El problema de Selección de Proyectos surge en muchas organizaciones públicas y/o privadas que buscan elegir el mejor conjunto de proyectos que se alinean a los objetivos estratégicos o que permiten establecer acciones hacia la solución de problemas prioritarios. Regularmente la toma de decisiones se desarrolla en un entorno cada vez más dinámico y competitivo, bajo condiciones específicas y con un presupuesto limitado por lo que debe asegurarse el mejor uso de los recursos. Adicionalmente, la selección de proyectos se enfrenta al reto de gestionar grandes volúmenes de datos, múltiples restricciones y la necesidad de tomar decisiones estratégicas. Ejemplificando, el organismo National Science Foundation evalúo más de 38 mil propuestas de proyectos en sus distintas convocatorias en el año fiscal de 2023 y en el 2024 el número se encuentra por arriba de los 40 mil (U.S. National Science Foundation).

La Inteligencia Artificial (IA) ha emergido como una herramienta clave que puede ser empleada para abordar estos desafíos, y entre algunos de sus métodos—como el aprendizaje automático, los algoritmos de optimización y las redes neuronales—ofrece nuevas formas de priorizar iniciativas o proyectos para lograr maximizar resultados.

La relevancia de incorporar IA en este proceso radica en su habilidad para mitigar el sesgo humano y garantizar decisiones más objetivas y basadas en datos. También, la IA ofrece herramientas analíticas avanzadas que permiten evaluar múltiples dimensiones de un proyecto, como su impacto financiero, alineación estratégica, viabilidad técnica y potencial de innovación. Por ejemplo, los algoritmos de aprendizaje automático pueden priorizar proyectos basados en el retorno esperado de inversión, el nivel de riesgo asociado y su contribución al avance de la maduración tecnológica de la empresa.

Si bien en una revisión del estado del arte de los autores Mohagheghi, Mousavi, Antuchevičienė, y  Mojtahed (2019) donde se incluye un análisis de 140 publicaciones, se menciona la falta de exploración de métodos basados en Inteligencia artificial aplicados a los procesos de selección de proyectos, al día de hoy existen distintas formas en las que estas técnicas se han incorporado en este proceso.

Algunos ejemplos, incluyen:

1. Flintsch, Zaniewski, Delton y Medina (1998) con una propuesta de procedimiento automatizado para identificar y recomendar secciones de carreteras para la preservación del pavimento utilizando un simulador de redes neuronales artificiales. La red neuronal fue entrenada con datos históricos sobre la selección de proyectos, condiciones y características del pavimento, y las secciones seleccionadas por el programa de preservación de pavimento del Departamento de Transporte de Arizona durante varios años. Los autores indican que las redes neuronales tienen la importante característica que son capaces de producir correctas o cercanas a correctas respuestas cuando se tiene información incompleta o incorrecta, siendo capaz de generalizar reglas aplicables a nuevos casos.

2. La investigación de Bastias y Molenaar (2010) donde presentan la aplicación de un modelo de aprendizaje para la selección de un proyecto diseño-construcción en el sector público que se utiliza parámetros y funciones definidas a través del empleo de inteligencia artificial como principal motor de conocimiento.

3. Costantino, Di Gravio y Nonino (2015) proponen una metodología para la selección de proyectos, documentando el diseño, desarrollo y prueba de un sistema de apoyo a la decisión que predice el desempeño de los proyectos. Esto se realiza con una red neuronal artificial (ANN) adaptable a cualquier conjunto de factores críticos de éxito para clasificar el nivel de riesgo de un proyecto. El aprendizaje se basa en la experiencia de proyectos exitosos y fallidos. 

4. La investigación de los autores Leal, Maldonado, Martínez, Bertazzo, Quijada y Vairetti (2025) donde introducen un enfoque innovador para mejorar los sistemas de evaluación de impacto ambiental (EIA) mediante inteligencia artificial (IA). Particularmente, hacen uso de modelos de aprendizaje profundo basados en clasificación multietiqueta con ponderación de clases para predecir la participación de agencias regulatorias en proyectos industriales.

Estos casos representan ejemplos claros de cómo se pueden aplicar mecanismos basados en inteligencia artificial (IA) en procesos de Selección de Proyectos. Sin embargo, aún existe un amplio margen para explorar y aprovechar estas tecnologías en diferentes etapas clave.

Por un lado, en la etapa de evaluación, la IA puede integrarse para analizar grandes volúmenes de datos históricos y características específicas de los proyectos, permitiendo predicciones más precisas sobre su viabilidad o desempeño. Por otro lado, en la etapa de priorización, la IA puede ayudar a clasificar y ordenar proyectos con base en criterios definidos, como impacto económico, sostenibilidad o alineación con objetivos estratégicos, adaptándose a las necesidades de cada organización. En la etapa de programación se pueden considerar mecanismos para aprender sobre las características del proyecto y los agentes involucrados para estimar períodos de termino y riesgo de desfase o retraso.

Esto no solo mejoraría la eficiencia y objetividad de los procesos, sino que también reduciría el tiempo requerido para tomar decisiones críticas, minimizando errores humanos y optimizando los recursos disponibles. La adopción de IA en estas áreas tiene el potencial de transformar la gestión de carteras de proyectos, permitiendo un enfoque más estratégico y fundamentado.

Por otra parte, es importante considerar que el aprendizaje basado en información histórica considerada como la verdad absoluta enfrenta retos significativos, especialmente al intentar identificar y mitigar posibles sesgos inherentes en los datos. Estos sesgos pueden influir negativamente en la calidad de las decisiones automatizadas, por lo que se destaca la necesidad de estrategias para supervisar, ajustar y validar los modelos de IA especialmente en contextos de justicia social y de gran impacto.

Referencias

1. Mohagheghi, V., Mousavi, S. M., Antuchevičienė, J., & Mojtahed, M. (2019). Project portfolio selection problems: a review of models, uncertainty approaches, solution techniques, and case studies.

2. Flintsch, G., Zaniewski, J., Delton, J., & Medina, A. (1998, May). Artificial neural network based project selection level pavement management system. In 4th International Conference on Managing Pavements (pp. 451-464). Pretoria: University of South Africa.

3. Bastias, A., & Molenaar, K. R. (2010). A learning model for design-build project selection in the public sector. Revista Ingeniería de Construcción, 25(1), 5-20.

4. Turkmen, G. F., & Topcu, Y. I. (2021). Research and development project selection: a comprehensive analysis of the trends and methods. South African Journal of Industrial Engineering, 32(4), 28-43.

5. Costantino, F., Di Gravio, G., & Nonino, F. (2015). Project selection in project portfolio management: An artificial neural network model based on critical success factors. International Journal of Project Management, 33(8), 1744-1754.

6. Leal, A., Maldonado, S., Martínez, J. I., Bertazzo, S., Quijada, S., & Vairetti, C. (2025). Enhancing environmental governance: A text-based artificial intelligence approach for project evaluation involvement. Environmental Impact Assessment Review, 110, 107707.

7. U. S. National Science Fundation (Revisado el 03 de diciembre de 2024). NSF by the NUMBERS https://new.nsf.gov/about/about-nsf-by-the-numbers