Descuentos especiales en productos oficiales
IA en ingeniería civil en México con criterio y evidencia
Cómo evaluar IA en ingeniería civil: datos, verificación, responsabilidad profesional y un piloto práctico para equipos y estudiantes en México.
INGENIERÍA CIVIL
ASCE México
10/17/20265 min leer
Un asistente entrega una memoria impecable en segundos. Las tablas están ordenadas, las conclusiones suenan convincentes y aparecen referencias técnicas. Antes de celebrar el tiempo ahorrado, falta responder lo decisivo: ¿alguien puede reconstruir el razonamiento, comprobar los datos y asumir la responsabilidad del resultado? Esa pregunta define una adopción útil de la inteligencia artificial en ingeniería civil.
Para un despacho mexicano, una dependencia o un equipo universitario, el punto de partida puede ser una tarea pequeña y verificable. Proponemos evaluar la IA por la calidad del proceso completo, incluida su revisión, y por las consecuencias de un error. La velocidad de generación, por sí sola, ofrece una medida incompleta del beneficio.
La responsabilidad profesional sigue teniendo un titular
La posición de ASCE es explícita: la IA puede apoyar las actividades de ingeniería, pero la responsabilidad y el juicio profesional permanecen en el ingeniero. Su declaración 573 fue adoptada en julio de 2024 (American Society of Civil Engineers [ASCE], 2024). Para México, es una referencia de práctica profesional; su alcance no equivale a una disposición jurídica mexicana.
Esto permite formular una regla operativa: quien recibe un resultado debe saber qué parte proviene de mediciones, qué parte de un modelo validado y qué parte es una propuesta generada. Si una cifra pasa de un borrador a un documento de proyecto, debe conservar su fuente, unidad, fecha y responsable de revisión. La etiqueta de “asistido por IA” no resuelve esa trazabilidad.
Elegir una primera aplicación que pueda comprobarse
Como piloto editorial proponemos ordenar observaciones de inspección previamente anonimizadas, comparar versiones de una especificación o preparar un índice de documentos públicos. Conviene escoger una tarea cuyo resultado correcto pueda evaluarse con ejemplos revisados por el equipo. Un piloto pierde valor si solo demuestra que el sistema produce respuestas extensas.
También conviene distinguir tecnologías. Clasificar fotografías mediante un modelo entrenado no plantea exactamente las mismas pruebas que solicitar a un asistente generativo una explicación de una norma. El perfil de NIST para IA generativa identifica riesgos específicos, entre ellos la generación de contenido falso presentado con seguridad y la exposición de información (Autio et al., 2024). Una respuesta convincente requiere comprobación independiente.
Un ejemplo para comenzar
Supongamos que una consultora quiere clasificar reportes de mantenimiento. Puede reunir un conjunto autorizado, retirar identificadores y pedir al sistema que asigne categorías definidas de antemano. Después, un revisor compara cada clasificación con un criterio de referencia. El ejemplo es hipotético: no representa una tasa de éxito observada ni garantiza que otro conjunto de datos funcione igual.
Antes de ampliar ese piloto, proponemos separar los errores por consecuencia. Confundir dos etiquetas administrativas exige una corrección distinta de omitir una observación que podría requerir inspección urgente. La aceptación debe depender de esas diferencias. Un promedio general de aciertos puede ocultar justamente los casos que el responsable necesita encontrar.
Del experimento a un procedimiento controlado
El AI RMF de NIST organiza la gestión en cuatro funciones: gobernar, mapear, medir y gestionar (Tabassi, 2023). Para convertir esa referencia en un ejercicio de oficina, proponemos asignar un dueño del piloto, describir el uso previsto, preparar casos de evaluación y decidir por anticipado cuándo se suspenderá la herramienta. Son decisiones de organización que deben quedar por escrito.
La ficha de cada prueba puede registrar la versión de la herramienta, las entradas utilizadas, el resultado, la revisión humana y los cambios necesarios. Si el proveedor modifica el servicio, esa ficha permite reconocer qué pruebas necesitan repetirse. Guardar solamente el documento final impediría entender por qué una nueva versión produce una respuesta diferente.
El ahorro debe medirse desde que se prepara la información hasta que se aprueba la salida. Proponemos comparar tiempo total, retrabajo y errores relevantes frente al procedimiento habitual. Si elaborar instrucciones y corregir resultados cuesta más que resolver la tarea directamente, el piloto habrá aportado una conclusión útil: esa aplicación necesita otro enfoque.
El contexto mexicano debe entrar desde los datos
En un proyecto mexicano, el equipo debe identificar la jurisdicción, los documentos contractuales y las referencias técnicas aplicables antes de consultar al sistema. Proponemos evitar solicitudes ambiguas como “aplica la norma vigente”. Es preferible delimitar el documento, su edición y la operación que se quiere revisar, sin atribuir automáticamente validez local a una referencia extranjera.
La misma disciplina sirve para unidades, vocabulario y condiciones del sitio. Un ejercicio de revisión puede incluir deliberadamente cambios entre metros y milímetros, nombres parecidos de materiales y antecedentes incompletos. El objetivo es descubrir cómo responde la herramienta cuando la entrada contiene problemas, antes de usarla en un expediente real.
Para controlar la información, proponemos trabajar inicialmente con documentos públicos o conjuntos autorizados. Planos de clientes, ubicaciones sensibles y datos personales requieren el tratamiento que haya establecido la organización. La selección de una herramienta debe considerar dónde se procesa la información y quién puede consultarla, además de sus funciones visibles.
Una oportunidad de aprendizaje para estudiantes y equipos
Un capítulo estudiantil puede organizar una revisión comparada de respuestas sobre un caso didáctico: cada equipo identifica supuestos, verifica referencias y explica qué aceptaría y qué devolvería. El entregable más valioso sería el registro de comprobación. Esta actividad propuesta permite practicar lectura técnica y comunicación sin presentar una salida automática como proyecto resuelto.
La actualidad del tema es clara. En septiembre de 2026, ASCE informó sobre la preparación de AI RACE, su hoja de ruta para aplicaciones de IA; aquella nota anunciaba una publicación posterior, no una norma ya obligatoria (Degges, 2026). NIST también señala que su marco 1.0 está en revisión (NIST, s.f.). Conviene conservar la edición consultada.
Empezar con una decisión que pueda auditarse
La siguiente reunión de innovación puede terminar con una tarea concreta: elegir un proceso, un conjunto autorizado, una persona revisora y una condición de aceptación. Después vendrá la comparación con el trabajo habitual. Adoptar IA con criterio significa poder explicar qué mejoró, qué errores aparecieron y por qué el equipo decidió continuar, ajustar o detener el uso.
Fuentes y lecturas recomendadas en formato APA 7
American Society of Civil Engineers. (2024). Policy statement 573—Artificial intelligence and engineering responsibility. https://www.asce.org/advocacy/policy-statements/ps573---artificial-intelligence-and-engineering-responsibility/
Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.600-1
Degges, I. (2026, 14 de septiembre). ASCE leads AI vision in civil engineering with ‘AI RACE’ roadmap. American Society of Civil Engineers. https://www.asce.org/publications-and-news/civil-engineering-source/article/2026/09/14/asce-leads-ai-vision-in-civil-engineering-with-ai-race-roadmap
National Institute of Standards and Technology. (s.f.). AI risk management framework. Recuperado el 17 de octubre de 2026, de https://www.nist.gov/itl/ai-risk-management-framework
Tabassi, E. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1
Sigue explorando
Read this article in English · Más artículos de ingeniería civil · Webinars de ASCE México · Comunidad y capítulos estudiantiles
Fotografía ilustrativa: ThisisEngineering / Unsplash.
Contacto
Estamos aquí para ayudarte siempre
Redes
Enlaces de interés
© 2026 ASCE México. Todos los derechos reservados.