DISEÑOS DIGITALES QUE HOY SE TRANSFORMAN EN DATOS

Del modelo al dato

La mayoría de arquitectos usa el software para tres cosas: planos, visualizaciones y coordinación técnica. Sin embargo, detrás de cada muro, espacio y ventana hay información que el programa ya almacena: superficies, alturas, materiales, capas, usos, fechas, etc. Esa información suele quedarse encerrada en el archivo.

Pensar en “modo dataset” significa hacer una pregunta distinta: en lugar de “¿cómo queda la planta?”, preguntarse “¿qué patrones se esconden en esta planta y en las otras diez que ya hice?”. La clave está en organizar los datos de muchos proyectos en tablas comparables.

Qué es un dataset en arquitectura

Un dataset es, en esencia, una tabla bien organizada:

• Cada fila representa una unidad de análisis:

  • Un proyecto.

  • Un espacio (vivienda, aula, habitación).

  • Un elemento (ventana, muro, panel).

• Cada columna representa un atributo de esa unidad:

  • Año, ubicación, tipología.

  • Superficie, altura, volumen.

  • Sistema constructivo, tipo de material, nivel de aislamiento.

  • Estrategias sostenibles, coste estimado, certificaciones.

Lo que lo diferencia de una lista caótica es que las columnas se mantienen estables y los valores son comparables entre filas. Así, diez proyectos de vivienda social o veinte aulas de distintas escuelas se pueden analizar en conjunto, y no solo mirar uno por uno.

Cualquier software puede ser “fuente de dataset”

Aunque cambie la marca, casi todos los programas comparten una lógica similar:

• Elementos con propiedades

  • BIM “completo” (Vectorworks, Revit, Archicad, etc.) ya trata cada objeto como una entidad con parámetros: dimensiones, materiales, capas, clases o categorías.

  • Herramientas más ligeras (SketchUp, Rhino) permiten etiquetar, agrupar, usar componentes y añadir metadatos mediante extensiones o scripts.

• Listas y cuantificaciones

  • Todos ofrecen algún tipo de tabla: listados de espacios, de puertas, de superficies, de materiales, de capas.

  • Esas listas ya son una forma de dataset, aunque se usen solo para mediciones o presupuestos.

• Exportación a formato tabular

  • Desde casi cualquier software se pueden exportar reportes a CSV, Excel o similares.

  • Ese archivo ya es una tabla con filas y columnas, lista para analizar, limpiar o combinar con otras.

Lo importante no es tanto la herramienta, sino la disciplina de definir qué se quiere medir y mantener esa estructura en el tiempo.

Tres niveles de “dataset” a partir del mismo modelo

Se puede pensar en tres escalas crecientes, aplicables a cualquier programa:

1. Dataset de un proyecto

Se trata de organizar datos internos de un único edificio:

• Tabla de espacios

  • Columnas: nombre, uso, planta, superficie, altura, relación con exterior, orientación.

• Tabla de elementos constructivos

  • Columnas: tipo (muro, losa, cubierta), material principal, espesor, área, U aproximada si se maneja.

Esto ya permite entender, por ejemplo, cuánto programa real tiene un proyecto, cómo se reparte por usos o qué peso tienen los materiales.

2. Dataset multi‑proyecto dentro del mismo estudio

El salto cualitativo aparece cuando se usan las mismas columnas en varios proyectos:

• Mantener una estructura estable

  • Si en un proyecto se llama “sala estar” y en otro “living”, pero ambos se asignan al mismo tipo de uso (“estar”), la tabla los puede comparar.

• Unir tablas de distintos encargos

  • Varios reports exportados con la misma lógica se apilan en una sola hoja.

  • Aparece un campo extra “id_proyecto” o “nombre_proyecto” para distinguirlos.

Con esto ya se pueden responder preguntas que un solo modelo no permite:
¿cuánta superficie de circulación estamos generando de media? ¿cómo varía la vivienda según el clima o la ciudad? ¿qué proporción de materiales de alta huella de carbono estamos usando en los proyectos de oficinas?

3. Dataset de referencia externa

El siguiente nivel es incorporar proyectos ajenos, documentados en publicaciones, concursos o bases públicas:

• Fichas normalizadas

  • No hará falta tener el modelo digital; bastan datos básicos: m², tipología, sistema constructivo, estrategias sostenibles, año.

• Estructura compatible

  • Se usan las mismas columnas que se definieron para los propios proyectos del estudio.

Así el dataset pasa de ser un archivo interno a convertirse en una base de referencia que mezcla experiencia propia con ejemplos internacionales.

Para qué sirve este enfoque en la práctica

Entender los modelos como origen de datasets cambia la forma de usar el software:

• Mejores decisiones de diseño

  • Se pueden identificar patrones: superficies excesivas, soluciones de circulación poco eficientes, estrategias que siempre funcionan mejor en ciertos contextos.

• Argumentos sólidos ante clientes

  • En lugar de “creemos que esta solución es mejor”, se puede decir “en veinte proyectos similares, esta estrategia de orientación redujo tal indicador o produjo tal proporción de área útil”.

• Base para IA y herramientas avanzadas

  • Los modelos de inteligencia artificial necesitan ejemplos estructurados.

  • Si el estudio dispone de tablas coherentes de proyectos, puede alimentar sistemas que generen variantes, estimen costes o sugieran soluciones en fases tempranas.

Al final, el archivo digital del arquitecto deja de ser un conjunto de proyectos cerrados y se convierte en una base de conocimiento viva.

En un artículo sin casarse con un programa concreto, se puede:

• Hablar de “software de modelado y BIM” en general.

• Explicar que da igual si el lector usa Vectorworks, Revit, Archicad, Allplan, SketchUp o Rhino: todos permiten, de algún modo, listar elementos y exportar tablas.

• Insistir en la lógica:

  • Pensar el modelo como base de datos.

  • Definir un pequeño conjunto de campos que interesan al despacho (m², usos, sistemas, estrategias ambientales).

  • Repetir esa estructura en el tiempo para que los proyectos empiecen a hablar entre sí.

Reflexionemos…  La IA se dirige a la sustitución de una bolsa de trabajos humanos que es una facturación impresionante sin precedentes, los oficios que tengan que ver con matematicas repetitivas la pregunta es que % de estos oficios serán reemplazados…

Los arquitectos tienen que ver sus propios bussines plan en contra de los bussines plan de las grandes empresas., la IA se comeran millones tanto en empleos y ni hablar de personas, la tendencia es de ir a la subcontratación a otras empresas. y la proyección muchos expertos es a 10 años vista.

Si tu empresa necesita consultoria sobre esta tendencia contacta con nosotros aqui 👉🏻 artec@email.com o envíanos un mensaje directo en nuestro LinkedIn

Fuentes

• Prieto del Río, D. R. “Gestión de datos de la construcción utilizando modelos BIM”, Revista Cubana de Transformación Digital, 2024.​

• ISO 16739:2018. “Industry Foundation Classes (IFC) for data sharing in the construction and facility management industries.”​

• buildingSMART International. “buildingSMART Data Dictionary (ISO 12006-3) y estándares abiertos BIM para el intercambio de información.”​

• García Seseña, M. “BIM, metodología colaborativa para estudios de arquitectura”, TFG, Universidad Politécnica de Madrid, 2022.