Caso real de IA aplicada: cómo convertir un problema complejo en capacidad de análisis y decisión

Este caso real de IA aplicada parte de una pregunta sencilla: qué capacidad nueva permite construir realmente la inteligencia artificial, qué parte del trabajo absorbe la tecnología y qué decisiones siguen dependiendo de una persona.

Aquí parte de una situación poco espectacular en apariencia: adaptar una previsión de instalaciones fotovoltaicas privadas en la cubierta de una comunidad residencial de 15 viviendas. Sin embargo, cuando intentamos convertir aquella previsión histórica en una solución utilizable en 2026 apareció un problema mucho más amplio. La cubierta había cambiado, la documentación disponible era incompleta, no existía una correspondencia histórica reproducible entre vivienda y zona, había instalaciones técnicas que preservar y cualquier propuesta debía ser comparable para las 15 viviendas sin inventar derechos que la documentación no demostraba.

Resolverlo exigía combinar investigación documental, consulta administrativa, trabajo de campo, mediciones, reconstrucción geométrica, modelización de sombras y recurso solar, comparación de alternativas, análisis de mantenibilidad, optimización, documentación técnica, control de consistencia y una arquitectura de decisión que respetara la naturaleza común de la cubierta.

Rumbo & Resultados no abordó el caso como una empresa fotovoltaica ni como sustituto de los profesionales que deben intervenir en un proyecto ejecutivo. Lo utilizó como un caso real de aplicación de su método: construir alrededor de un problema concreto las capacidades de análisis que ese problema necesitaba, combinando inteligencia artificial, software, datos, cálculo, automatización y supervisión humana.

Las cuatro cifras son específicas de este caso. Las 151 horas y las 36–44 horas son reconstrucciones estimadas de esfuerzo equivalente, no registros de tiempo facturado. La referencia económica compara 8.500 € + IVA frente a 3.495 € + IVA y tampoco constituye una tarifa universal.

1. El problema real: una previsión fotovoltaica que ya no podía aplicarse tal como estaba

El punto de partida parecía favorable. La documentación de la comunidad de Camí del Llor 2B ya contemplaba la posibilidad de que cada vivienda dispusiera de una instalación fotovoltaica privada para autoconsumo y existía un antecedente técnico histórico asociado a esa previsión.

El edificio dispone de dos escaleras y, en la Escalera B estudiada en este caso, la documentación permite identificar 15 viviendas. El antecedente fotovoltaico proponía una distribución orientativa de una placa por vivienda y separaba las zonas de las escaleras A y B. Sobre el papel, por tanto, no partíamos de cero.

El problema apareció cuando intentamos convertir aquella previsión en algo utilizable en la situación real del edificio en 2026.

La cubierta ya no era la cubierta implícita en el dibujo histórico. Equipos de climatización, chimeneas, telecomunicaciones, recorridos de mantenimiento, casetones, petos, una junta de cubierta y zonas que no podían utilizarse habían alterado materialmente el espacio disponible. Algunas restricciones podían medirse. Otras necesitaban interpretarse según posición, altura, orientación, hora y época del año. Y otras —como determinados elementos que deberán verificarse antes de una ejecución— tenían que permanecer explícitamente abiertas.

Qué existía realmente

La escritura permite identificar las 15 viviendas de la Escalera B y la normativa interna contempla una instalación fotovoltaica privada por vivienda, condicionada al correspondiente estudio técnico, permisos y demás requisitos aplicables. También existía un documento técnico histórico vinculado materialmente a aquella previsión.

Ese antecedente seguía teniendo valor. Permitía entender que la cubierta había sido considerada desde el origen como un recurso capaz de alojar instalaciones de autoconsumo y mostraba una lógica inicial de separación entre escaleras y paso de conexiones.

Pero una fuente puede ser útil sin demostrar todo lo que sería cómodo atribuirle. El documento histórico hablaba expresamente de una distribución orientativa. No encontramos en la documentación revisada una correspondencia histórica reproducible que permitiera afirmar que una vivienda concreta de la Escalera B era titular de una zona física concreta de la cubierta.

Esa diferencia terminó siendo decisiva. Si no podíamos demostrar una adscripción histórica vivienda→zona, la metodología no podía utilizarla como hecho simplemente porque facilitara el reparto.

Qué había cambiado en la cubierta

La observación física mostró una cubierta de servicios, no una superficie vacía. Había que convivir con equipos de aire acondicionado, chimeneas, obstáculos verticales, zonas de paso, mantenimiento del casetón, petos de distintas alturas y elementos cuya sombra no podía tratarse como una franja fija de exclusión.

Esto cambia por completo la lógica del diseño. Una superficie geométricamente libre puede no ser una buena posición energética. Una zona aparentemente favorable puede bloquear una ruta de mantenimiento. Dos áreas con los mismos metros cuadrados pueden producir cantidades de energía distintas. Y una implantación eficiente para una única vivienda puede perjudicar la oportunidad de otra si las posiciones se estudian de forma independiente.

Por eso dejamos de tratar la cubierta como una superficie que debía dividirse y empezamos a tratarla como un sistema de restricciones interdependientes.

Qué no estaba demostrado

Una parte importante del trabajo consistió en no convertir incertidumbre en certeza. No se localizó una asignación individual histórica suficientemente reproducible como para afirmar que cada vivienda poseía una franja concreta de cubierta. Tampoco se trató la distribución orientativa antigua como una división jurídica del elemento común.

La solución debía, por tanto, separar dos cuestiones: una cosa es caracterizar técnicamente posiciones que permiten organizar la capacidad disponible; otra muy distinta es transformar esas posiciones en parcelas privativas, anexos o derechos permanentes sobre la cubierta.

Ese límite condicionó la arquitectura posterior. Las posiciones L01–L15 se diseñarían como posiciones técnicas sobre un elemento común, utilizables bajo reglas objetivas para proyectos concretos, no como quince pequeñas propiedades dibujadas sobre el tejado.

Y apareció una segunda oportunidad

La revisión de la cubierta también mostró que limitar el análisis a la hipótesis histórica de una placa por vivienda podía quedarse corto. La evolución de la tecnología y la configuración física disponible permitían estudiar una capacidad mayor.

El escenario de referencia finalmente desarrollado utiliza dos módulos idénticos de gran formato por posición. Eso equivale a una capacidad geométrica de referencia de 30 módulos para las 15 oportunidades de la Escalera B, frente a los 15 módulos implícitos en el antecedente histórico de una placa por vivienda.

Esa cifra no significa que cada propietario adquiera automáticamente un derecho jurídico a dos paneles ni que todos los futuros proyectos deban utilizar un módulo concreto. Significa que la preingeniería encontró una arquitectura técnica actual capaz de preservar 15 oportunidades comparables con una referencia de dos módulos por posición.

El antecedente histórico no debía descartarse ni obedecerse literalmente: debía utilizarse como evidencia de intención y volver a resolverse frente a la realidad física actual.

2. Por qué un problema pequeño en presupuesto podía exigir muchas capacidades

Camí del Llor 2B pertenece a una categoría de problemas que aparece con frecuencia en empresas pequeñas, comunidades y organizaciones con estructuras limitadas: problemas cuyo valor económico absoluto no parece justificar un gran proyecto de consultoría, pero cuya resolución cruza suficientes disciplinas como para que una gestión básica tampoco sea suficiente.

En este caso no bastaba con conocer paneles solares. Antes de llegar a una propuesta razonablemente defendible había que saber qué documentación era relevante, qué podía probar cada fuente, cómo había cambiado físicamente la cubierta, qué geometría debía utilizarse, cómo afectaban los obstáculos al recurso solar, qué recorridos de mantenimiento debían preservarse, cómo comparar posiciones y qué arquitectura evitaba convertir un problema técnico en un conflicto distributivo entre vecinos.

Esto no significa que fueran necesarias diez empresas distintas ni que ningún profesional convencional pudiera integrar varias de esas tareas. Significa algo más preciso: para producir un resultado equivalente había que disponer de capacidades que convencionalmente suelen estar distribuidas entre varios perfiles, disciplinas o fases de trabajo.

El problema cruzaba más disciplinas de las que sugería su tamaño

La dificultad no era ejecutar muchas tareas, sino mantenerlas conectadas

En un problema de este tipo, dividir el trabajo en especialidades no elimina la necesidad de integración. Una decisión geométrica afecta a la sombra. Una corrección de una medida puede modificar una posición. Una posición técnicamente eficiente puede bloquear mantenimiento. Una interpretación documental puede condicionar cómo se presenta el reparto. Y una conclusión jurídica u operativa mal formulada puede convertir un plano técnico en algo que parece atribuir derechos que el propio estudio no puede demostrar.

Por eso una parte del valor estaba en mantener una cadena de coherencia entre fuentes, datos, modelos, decisiones y entregables. Cuando cambiaba una medida o aparecía una nueva evidencia, no bastaba con corregir un párrafo: había que comprobar qué cálculos, planos, fichas, tablas y conclusiones dependían de ella.

Esta es precisamente una de las zonas donde la combinación de método, software e inteligencia artificial puede alterar la economía del trabajo. No porque elimine la necesidad de criterio, sino porque permite automatizar parte de la búsqueda, estructuración, comparación, repetición, recalculado, documentación y control de consistencia que, de otro modo, consume muchas horas humanas.

La dificultad económica estaba en reunir todas esas capacidades para un problema de esta escala

El problema no era que cada una de las tareas anteriores fuera extraordinaria por separado. Era tener que desplegarlas juntas, coordinarlas y mantener coherencia entre documentos, medidas, modelos, decisiones y entregables.

En una actuación de gran valor económico, esa estructura multidisciplinar puede justificarse con facilidad. En un problema más pequeño, el coste de reunirla puede superar rápidamente lo que resulta razonable invertir en analizarlo.

Ahí es donde la combinación de metodología, IA, software y automatización empieza a ser económicamente relevante: permite que una parte del trabajo investigable, estructurable, calculable o repetible deje de crecer de manera aproximadamente proporcional a las horas profesionales.

En el bloque 7 cuantificaremos esa diferencia comparando el esfuerzo profesional convencional equivalente con la intervención humana reconstruida mediante el Método R&R.

El problema no era conseguir un informe más barato. Era hacer accesible, para un problema de esta escala, el nivel de análisis que realmente necesitaba.

3. La dificultad adicional: los datos de partida eran escasos y fragmentarios

La eficiencia de un sistema de análisis depende en parte de la calidad de la información que recibe. Por eso, para interpretar correctamente este caso, hay un dato que no conviene esconder: Camí del Llor 2B no partía de un conjunto de datos completo, actualizado y preparado para trabajar.

La información existía repartida entre escrituras, normas de la comunidad, un antecedente técnico histórico, documentación localizada en el Ayuntamiento, fotografías, planos, observaciones directas y medidas tomadas sobre la cubierta. Algunas fuentes describían el edificio original. Otras reflejaban modificaciones posteriores. Algunas permitían acreditar hechos; otras servían únicamente como indicio o contexto.

Antes de optimizar nada hubo, por tanto, que construir una base de evidencia suficientemente fiable para el alcance de una preingeniería.

El primer trabajo fue determinar qué sabíamos realmente

Cuando varias fuentes describen un mismo activo a lo largo del tiempo, una de las tentaciones más peligrosas consiste en fusionarlas directamente. Si un plano antiguo muestra un elemento, una fotografía reciente muestra otro y una medida de campo no coincide exactamente con ninguno de los dos, seleccionar la versión más conveniente puede producir una geometría aparentemente limpia pero epistemológicamente débil.

Por eso se estableció una jerarquía de evidencia. Las fuentes documentales servían para demostrar unas cosas; la observación actual, para otras. Las medidas directas podían corregir una interpretación geométrica, pero no convertir por sí mismas una distribución técnica histórica en un derecho jurídico. Del mismo modo, un dibujo orientativo podía aportar contexto sin ser tratado como un plano ejecutivo actual.

Esta separación fue especialmente importante en la relación entre viviendas y cubierta. La documentación permitió acreditar que la Escalera B tiene 15 viviendas y que la normativa de la comunidad contempla instalaciones fotovoltaicas privadas. Lo que no permitió reconstruir con suficiente fiabilidad fue una correspondencia histórica individual entre cada una de esas viviendas y una zona concreta de cubierta.

La consecuencia metodológica fue deliberada: esa correspondencia no se inventó.

La investigación añadió información que inicialmente no estaba disponible

Parte del trabajo consistió en salir de los documentos ya disponibles. Se realizó consulta administrativa para localizar antecedentes municipales y se obtuvo un corpus selectivo de 35 fotografías útiles para reconstruir distintos estados y elementos del edificio.

Ese material tampoco se interpretó como una digitalización completa del expediente. Era una selección de evidencia. Permitía contrastar determinadas hipótesis, identificar elementos y entender mejor la evolución de la cubierta, pero no eliminaba la necesidad de comprobar el estado físico actual.

Después se realizó trabajo de campo sobre la cubierta. Se midieron distancias críticas, alturas de obstáculos, dimensiones del casetón, petos, posición de equipos y referencias necesarias para reconstruir una geometría utilizable.

Algunas mediciones permitieron además corregir interpretaciones anteriores. El casetón, por ejemplo, terminó modelándose con unas dimensiones de aproximadamente 3 × 7 metros, y no con una longitud superior asumida en una fase preliminar. El lateral izquierdo de referencia se confirmó en torno a 5,9 metros desde el borde exterior de los equipos y soportes, evitando descontar dos veces un espacio que ya estaba incorporado en la medida de campo.

Este tipo de correcciones parece pequeño, pero ejemplifica el tipo de control que necesita un sistema serio. Una medición mal interpretada puede desplazarse después por geometría, posiciones, accesos, sombras, planos y conclusiones.

Una fuente canónica evita que cada cálculo tenga su propia realidad

A medida que aumentaba el número de fuentes apareció otro riesgo: que diferentes partes del trabajo utilizaran versiones distintas del mismo dato. Un plano podía conservar una medida antigua mientras el modelo energético utilizaba la corregida. Un informe podía citar una hipótesis que ya había sido sustituida. Una fotografía podía seguir apoyando una interpretación descartada.

Para evitarlo se fue construyendo una fuente canónica de proyecto: un conjunto controlado de dimensiones, restricciones, criterios, decisiones y documentos vigentes desde el que debían derivarse los cálculos y entregables posteriores.

Esto también permitió preservar algo importante para la trazabilidad: corregir un dato no borraba el hecho de que existiera una versión anterior. Las versiones sustituidas se archivaban, pero dejaban de gobernar el modelo.

En términos operativos, esta disciplina es menos vistosa que una simulación solar, pero es una de las condiciones que permiten que IA y automatización se utilicen con seguridad. Un sistema puede procesar y producir muy deprisa una inconsistencia si nadie controla cuál es la fuente válida.

Los datos imperfectos no desaparecieron: se diseñaron controles alrededor de ellos

La metodología tampoco intentó convertir la preingeniería en un proyecto ejecutivo. Había información que razonablemente no podía cerrarse en esta fase y que debía verificarse antes de ejecutar una instalación concreta.

Entre otros elementos, permanecen fuera del cierre de preingeniería el cálculo estructural final, la definición de anclajes o lastrado, las comprobaciones específicas de impermeabilización y drenaje, el proyecto eléctrico, la legalización, las condiciones exactas de cada instalación y otras responsabilidades que correspondan a técnicos competentes.

En lugar de simular una certeza inexistente, esas dependencias se convirtieron en gates: condiciones que deben comprobarse antes de pasar de una arquitectura técnicamente plausible a una solución ejecutable.

La geometría, por ejemplo, quedó vinculada a controles de replanteo en puntos críticos con una tolerancia objetivo de ±20 mm. Si las medidas de campo futuras no encajan dentro de esas tolerancias, la regla no es “adaptar sobre la marcha” manteniendo las conclusiones, sino detenerse y revalidar la geometría afectada.

Esta baseline importa cuando comparemos la eficiencia

Camí del Llor 2B no empezó con CAD actualizado, inventario completo de instalaciones y documentación preparada para modelizar. Parte de la intervención humana tuvo que dedicarse precisamente a construir esa base.

Por eso las métricas posteriores deben interpretarse bajo estas condiciones reales y no como el resultado de automatizar un dataset perfecto. Más adelante veremos qué variables pueden aumentar o reducir el apalancamiento en otros problemas.

La eficiencia de este caso no se obtuvo porque los datos fueran buenos. Se obtuvo después de convertir información fragmentaria en evidencia suficientemente fiable para trabajar.

4. Qué hizo realmente Rumbo & Resultados

Explicar este caso como “utilizamos inteligencia artificial para hacer un estudio fotovoltaico” sería sencillo, pero describiría mal tanto el trabajo como el aprendizaje.

R&R no partió de una herramienta buscando un uso. Partió de un problema y fue construyendo alrededor de él las capacidades necesarias para reducir incertidumbre hasta un nivel que permitiera tomar decisiones y preparar el paso siguiente.

Algunas de esas capacidades se apoyaron intensamente en IA. Otras dependieron de cálculo, código, geometría, herramientas documentales o automatización. Y varias de las más importantes siguieron dependiendo directamente del criterio y de la observación humana.

4.1. Convertir documentos dispersos en evidencia utilizable

El primer sistema construido fue documental. Había que identificar qué documento decía qué, cuándo se había producido, qué relación tenía con el edificio actual y qué nivel de confianza merecía para cada afirmación.

La IA fue especialmente útil para clasificar grandes cantidades de texto, localizar referencias, comparar formulaciones, detectar contradicciones y acelerar la construcción de matrices de evidencia. Pero la decisión sobre qué debía considerarse acreditado no se delegó automáticamente.

Por ejemplo, distinguir entre la norma comunitaria incorporada a la escritura y un documento técnico histórico relacionado con ella no era una cuestión de encontrar palabras coincidentes. Tenía consecuencias para determinar qué era una previsión estatutaria, qué era una solución técnica histórica y qué podía evolucionar.

Resultat: una base documental reconciliada que separaba antecedentes jurídicos, técnicos, administrativos y físicos sin tratarlos como si todos tuvieran el mismo valor probatorio.

4.2. Reconstruir una geometría reproducible

El segundo problema fue transformar medidas, planos parciales y fotografías en una representación geométrica que pudiera utilizarse para calcular y, posteriormente, replantearse sobre la cubierta.

La reconstrucción no se limitó a dibujar una forma aproximada. Se establecieron referencias dimensionales, un sistema de coordenadas y controles de replanteo. La cubierta baja modelizada se sitúa aproximadamente en 173,75 m² de polígono geométrico, una cifra que no debe confundirse con superficie neta fotovoltaica porque dentro de ese espacio existen obstáculos, restricciones y zonas necesarias para mantenimiento.

Las referencias críticas de campo quedaron ligadas a controles como O-A, O-B, A-C y E-C, con valores de referencia y una tolerancia objetivo de ±20 mm para validar que la geometría empleada en la preingeniería continúa siendo reproducible cuando llegue el momento del replanteo.

Resultat: una geometría trazable y comprobable que permitió pasar de opiniones sobre “dónde parece que cabe” a cálculos y posiciones referidas a un mismo sistema espacial.

4.3. Modelizar sombras y recurso solar con una base común

Una igualdad basada únicamente en asignar la misma superficie a cada vivienda habría ignorado una parte sustancial del problema. La energía disponible depende de la posición, orientación, sombras cercanas, época del año y otras condiciones que no se distribuyen uniformemente sobre la cubierta.

El modelo solar utilizó 371 estados solares ponderados y ray tracing tridimensional para analizar el comportamiento relativo de las posiciones. Cada posición víctima se evaluó mediante una rejilla interna 4 × 4, de manera que el análisis no dependiera únicamente de un punto central.

El objetivo de esta modelización no era prometer una producción anual contractual. Era comparar todas las posiciones bajo una metodología homogénea y cuantificar si alguna quedaba materialmente penalizada frente al resto.

Resultado metodológico: un criterio energético común capaz de sustituir la aparente igualdad por metros cuadrados por una comparación objetiva entre oportunidades.

4.4. Comparar arquitecturas en lugar de enamorarse de la primera que cabía

El diseño tampoco se cerró con la primera distribución geométricamente posible. Se exploraron distintas topologías para distribuir 15 oportunidades manteniendo módulos homogéneos, accesos y un nivel de recurso comparable.

Entre las alternativas estudiadas aparecieron configuraciones con las 15 posiciones en la cubierta baja, una arquitectura 13+2 y la solución que finalmente se desarrolló como referencia: 14+1, con 14 posiciones en la cubierta baja y una posición adicional sobre el casetón B.

Utilizar el casetón no fue un recurso arbitrario para “hacer caber” el último lote. Permitió aliviar presión sobre la cubierta baja y construir una arquitectura global con mayor coherencia entre capacidad, mantenimiento e igualdad energética.

Resultat: una arquitectura de referencia 14+1 seleccionada después de comparar alternativas, no una distribución dibujada únicamente para completar quince casillas.

4.5. Diseñar igualdad por oportunidad energética, no por metros cuadrados

En una cubierta comunitaria, optimizar únicamente la producción máxima total habría sido técnicamente posible y socialmente poco útil. Podía producir posiciones claramente más atractivas que otras y trasladar el conflicto técnico a la comunidad.

Por eso se adoptó un criterio diferente: dos módulos idénticos de referencia por posición y una arquitectura cuya dispersión energética permaneciera aproximadamente dentro de ±1 %.

La pregunta dejó de ser qué vivienda podía conseguir más potencia y pasó a ser si era posible ofrecer a las 15 viviendas una oportunidad razonablemente equivalente dentro de las restricciones reales de la cubierta.

Resultat: quince oportunidades técnicamente comparables sin utilizar el orden de llegada ni la simple igualdad de superficie como mecanismo de reparto.

4.6. Controlar la interacción entre unas posiciones y otras

Diseñar posiciones individualmente tampoco era suficiente. Una instalación puede tener un recurso solar razonable aislada y perjudicar a otra si ambas se analizan como sistemas independientes.

El modelo incorporó por tanto el efecto de sombras mutuas y un límite interno para controlar que una posición no degradara materialmente a otra. El resultado cuantitativo de esa comprobación se presenta en el bloque de resultados.

Resultado metodológico: la arquitectura se evaluó como sistema compartido y no como quince instalaciones independientes compitiendo por el mismo recurso.

4.7. Someter la solución a perturbaciones antes de considerarla robusta

Una solución que solo funciona con dimensiones nominales exactas puede fallar en cuanto aparecen tolerancias reales de módulo, pequeños desplazamientos o variaciones de montaje.

Para comprobar esa sensibilidad se construyó una batería sistemática de perturbaciones sobre las 15 posiciones, variando dentro de una envolvente controlada dimensiones, desplazamiento, inclinación, azimut y otras tolerancias geométricas relevantes.

Resultado metodológico: la arquitectura dejó de depender únicamente de una configuración nominal exacta y pasó a estar sometida a una prueba explícita de robustez.

4.8. Convertir el resultado en una base reutilizable

El último paso era evitar que todo el conocimiento quedara encerrado en el propio proceso de análisis. La solución debía poder utilizarse después por la comunidad, el administrador y los técnicos que intervengan en instalaciones concretas.

Por eso el resultado se estructuró en un estudio maestro, planos técnicos, posiciones L01–L15, coordenadas, fichas, controles de replanteo, criterios energéticos, restricciones de mantenimiento, metodología y un informe externo preparado para explicar el trabajo fuera del entorno interno de desarrollo.

El informe externo final alcanza 83 páginas. Pero el número de páginas no es la métrica relevante. Lo importante es que el proyecto deja una base común que reduce la necesidad de reconstruir desde cero el mismo problema cuando una vivienda quiera desarrollar su instalación.

Resultat: conocimiento reutilizable, no únicamente una respuesta puntual para una reunión.

R&R no utilizó IA para producir una respuesta. Construyó un sistema en el que distintas capacidades podían trabajar juntas sobre el mismo problema.

5. Qué papel tuvo la IA y qué siguió bajo control humano

Un caso como este se puede contar de dos maneras igualmente engañosas.

La primera consiste en atribuir el resultado a la inteligencia artificial: “la IA diseñó una solución fotovoltaica”. La segunda consiste en ocultar la tecnología y presentar el trabajo como si la reducción de esfuerzo hubiera aparecido únicamente por una forma distinta de organizarse.

Ninguna describe bien lo sucedido.

La IA tuvo un papel material en el proyecto. Permitió investigar, clasificar, comparar, estructurar, generar alternativas, revisar consistencia y acelerar ciclos de trabajo que convencionalmente exigen mucha intervención manual. El software y el cálculo automatizado permitieron además ejecutar análisis repetitivos a una escala que habría sido costosa realizar manualmente.

Pero la IA no visitó la cubierta, no decidió qué debía considerarse evidencia suficiente, no asumió responsabilidad profesional, no eligió por sí sola el criterio de equidad y no pudo convertir un resultado estadísticamente conveniente en una decisión comunitaria correcta.

La IA amplió capacidad en las tareas donde escalar es útil

Hay actividades donde el coste tradicional proviene menos de una gran decisión puntual y más de repetir muchas operaciones pequeñas: localizar referencias, comparar textos, revisar consistencia, reordenar información, calcular variaciones, generar escenarios o comprobar que una modificación no contradiga otra parte del expediente.

En esas tareas, la combinación de IA, software y automatización ofrecía una ventaja clara. Permitía aumentar el número de comprobaciones o iteraciones sin aumentar proporcionalmente las horas humanas.

Un ejemplo: 540 comprobaciones no requieren 540 decisiones humanas

El stress testing geométrico ilustra bien esta diferencia.

Una persona debe decidir qué perturbaciones tienen sentido, qué tolerancias son razonables, qué condiciones constituyen una colisión y cuándo un resultado deja de ser aceptable. Esas son decisiones de diseño del experimento.

Una vez fijadas, no aporta valor que esa misma persona ejecute manualmente cientos de combinaciones una por una. Ahí es donde el software puede recorrer sistemáticamente la envolvente definida, registrar resultados y señalar excepciones.

Las 540 configuraciones de robustez no eliminan el juicio humano. Permiten reservarlo para definir el problema y evaluar las excepciones en lugar de gastarlo en repetir mecánicamente la misma comprobación.

Otro ejemplo: la IA puede detectar una contradicción, pero no decidir siempre qué significa

En la investigación documental aparecieron referencias que podían parecer incompatibles: un plano histórico frente a una cubierta actual distinta, una previsión técnica frente a una norma comunitaria o una dimensión preliminar frente a una medida posterior.

La IA es útil detectando que dos piezas de información no encajan. Puede localizar el pasaje, poner ambos valores lado a lado y sugerir hipótesis sobre su origen.

Pero decidir cuál debe gobernar un modelo exige contexto. Una fuente más antigua puede ser jurídicamente relevante y geométricamente obsoleta. Una fotografía puede ser más actual y no permitir medir con precisión. Una medición propia puede ser físicamente correcta y no demostrar una situación jurídica.

En esos casos, automatizar la decisión sería precisamente utilizar la IA en la zona donde menos conviene hacerlo.

El sistema debía saber también cuándo abstenerse

Buena parte del riesgo de utilizar IA en análisis complejos no está en que un modelo no produzca respuesta. Está en que pueda producir una respuesta plausible cuando la evidencia disponible no permite sostenerla.

En este caso había varias zonas donde la respuesta correcta era conservar una incertidumbre:

• No inventar una relación histórica vivienda→posición.
• No tratar un plano orientativo como título de propiedad.
• No presentar producción ilustrativa como previsión contractual.
• No dar por comprobada la estructura del edificio desde una preingeniería.
• No suponer ubicación de sumideros que no pudieron localizarse.
• No convertir una arquitectura técnicamente viable en autorización automática de ejecución.

La capacidad de abstenerse es menos llamativa que generar una solución, pero resulta esencial cuando IA y automatización se incorporan a procesos que afectan a decisiones reales.

Qué siguió correspondiendo a profesionales competentes

La capacidad construida por R&R llega hasta una preingeniería avanzada y una base de decisión. No pretende convertir a R&R en arquitecto, ingeniero, instalador o técnico responsable del proyecto ejecutivo.

Antes de materializar una instalación concreta deberán cerrarse, cuando sean aplicables, verificaciones como estructura y cargas, sistema de anclaje o lastrado, impermeabilización, drenajes y sumideros, diseño eléctrico, protecciones, recorridos definitivos, legalización, coordinación de obra y demás requisitos reglamentarios.

La utilidad de la preingeniería no desaparece por ello. Cambia el punto de partida del profesional posterior. En lugar de recibir una pregunta abierta del tipo “¿qué podríamos hacer aquí?”, puede recibir una geometría reconstruida, restricciones identificadas, posiciones estudiadas, criterios comparables, controles de replanteo y una lista explícita de aquello que todavía debe validar.

La supervisión humana tampoco significa revisar cada token generado

Existe otra interpretación extrema de “human in the loop”: imaginar que una persona debe leer y aprobar manualmente cada operación realizada por el sistema. Eso eliminaría buena parte del apalancamiento.

La supervisión útil funciona por niveles. Las operaciones repetitivas y bien delimitadas pueden automatizarse. Los resultados se someten a controles y excepciones. Las decisiones materiales, los cambios de criterio y las conclusiones que afectan al alcance reciben atención humana explícita.

En otras palabras, gobernar no significa hacer manualmente todo lo que hace la máquina. Significa saber qué puede delegarse, bajo qué reglas, qué evidencia debe conservarse, qué condiciones obligan a escalar y quién tiene autoridad para cerrar una decisión.

La consecuencia no es “más IA”, sino otra distribución del trabajo

El patrón se repite en todo el proyecto: la persona define el problema, los límites, las reglas y las excepciones; la tecnología escala las operaciones que pueden repetirse bajo esas reglas; y la responsabilidad especializada permanece allí donde corresponde.

Esa redistribución es la que hace posible que el volumen de análisis aumente sin exigir el mismo crecimiento de intervención humana. En el siguiente bloque veremos primero qué produjo técnicamente el sistema y, después, cuantificaremos el diferencial de esfuerzo.

La IA no sustituye el criterio que hace falta para resolver el problema. Reduce cuánto criterio humano tenemos que gastar en tareas que no necesitan criterio humano cada vez que se repiten.

6. Qué resultados produjo el sistema

Hasta aquí hemos explicado el proceso. Pero una metodología solo resulta interesante si termina produciendo algo que pueda utilizarse.

En Camí del Llor 2B el resultado no fue únicamente un documento descriptivo. El trabajo terminó convirtiendo una cubierta inicialmente difícil de interpretar en una arquitectura técnica de 15 posiciones caracterizadas, comparables y referenciables físicamente, acompañada de criterios energéticos, controles geométricos, reglas de mantenimiento y documentación reutilizable.

Estas cifras describen resultados de la preingeniería y del modelo utilizado. No constituyen una producción contractual, una autorización de ejecución ni una garantía sobre instalaciones futuras.

Quince posiciones técnicas, no quince parcelas privadas

Una de las decisiones más importantes fue utilizar las referencias L01–L15 como posiciones técnicas.

Cada Lxx identifica una envolvente geométrica y energética capaz de servir como base para una instalación futura. Esa referencia permite describir coordenadas, módulos, accesos, interferencias, producción relativa y controles de replanteo sin tener que redibujar el problema cada vez.

Pero L01–L15 no representan una división registral de la cubierta, una modificación de cuotas ni la creación automática de derechos de propiedad o de uso exclusivo permanente.

Por qué la arquitectura final fue 14+1

La arquitectura de referencia distribuye catorce posiciones en la cubierta baja y utiliza la parte técnicamente favorable del casetón B para la posición restante.

Esta solución permite evitar que la cubierta baja soporte por sí sola toda la presión geométrica de las 15 oportunidades. También ayuda a preservar recorridos, mantenimiento y separación entre posiciones sin renunciar a la homogeneidad de módulos.

Antes de seleccionar 14+1 se estudiaron otras alternativas, entre ellas una configuración con las 15 posiciones en cubierta baja y una arquitectura 13+2. El resultado de referencia no fue, por tanto, la primera distribución que permitió completar quince posiciones.

La igualdad se midió en energía, no solo en espacio

El recurso específico modelizado para las 15 posiciones quedó entre aproximadamente 1.492,565 y 1.520,679 kWh/kWp·año, con una media de 1.506,309 kWh/kWp·año.

Expresado de una forma más intuitiva, las desviaciones respecto de la media quedaron entre aproximadamente −0,912 % y +0,954 %.

Ese resultado importa porque permite hablar de posiciones comparables sin exigir que todas ocupen exactamente el mismo lugar o tengan idénticas condiciones físicas.

Dos módulos de referencia por posición

La arquitectura de preingeniería utiliza dos módulos idénticos de gran formato como referencia para cada una de las 15 posiciones.

Con módulos ilustrativos de 670 W, cada posición equivaldría a aproximadamente 1,34 kWp. Bajo el modelo energético empleado, esa referencia se movería aproximadamente entre 2.000 y 2.038 kWh/año, con una media próxima a 2.018 kWh/año.

Estas cifras permiten comparar posiciones, pero no deben interpretarse como producción garantizada. Una instalación futura deberá concretar módulos, inversor, pérdidas, orientación final, disponibilidad, estructura y demás parámetros del proyecto real.

La solución se comprobó también como sistema compartido

El análisis no terminó cuando cada posición fue capaz de producir razonablemente bien por separado.

Había que comprobar que el conjunto no generara una situación en la que una instalación perjudicase materialmente a otra. Para ello se modelizó el efecto marginal de interacción entre posiciones.

El peor impacto marginal obtenido fue de aproximadamente 0,483897 %, por debajo del umbral interno del 0,5 % utilizado durante el diseño.

La cifra no pretende convertir seis decimales en una falsa sensación de exactitud. Lo importante es la lógica: la arquitectura se diseñó para que el éxito de una posición no dependiera de penalizar significativamente a la siguiente.

La geometría nominal no fue la única que se probó

Los módulos reales, los replanteos y los montajes incorporan tolerancias. Por ello se sometieron las posiciones a perturbaciones controladas de dimensiones, desplazamientos, inclinación, azimut y otras variables geométricas.

El conjunto produjo 540 configuraciones de robustez: 36 perturbaciones por cada una de las 15 posiciones.

Les 540/540 configuraciones resultaron geométricamente admisibles dentro de la envolvente ensayada.

El resultado quedó documentado para poder reutilizarlo

La arquitectura técnica no quedó únicamente dentro del modelo de trabajo.

Se trasladó a un Estudio Maestro, planos, fichas de posiciones, controles de replanteo, metodología, tablas y un informe externo preparado para que la comunidad y futuros técnicos puedan comprender qué se estudió, qué quedó validado y qué sigue pendiente.

El informe externo final tiene 83 páginas. Ese volumen no se utiliza como indicador de calidad. Sirve para ilustrar otra consecuencia: un problema que inicialmente podía parecer una simple discusión sobre reparto de cubierta terminó requiriendo una base documental capaz de sobrevivir a futuras decisiones y actores.

El resultado útil no fue “encontramos sitio para treinta paneles”. Fue convertir una cubierta compartida en quince oportunidades técnicamente caracterizadas y reutilizables.

7. ¿Cuánto esfuerzo humano requirió el Método R&R?

De dónde salen las 151 horas

Las 151 horas no proceden de una factura ni de un registro de un proveedor que haya ejecutado paralelamente el mismo estudio.

Son una reconstrucción del esfuerzo profesional convencional equivalente: cuánto trabajo razonablemente requeriría reproducir el alcance obtenido utilizando una ejecución integrada más dependiente de horas profesionales convencionales.

La estimación se construyó por bloques de actividad para evitar utilizar una cifra global arbitraria.

La baseline de 151 h es deliberadamente una estimación integrada y conservadora. No intenta maximizar la cifra sumando tarifas o tiempos independientes de múltiples proveedores.

Qué contienen las 36–44 horas de intervención humana R&R

El cálculo de R&R utiliza un criterio distinto de “tiempo total transcurrido”.

Mide atención humana activa reconstruida: el tiempo en el que una persona tuvo que investigar, observar, decidir, revisar, corregir o validar materialmente el trabajo.

Qué no cuenta como hora humana

La medición no añade como “trabajo humano” el tiempo que un modelo tarda en procesar una petición, que un script emplea en recorrer configuraciones o que una tarea automática necesita para generar una salida.

Tampoco convierte en horas de trabajo las esperas de calendario entre una consulta administrativa, una respuesta externa o una nueva visita.

Por qué no hablamos de “111 horas ahorradas”

Restar 40 horas a 151 produce una diferencia aproximada de 111 horas. Pero describirlas como “111 horas ahorradas” sería demasiado fuerte.

No existió una ejecución paralela convencional de 151 horas contra la que medir un ahorro real registrado.

Lo que existe es una diferencia entre una baseline profesional equivalente reconstruida y la intervención humana reconstruida bajo el Método R&R.

Por eso utilizamos expresiones como “reducción estimada de esfuerzo humano”, “diferencia de capacidad equivalente” o “apalancamiento por hora humana”.

La lectura correcta de la cifra

La comparación no demuestra que una persona con IA sea siempre 3,8 veces más productiva.

Demuestra algo más limitado y, precisamente por ello, más útil: para este alcance concreto, la arquitectura de trabajo R&R permitió desplegar una capacidad equivalente utilizando aproximadamente una cuarta parte de la intervención humana reconstruida para una ejecución profesional convencional integrada.

El dato nos interesa menos como porcentaje de marketing que como prueba de una hipótesis operativa: cuando una parte significativa del problema puede investigarse, estructurarse, calcularse, compararse y repetirse mediante sistemas tecnológicos, el coste marginal de desplegar determinadas capacidades puede cambiar.

La métrica importante no es cuántas horas trabaja la IA. Es cuántas capacidades podemos poner a trabajar correctamente por cada hora humana que seguimos necesitando.

8. ¿Qué cambió económicamente?

Una reducción de intervención humana no se traduce automáticamente en una reducción idéntica de precio.

El precio de un trabajo profesional no remunera únicamente horas. También incorpora conocimiento, tecnología, dirección, herramientas, trabajo de campo, riesgo, excepciones, revisión, responsabilidad sobre el alcance y capacidad de producir un resultado utilizable.

El equivalente por vivienda sirve únicamente para dimensionar el valor económico total del estudio en una comunidad de 15 viviendas. No constituye una propuesta de reparto de costes ni una cuota comunitaria.

Cómo se construye la referencia convencional de 8.500 €

Al igual que con las horas, la valoración económica se reconstruyó por bloques de trabajo.

Qué cubre la referencia R&R de 3.495 €

La referencia R&R no corresponde a vender cuarenta horas a una tarifa inferior.

Se plantea como un encargo cerrado alrededor de un resultado y un alcance definido.

Por qué el precio baja menos que las horas

La reducción central de intervención humana se estima en un 73,5 %, mientras que la diferencia económica es del 58,8 %.

Esa distancia es lógica.

El Método R&R utiliza menos intervención humana porque una parte del análisis puede escalarse mediante tecnología. Pero para que esa tecnología sea útil necesita existir previamente una metodología, una arquitectura de herramientas, capacidad de cálculo, modelos, control de versiones, QA y conocimiento acumulado.

Además, siguen existiendo tareas que no disminuyen proporcionalmente con la automatización: una visita física sigue siendo una visita física; una excepción compleja puede requerir criterio; una decisión material debe revisarse; un entregable externo debe cerrarse con responsabilidad sobre lo que afirma.

La tesis económica del caso

El aprendizaje comercial no debería formularse como “R&R puede hacer estudios fotovoltaicos un 58,8 % más baratos”.

Esa lectura reduciría el caso a una guerra de precio y, además, situaría a R&R en una categoría que no es la suya.

La tesis es otra: la combinación de metodología, IA, software, datos y dirección humana puede reducir el coste de acceso a capacidades que convencionalmente son caras de desplegar sobre problemas pequeños o medianos.

En un proyecto de gran valor económico, asumir decenas o cientos de horas de especialistas puede ser perfectamente razonable. El problema aparece cuando una organización necesita varias de esas capacidades para resolver algo cuyo valor absoluto no soporta cómodamente la estructura convencional.

Ahí cambia la pregunta.

En Camí del Llor 2B, el valor profesional convencional equivalente estimado representa unos 566,67 € + IVA por vivienda si simplemente se divide entre las 15 viviendas estudiadas.

Esa cifra tampoco significa que la comunidad deba repartir un coste de esa manera. Sirve para poner en escala el problema: una capacidad multidisciplinar que puede resultar costosa como proyecto único puede cambiar materialmente de economía cuando se construye sobre una metodología tecnológica reutilizable.

Precio menor no significa eliminar al especialista

Parte de la eficiencia también puede provenir de utilizar al profesional regulado en la zona donde realmente aporta su competencia diferencial.

Si un ingeniero, arquitecto, proyectista o instalador recibe una base ya reconciliada, medidas, restricciones, posiciones, alternativas y cuestiones abiertas claramente identificadas, puede dedicar menos tiempo a reconstruir contexto y más a aquello que exige su conocimiento, firma o responsabilidad.

En ese sentido, el modelo no compite necesariamente con el especialista. Puede funcionar también como una capa previa de estructuración y análisis.

La ventaja económica aparece cuando la tecnología reduce el coste de acceder a capacidad, no cuando fingimos que la capacidad profesional ya no hace falta.

9. Por qué la calidad de los datos puede cambiar el apalancamiento

El dato de 3,8 veces más capacidad por hora humana necesita una condición importante: no puede separarse del tipo de problema sobre el que se obtuvo.

Camí del Llor 2B no era un caso ideal para automatizar. Antes de analizar había que localizar información, reconciliar versiones, medir físicamente la cubierta, resolver contradicciones y decidir qué incertidumbres debían permanecer abiertas.

Eso significa que una parte relevante de las 36–44 horas de intervención humana R&R no se dedicó a calcular la solución, sino a construir la base que permitía calcularla.

La fórmula es conceptual. No representa una ecuación matemática ni asigna el mismo signo o peso a cada variable.

Los datos mejores eliminan trabajo que no añade diferenciación

Imaginemos el mismo problema con una situación informativa distinta: geometría CAD actualizada, inventario completo de instalaciones, documentación de comunidad clasificada, fotografías recientes, alturas verificadas y antecedentes administrativos digitalizados.

Una parte del trabajo realizado en Camí del Llor 2B desaparecería o se reduciría materialmente.

Eso no implica necesariamente que el siguiente proyecto sea más barato en la misma proporción. Puede tener más volumen, más complejidad o un alcance diferente. Lo que cambia es la cantidad de intervención humana necesaria para llevar cada unidad de análisis hasta un estado utilizable.

La repetibilidad importa tanto como el dato

Una tarea que aparece una sola vez y contiene muchas excepciones puede beneficiarse de IA y software, pero seguirá requiriendo bastante atención humana.

Cuando el problema se repite con una lógica similar, aparece una oportunidad adicional: convertir parte de lo aprendido en procedimientos, modelos, validaciones, plantillas o automatizaciones reutilizables.

En Camí del Llor 2B, por ejemplo, las 15 posiciones no se analizaron como quince estudios completamente independientes. Una vez definida la metodología solar, las restricciones, el criterio de igualdad y el sistema de controles, esa arquitectura podía aplicarse de forma homogénea al conjunto.

La frontera regulada también limita —correctamente— la automatización

Hay tareas que pueden automatizarse técnicamente y que, aun así, no deberían desplazarse fuera de la responsabilidad de un profesional competente.

Un sistema puede ayudar a preparar información estructural, comparar hipótesis o detectar inconsistencias. Eso no convierte al sistema ni a R&R en responsable del cálculo estructural definitivo.

Lo mismo ocurre con un proyecto eléctrico, una legalización o una dirección de obra.

Por tanto, cuanto mayor sea la parte del problema que necesariamente debe permanecer bajo firma, responsabilidad o intervención especializada, menor será el margen para reducir intervención humana mediante el modelo utilizado en este caso.

Camí del Llor 2B probablemente no representa el escenario más favorable

Esa es una de las razones por las que este caso resulta útil como prueba.

La eficiencia no se obtuvo trabajando únicamente sobre datos estructurados en un entorno digital perfectamente controlado. Hubo documentos antiguos, desplazamientos físicos, fotografías, medidas, vacíos, contradicciones y decisiones que no podían resolverse de forma automática.

Esto permite formular una hipótesis razonable: en problemas con mejor información de partida y una mayor proporción de trabajo repetible, el apalancamiento podría ser superior.

Pero sigue siendo una hipótesis.

También existirán casos en los que ocurra lo contrario.

La pregunta útil no es “¿cuánto ahorra la IA?”. Es “¿qué parte de este problema puede convertirse en capacidad escalable sin perder control, evidencia ni responsabilidad?”.

10. Qué no demuestra este caso

Un caso de estudio gana credibilidad cuando deja tan claro lo que no demuestra como aquello que sí permite sostener.

Camí del Llor 2B contiene cifras llamativas. Precisamente por eso conviene impedir que una lectura rápida las convierta en afirmaciones más fuertes que la evidencia disponible.

Por qué hacemos explícitos estos límites

El caso combina resultados técnicos, estimaciones económicas y una tesis estratégica. Si se mezclan esos tres niveles, una conclusión válida puede convertirse fácilmente en una promesa que la evidencia no sostiene.

Por eso utilizamos formulaciones distintas según el tipo de afirmación: una posición puede estar técnicamente caracterizada sin convertirse en propiedad; una configuración puede superar stress testing sin convertirse en una obra garantizada; y una reducción de esfuerzo estimada en este proyecto puede ser material sin transformarse en productividad universal.

El objetivo no es demostrar que la IA puede hacerlo todo. Es demostrar con precisión dónde cambia la economía del trabajo y dónde siguen siendo necesarios criterio, campo y responsabilidad profesional.

11. Qué puede aprender una pyme de un caso fotovoltaico comunitario

Camí del Llor 2B no es una pyme y el problema estudiado no es comercial, financiero ni operativo.

Precisamente por eso el caso permite separar la metodología del sector.

Lo que resulta transferible no es la fotovoltaica. Es el patrón de problema.

El sector cambia; la estructura del problema puede ser muy parecida

Ejemplo 1 · Evaluar una inversión

Una pyme puede necesitar decidir si entra en un mercado, compra tecnología, externaliza una capacidad o desarrolla una herramienta propia.

La información puede estar repartida entre proveedores, datos internos, contratos, benchmarks, costes, restricciones operativas y opiniones de diferentes responsables.

El patrón se parece al caso: construir evidencia, comparar escenarios, explicitar supuestos, cuantificar diferencias y preparar una decisión.

Ejemplo 2 · Analizar proveedores complejos

Elegir entre proveedores de software, automatización, IA, logística o servicios especializados puede requerir comparar precios, funcionalidades, contrato, privacidad, integración, estabilidad, dependencia y capacidad futura.

Ninguna variable aislada resuelve la decisión.

Una capacidad de análisis construida alrededor del problema puede convertir una comparación comercial poco estructurada en un sistema de decisión reproducible.

Ejemplo 3 · Reducir dependencia de personas clave

En muchas pymes, una parte crítica de la empresa funciona porque determinadas personas recuerdan cómo se hace algo, saben dónde está la información o resuelven manualmente las excepciones.

El trabajo no consiste únicamente en automatizar tareas. Primero hay que descubrir qué reglas existen realmente, qué decisiones toman esas personas y qué información necesitan.

Después puede decidirse qué parte debe convertirse en dato, proceso, software, automatización o agente y qué parte sigue necesitando intervención humana.

Ejemplo 4 · Preparar un problema antes de llevarlo a un especialista

Una empresa puede necesitar abogado, fiscalista, ingeniero, especialista financiero o experto sectorial.

Pero no necesariamente necesita utilizar tiempo especializado de alto valor para localizar documentos, reconciliar datos, construir cronologías o estructurar todas las alternativas desde cero.

Igual que en Camí del Llor 2B, una capa previa de investigación y estructuración puede mejorar la calidad del problema que llega al especialista.

La oportunidad aparece en una zona que el mercado atiende mal

Las grandes organizaciones pueden mantener equipos especializados, comprar sistemas complejos o contratar proyectos de consultoría amplios.

Los problemas sencillos pueden resolverse con herramientas estándar, servicios puntuales o capacidad interna.

Entre ambos extremos existe una zona menos cómoda:

Esa zona es especialmente relevante para una pyme.

Y es precisamente donde la reducción del coste de construir capacidades mediante IA, software y automatización puede cambiar qué problemas merece la pena abordar.

La capacidad puede ser temporal

Una empresa no necesita mantener internamente todas las competencias que alguna vez pueda necesitar.

Puede necesitarlas durante un problema, una transformación, una decisión o una etapa de crecimiento.

El enfoque de R&R consiste en construir alrededor de ese problema la combinación necesaria de método, tecnología, datos y dirección; utilizarla para producir un resultado; y dejar, cuando tenga sentido, una parte de esa capacidad convertida en sistema reutilizable.

Una pyme no necesita parecerse a una gran empresa para acceder a más capacidades. Necesita cambiar la economía con la que puede construirlas y utilizarlas.

12. El aprendizaje R&R: de usar IA a construir capacidad real

La diferencia entre utilizar una herramienta de inteligencia artificial y construir una capacidad empresarial puede parecer semántica.

Camí del Llor 2B permitió verla de forma bastante concreta.

Una herramienta resuelve tareas; una capacidad resuelve problemas

Pedir a una IA que proponga dónde colocar placas habría sido utilizar una herramienta.

Construir una arquitectura capaz de distinguir fuentes, reconstruir geometría, modelizar posiciones, comparar alternativas, controlar interacción, someter la solución a stress testing, documentar límites y preparar una base reutilizable es otra cosa.

El método importa porque la tecnología se está comoditizando

El acceso a modelos potentes seguirá abaratándose y distribuyéndose.

Eso reduce el valor diferencial de “tener IA”.

Lo que empieza a importar más es saber dónde aplicarla, con qué datos, dentro de qué sistema, bajo qué controles y para mejorar qué capacidad concreta.

Esa es también la lógica con la que R&R aborda la IA generativa per a empreses : no empezar por la herramienta, sino por el trabajo que debe mejorar, el criterio que debe conservarse y la capacidad que merece la pena instalar.

Dos empresas pueden tener acceso al mismo modelo y obtener resultados muy distintos si una lo utiliza para producir tareas aisladas y otra lo integra dentro de un sistema conectado con procesos, decisiones y datos reales.

El cambio de economía amplía el número de problemas que merece la pena resolver

Hay muchos problemas que históricamente se han dejado sin resolver de forma rigurosa no porque fueran imposibles, sino porque el coste de reunir suficiente capacidad profesional era desproporcionado respecto a su tamaño.

Se trabajaba entonces con aproximaciones, experiencia informal, hojas de cálculo, decisiones individuales o simplemente se aceptaba la ineficiencia.

La IA, el software y la automatización pueden desplazar esa frontera.

Si una parte importante del trabajo puede investigarse, modelizarse, calcularse y documentarse con menos intervención humana, algunos problemas que antes no justificaban un proyecto completo empiezan a justificarlo.

El objetivo no es eliminar personas, sino aumentar lo que una persona puede gobernar

El caso tampoco sugiere una empresa sin intervención humana.

Sugiere una organización donde una persona puede dirigir más capacidad porque no necesita ejecutar manualmente cada operación.

Camí del Llor 2B es una prueba, no el producto

R&R no pretende convertir este trabajo en una nueva línea de ingeniería fotovoltaica.

El valor estratégico del caso está en haber llevado la metodología fuera de un contexto puramente empresarial y comprobar si podía sostenerse ante un problema físico, documental, técnico y comunitario real.

El resultado sugiere que sí.

También identifica los límites: necesidad de campo, datos imperfectos, incertidumbres que no deben cerrarse artificialmente y tareas que deben permanecer bajo responsabilidad especializada.

La tesis que nos llevamos

Muchas organizaciones no necesitan otra capa genérica de IA sobre todos sus empleados.

Necesitan identificar qué capacidad concreta les falta o qué problema sigue siendo demasiado caro, lento o dependiente de pocas personas.

A partir de ahí la pregunta puede formularse de otra manera:

R&R no busca que las empresas utilicen más IA. Busca que puedan hacer cosas que antes no podían hacer —o no podían justificar económicamente— porque ahora es posible construir capacidad de otra manera.