Incidencia de las Estrategias Gerenciales en el Crecimiento Empresarial de las Empresas del Sector Construcción: Impact of Managerial Strategies on Business Growth in Construction Sector Companies

Kelly Espinoza Anaya

doi:10.29394/Scientific.issn.2542-2987.2026.11.e1.2.28-37

Autores/as

Kelly Espinoza Anaya Universidad César Vallejo (UCV) https://orcid.org/0000-0002-1468-0647

DOI:

https://doi.org/10.29394/Scientific.issn.2542-2987.2026.11.e1.2.28-37

Palabras clave:

estrategias gerenciales, inteligencia artificial, crecimiento empresarial, innovación tecnológica, gestión de riesgos

Resumen

La industria de la construcción enfrenta retos estructurales de sobrecostos, retrasos y disputas contractuales que los enfoques tradicionales de gestión no logran resolver de forma proactiva; en este contexto, la Inteligencia Artificial (IA) emerge como estrategia gerencial con potencial transformador. El objetivo de este estudio fue analizar la incidencia de la adopción de herramientas de IA, aplicadas a la gestión de proyectos, contratos y riesgos, en el crecimiento empresarial, la competitividad y la innovación de las empresas del sector construcción. Metodológicamente, se adoptó un método inductivo, con enfoque mixto y diseño no experimental, transversal y documental. La búsqueda y selección de estudios siguió las directrices PRISMA 2020 mediante revisión sistemática y análisis bibliométrico de literatura indexada en Scopus y Web of Science; se identificaron 100 registros iniciales, de los cuales se seleccionaron 40 artículos Q1 y Q2 por su relevancia, rigor metodológico y vigencia (2009-2025), mediante cuatro fases de cribado progresivo. Los principales hallazgos evidencian que la IA, mediante aprendizaje automático, procesamiento de lenguaje natural y modelos de lenguaje de gran escala, mejora significativamente la predicción de sobrecostos y retrasos, automatiza la revisión contractual y fortalece la gestión temprana de riesgos. Sin embargo, persisten desafíos vinculados a la calidad de datos, las capacidades técnicas especializadas y la ausencia de marcos éticos y regulatorios consolidados. Se concluye que la adopción estratégica de IA constituye un factor determinante del crecimiento empresarial sostenido en el sector construcción, siempre que se articule con liderazgo organizacional, gobernanza de datos y formación de capital humano.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Kelly Espinoza Anaya, Universidad César Vallejo (UCV)

Investigadora adscrita a la Universidad César Vallejo (UCV), Lima, Perú. Arquitecta por la Universidad Nacional Pedro Ruiz Gallo y Maestra en Gestión Pública por la Universidad César Vallejo; cuenta con la certificación Project Manager Professional (PMP). Se desempeña como Gestora de Riesgos en la Autoridad Nacional de Infraestructura (ANIN, Perú) y Gerente de Proyectos en ESCO SAC desde 2019. Sus líneas de investigación comprenden la inteligencia artificial aplicada a la gestión empresarial, las estrategias gerenciales en el sector construcción y la innovación tecnológica para el crecimiento organizacional.

Citas

Abioye, S. O., Oyedele, L. O., Akanbi, L., Ajayi, A., Davila, J. M., Bilal, M., Akinade, O. O., & Ahmed, A. (2021). Artificial intelligence in the construction industry: A review of present status, opportunities and future challenges. Journal of Building Engineering, 44, 103299. https://doi.org/10.1016/j.jobe.2021.103299

Adebayo, Y., Udoh, P., Kamudyariwa, X. B., & Osobajo, O. A. (2025). Artificial intelligence in construction project management: A structured literature review of its evolution in application and future trends. Digital, 5(3), 26. https://doi.org/10.3390/digital5030026

Adel, K., Elhakeem, A., & Marzouk, M. (2023). Decentralized system for construction projects data management using blockchain and IPFS. Journal of Civil Engineering and Management, 29(4), 342–359. https://doi.org/10.3846/jcem.2023.18646

Ahmad, I., Pervin, A., & Hossain, Md. I. (2025). Occupational health risks, safety essentials, and safety beliefs among construction workers in Bangladesh. Scientific Reports, 15, Article 33064. https://doi.org/10.1038/s41598-025-12621-3

Alshboul, O., Shehadeh, A., Mamlook, R. E. A., Almasabha, G., Almuflih, A. S., & Alghamdi, S. Y. (2022). Prediction liquidated damages via ensemble machine learning model: towards sustainable highway construction projects. Sustainability, 14(15), 9303. https://doi.org/10.3390/su14159303

Ato, M., López-García, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación en psicología. Anales de Psicología, 29(3), 1038–1059. https://doi.org/10.6018/analesps.29.3.178511

Bakker, B., Chen, S., Vasilyev, D., Bespalova, O., Chin, M., Kolpakova, D., Singhal, A., & Yang, Y. (2025). What can artificial intelligence do for stagnant productivity in Latin America and the Caribbean?. Latin American Journal of Central Banking, 100192. https://doi.org/10.1016/j.latcb.2025.100192

Bernal, C. A. (2010). Metodología de la investigación: administración, economía, humanidades y ciencias sociales (3.ª ed.). Pearson Educación.

Creswell, J. W., & Plano, V. L. (2018). Designing and conducting mixed methods research (3rd ed.). SAGE Publications.

Dikmen, I., Eken, G., Erol, H., & Birgonul, M. T. (2025). Automated construction contract analysis for risk and responsibility assessment using natural language processing and machine learning. Computers in Industry, 166, 104251. https://doi.org/10.1016/j.compind.2025.104251

Erfani, A., & Khanjar, H. (2025). Large language models for construction risk classification: A comparative study. Buildings, 15(18), 3379. https://doi.org/10.3390/buildings15183379

Erfani, A., Cui, Q., & Baecher, G. (2024). DData-Driven Approach to Risk Identification for Major Transportation Projects: A Common Risk Breakdown Structure. IEEE Transactions on Engineering Management, 71, 6830–6841. https://doi.org/10.1109/tem.2023.3279237

Francis, M., Perera, S., Zhou, W., & Nanayakkara, S. (2025). Artificial intelligence applications for proactive dispute management in the construction industry: A systematic literature review. Journal of Information Technology in Construction, 30, 711–730. https://doi.org/10.36680/j.itcon.2025.029

Guan, Z.-Y., Xie, J.-L., Wu, S.-K., & Liang, C. (2025). Research on predicting the risk level of coal mine roof accident based on machine learning. Scientific Reports, 15, Article 24028. https://doi.org/10.1038/s41598-025-07760-6

Hernández-Sampieri, R., Fernández-Collado, C., & Baptista-Lucio, P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill.

Hussain, O. A. I., Moehler, R. C., Walsh, S. D. C., & Ahiaga-Dagbui, D. D. (2023). Minimizing cost overrun in rail projects through 5D-BIM: A systematic literature review. Infrastructures, 8(5), 93. https://doi.org/10.3390/infrastructures8050093

Kim, E. W., Shin, Y. J., Kim, K. J., & Kwon, S. (2025). Development of an automated construction contract review framework using large language model and domain knowledge. Buildings, 15(6), 923. https://doi.org/10.3390/buildings15060923

Naciones Unidas (2023). Informe de los Objetivos de Desarrollo Sostenible 2023. Edición Especial. Naciones Unidas.

Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71

Plebankiewicz, E., & Wieczorek, D. (2020). Prediction of cost overrun risk in construction projects. Sustainability, 12(22), 9341. https://doi.org/10.3390/su12229341

Regona, M., Yigitcanlar, T., Xia, B., & Li, R. Y. M. (2022). Opportunities and adoption challenges of AI in the construction industry: A PRISMA review. Journal of Open Innovation: Technology, Market, and Complexity, 8(1), 45. https://doi.org/10.3390/joitmc8010045

Sánchez-Chero, J. A., Sánchez-Chero, M. J., & Villegas-Yarlequé, M. (2025). Inteligencia artificial: impactos y desafíos en las contrataciones públicas. Revisión sistemática. Universitas, (43), 37–63. https://doi.org/10.17163/uni.n43.2025.02

Saparamadu, P. V. I. N., Sepasgozar, S., Guruge, R. N. D., Jayasena, H. S., Darejeh, A., Ebrahimzadeh, S. M., & Eranga, B. A. I. (2025). Optimising contract interpretations with large language models: A comparative evaluation of a vector database-powered chatbot vs. ChatGPT. Buildings, 15(7), 1144. https://doi.org/10.3390/buildings15071144

Tian, K., Zhu, Z., Mbachu, J., Ghanbaripour, A., & Moorhead, M. (2025a). Artificial intelligence in risk management within the realm of construction projects: A bibliometric analysis and systematic literature review. Journal of Innovation & Knowledge, 10(3), 100711. https://doi.org/10.1016/j.jik.2025.100711

Tian, K., Zhu, Z., Mbachu, J., Moorhead, M., & Ghanbaripour, A. (2025b). Artificial intelligence in construction risk management: a decade of developments, challenges, and integration pathways. Journal of Risk Research, 28(9–10), 1078–1110. https://doi.org/10.1080/13669877.2025.2512080

Wei, X., Liao, P. C., & Chong, H. Y. (2025). Digitizing contract administration via electroencephalography: exploring the brain-behavior link in contract clause review. Automation in Construction, 173, 106112. https://doi.org/10.1016/j.autcon.2025.106112

Wu, L., Lu, W., & Xu, J. (2022). Blockchain-based smart contract for smart payment in construction: A focus on the payment freezing and disbursement cycle. Frontiers of Engineering Management, 9, 177–195. https://doi.org/10.1007/s42524-021-0184-y

Wu, W., Zhu, F., Li, Z., Li, X., Li, X., & Wang, J. (2025). Optimized deep learning model with integrated spectrum focus transformer for pavement distress recognition and classification. Scientific Reports, 15, Article 3803. https://doi.org/10.1038/s41598-025-88251-6

Yaseen, Z. M., Ali, Z. H., Salih, S. Q., & Al-Ansari, N. (2020). Prediction of risk delay in construction projects using a hybrid artificial intelligence model. Sustainability, 12(4), 1514. https://doi.org/10.3390/su12041514