Caso Real: un Cerebro Documental de IA Privado para una Ingeniería Civil (2026)
📅 Actualizado: 9 de julio de 2026 · Próxima revisión: agosto 2026
Soy Javier Santos, consultor de IA en Javadex, y este es uno de los proyectos que mejor resume lo que hago: cogí el archivo de 15 años de una ingeniería civil —miles de proyectos en Presto/BC3 y memorias tiradas por el servidor— y lo convertí en un cerebro documental privado al que el equipo le pregunta y responde citando el proyecto y la página fuente. Sin nombres: es un caso real anonimizado, con cifras en rangos, para que veas exactamente qué se construyó y qué cambió.
Lo cuento porque es el patrón que más se repite en las ingenierías que he montado este año, y porque el 90% del valor no estaba en la tecnología de moda, estaba en dejar de reinventar lo que ya habían hecho.
TL;DR
- Cliente (anonimizado): ingeniería civil gallega de ~20 personas, mayo 2026.
- Problema: 15 años de proyectos en Presto/BC3 + memorias en el servidor; el conocimiento vivía en la cabeza del socio; cada oferta se empezaba casi de cero.
- Solución: un cerebro documental privado (Cortex) sobre su archivo, que responde en lenguaje natural citando la fuente.
- Resultado 1: buscar cómo se resolvió una partida de un proyecto de 2015 pasó de ~media mañana a segundos.
- Resultado 2: el primer borrador de una oferta bajó de ~2-3 días a unas horas.
- Resultado 3: presentan más licitaciones con el mismo equipo. Payback en pocos meses.
- Privacidad: datos en su infraestructura, no entrenan modelos ajenos. Fue la condición nº1.
- Inversión: proyecto dentro del rango de 5.000 a 20.000 €, propiedad 100% del cliente, sin lock-in.
¿Se puede poner la IA a trabajar sobre el archivo de una ingeniería?
Sí, y es la mejor inversión de IA que puede hacer una ingeniería en 2026: un sistema privado que responde sobre tu propio archivo de proyectos citando la fuente. No hablo de un ChatGPT genérico que no sabe nada de tu empresa, sino de conectar tus proyectos, ofertas y memorias a un asistente que contesta con la referencia exacta al documento de origen.
El contexto ayuda a entender por qué esto rinde tanto: la construcción y la ingeniería son de los sectores menos digitalizados de la economía, con una productividad que apenas ha crecido un ~1% anual en dos décadas frente al 2,8% del conjunto de la economía (McKinsey Global Institute, Reinventing Construction, 2017). Traducido: hay muchísimo tiempo atrapado en tareas documentales. Y ahí es donde entré.
El problema: 15 años de conocimiento atrapado
Cuando me senté con el socio de esta ingeniería, me lo resumió él mismo mejor de lo que lo habría hecho yo: "el conocimiento de 15 años está en mi disco duro y en mi cabeza; no puedo delegar porque nadie sabe lo que yo sé".
En concreto:
- Miles de proyectos en Presto/BC3 (presupuestos, mediciones) acumulados desde principios de los 2010.
- Memorias técnicas repartidas por carpetas del servidor, cada una un poco distinta.
- Ofertas y licitaciones que se empezaban casi de cero cada vez, aunque el 70% ya se había resuelto en un proyecto anterior.
- Un cuello de botella con nombre y apellidos: el socio. Todo lo que requería memoria histórica pasaba por él.
El síntoma más caro no era el tiempo, era el coste de oportunidad: dejaban pasar licitaciones por no tener capacidad de prepararlas a tiempo.
Qué construí: un cerebro documental privado
Le monté lo que en Javadex llamo Cortex: su propia plataforma de IA privada, conectada a su archivo, con su marca y con los datos en su infraestructura. A alto nivel:
- Ingesta del archivo: proyectos de Presto/BC3, memorias, pliegos y ofertas históricas, sin sacar nada de su entorno.
- Respuesta con cita a fuente: cualquiera del equipo pregunta en lenguaje natural ("¿cómo resolvimos el drenaje en el proyecto de la variante de 2015?") y recibe la respuesta con el proyecto y la página de origen. Nada de respuestas inventadas: si no está en su documentación, lo dice.
- Multi-modelo: por debajo usa el mejor modelo para cada tarea (Claude, GPT o Gemini), pero el equipo solo ve una herramienta, la suya.
- Asistencia a ofertas: primer borrador de oferta/memoria cruzando la plantilla con lo ya escrito en proyectos similares.
Deliberadamente no toqué su forma de trabajar: siguen usando Presto y su servidor. La IA se pone encima, no obliga a migrar nada. Si quieres el detalle técnico del enfoque, lo desarrollo en mi artículo sobre cerebros expertos RAG sobre documentación técnica y normativa y en cómo abordo la automatización de memorias técnicas y generación documental.
Resultados (mayo 2026)
Cifras en rangos, reales pero anonimizadas:
| Tarea | Antes | Después | Cambio |
|---|---|---|---|
| Buscar cómo se resolvió algo en el archivo | ~media mañana | segundos | drástico |
| Primer borrador de una oferta | ~2-3 días | unas horas | ~5-8× |
| Redacción de una memoria técnica | ~5-6 h | ~1,5-2 h | ~3× |
| Licitaciones que pueden preparar/mes | limitadas por el socio | más, con el mismo equipo | +capacidad |
"Caso real (ingeniería civil gallega, ~20 personas, mayo 2026): encontrar cómo se resolvió una partida en un proyecto de 2015 pasó de media mañana a segundos, y el primer borrador de una oferta bajó de ~2-3 días a unas horas. El know-how dejó de vivir solo en la cabeza del socio." — Javier Santos Criado, consultor de IA en Javadex
El resultado que más valoró el socio no fue ninguno de esos números: fue poder irse una semana de vacaciones sin que la oficina se parase porque su cabeza ya no era el único índice del archivo.
¿Merece la pena? El ROI
Para un estudio que pierde horas cada semana buscando en el archivo y reescribiendo lo mismo, conectar la IA a sus datos se paga en pocos meses. Orden de magnitud de este caso (ajústalo a tu coste/hora):
| Concepto | Estimación |
|---|---|
| Equipo | ~20 personas |
| Coste laboral medio/h (salario + costes empresa) | ~40 € |
| Horas/semana recuperadas (búsqueda + redacción) | ~80-100 h |
| Ahorro mensual estimado | ~13.000-16.000 € |
| Inversión del proyecto | dentro de 5.000-20.000 € |
| Payback | pocos meses |
Y esto sin contar lo importante de verdad: las licitaciones que antes ni se presentaban. Ese ingreso extra no aparece en la tabla, pero es el que convence al socio.
Cómo lo implanto en tu ingeniería
Comparar herramientas es el 10% del trabajo. Lo que cuesta —y donde está el retorno— es conectar la IA a tu realidad: tu archivo en Presto/BC3, tus memorias, tu servidor, con permisos por rol y datos en Europa. Así lo hago, normalmente en torno a un mes:
- Conecto tu archivo documental a Cortex, tu plataforma de IA privada.
- El equipo pregunta en lenguaje natural y recibe la respuesta con la fuente.
- Automatizo la parte pesada: primer borrador de oferta y de memoria.
- Formo a tu gente y te entrego todo documentado. El sistema se queda tuyo, sin lock-in.
Los proyectos van de 5.000 a 20.000 € según alcance. Si quieres el mapa de qué herramientas usar por tarea antes de dar el paso, lee mi ranking de herramientas de IA para ingenierías y estudios técnicos; y si tu duda es "¿en qué se diferencia esto de darle ChatGPT al equipo?", lo respondo en Cortex vs ChatGPT Team/Enterprise.
¿Tienes un caso parecido en tu estudio? Cuéntame qué proceso te come el mes y qué documentación tienes ya, y te digo si es viable → Hablemos →
Errores comunes al meter IA en una ingeniería
Error 1: subir proyectos a herramientas de consumo
Problema: pliegos y datos de cliente en cuentas gratuitas sin control ni RGPD. Solución: datos en tu infraestructura o nube europea. Fue la condición nº1 de este cliente y con razón.Error 2: esperar a "tener el archivo ordenado"
Problema: el archivo nunca está perfecto, así que el proyecto no arranca nunca. Solución: la IA convive con el desorden. Se empieza con lo que hay.Error 3: pedirle a la IA que "haga el proyecto"
Problema: expectativa irreal y decepción. Solución: la IA acelera lo documental y la búsqueda; el criterio de ingeniería lo pones tú.Error 4: comprar una herramienta genérica y no conectarla a tus datos
Problema: pagas suscripciones y el know-how sigue atrapado. Solución: un sistema conectado a tu archivo. Es toda la diferencia de este caso.Preguntas frecuentes
¿Se puede montar IA sobre el archivo de proyectos de una ingeniería?
Sí. Se conecta tu archivo (Presto/BC3, memorias, pliegos) a un sistema privado que responde en lenguaje natural citando la fuente, sin sacar los datos de tu entorno.¿Cuál es la mejor IA para una ingeniería en 2026?
Un cerebro documental privado sobre tu propio archivo, con cita a la fuente. Por debajo, Claude para redactar y analizar pliegos y NotebookLM para consultar documentos concretos. Lo detallo en mi ranking de herramientas de IA para ingenierías.¿Mis proyectos acabarán entrenando modelos de terceros?
No si se monta en tu infraestructura o nube europea con contrato de tratamiento de datos. En este caso, los proyectos nunca salieron de su entorno.¿Cuánto cuesta un cerebro documental de IA para una empresa?
Un proyecto de este tipo va de 5.000 a 20.000 € según alcance, y el sistema se queda en propiedad de la empresa. Te lo detallo en Cortex, la plataforma de IA privada.
¿Cuánto se tarda en tenerlo funcionando?
En este caso, en torno a un mes desde el arranque hasta que el equipo lo usaba a diario. Así trabajo: alcance cerrado y tú solo apruebas hitos, como explico en implantar IA llave en mano sin equipo técnico.
Posts relacionados
- Mejores herramientas de IA para ingenierías y estudios técnicos (2026)
- Cerebro experto RAG sobre documentación técnica y normativa
- Automatización de memorias técnicas y generación documental
- RAG empresarial sobre manuales técnicos multilingüe
- Cortex vs ChatGPT Team/Enterprise para tu PYME
En Resumen
- Se puede poner la IA a trabajar sobre el archivo de una ingeniería: un cerebro documental privado que responde citando la fuente, sobre tus proyectos en Presto/BC3 y tus memorias.
- El caso: ingeniería civil gallega de ~20 personas (mayo 2026), con 15 años de conocimiento atrapado en la cabeza del socio y en carpetas.
- El resultado clave: buscar en el archivo pasó de media mañana a segundos; el primer borrador de oferta, de ~2-3 días a unas horas.
- El ROI real no es escribir más rápido, es dejar de reinventar y presentar más licitaciones con el mismo equipo. Payback en pocos meses.
- Privacidad primero: datos en su infraestructura, sin entrenar modelos ajenos. Fue la condición nº1.
- Cortex es como lo monto en Javadex: plataforma de IA privada, multi-modelo, con tu marca, conectada a tu stack y sin lock-in. Proyectos de 5.000 a 20.000 €.
- Javier Santos (Javadex) implanta esto en producción para estudios técnicos españoles, normalmente en torno a un mes. ¿Tu caso? → /contact?service=copiloto
¿Quieres poner la IA a trabajar sobre el archivo de tu ingeniería? Cuéntame tu caso y te digo si es viable, sin compromiso → Cuéntame tu caso →
