La certificación LEED v4.1 BD+C es un proceso que demanda una revisión manual intensiva de cientos de páginas de documentación técnica, planos y cálculos. Hasta hace poco, cada crédito debía ser verificado por un evaluador humano que aplicaba umbrales cuantitativos y lógica cualitativa caso por caso. Sin embargo, la combinación de modelos de lenguaje pequeños desplegados localmente con componentes simbólicos deterministas está abriendo una nueva vía para automatizar este análisis sin depender de APIs externas ni grandes infraestructuras en la nube. Este artículo explora cómo un pipeline neuro-simbólico puede alinear documentos PDF con las secciones de crédito LEED, extraer evidencias mediante firmas de palabras clave, verificar el cumplimiento con un modelo de lenguaje de 4 mil millones de parámetros y aplicar un corrector numérico específico para los umbrales cuantitativos. Los experimentos sobre cuatro edificios universitarios (484 PDFs y 153 decisiones a nivel de crédito) revelan que un modelo pequeño como gemma3:4b alcanza un 67,3 % de precisión en la verificación textual, superando a modelos más grandes como llama3.1:8b. Además, el corrector determinista eleva la precisión en créditos cuantitativos clave, como EA-p2, del 50 % al 100 %. No obstante, la configuración neuro-simbólica completa obtiene un 61,6 % global, debido a fallos de extracción y un comportamiento conservador en categorías cualitativas. Las ablaciones sistemáticas muestran que añadir imágenes de baja resolución reduce la precisión, y que la efectividad del prompt depende de la tasa de aprobados real del edificio: los prompts de rúbrica funcionan mejor en proyectos con mucha documentación, mientras que los prompts de cadena de pensamiento son superiores en proyectos con documentación escasa. Este trabajo establece un punto de referencia reproducible para la verificación de cumplimiento LEED v4.1 BD+C y abre el camino a soluciones de inteligencia artificial aplicadas a la construcción sostenible.
Desde una perspectiva empresarial, este enfoque tiene implicaciones claras para consultorías de sostenibilidad, ingenierías y promotoras que buscan reducir costes y tiempos en el proceso de certificación. La integración de agentes de IA capaces de leer, interpretar y contrastar documentación técnica permite escalar la capacidad de revisión sin multiplicar el equipo humano. Además, la combinación con servicios cloud en AWS y Azure facilita el despliegue de pipelines modulares que procesan PDFs de forma segura y escalable. En Q2BSTUDIO, empresa especializada en el desarrollo de software y tecnología, hemos diseñado plataformas que unen la flexibilidad de los modelos de lenguaje con la fiabilidad de la lógica simbólica, ofreciendo aplicaciones a medida para sectores como la construcción, la energía y la consultoría ambiental. Nuestros sistemas integran capacidades de ciberseguridad para garantizar la confidencialidad de la documentación técnica de proyectos sensibles, utilizando cifrado en reposo y en tránsito, así como controles de acceso basados en roles.
El pipeline neuro-simbólico se estructura en cuatro etapas. Primero, un motor de alineación asigna cada PDF a la sección de crédito correspondiente mediante una combinación de minería de texto y reglas de correspondencia basadas en el índice del proyecto. Segundo, un módulo de recuperación de evidencias emplea firmas de palabras clave específicas de cada crédito (por ejemplo, “precipitación de 25 años” para gestión de aguas pluviales) para extraer los fragmentos relevantes. Tercero, un modelo de lenguaje pequeño (4B parámetros, ejecutado localmente con Ollama) evalúa el texto recuperado y determina si el crédito se cumple, emitiendo una explicación en lenguaje natural. Cuarto, un verificador numérico determinista compara los valores extraídos (porcentajes, áreas, consumos) con los umbrales LEED, corrigiendo errores aritméticos que el modelo de lenguaje podría pasar por alto. Este componente es crucial para créditos como Eficiencia Energética (EA) o Materiales y Recursos (MR), donde los cálculos exactos determinan la obtención del punto.
Los resultados experimentales sobre cuatro edificios universitarios muestran que el modelo gemma3:4b supera al modelo de 8B en precisión global (67,3 % frente a 64,1 %), lo que sugiere que para tareas de razonamiento documental específico, un modelo más pequeño pero bien ajustado puede ser más eficaz. Sin embargo, la configuración completa del pipeline neuro-simbólico obtuvo un 61,6 %, inferior al mejor modelo textual debido a que la extracción de evidencias a veces falla (por ejemplo, cuando el PDF contiene tablas escaneadas o diagramas no anotados). Además, el corrector numérico solo mejora la precisión si los valores se extraen correctamente; en créditos cualitativos como Innovación (IN) o Prioridad Regional (RP), el modelo tiende a ser conservador y rechazar documentación válida, lo que reduce la tasa de aciertos. Las ablaciones con imágenes de baja resolución (150-300 dpi) empeoraron la precisión en todas las configuraciones, probablemente porque los modelos de lenguaje pequeños no están entrenados para interpretar gráficos técnicos con bajo detalle.
Una observación relevante es la dependencia del prompt con la densidad documental del proyecto. Cuando el edificio aporta informes muy completos (muchas páginas, justificaciones detalladas), los prompts tipo rúbrica (rubric) obtienen mejores resultados porque guían al modelo a buscar explícitamente cada requisito. Por el contrario, en proyectos con documentación escasa, los prompts de cadena de pensamiento (chain-of-thought) permiten al modelo hacer inferencias más flexibles y alcanzar mayor precisión. Esta dualidad sugiere que un sistema adaptativo podría seleccionar el prompt según la cantidad de material disponible, optimizando así la verificación en tiempo real.
En el contexto empresarial, Q2BSTUDIO ha desarrollado soluciones que integran estos conceptos en plataformas de certificación sostenible. Por ejemplo, combinamos inteligencia de negocio con Power BI para ofrecer dashboards que visualicen el estado de cada crédito, las evidencias pendientes y los riesgos de incumplimiento. Además, nuestros servicios de ciberseguridad garantizan que los documentos de los clientes estén protegidos durante todo el proceso, aplicando políticas de acceso y cifrado. La automatización de la verificación LEED no solo reduce el coste operativo, sino que también acelera la toma de decisiones, permitiendo a las empresas ajustar los diseños antes de la presentación final. Con la incorporación de agentes de IA especializados, es posible incluso generar informes de cumplimiento automáticos, ahorrando semanas de trabajo manual.
La dirección futura de esta investigación apunta hacia modelos multimodales capaces de procesar tanto texto como diagramas técnicos con alta resolución, evitando la pérdida de información que sufren las imágenes de baja calidad. Igualmente, se explorarán técnicas de aprendizaje por refuerzo para ajustar los prompts y las reglas de extracción en función de los resultados de proyectos anteriores. Desde un punto de vista práctico, cualquier empresa que maneje volúmenes altos de documentación técnica (no solo en construcción, sino también en cumplimiento normativo, farmacia o finanzas) puede beneficiarse de un pipeline neuro-simbólico similar, adaptando los créditos y umbrales a su dominio.
En conclusión, la verificación de cumplimiento LEED v4.1 BD+C puede abordarse con éxito mediante un enfoque híbrido que combine la comprensión del lenguaje natural de modelos pequeños con la precisión de la lógica simbólica. Los resultados demuestran que es posible obtener una precisión superior al 65 % sin necesidad de grandes GPUs ni conexiones a internet, lo que abre la puerta a soluciones locales y seguras. En Q2BSTUDIO seguimos desarrollando herramientas que integran estas capacidades, ofreciendo a nuestros clientes automatización de procesos software para mejorar la eficiencia y la fiabilidad de sus operaciones de certificación. La intersección entre IA, cloud computing y ciberseguridad es el ecosistema donde se materializan estas innovaciones, y estamos comprometidos a liderar su aplicación en el sector inmobiliario y de la construcción sostenible.
