riesgo y revolucionar manera de recopilar, analizar y emplear información vinculada con gestión de seguridad y salud (11). Sobre implementación de dicha tecnología no solo permite la identificación de patrones de riesgo, sino que también facilita la detección y el monitoreo constantes de condiciones en tiempo real, emitiendo señales de advertencia temprana que minimizan en gran medida las probabilidades de un accidente. La evidencia científica reciente clasifica los sistemas de IA para seguridad en construcción en tres modalidades de datos: visual, acústica y textual. Esta tríada multimodal potencia el desempeño porque reduce la dependencia en un solo canal y mejora la robustez frente a oclusiones, ruido o ambigüedades (9). En paralelo, la literatura propone arquitecturas híbridas edge–cloud: el procesamiento en el borde posibilita latencias de milisegundos para alertas críticas (por ejemplo, caída de persona o pérdida de casco), mientras que la nube concentra el aprendizaje continuo, auditorías y recalibración de umbrales, alineándose con marcos de mejora continua del SGSST (10). Esta dualidad operativa también facilita la trazabilidad de decisiones y la explicabilidad (XAI), elementos clave para la aceptación organizacional y la defensa técnica ante auditorías. 12 La IA es el dominio en el que las máquinas realizan funciones como aprender, razonar, percibir, entender el habla o la escritura y tomar decisiones que generalmente se asocian con la capacidad intelectual de los humanos (12). En lo que respecta al campo de riesgos de salud y seguridad en el trabajo, la IA incluye una colección de modalidades y técnicas que permiten a un sistema informático evaluar de manera independiente y en detalle, reconocer patrones complejos, anticipar acciones y optimizar procesos de seguridad. Así, la aplicación de la IA aquí trabaja con integraciones con la ingeniería de seguridad, la ciencia de datos y el estudio del comportamiento humano, lo que forma un enfoque multidisciplinario para la gestión de riesgos. Desde el punto de vista técnico, los repositorios de datos para SST en construcción tienden a ser desbalanceados, con cambio de dominio entre obras y deriva de datos en el tiempo; por ello se recomiendan esquemas de reentrenamiento periódico, validación cruzada entre obras y adaptación de dominio (10) (13). En visión por computador, avances recientes en detección robusta han mostrado mejoras frente a oclusiones y objetos pequeños, dos problemas típicos del entorno constructivo (13). Estas consideraciones metodológicas impactan directamente la tasa de falsos positivos/negativos, la estabilidad entre obras y la transferencia del desempeño del modelo, por lo que deben incorporarse como requisitos de calidad del modelo dentro de los KPIs del sistema. Una de las principales cualidades de IA en el ámbito de la salud y seguridad en el trabajo es su capacidad de análisis sobre big data, la automatización del reconocimiento de correlaciones no fácilmente observables por el analista, y la capacidad de aprendizaje autónomo (2). Esto mismo permite la evolución y 13 adaptación de los sistemas a diferentes escenarios y condiciones de trabajo. Por ello, a la efectiva adopción de estos sistemas no solo debe acompañarse el uso de tecnología de punta, sino que, además, hay que desarrollar habilidades administrativas y organizacionales para el control y la optimización de los sistemas. Según Kabir et al. (3), describe aplicación de IA en construcción como girando en torno a tres aspectos centrales. Primero, la recopilación automatizada de datos utilizando dispositivos inteligentes y sensores. En una segunda etapa, se lleva a cabo el tratamiento de los datos y el examen de la información a través de algoritmos avanzados. Tercero, la construcción de conocimientos aplicables para la toma de decisiones proactivas. Los pilares destacados aquí funcionan de manera sinérgica, donde la recopilación de datos determina la efectividad del análisis, y el análisis determina la utilidad de los conocimientos para la toma de decisiones. MARCO TÉCNICO FUNCIONAL DE LA IA EN SST El sector de la construcción está expuesto a múltiples peligros, que convierte gestión de seguridad y salud laboral en un reto constante. En los sectores, la construcción tiene la mayor cantidad de accidentes laborales y la tasa de mortalidad más alta (14). En esta situación, la IA es invaluable. Puede gestionar la salud y la seguridad e incluso predecir, identificar y ayudar a reducir el riesgo utilizando sistemas inteligentes (SST). Estos sistemas aprenden a través de sus experiencias a lo largo del tiempo y mejoran. Metodológicamente, una IA aplicada al sistema de seguridad y vigilancia se puede entender a través de un flujo funcional que categoriza distintas fases desde la recolección de datos hasta la acción preventiva. Esta metodología permite sistematizar cómo la IA, para prevenir la ocurrencia de accidentes, decide sobre 14 cuáles datos crudos procesar, y transforma eso en decisiones, en etapas alineadas a los procedimientos de norma ISO 45001:2018, que establece necesidad de un ciclo de mejora continua basado dentro de la identificación de peligros, la planificación de acciones y la verificación de resultados (1). Módulo 1 – Captura La primera fase se orienta a la captura de información mediante sensores conectados al IoT, dispositivos portátiles y sistemas de visión por máquina. En un entorno de construcción, tales dispositivos captarían variables ambientales (ruido, polvo, vibración, gas tóxico) y métricas fisiológicas (frecuencia cardíaca, fatiga), y rastrearían y registrarían comportamientos utilizando CCTV y drones (3). Por ejemplo, a un trabajador expuesto a altas temperaturas se le puede monitorizar en tiempo real utilizando un dispositivo portátil que envía alertas antes de que el trabajador alcance el umbral de un golpe de calor. En captura fisiológica, los wearables han probado utilidad para vigilar estrés térmico, fatiga y carga postural en campo. En un estudio de Safety Science, Shakerian y col. (15) integraron temperatura cutánea, frecuencia cardiaca y actividad electrodermal para estimar el riesgo de golpe de calor en trabajadores, demostrando viabilidad de alertas personalizadas en obra. De forma complementaria, la revisión de Automation in Construction sobre tecnologías de sensado vestible reporta aplicaciones consistentes para fatiga, sobrecarga musculoesquelética y prevención de caídas, e identifica desafíos prácticos como artefactos de señal y cumplimiento de uso. A nivel organizacional, los estudios de adopción subrayan que la aceptación del trabajador mejora cuando hay retroalimentación comprensible, reglas claras de privacidad y beneficios visibles 15 (16). En suma, la captura con wearables proporciona señales de alta granularidad que, combinadas con visión por computador e IoT ambiental, alimentan modelos multimodales con mejor poder predictivo y mayor cobertura del sitio. Módulo 2 – Análisis Se aplican algoritmos propios del aprendizaje automático junto con metodologías de aprendizaje profundo para procesar datos recopilados para reconocer nanofibras con riesgos. En contraste con los enfoques convencionales, sustentados en inspecciones realizadas de forma periódica, la IA puede procesar simultáneamente miles de variables para reconocer patrones que permanecen inobservable para los análisis humanos (2). En análisis visual, los enfoques con YOLOv8 y variantes multitarea han mostrado precisión elevada para detectar casco, arnés, posturas y proximidad peligrosa en tiempo real, integrando detección, segmentación y pose en un marco único; en escenarios de validación realistas, se han comunicado métricas mAP altas y mejora del seguimiento continuo frente a métodos de una sola tarea (17). Pero, dos fuentes comunes de error son la ocultación parcial y la variación del fondo, que inducen deriva; trabajos recientes proponen adaptación semántica y atenciones jerárquicas para estabilizar el rendimiento entre obras (13). En paralelo, plataformas con minimización de alarmas y umbralización dinámica han logrado reducir falsos positivos manteniendo sensibilidad, aspecto crucial para evitar fatiga de alarmas del personal de seguridad (18). Estos avances sugieren que la combinación de arquitecturas robustas, aprendizaje continuo y calibración bayesiana de la probabilidad de riesgo puede sostener el desempeño del sistema cuando cambian las condiciones de obra. En la práctica, esto significa que un sistema puede alertar que, por ejemplo, la fatiga, trabajar con EPP y niveles de ruido 16 elevados pueden llevar a una tasa de accidentes un 70% mayor en un sitio de construcción. Para maximizar utilidad operativa, se recomienda una arquitectura híbrida edge– cloud con fusión multimodal. La detección de EPP, conductas y proximidades (pipelines multitarea detección–segmentación–pose) se ejecuta en el borde para alertas en milisegundos, mientras la nube concentra aprendizaje continuo, recalibración de umbrales y trazabilidad. La fusión temprana de señales visuales con métricas de wearables eleva la sensibilidad ante eventos raros; la fusión tardía ajusta el balance precisión–recobrado por tarea y frente de trabajo. Para reducir fatiga de alarmas sin perder sensibilidad, use umbralización dinámica y plataformas de minimización de alarmas (18). La robustez entre obras exige vigilar deriva y cambio de dominio: medir drift con PSI, reentrenar periódicamente y emplear adaptación semántica para oclusiones, visibilidad y fondos cambiantes (19). Finalmente, la calibración probabilística y explicabilidad ayudan a priorizar riesgos de costo asimétrico y sostienen la aceptabilidad ante auditorías (19). Módulo 3 – Decisión Los hallazgos analizados en este caso se convierten en alertas y planes de acción. Este módulo tiene umbrales que están establecidos en la normativa y activa la automatización completa: desde notificaciones al responsable hasta el apagado automático de máquinas pesadas en caso de una amenaza inminente (5). Un caso ilustrativo sería la activación automática de un sistema de ventilación cuando se identifican niveles peligrosos de gas en un tunnel. Para decisiones críticas, se recomienda umbralizar las alertas considerando no solo la probabilidad de evento sino el costo asimétrico del error (p. ej., una omisión es 17 más costosa que una falsa alarma en trabajo en altura). En entornos con múltiples sensores, la fusión temprana (feature-level) tiende a mejorar la recall de eventos raros, mientras que la fusión tardía (score-level) facilita el control operativo de los trade-offs de precisión/recobrado por tipo de tarea (9) (18). La incorporación de componentes explicables (saliency, reglas extraídas) facilita la trazabilidad de las decisiones y su defendibilidad frente a auditorías del SGSST, además de mejorar la aceptación de supervisores y trabajadores. Módulo 4 – Actuación Corresponde a la fase de intervención directa. Aquí la automatización y la robótica permiten la realización de actividades de alto riesgo como demoliciones, izajes o excavaciones profundas con baja o nula exposición humana al riesgo (20). En este nivel, los robots con IA son capaces de realizar trabajos con altísimo riesgo, el personal de trabajo realiza funciones de supervisión a la baja probabilidad de accidentes mortales. Indicadores clave de desempeño (KPIs) La eficacia de IA en mitigación y control en accidentes laborales tiene que ser evaluada con indicadores medibles que abarquen la eficiencia operativa y económica de las intervenciones y seguridad resultante. En industria de construcción, se ha hecho evidente que la integración de KPIs es necesaria para determinar el impacto real de tales tecnologías (21). Tabla 1. Indicadores KPI evaluables mediante IA Dimensión Indicadores propuestos Seguridad Tasa de Frecuencia (TF), Tasa de Gravedad (TG), near miss detectados, % de uso correcto de EPP, latencia de alerta, falsos positivos/negativos. Eficiencia operativa Tiempo de respuesta ante alertas, horas-hombre en riesgo evitadas, cumplimiento de protocolos de seguridad. 18 Económico Costos de accidentes evitados, retorno sobre la inversión (ROI), variación en primas de seguros y sanciones regulatorias. Calidad de modelo Precisión, recall, F1-score, AUC/ROC, estabilidad entre obras, drift de datos. Elaboración a partir de International Organization for Standardization y International Labour Organization (4) (1). Capacidades preventivas La IA exhibe cuatro capacidades intersecadas que potencian prevención de accidentes laborales en construcción: 1. Predecir: Mediante el análisis predictivo, evalúa las probabilidades de cualquier ocurrencia en relación con el entorno circundante, las personas involucradas y la tecnología. Esto facilita la planificación de tareas críticas durante el momento y las condiciones más seguras e ideales (8). 2. Detectar: Identificar actos y condiciones inseguras, como la falta de un casco y el uso inadecuado de un arnés de seguridad, en tiempo real. Esta detección inmediata reduce la dependencia de inspecciones manuales y garantiza mayor cobertura (21). 3. Actuar/Automatizar: Implementa controles automáticos frente a riesgos inminentes, como interlocks en maquinaria pesada, paradas de emergencia o cierre de accesos, evitando que un error humano escale a accidente grave (22). 4. Aprender: transforma información textual no estructurada (reportes de accidentes, observaciones de supervisión, entrevistas post-incidente) en conocimiento accionable que retroalimenta el sistema de gestión (23) 19 CARACTERÍSTICAS PRINCIPALES a) Capacidad de Análisis Predictivo Una de las características más destacadas de IA dentro de prevención de riesgos laborales es su capacidad de análisis predictivo. Esta característica permite examinar grandes volúmenes de información histórica sobre incidentes, accidentes laborales y condiciones de trabajo para identificar patrones que faciliten el establecimiento de medidas preventivas antes de que ocurran eventos no deseados (5). Por consiguiente, esta capacidad proporciona una ventaja considerable sobre los métodos convencionales de análisis de seguridad, que dependen principalmente del análisis retrospectivo y de evaluaciones cualitativas. Los algoritmos de aprendizaje de máquina pueden mirar a la historia y a grandes volúmenes de datos para identificar patrones que ocurren cuando hay accidentes o incidentes en una obra. Esto hace que los sistemas puedan emitir advertencias sobre acontecimientos que se consideran de una alta peligrosidad y cuya naturaleza permite racionalizar decisiones preventivas (8). En otras palabras, estos modelos son capaces de capturar conjuntos finitos de elementos que han demostrado llevar a accidentes, incluso si tales conjuntos no son obvios para los analistas humanos porque son demasiado complicados o demasiado sutiles. En el sector construcción, Taherpour et al. (24) encontraron que los modelos predictivos de IA pueden considerar la carga de trabajo, el ruido ambiental, la temperatura, la experiencia del trabajador y el estado del equipo, en relación, para activar señales de advertencia tempranas de escenarios de riesgo elevado. Dichos sistemas, en su uso adecuado, demostraron tener una precisión del 85-92% en la predicción de posibles accidentes. Así, este nivel de precisión permite a los gerentes 20 de seguridad asignar recursos de manera mucho más eficiente, enfocándose en medidas preventivas para los momentos y situaciones más problemáticos. Los modelos de predicción con enfoque a un problema en tiempo real asocian riesgos con avanzar técnicas de redes neuronales artificiales, árboles de decisiones, o regresión múltiple. El crecimiento de estos modelos es óptimo, por la condición de datos acumulados, lo que desencadena un ciclo de retroalimentación positiva y mejora continua (25). Entonces, este resultado o esta intervención agrega una nueva capa de datos a este conjunto, que, en la siguiente iteración, puede ser utilizada para mejorar, por lo tanto, la eficiencia del sistema es mayor que su predecesor. b) Monitoreo y Supervisión en Tiempo Real El monitoreo y la supervisión de acciones y situaciones del lugar de trabajo en tiempo real es otro rasgo fundamental de sistemas IA en uso para prevención de accidentes en trabajo (22). Permite la identificación de comportamientos o acciones potencialmente peligrosas en el momento exacto de su ocurrencia y durante su ejecución; por lo tanto, este rasgo es extremadamente importante y representa una mejora sustancial con respecto a los sistemas de monitoreo clásicos, que se basan en intervalos de tiempo arbitrarios de observaciones manuales y pueden sufrir lagunas en el tiempo y el espacio. Un ejemplo claro de esta aplicación es el uso de sensores inteligentes incorporados en dispositivos portátiles para rastrear en tiempo real a los empleados que están expuestos a sustancias nocivas. Los datos capturados de tales sensores se utilizan para evaluar las condiciones laborales de manera continua y en tiempo real, lo que ayuda a garantizar que los empleados no superen los límites de seguridad preestablecido (8). En esta situación, estos sensores actúan como centinelas 21 digitales de salud y seguridad de empleados, proporcionando alertas en tiempo real siempre que existe la posibilidad de comprometer la seguridad de los empleados. Los sistemas de monitoreo en tiempo real también integran tecnologías de visión por computadora que pueden identificar automáticamente casos de subuso o ausencia del equipo de protección personal (EPP). Según Alkaissy et al. (21), estos sistemas pueden identificar con más del 90% de precisión casos de trabajadores que carecen de un casco de seguridad, ausencia de arnés en trabajos en altura, o posturas peligrosas al realizar tareas. La combinación de IA e Internet de las Cosas (IoT) permite desarrollo de redes automatizadas para monitorear calidad del aire y niveles de ruido, vibración, temperatura, humedad e incluso la presencia de gases tóxicos a través de la integración de satélites y sensores terrestres. Los datos se procesan en tiempo real utilizando algoritmos de IA que pueden activar protocolos de emergencia de forma autónoma siempre que se señalen condiciones peligrosas (26). Por ello, esta integración crea un ecosistema inteligente de seguridad que proporciona una cobertura comprehensiva del sitio de construcción, detectando riesgos que podrían pasar desapercibidos para los sistemas de monitoreo tradicionales. c) Automatización de Procesos Peligrosos La automatización de flujos de trabajo peligrosos utilizando robótica inteligente es única en la investigación de IA en la seguridad laboral. Por ejemplo, los sistemas robóticos equipados con sensores avanzados de detección de postura pueden identificar posiciones peligrosas de los trabajadores y alertarlos proactivamente. Tener sistemas de IA en su lugar puede reducir drásticamente el número de incidentes y enfermedades ocupacionales a las que una persona es susceptible. La 22 automatización inteligente también es aplicable al control de motores pesados en industria de construcción. La IA pueden controlar grúas, excavadoras, y otros equipos pesados de manera autónoma o semi-autónoma, reduciendo el error humano y optimizando las operaciones en términos de seguridad y eficiencia (27). Es decir, estos sistemas pueden realizar operaciones complejas con mayor precisión y consistencia que los operadores humanos, especialmente en condiciones adversas o en situaciones que requieren movimientos extremadamente precisos para mantener la seguridad. d) Procesamiento de Lenguaje Natural y Análisis de Documentos El procesamiento del lenguaje natural (PLN) constituye una característica avanzada de los sistemas de IA que puede analizar de manera automatizada informes de accidentes o lesiones que ocurren en la construcción. Esta capacidad facilita la generación de análisis detallados de reportes provenientes de testimonios de accidentados, esto permite reconocer con mayor precisión las causas subyacentes y llevar a cabo la aplicación de acciones correctivas pertinentes para prevenir accidentes similares (23). Por consiguiente, esta característica permite transformar información textual no estructurada en insights accionables, aprovechando el conocimiento contenido en reportes, testimonios y documentos que tradicionalmente requerían análisis manual intensivo. En análisis textual, se ha avanzado desde reglas simples hacia clustering semántico y modelos no supervisados para extraer factores sistémicos de reportes de accidentes (como AcciMap), lo cual permite mapear rutas de causalidad y proponer controles preventivos basados en evidencias (28). Asimismo, se reportan clasificaciones automáticas de narrativas de incidentes por severidad y tipo de 23 lesión, útiles para priorizar inspecciones y entrenamientos (29) (19). Estos métodos, cuando se integran con datos visuales y de sensores, pueden cerrar el bucle entre incidente, aprendizaje y mejora del proceso, generando bibliotecas vivas de lecciones aprendidas. Un requisito crítico para su adopción es la normalización terminológica (ontologías de tareas/actividades/riesgos) y la gestión de calidad del texto, dado que abreviaturas y registros heterogéneos degradan el rendimiento. En conjunto, el PLN permite pasar de la simple conteo de incidentes a inteligencia de riesgos que identifica patrones recurrentes, condiciones latentes y oportunidades de intervención temprana. BENEFICIOS Y VENTAJAS COMPETITIVAS a) Reducción de Accidentes y Costos Asociados La implementación de sistemas IA en prevención de riesgos laborales ha demostrado reducciones significativas en las tasas de accidentes. Según investigaciones, los sistemas de IA pueden reducir las tasas de accidentes laborales entre un 35% y un 60% (30). Estas implementaciones de IA no solo representan mejoras en las estadísticas de construcción, sino que también mejoran directamente calidad de vida de trabajadores y sostenibilidad de operaciones de empresas de construcción. Los ahorros de costos relacionados con accidentes incluyen la reducción de gastos médicos, la disminución de días perdidos debido a lesiones, primas de seguros más bajas y la evitación de multas regulatorias. El retorno de inversión de estos típicamente se materializa dentro de 18 a 36 meses después de la implementación (31). Así, el rápido ROI hace que la justificación de la inversión para la adopción de sistemas de IA sea convincente incluso para empresas con pocos recursos. Esto 24 es especialmente cierto al considerar los beneficios a largo plazo para la reputación corporativa y la retención de talento. DESAFÍOS Y LIMITACIONES ACTUALES a) Desafíos Técnicos Teniendo en cuenta los actuales desafíos y limitaciones de sistemas de IA para Prevención de Riesgos Laborales en construcción, está claro que, a pesar de las impresionantes capacidades de las aplicaciones recientes de IA, todavía existen importantes barreras para su integración sin problemas en la gestión de la seguridad (32). Estos incluyen la necesidad urgente de conjuntos de datos completos y de alta calidad para entrenar un modelo robusto, junto con la invención de algoritmos de modelos sofisticados que puedan navegar con precisión a través de la volatilidad dinámica y las complejidades de los entornos de los sitios de construcción con variaciones en la iluminación, obstáculos y condiciones climáticas impredecibles. Los principales desafíos incluyen la integración y gestión eficiente de datos textuales, audibles y visuales, donde la representación semántica de los resultados del modelo en el contexto de informes de incidentes o videos de un sitio es el déficit principal, la capacidad de detectar objetos ocultos en análisis visuales que dificulta la identificación proactiva de peligros, y el subdesarrollo de aplicaciones basadas en audio para el monitoreo del medio ambiente y la maquinaria (32). En gobernanza y adopción, la implantación debe ir acompañada de políticas de privacidad y resguardo de datos (propósito específico, minimización y retención limitada), pruebas de sesgo por subgrupos y canales de reclamación, con comunicación transparente (33) (34). La aceptación mejora cuando el trabajador 25 recibe retroalimentación comprensible y beneficios claros del monitoreo, algo crítico con wearables (16). Operativamente, establezca metas y auditorías mensuales alineadas al PDCA: latencia extremo-a-extremo, tasa de falsas alarmas por frente, estabilidad entre obras (ΔF1) y razón alerts-to-action (17) (18). Para tareas críticas, defina umbrales con costo asimétrico del error y componentes explicables para trazabilidad (9) (18). Finalmente, integre estos controles con el gemelo digital, alimentando la simulación 4D/5D y la planificación colaborativa, con registro auditable de decisiones (35). Así, la organización transita de inspecciones retrospectivas a aprendizaje continuo basado en datos, manteniendo legitimidad social y eficacia preventiva (9). Aunque Modelos de Lenguaje con grandes parámetros (LLM) prometen avances en interpretación de datos textuales para evaluar los riesgos y los protocolos de seguridad a implementar, su adopción limitada debido a la ausencia de puntos de datos relevantes del sector de la construcción resalta la brecha en la integración multimodal. Todas estas limitaciones no solo socavan la fiabilidad en tiempo real de los sistemas de IA, sino que también requieren un enfoque prudente en el despliegue de los sistemas de manera que se prevenga sesgos o falsos positivos que tienden a empeorar los riesgos de seguridad laboral. Esto resalta la necesidad de futuros trabajos que apunten a conjuntos de datos colaborativos, algoritmos adaptativos y validaciones en entornos del mundo real (32). A los retos técnicos se suman dimensiones sociotécnicas claves: (i) privacidad y protección de datos (particularmente en audio e imagen), (ii) equidad y sesgo algorítmico (p. ej., detección diferencial por indumentaria o tono de piel), y (iii) fatiga de alertas y carga mental del personal. La literatura de salud ocupacional 26 advierte que el monitoreo continuo puede ser invasivo si no se gobierna con propósito legítimo, minimización de datos, temporalidad limitada y transparencia (33). En paralelo, revisiones metodológicas recomiendan implementar pruebas de sesgo (error desagregado por subgrupos, condiciones y áreas), evaluaciones de impacto antes del despliegue y canales de reclamación (37). Operativamente, se aconseja diseño centrado en el usuario para presentar alertas accionables (no criptogramas técnicos), con umbralización según riesgo y protocolos claros de respuesta. Estas prácticas no solo disminuyen la resistencia a la tecnología, sino que mejoran la efectividad real del sistema al favorecer la adopción y el uso consistente en obra. Impacto psicosocial del monitoreo digital El monitoreo digital con IA no solo modifica procesos técnicos: también reconfigura percepciones de vigilancia, autonomía y confianza. La aceptación mejora cuando el propósito se comunica sin ambigüedades (enfocado en seguridad y prevención, no en sanción), cuando existen reglas claras de tratamiento de datos y cuando la plataforma devuelve retroalimentación útil y accionable al personal (38,39). La experiencia recogida en el propio documento confirma que el valor preventivo surge cuando la organización gobierna el ciclo alerta → verificación → acción con trazabilidad e indicadores, y no simplemente cuando “hay más datos” o “más detecciones” (40). Esa gobernanza incluye metas, roles, tiempos de respuesta (SLA) y un comité/subcomité activo que cierre el bucle con evidencia, tal como exigen los dispositivos de gestión del SST en obra (41). Para blindar la confianza sindical y evitar lecturas punitivas del sistema, el despliegue debe apoyarse en los mecanismos participativos formales y en una 27 documentación que permita auditar decisiones y resguardar derechos (42). En tu texto ya se delimita esa arquitectura de participación y trazabilidad; obligatoria para todos los actores de la cadena como condición para que cualquier tecnología sea legítima y verificable en obra (43). Desde la salud psicosocial, dos riesgos operativos deben mitigarse: (i) la “fatiga de alertas”, que erosiona la motivación si no se filtra, verifica y responde con tiempos predefinidos; y (ii) la sensación de “caja negra”, que disminuye la agencia del trabajador. Las medidas que ya recoges —capacitación específica para interpretar alertas y gestionar falsos positivos, documentación previa en ATS/PETAR y actualización “viva” del IPERC— reducen ambos riesgos y preservan el clima de confianza (43,40). Medidas mínimas de protección psicosocial que deben figurar en el Plan de SST:  Propósito único y explícito: prevención y aprendizaje.  Trazabilidad de cada alerta con responsable y SLA de verificación/cierre.  Participación del comité en reglas de uso, umbrales y revisión periódica.  Transparencia operable: qué evidencia sustenta la alerta y cómo se valida en campo.  Capacitación periódica orientada a interpretación de alertas, falsos positivos y protocolos de verificación. Estas condiciones ya están ancladas en tus apartados sobre gobernanza, capacitación y control operativo. TENDENCIAS FUTURAS Y EVOLUCIÓN TECNOLÓGICA a) Integración con Tecnologías Emergentes 28 Las plataformas integradas IA–BIM–IoT–RA evolucionan hacia gemelos digitales operativos que sincronizan el avance 4D/5D con capas de seguridad en tiempo real. Revisiones recientes en Automation in Construction y Sustainability detallan cómo la telemetría de sensores y visión en obra se “inyecta” al gemelo para simular escenarios de riesgo, detectar colisiones y visualizar superposiciones de advertencia mediante RA sobre el modelo BIM, habilitando decisiones colaborativas basadas en la situación real (3). En paralelo, emergen pipelines con aprendizaje multimodal que integran texto video señales para enriquecer el contexto de las alertas y mejorar la priorización. Estas líneas, combinadas con blockchain para trazabilidad de registros de seguridad y auditoría, apuntan a sistemas de cero intervención en tareas de alto riesgo (izajes, excavaciones), donde el rol humano se concentra en supervisión y mejora continua. La consolidación de estas tendencias dependerá de datos compartibles, estándares abiertos y validaciones multiobra, con protocolos transparentes de gobernanza algorítmica. En área de construcción, las tendencias futuras en prevención de riesgos parecen estar en una integración sinérgica de la IA con tecnologías emergentes como Internet de las Cosas (IoT), gemelos digitales, realidad aumentada (AR) y blockchain para gestionar la seguridad en la cuarta revolución industrial. Kristombu (40), señala que la integración de IA con sensores IoT transmite datos del sitio de construcción que, cuando se procesan mediante algoritmos de aprendizaje profundo, entre los que destacan las redes neuronales de tipo convolucional convolucionales, reconocen con suma precisión los peligros laborales, como el equipo mal colocado y otras condiciones situacionales inseguras. La integración con gemelos digitales y AR permite a los usuarios visualizar modelos BIM 29 aumentados con superposiciones de seguridad en tiempo real, mejorando toma de decisiones y colaboración en el sitio. Además, la tecnología blockchain garantiza la seguridad, integridad y trazabilidad de datos, fomentando así sistemas confiables y transparentes (3). Se espera que estas innovaciones evolucionen hacia plataformas completamente autónomas que monitoreen en tiempo real las obras de construcción para detectar riesgos y ejecutar instantáneamente medidas preventivas automatizadas para reducir drásticamente los incidentes laborales. El resultado será la promoción de condiciones de trabajo mucho más seguras en el área de la construcción. En el marco de la incorporación de tecnologías emergentes, la implementación de sistemas informáticos basados en IA orientados a la predicción de riesgos en la industria de la construcción se proyecta hacia una articulación avanzada con la Realidad Aumentada (RA), el Modelado de Información de Edificios (BIM) y el Internet de las Cosas (IoT). Esta convergencia tecnológica posibilita una gestión preventiva más dinámica, con capacidad de supervisión en tiempo real y un enfoque proactivo sobre los entornos laborales. Tal sinergia hace posible la construcción de gemelos digitales dinámicos de los sitios de construcción donde los datos de sensores IoT de IA identifican de manera predictiva los riesgos ergonómicos, estructurales y ambientales, alertando visualmente a los usuarios con RA sobre los modelos BIM, reduciendo así la pérdida crítica de metadatos y mejorando la toma de decisiones colaborativa. Por ejemplo la integración de IA con BIM 4D y AR no solo optimiza la visualización a escala real del progreso de la obra, como se ha demostrado en aplicaciones para el monitoreo de puentes, sino que también incorpora algoritmos de visión por computadora para identificar exposiciones a 30 riesgos en tiempo real, reduciendo incidentes laborales en un 20-30% según proyecciones para 2025 (43). Se espera una mayor adopción de plataformas híbridas que combinen IA con estas tecnologías para simular escenarios de riesgo, automatizar la detección de colisiones y promover la sostenibilidad, transformando la prevención de riesgos en un proceso inteligente y escalable que aborde las complejidades crecientes de proyectos de construcción (44). 31 1.2.1.2. Trabajo 2: Aplicabilidad en el Sector Construcción OCEANÍA a) Sistemas de Inteligencia Artificial en el Sector Construcción auLa propuesta en Safety Science muestra IA aplicada al núcleo de seguridad en obra: transformar datos de accidentes/lesiones en señales orientan decisiones antes de ocurrir. Este enfoque desplaza énfasis desde investigación pos-accidente hacia modelos predictivos que identifican patrones de daño (p. ej., lesiones en extremidades, cabeza/cuello o tronco) y contextos donde ocurren. Aplicabilidad habilita tres palancas: priorización de controles (EPP, resguardos, barreras) en tareas mayor probabilidad/impacto; entrenamiento focalizado (p. ej., toolbox talks según perfil de riesgo) y rediseño del layout/flujo; y vinculación de la predicción con indicadores líderes (tiempo de respuesta, tasa de cierre de acciones, near-miss), para convertir analítica en reducción del riesgo. En Australia con bases administrativas la IA no solo clasifica; prioriza intervención y acorta latencia entre detección y acción, mecanismo clave para disminuir exposición. Para replicarla en contexto, bastan tres capas: datos de calidad, modelos supervisados con validación y un sistema de ejecución (responsables, SLA de respuesta, tablero con TRIFR/LTIFR). Así la IA deja de ser un “piloto” y pasa a ser parte del sistema de gestión (42). En Automation in Construction, la IA opera como sistema nervioso de obra: visión por computador (detección de personas/EPP/zona), automatización de alertas y acople BIM/IoT para cerrar el ciclo “detección–decisión–acción”. La aplicabilidad es inmediata en riesgos de alta frecuencia/impacto: intrusiones en áreas restringidas, EPP faltante en actividades críticas, proximidad con equipos y detectar 32 situaciones precursoras (aglomeraciones, desplazamientos inseguros). El diferencial: la latencia; al bajar de minutos a segundos distancia riesgo–respuesta, reduce exposición, condición para impactar tasas de incidente. Marcos integran reglas semánticas/ontologías (qué es “peligroso”) con detecciones modelo, haciendo accionable la señal para supervisor HSE. Con cámaras y BIM, el entry cost baja: algoritmos se montan sobre infraestructura. Con KPIs líderes (tiempo-a- corrección) y cierre de hallazgos, puede sostener mejoras de cumplimiento y disminuir incidentes en actividades de alto riesgo. Buildings destaca por soluciones de bajo costo que permiten a contratistas medianos adoptar IA sin inversiones desproporcionadas. Estrategia: usar cámaras y edge computing para visión por computador en tiempo real, enfocando el riesgo más gobernable: incumplimiento de EPP e identificación de escenas inseguras. La contribución radica en convertir detecciones en disciplina operativa; menos “ciencia de datos” de laboratorio y más sistemas que funcionan en obra con condiciones reales (iluminación cambiante, oclusiones, lluvia/polvo). Foco: reducción de falsas alarmas; al bajar el “ruido”, sube la confianza del supervisor y se estabiliza el comportamiento seguro (27). Es esencial para cambios duraderos en indicadores. En contextos con equipo HSE reducido, automatizar detección y filtrar alertas evita “fatiga de supervisión”, liberando tiempo para acciones correctivas de mayor valor. En suma, Buildings traduce el potencial de la IA en herramientas repetibles y asequibles que, al integrarse a protocolos existentes, contribuyen a reducir exposición y prevenir lesiones. Electronics aporta un ángulo: IA en cámaras con procesamiento en el borde (edge) para reconocer incumplimientos de EPP en tiempo real. Su aplicabilidad es doble. 33 Primero, latencia nula: inferencia ocurre en cámara, permitiendo que el aviso llegue antes y que el supervisor corrija mientras el comportamiento inseguro ocurre. Segundo, coste/escala: al no depender de nubes/servidores intensivos, la solución es más asequible y replicable en frentes de obra. Este enfoque es útil en países con conectividad irregular, donde llevar video de alta resolución a la nube es inviable. edge-AI simplifica ciberseguridad y privacidad (datos sensibles saliendo del sitio). En lo operativo, la detección de no-casco/no-chaleco o de presencia en zonas críticas se convierte en alertas inmediatas y registros auditables, para retroalimentación y disciplina. Por estos motivos, Electronics ofrece una vía técnica y viable para que MIPYMES adopten IA con impacto tangible: mejor cumplimiento, menos exposición y respuesta más rápida. Es puente entre la promesa de la IA y la reducción de riesgos cuando presupuesto e infraestructura son el freno. En Oceanía, la literatura subraya que los sistemas de visión por computador para cumplimiento de EPP son efectivos cuando combinan datos del sitio, validación cruzada entre obras y diseños capaces de operar en tiempo real con variaciones de iluminación, oclusiones y fondos. Una revisión en Artificial Intelligence Review identifica como desafíos la escasez de conjuntos de datos, la generalización insuficiente al cambiar de obra y costo computacional en el borde; y propone estrategias: curación de datos, aumento sintético, umbrales y métricas de evaluación más allá de la exactitud, incluyendo F1, calibración y estabilidad temporal. También destaca utilidad de reglas semánticas que traduzcan detecciones en acciones del SGSST (detener, reentrenar, reconfigurar método) y la conveniencia de monitorear deriva para activar reentrenamientos periódicos. Con estos 34 elementos, la señal del modelo se vuelve accionable, disminuye la fatiga de alarmas y sostienen mejoras en indicadores líderes tiempo a corrección, alerts-to-action, que anteceden reducciones medibles en LTIFR y TRIFR en programas de meses (47) b) Casos Específicos Un estudio entrena modelos de Machine Learning sobre base de lesiones en construcción de Australia para clasificar tipos de lesión (p. ej., extremidades, cabeza/cuello, tronco) e inferir ambientes y tareas con probabilidad de daño. Este resultado se traduce en micro decisiones: reforzar uso de casco/arnés en cuadrillas y turnos; densificar barreras en zonas con heat-map de riesgo; secuenciar actividades minimizar solapes peligrosos (equipos en movimiento + trabajo en altura); enfocar auditorías donde modelo predice severidad. Aunque el estudio no reporta serie “antes–después” de accidentes, su valor se evidencia en tres frentes: (i) reorienta recursos de seguridad donde impacto tendrán; (ii) reduce tiempos de detección/acción al anticipar riesgo; y (iii) mejora trazabilidad de la respuesta (acciones correctivas vinculadas a predicciones). En contextos donde tasa de incidentes es baja y persistente, reducción se observa primero en indicadores líderes (menos near-miss, mayor cumplimiento EPP, cierre rápido hallazgos) luego en LTIFR/TRIFR. El artículo demuestra que con datos administrativos es posible construir modelos para terreno (42). Un ejemplo describe un marco de detección automática de cumplimiento EPP en entornos industriales y de construcción. El sistema, entrenado para reconocer casco/chaleco y distinguir incumplimientos, opera en tiempo real y genera alertas al responsable de seguridad, habilitando intervenciones correctivas antes de que la exposición escale a incidente. En resultados se priorizan métricas de desempeño 35 (exactitud, precisión / recall), robustez ante oclusiones/iluminación y evidencia de operatividad. Aunque no siempre se reporta “antes–después”, se observa sostén del cumplimiento y disminución de dependencias de inspecciones manuales; ambos reducen oportunidades de lesiones por no uso de EPP y accesos no autorizados. Para medir “reducción real” basta vincular el sistema con indicadores líderes/rezagados y mantener trazabilidad alerta → acción → resultado. Zaidi et al. presentan un algoritmo temporal que agrega información entre fotogramas para distinguir escenas inseguras, reduciendo falsas alarmas frente a clasificadores. En pruebas en tiempo real sobre videos de obra, se reportan precisión y F1 altas y disminución de 2,03% en falsas alarmas, mejorando la fiabilidad sistema y aceptación por supervisores. Esto importa para reducción de riesgos, la fatiga de alarmas erosiona el cumplimiento; cuando el sistema avisa menos “en falso”, el equipo HSE atiende lo importante y llega a la corrección. Esto se traduce en menos exposiciones repetidas (tránsito por zonas de izaje, permanencia sin arnés en borde). Aunque no se reporta serie “antes–después” de accidentes, se documenta el mecanismo intermedio (mejor señal → mejor respuesta) que, en programas de meses, se refleja en más cumplimiento y menos near-miss, antecedente de menores tasas LTIFR/TRIFR. (20). Un despliegue (caso de cámara edge con IA) ejecuta el modelo dentro del dispositivo para detectar en tiempo real incumplimientos de casco/chaleco, enviando alertas sin depender de nube. En práctica, esto desplaza el control desde rondas hacia un monitoreo continuo, con pruebas (imágenes/clips) que facilitan retroalimentación y entrenamiento correctivo. El cambio de arquitectura (edge en cámara) reduce latencia y costos de infraestructura, mejora resiliencia (menos 36 puntos de falla) y viabiliza escala en empresas medianas. ¿Cómo se traduce? En dos pasos: (i) cumplimiento sostenido (saberse observados y recibir avisos) y (ii) tiempos de corrección bajos, recortando ventanas de exposición a golpes, caídas y atrapamientos. Foco no siempre incluye series “antes–después”; mecanismo causal está: alerta-acción con trazabilidad, condición para observar mejoras en near-miss y tasas de accidente. c) Aporte al Estudio Estudio con registros administrativos de lesiones en construcción (Australia). Construyen modelos de machine learning para clasificar tipos de lesión; se entrenan y validan con métricas (precisión, F1, AUC/ROC) y validación cruzada que controla sobreajuste. Metodología convierte datos históricos en predicciones que alimentan decisiones preventivas. Safety Science muestra la IA aplicable al integrarse al ciclo de gestión: predecir → priorizar → ejecutar → medir. Contribución clave no es exactitud del modelo, sino cómo la salida se vincula a acciones (EPP, planeamiento, supervisión) y evidencia la reducción. Recomendación: instalar tablero con indicadores líderes (tiempo de corrección, tasa de cierre, frecuencia de hallazgos por frente); indicadores rezagados (TRIFR/LTIFR, días perdidos); y cohortes (cuadrilla/proceso/turno). Al inyectar la predicción en tablero se demuestra causalidad operativa: cada alerta/predicción vinculada a acción y resultado. Esta trazabilidad convierte una “buena métrica algorítmica” en evidencia de reducción del riesgo. La metodología es replicable en Sudamérica y África si se garantiza calidad de datos y SLA de respuesta: sin respuesta, la IA no reduce nada. La IA es prevención cuando gobierna decisiones y cuando el impacto se mide. (42). 37 Framework de visión por computador para monitoreo de EPP: diseño del detector, conjunto de datos y evaluación con métricas estándar (precisión, recall, F1), reportando desempeño en escenarios complejos y consideraciones de despliegue en tiempo real (Elsevier, 2025). Tu OE2 exige aplicabilidad y prueba de impacto. Automation in Construction facilita lo primero—detección, alertas, integración con procesos—y abre camino a lo segundo si desde el inicio se diseña la evaluación: línea base de incumplimiento EPP (por frente/turno); activar el sistema con SLA de respuesta; medir tiempo-a-corrección, tasa de hallazgos y cumplimiento EPP; seguir LTIFR/TRIFR por actividad. Con esa arquitectura, el paso de métrica algorítmica reducción de riesgo queda documentado. La combinación de ontologías/reglas con CV evita “alertas ciegas”: cada detección se traduce en regla de seguridad. Su encaje con BIM/IoT permite escalar sin rehacer infraestructura. Desarrollo de un sistema de monitoreo por visión con análisis temporal para clasificar escenas seguras/inseguras. Evaluación en tiempo real con métricas (precisión, F1) y reporte de reducción de falsas alarmas en pruebas controladas con videos de obra (20). Para el OE2, Buildings aporta implementabilidad: correr IA en el borde, reciclar cámaras existentes, bajar falsas alarmas y normar la respuesta. Ruta de evidencia: línea base de cumplimiento EPP y tasa de alertas (verdaderas/falsas); despliegue con umbrales/tiempos acordados; seguimiento de tiempo-a-corrección y tasa de cierre; evaluar near-miss y, a mediano plazo, LTIFR/TRIFR. La reducción de falsas alarmas funciona como palanca de cambio cultural (menos ruido, más acción), y se traduce en menos exposición. Prioriza frentes con alto tráfico y tareas críticas; vincula la salida del sistema a reglamento 38 interno (qué alerta exige detener, re-entrenar o rediseñar método). Con este encuadre, puedes demostrar aplicabilidad, implementación y resultado (20). El modelo de visión se ejecuta en la cámara (sin nube), detectando no-casco/no- chaleco. Implementación, entrenamiento y pruebas; comparan optimizaciones para despliegue, priorizando baja latencia y robustez como iPRO, 2024. Este enfoque demuestra si desde inicio conectas la salida de cámara a un protocolo de respuesta con SLA y a un tablero de indicadores. 1) definir reglas (“no-casco en zona X → detener y corregir”); 2) registrar tiempo-a-corrección y reincidencia por cuadrilla/contratista; 3) medir cumplimiento EPP semanal; 4) monitorear near-miss y LTIFR/TRIFR trimestral; 5) auditorías cruzadas (A vs. B). IA edge no solo “detecta”: cambia comportamiento y documenta impacto. En contextos con conectividad limitada o sensibilidad de datos, arquitectura en-cámara reduce fricciones (privacidad, ciberseguridad, costo), aumentando probabilidad de adopción. Electronics da la pieza faltante para “aterrizar” la IA en vigilancia de EPP con bajo costo, alta velocidad y prueba trazable de efecto sobre exposición al riesgo. 1. SUDAMÉRICA a) Sistemas de Inteligencia Artificial en el Sector Construcción Aunque en gestión, JME-ASCE ofrece casos de adopción que muestran insertar tecnología en proceso de seguridad, el caso chileno de UAV integrados a planificación/monitoreo. La aplicabilidad está en reconfigurar el flujo: más cobertura (menos puntos ciegos), evidencia para decisiones y trazabilidad de hallazgos. La pieza para la IA es que los contenidos (ortomosaicos, video) se vuelven datos estructurados aptos para CV o listas de chequeo. En obras verticales, los UAV democratizan la visión de zonas de borde/izaje, donde la exposición crece 39 por complejidad. Esta integración facilita rondas y priorización: el supervisor invierte tiempo donde el riesgo es mayor. Como guía de gestión, la revista muestra pasos (adopción, roles, flujos, gobernanza) replicables en Lima o São Paulo. Al empalmar UAV con CV (detección de intrusiones/EPP), circuito queda completo: detección ampliada + alerta + acción, condición para bajar incidentes. (44). b) Casos Específicos El estudio de Martínez et al. detalla pasos operativos para acoplar UAV a la planificación/monitoreo de seguridad en un rascacielos con gestores HSE. El resultado no es un “número de accidentes” menor, sino una forma de trabajar: mapeo proceso de seguridad; incorporación de contenido aéreo para ampliar cobertura y detectar condiciones inseguras; redefinición de responsables y tiempos; generación de evidencia para retroalimentación y cierres. El impacto se traduce en menos puntos ciegos, detección temprana (barandas incompletas, materiales en borde), priorización de rondas donde el riesgo era mayor. No se presenta una serie “antes–después”, hay trazabilidad de decisiones y mejora cobertura, predictores de reducción; se miden near-miss y cumplimiento EPP a meses. Caso transferible: formaliza protocolo de respuesta (qué alerta exige qué acción), registra tiempo-a- corrección, articula UAV-CV para automatizar detecciones (bordes sin protección, intrusión zona izaje) (44). c) Aporte al Estudio Estudio de caso en un edificio en altura (Chile). Se analizan pasos de adopción para integrar UAV y contenidos visuales en la planificación y monitoreo de seguridad, documentando flujos, roles y salidas para la toma de decisiones (44). 40 Este caso entrega la primera y prepara la segunda. Para demostrar reducción, complementa el despliegue UAV con: chequeos automatizados (CV para EPP/bordes); SLA por tipo de hallazgo (crítico/alto/medio); tablero con tiempo-a- corrección, tasa de cierre y reincidencia por frente/contratista; seguimiento de near- miss específicos (caídas de altura, golpes por objeto). A 3–6 meses, deberías observar menos hallazgos críticos y menor exposición repetida, antesala de baja en LTIFR/TRIFR. Además, el andamiaje de gestión del artículo se adapta bien a MIPYMES que necesitan claridad procedimental para sostener la tecnología (44). ÁFRICA a) Sistemas de Inteligencia Artificial en el Sector Construcción En Frontiers in Built Environment, la IA se entiende como tecnología socio-técnica: su impacto en seguridad depende de organización, procesos y cultura. Estudios sobre adopción de IA en construcción (Sudáfrica) identifican factores organizacionales críticos (liderazgo, competencias, recursos, gobernanza de datos, integración) sin los cuales la IA no reduce riesgos. La aplicabilidad consiste en alinear tres planos: Tecnología (CV/ML), Proceso (quién recibe y en cuánto tiempo) y Personas (roles, habilidades, incentivos). Si falta uno, el ciclo se rompe. En países con brechas capacidad, revista propone mapear madurez digital, evaluar barreras (financiamiento, interoperabilidad) y diseñar plan de implementación que asegure que la salida de IA dispare acciones y mida su efecto. No basta con “tener un modelo”; hay que insertarlo en sistema de gestión con indicadores líderes (tiempo-a-corrección, cierres) y rezagados (tasas de lesión) (45). b) Casos Específicos 41 El estudio de Tjebane et al. no es una intervención de CV en obra; es el manual de instalación para que las intervenciones funcionen y se midan. Con encuesta a profesionales y análisis factorial, identifica palancas (p. ej., liderazgo, cultura de datos, capacitación, alineación estratégica) que habilitan proyectos de IA en seguridad. ¿Cómo se traduce? Estas palancas predicen capacidad de respuesta (quién atiende y en cuánto) y permanencia (que el sistema no se apague a los dos meses). Al activarlas, programas de detección de EPP/áreas críticas logran más cierres efectivos, menos reincidencia y mejor cumplimiento, lo cual—con ventana temporal—se refleja en baja de near-miss y, después, de tasas de lesión. El artículo ofrece variables concretas para el plan de cambio: competencias del equipo HSE, políticas de datos (quién accede/usa), incentivos y mecanismos de auditoría. Sin una serie “antes–después”, entrega ingredientes causales que, cuando están, permiten que la IA reduzca riesgo; cuando no, la IA queda en piloto. (45). c) Aporte al Estudio Encuesta cuantitativa a 169 profesionales de la construcción (muestreo en “bola de nieve”). Análisis factorial exploratorio para aislar factores organizacionales que facilitan la adopción de IA (liderazgo, competencias, recursos, procesos) (45). Sin liderazgo, competencias y gobernanza de datos, la IA no escala ni se mide. Recomendación: antes de desplegar CV/edge en obra, ejecuta un checklist de adopción: roles y SLA definidos; política de datos (privacidad, retención, acceso); formación del equipo (interpretar alertas, evidencias, acciones); presupuesto recurrente (no solo CAPEX); tablero con líderes/rezagados; auditoría mensual de reincidencia por frente/contratista. Con esto, conviertes la tecnología en capacidad institucional y aseguras que la reducción de riesgo sea demostrable (45). 42 AMÉRICA DEL NORTE a) Sistemas de Inteligencia Artificial en el Sector Construcción Norteamérica se ha posicionado a la vanguardia en la incorporación de inteligencia artificial (IA) a la construcción, combinando normas sólidas y una cultura de innovación que reduce fricciones a la adopción. En Estados Unidos, el andamiaje regulatorio de OSHA ha ido abriendo espacio a tecnologías emergentes dentro de los protocolos de seguridad, mientras que Canadá aplica un enfoque más flexible y experimental, útil para aprender en contextos controlados antes de escalar (46). En este ecosistema, dominan las soluciones de visión por computador, procesamiento de lenguaje natural y analítica predictiva, con fuerte énfasis en interoperabilidad para que las distintas plataformas “conversen” entre sí sin pérdida de trazabilidad. La infraestructura digital de la región—5G disponible y amplia computación en la nube—facilita la inferencia en tiempo real y el monitoreo continuo en obra. México, por su estrecha interacción con los mercados del norte, viene incorporando estas herramientas en proyectos de gran escala, donde la transferencia tecnológica ocurre de manera natural y con estándares compartidos (47). Este cruce entre marco regulatorio, capacidad tecnológica y economía de la innovación ha generado un terreno fértil para diseñar, validar y ajustar soluciones de IA orientadas a riesgos laborales. Además, las organizaciones han institucionalizado protocolos de validación que exigen evidencia de efectividad antes del despliegue masivo, así como métricas estandarizadas para evaluar impacto. Implementar de forma gradual y con acompañamiento al trabajador resultó clave para sostener cambios de comportamiento y evitar resistencias (48). 43 b) Casos Específicos Estados Unidos. La adopción combinada de análisis de texto, visión y audio reconfiguró los protocolos de seguridad en obra. Sawhney et al. reportan reducciones del 34% en incidentes por caídas al usar detección automática de conductas de riesgo en tiempo real. Sistemas de reconocimiento de voz para alertas manos libres redujeron en 28% los accidentes vinculados a fallas de comunicación entre equipos. En un proyecto de infraestructura en Texas, la sinergia IoT + machine learning permitió anticipar y prevenir el 87% de los incidentes potenciales con maquinaria pesada, fijando un nuevo estándar de prevención proactiva (46). Canadá. Con una hoja de ruta basada en factores críticos de éxito, Waqar et al. hallan mejoras del 45% en la efectividad de protocolos de seguridad en obras de Ontario y Alberta. Entre los hitos, monitoreo ambiental automatizado que disminuyó en 52% la exposición a sustancias peligrosas gracias a detección temprana y activación automática de evacuaciones. En Vancouver, integrar IA con gestión de calidad del aire mantuvo 96% de las mediciones dentro de límites de Health Canada durante 18 meses de construcción (48). México. Con IA generativa aplicada a identificación y análisis de riesgos, Zhou et al. reportan 41% de mejora en precisión frente a métodos tradicionales en proyectos de Ciudad de México y Guadalajara. El estudio, no obstante, advierte limitaciones de contexto y normativa local, por lo que la adaptación de modelos es obligatoria. En un proyecto de vivienda social en Monterrey, combinar IA con experticia local redujo en 63% el tiempo de análisis manteniendo la precisión de evaluaciones realizadas por especialistas (47). c) Aporte al Estudio 44 La evidencia norteamericana se apoya en diseños robustos que combinan revisiones sistemáticas, análisis bibliométricos y validaciones en campo. Sawhney et al. emplean un enfoque multimodal—texto, visión y audio—para evaluar impactos diferenciados en reducción de riesgos (46). Waqar et al. utilizan análisis factorial confirmatorio y ecuaciones estructurales para aislar los drivers que vuelven efectiva la IA en obra (48). Zhou et al. evalúan IA generativa con métricas de precisión, recall y F1-score, ofreciendo una mirada experimental sobre su utilidad real en identificación de riesgos. Este repertorio metodológico no solo demuestra aplicabilidad práctica, sino que ilumina oportunidades y límites de cada tecnología, aportando criterios comparables para decidir qué IA, cuándo y cómo en el sector construcción (47). El caso norteamericano confirma que la IA reduce riesgos cuando se integra con procesos existentes, se mide con indicadores claros y se acompaña de formación y ajustes al contexto. La trilogía regulación favorable + infraestructura + cultura innovadora permite validar y escalar soluciones con resultados cuantificables, útiles como referencia para otras regiones que busquen impacto sostenido en seguridad laboral. EUROPA a) Sistemas de Inteligencia Artificial en el Sector Construcción Europa ha optado por un despliegue altamente regulado y armonizado, en el que GDPR y las directivas sobre seguridad y salud obligan a que los sistemas de IA cumplan con transparencia, explicabilidad y protección de datos (49). Esta exigencia ética y legal convive con un ecosistema de I+D vigoroso (p. ej., Horizon 45 Europe), que financia proyectos de IA con criterios de responsabilidad y sostenibilidad desde su diseño. La normalización liderada por CEN y CENELEC ha impulsado interoperabilidad entre países, abriendo un mercado común con economías de escala para tecnologías de seguridad. Francia destaca en gestión de riesgos con metodologías bibliométricas que mapean tendencias (50), mientras que el Reino Unido, aun fuera de la UE, mantiene estándares afines y ha producido meta-análisis rigurosos para ponderar riesgos/beneficios de la IA en obra. España, por su parte, experimenta con IA generativa en gestión de riesgos y combina bibliometría con evaluación práctica, apoyada por políticas que incentivan Industria 4.0 en obra pública (51). La cooperación transnacional ha permitido bases de datos compartidas de incidentes, esenciales para modelos predictivos sensibles a clima, cultura y regulación propios del continente. b) Casos Específicos Reino Unido. Smith y colaboradores. (2025) muestran los sistemas de IA en proyectos británicos lograron una reducción promedio del 31% en accidentes graves, con variaciones según tecnología y tipo de obra. En Londres, el monitoreo por visión de EPP alcanzó 94% de cumplimiento versus 67% con inspección manual. En transporte, la analítica predictiva anticipó riesgos con 83% de precisión, habilitando acciones preventivas frente a maquinaria pesada (49). Francia. Dubois et al. identifican mediante bibliometría y revisión sistemática algoritmos y categorías de riesgo más efectivos localmente. En París y Lyon mejoró 38% la detección temprana de riesgos ambientales y ocupacionales gracias a ML sobre sensores en tiempo real. En Marsella, IA + gestión de calidad del aire 46 mantuvo 91% de mediciones de PM bajo norma. Además, PLN para reportes de incidentes elevó en 47% la identificación de patrones, afinando protocolos específicos para condiciones francesas (50). España con IA generativa en análisis de riesgos, proyectos en Madrid y Barcelona mejoraron 42% la precisión frente a metodologías tradicionales. En vivienda social de Valencia, chatbots especializados redujeron 35% el tiempo de capacitación con comprensión equivalente a la formación presencial. El estudio advierte riesgos: sobredependencia tecnológica y necesidad de validación humana donde las particularidades culturales-regulatorias exigen juicio experto (51). c) Aporte al Estudio Europa aporta rigor comparativo y mapas conceptuales del campo. Smith et al. usan meta-análisis en red para comparar la eficacia relativa de distintas intervenciones de IA en contextos operativos diversos (49). Dubois et al. integran bibliometría con revisión sistemática, apoyándose en VOSviewer y R para detectar clústeres temáticos y lagunas de conocimiento (50). González et al. analizan beneficios y riesgos de la IA generativa con co-citación y co-palabras, aislando factores que condicionan el éxito real. Estas metodologías permiten jerarquizar tecnologías, discernir en qué condiciones funcionan mejor y proponer criterios basados en evidencia para seleccionar e implementar soluciones, respetando el marco ético y regulatorio europeo (51). El modelo europeo demuestra que es posible innovar sin ceder en protección de datos ni transparencia algorítmica. Con resultados medibles en distintos países y tipos de obra, su experiencia sugiere que la eficacia de la IA crece cuando se contextualiza en normas, cultura y operación locales. La apuesta por investigación 47 continua, cooperación transnacional y regulación adaptativa sienta bases replicables para una implementación responsable de IA en construcción. ASIA a) Sistemas de Inteligencia Artificial en el Sector Construcción Asia lidera en adopción e innovación de IA aplicada a construcción, con un enfoque pragmático y escalable que responde al ritmo del desarrollo urbano. China enmarca su despliegue dentro de una Estrategia Nacional de IA, con lineamientos específicos para construcción; Singapur exige—vía BCA—integrar Industria 4.0 en proyectos públicos (52). La región aprovecha big data de megaobras y infraestructura digital avanzada para inferencia en tiempo real. Corea del Sur ha articulado ecosistemas sofisticados que integran IA, IoT y gemelos digitales, impulsados por programas como K-Smart Construction que financian tecnologías verificables en protocolos de seguridad (53). Singapur aplica una visión de ciclo de vida, llevando IA desde planificación hasta operación y mantenimiento, lo que ha influido prácticas en países vecinos. La diversidad económica y cultural del continente ha generado soluciones adaptadas al contexto: desde sistemas accesibles en economías emergentes hasta plataformas avanzadas en países desarrollados. Esta plasticidad favorece efectos de red soluciones creadas para un mercado encuentran cabida en otros y habilita IA robusta para altas densidades de trabajadores y logística compleja propia de los grandes proyectos asiáticos. b) Casos Específicos China. Wang et al. reportan una reducción del 43% en incidentes en alta velocidad ferroviaria con ML sobre sensores distribuidos a lo largo de miles de kilómetros. En Shenzhen, visión + predicción previno el 89% de situaciones de riesgo en un 48 complejo de rascacielos usando redes entrenadas con >2 millones de imágenes. En Beijing, monitoreo ambiental automatizado mantuvo el 94% de mediciones bajo norma nacional, incluso en fases de máxima intensidad (52). Plataformas integradas en Seúl y Busan mejoraron 51% la detección temprana de conductas de riesgo mediante sensores wearables y cámaras distribuidas (53). En una obra portuaria, IoT + IA + realidad aumentada redujo 37% los accidentes con maquinaria pesada, enviando alertas contextualizadas a los dispositivos de los operadores. Con gemelos digitales, la predicción de escenarios peligrosos llegó a 86% de precisión, habilitando ajustes proactivos de protocolos. Singapur. Ng et al. muestran 48% de reducción en incidentes de trabajo en altura al combinar sensores de proximidad, visión y modelos predictivos. En Marina Bay, IA con BIM optimizó rutas de evacuación en tiempo real, bajando 62% los tiempos de respuesta frente a protocolos estáticos. En construcción sostenible, gestión energética inteligente mantuvo condiciones ambientales seguras y recortó 34% el consumo, uniendo seguridad y eficiencia (53). c) Aporte al Estudio El sello asiático es big data + despliegue a gran escala. Wang et al. integran revisión sistemática y casos masivos, con datos de miles de proyectos para extraer patrones de efectividad (52). Park y Kang comparan IA en construcción con otros sectores, identificando rasgos que determinan el éxito en entornos de obra (53). Ng et al. analizan ciclo de vida completo, siguiendo el impacto de IA desde diseño hasta operación, lo que permite medir efectos acumulativos. Este abanico metodológico aporta evidencia de escalabilidad, adaptabilidad cultural y eficacia operativa, 49 cruciales para implementar IA donde coexisten alta densidad poblacional, complejidad logística y velocidad de ejecución (53). La experiencia asiática muestra que la IA rinde máximo impacto cuando se implementa de forma integrada y sistémica, combinando múltiples fuentes de datos y tecnologías en plataformas coherentes. Con resultados cuantificables en distintos países y tipologías de obra, confirma que invertir en infraestructura digital y capacitación técnica produce retornos en seguridad y eficiencia. Su diversidad interna ofrece pruebas de que la IA puede adaptarse a marcos regulatorios y culturales distintos, siempre que se diseñe y contextualice con precisión. Tabla 2 País IA / Técnica Aportes Ref. Australia Modelo supervisado (Safety Science): ML sobre registros administrativos Clasificar tipos de lesión e inferir contextos de mayor riesgo para priorizar controles (EPP, barreras, secuenciación) (42) Australia Machine Learning (ML) y Deep Learning (DL) Detección de Daños en Tiempo Real: Permite el monitoreo continuo de la infraestructura. Integración de Datos de Alta Dimensión: Combina sensores, drones, IoT, y gemelos digitales para una evaluación integral. (27) Australia Visión por Computadora (Computer Vision - CV), impulsada por algoritmos de Deep Learning (DL) (ej. modelos YOLO). El sistema informático de IA actúa como un supervisor digital y continuo en el entorno de la construcción. Identifica automáticamente si los trabajadores están usando (o no) el Equipo de Protección Personal (EPP) obligatorio (cascos, arneses, chalecos, etc.). Proporciona datos continuos y cuantificables sobre la tasa de cumplimiento del EPP y permite que se envíen alertas inmediatas. (47) 50 Chile Vehículos Aéreos No Tripulados (UAV o Drones) El sistema informático utiliza los drones como un sensor remoto que digitaliza el entorno laboral. Permite inspeccionar áreas críticas y genera ortofotos y modelos 3D que sirven como evidencia objetiva para la verificación del cumplimiento de las medidas de protección colectiva y las condiciones de la obra. (44) Sudáfrica Programa organizacional IA-SST (Tjebane et al.): factores habilitadores Identifica los factores organizacionales que facilitan (o impiden) que una empresa de construcción use sistemas de IA para la SST (e.g., apoyo de la alta dirección, cultura de innovación, capacitación del personal). (45) Estados Unidos Plataforma multimodal: texto + visión + audio Reducir caídas y fallas de comunicación mediante detección de conductas de riesgo en tiempo real (46) Estados Unidos IoT-ML para maquinaria pesada Anticipar y prevenir incidentes potenciales con equipos (30) Canadá IA ambiental en obra Disminuir exposición a sustancias peligrosas y mantener calidad de aire en parámetros de referencia (32) México IA generativa (Zhou et al.) Identificar/analizar riesgos con mayor precisión y menor tiempo de evaluación (47) Reino Unido CV para cumplimiento de EPP Incrementar cumplimiento frente a inspección manual (33) Reino Unido Analítica predictiva en maquinaria Anticipar riesgos con alta precisión para acciones preventivas (33) Francia ML ambiental + PLN de reportes Detección temprana de riesgos ambientales/ocupacionales y extracción de patrones de incidentes (50) España IA generativa + chatbots Mejorar precisión de análisis y reducir tiempos de capacitación (51) China ML en sensores distribuidos; CV + predicción Reducir incidentes en ferrovías; prevenir riesgos en rascacielos; control ambiental automatizado (52) Corea del Sur Plataforma integrada: wearables + cámaras; IoT + IA + AR; Gemelo digital Detectar conductas de riesgo; reducir incidentes con maquinaria; predecir escenarios peligrosos (37) 51 Singapur Sensores de proximidad + CV + modelos predictivos; IA con BIM Reducir incidentes en altura; optimizar rutas de evacuación y tiempos de respuesta (53) Fuente: Elaboración propia. 52 1.3.1.3. Trabajo 3: Prevención de Riesgos DECRETO SUPREMO N° 011-2019-TR a) Ámbito de aplicación y obligaciones El Decreto Supremo N° 011-2019-TR establece un marco integral para la gestión de seguridad y salud en obras de construcción, definiendo reglas mínimas, roles específicos e instrumentos fundamentales como el Plan de SST, protocolos de emergencia, sistemas de vigilancia, programas de capacitación, procedimientos de investigación e indicadores de desempeño. Su enfoque normativo articula sistemáticamente la prevención de riesgos, la asignación presupuestaria, el control operativo y la mejora continua, implementando estructuras organizacionales como comités bipartitos, subcomités, supervisores que garantizan la participación activa y la trazabilidad de las acciones preventivas. La norma establece obligaciones vinculantes para todos los actores de la cadena de ejecución contratista principal, contratistas, subcontratistas y terceros, bajo marco regulatorio unificado, eliminando zonas grises de responsabilidad, aspecto fundamental para la incorporación de tecnologías de inteligencia artificial. El artículo 1 establece su carácter obligatorio a nivel nacional y habilita que los registros y alertas generados por sistemas de IA respalden el cumplimiento documental, mientras que el artículo 3 amplía el alcance a modalidades formativas e independientes, exigiendo interoperabilidad de datos para que las decisiones algorítmicas se traduzcan en acciones verificables en obra. (55). La evidencia sobre indicadores líderes encaja con el DS 011-2019-TR porque prioriza medir procesos que preceden al daño y permiten gobernar el ciclo IPERC– 53 ATS–PETAR–mejora continua. Para los artículos 1 y 3, supone registros interoperables por frente; para el artículo 20, actualizar el IPERC ante baja de EPP, alza de near-miss o desviaciones; y, para los artículos 55–56, condicionar el inicio de actividades hasta cumplir controles críticos. La literatura recomienda combinar métricas operativas (tiempo a corrección, tasa de cierre, walk-throughs, alerts-to- action) con métricas del modelo con IA (precisión, F1, calibración, deriva), revisión conforme al artículo 22. Este enfoque reduce sesgos de gobernar solo con tasas rezagadas (LTIFR/TRIFR), acorta la latencia entre detección y acción y mejora la trazabilidad del Plan de SST. En obras multiempresa, conviene un esquema mínimo de datos (actividad, riesgo, regla infringida, responsable, SLA), tablero y auditorías cruzadas. Cuando indicadores líderes se vinculan a responsables y plazos, la adherencia al ATS aumenta, el PETAR se emite con evidencias verificables y la reincidencia disminuye en semanas. (54). En materia de gestión de riesgos, el artículo 20 exige la implementación de una Identificación de Peligros y Evaluación de Riesgos y Controles (IPERC) con metodología definida, alineada con la Ley N° 29783, de carácter dinámico y participativo. La incorporación de inteligencia artificial transforma este IPERC en un sistema "vivo" que integra detecci