Detecta desviacions de costos abans que siguin inevitables
En projectes d’enginyeria (obra civil, industrial, EPC, instal·lacions o manteniment major), els sobrecostos gairebé mai “apareixen de cop”. Comencen com petites desviacions: una partida que es desvia, una productivitat que baixa, una compra que arriba tard, un canvi de disseny que genera rework, una estimació que no recull bé la complexitat real. El problema és que, si ho mires tard (o amb dades incompletes), quan ho veus ja tens el pressupost compromès.
La IA per detectar desviacions de costos funciona com un sistema d’alerta primerenca: connecta dades de projecte i costos, aprèn patrons de desviació i destaca els senyals que, estadísticament, acostumen a acabar en sobrecostos. No substitueix el criteri tècnic: t’ajuda a prioritzar, actuar abans i defensar decisions amb dades.
- Alertes de desviació per partida, paquet de treball, contracte o centre de cost (no només “a final de mes”).
- Predicció d’Estimate at Completion (EAC) i probabilitat de sobrecost, amb explicacions del “per què”.
- Accions recomanades (on atacar primer: compres, canvis, recursos, subcontractes, planificació).
- Integració amb sistemes existents (ERP, planificació, BI, partides, albarans, hores, compres, canvis).
Preferiu començar sense reunions llargues? En un primer correu ens podeu indicar els sistemes implicats i el principal dolor del control de costos, i us respondrem amb passos pràctics i una proposta d’enfoc.
Per què es produeixen les desviacions de costos en projectes d’enginyeria
Els projectes d’enginyeria són, per definició, multivariable. El cost no depèn només del pressupost inicial, sinó de la combinació de planificació, productivitat, compres, canvis, subcontractes, logística, qualitat i fins i tot factors externs (inflació, disponibilitat de materials, climatologia o restriccions d’accés a obra).
El repte real és que les desviacions acostumen a repartir-se en “micro-senyals” que, vistos aïlladament, semblen petits: una desviació de temps en una tasca crítica, un albarà que entra tard, una certificació que no quadra amb el progrés, una partida amb un preu unitari que s’enfila, una quadrilla que rendeix menys en un context concret, o una seqüència d’activitats que obliga a repetir feina.
Les causes més habituals (i com es manifesten)
Què fa (i què no fa) la IA en detecció de desviacions de costos
En la pràctica, una solució d’IA per a control de costos combina tres capacitats que, juntes, donen molt més valor que un dashboard estàtic: detecció d’anomalies, predicció i explicabilitat.
1) Detecció d’anomalies: “això no és normal”
El sistema aprèn quin és el comportament habitual de costos i progrés per tipus de projecte, fase, paquet de treball o contracte, i destaca desviacions que no encaixen amb el patró esperat. Això és útil quan hi ha moltes partides i és impossible mirar-ho tot cada setmana.
2) Predicció: “cap a on anem si no fem res?”
La IA pot estimar la probabilitat de sobrecost i fer una previsió del cost final (EAC) abans que el problema sigui evident. Si ja treballeu amb mètriques de gestió del valor guanyat (EVM), la IA ajuda a fer el pas d’“informar” a “anticipar”.
3) Explicabilitat: “què està empitjorant el projecte?”
No és suficient rebre una alerta. Cal entendre quin factor ho provoca (o quina combinació de factors) per actuar: productivitat, compres, canvis, desviació de planificació, subcontractes, costos indirectes, etc. En projectes complexos, aquest punt és el que marca la diferència entre IA útil i IA que ningú utilitza.
Com funciona una solució d’IA per detectar desviacions de costos (en 5 passos)
Perquè una solució sigui realment operativa, ha de viure dins del vostre flux de treball: on es registra el cost, on es reporta el progrés, on es gestionen compres i canvis, i on es prenen decisions (PMO, direcció d’obra, controlling, enginyeria).
-
Connexió de dades (sense trencar el que ja teniu).
Connectem ERP, eines de gestió de projectes, compres, fulls d’hores, certificacions, BI i arxius tècnics. Quan no hi ha API, es pot fer un “pont” temporal amb automatitzacions per evitar treball manual. -
Normalització: la mateixa realitat, un sol llenguatge.
Harmonitzem partides, centres de cost, WBS/OBS, codis d’articles i estructures de projecte perquè “cost” i “progrés” es puguin comparar bé. Aquí és on molts projectes fallen si no es fa amb cura. -
Modelització: anomalies + predicció.
Apliquem models que detecten desviacions atípiques i que projecten el cost final (EAC) amb antelació. El focus és reduir sorpreses: menys “ens hem passat” i més “ho hem vist a temps”. -
Alertes accionables i dashboards.
No es tracta d’enviar 100 avisos. Es tracta de 5–10 alertes setmanals realment prioritzades, amb context: quina partida, quin contracte, quin factor impulsa la desviació i quina acció revisar. -
Millora contínua i governança.
Un projecte canvia amb el temps (proveïdors, preus, equips, condicions). El sistema ha de monitoritzar qualitat, fer ajustos i incorporar feedback per reduir falsos positius i mantenir confiança.
Quines dades necessites per començar
Hi ha un error molt comú: pensar que cal “tenir-ho tot perfecte” abans de començar. En realitat, el millor enfoc és definir un mínim viable per generar valor ràpid i, després, anar enriquint el sistema amb dades que augmenten precisió i anticipació.
Mínim viable (per començar amb resultats)
- Pressupost base (per partida/WBS/paquet de treball) i estructura del projecte.
- Cost real (factures, albarans, certificacions, costos indirectes) amb freqüència regular.
- Progrés (percent completat, quantitats executades, fites, certificació d’obra) per poder comparar amb el cost.
- Calendari i fase del projecte (per contextualitzar què és “normal” en cada moment).
Dades “premium” (per anticipar millor i explicar el “per què”)
- Planificació detallada (MS Project / Primavera / similar), camí crític i canvis de planificació.
- Compres i aprovisionament (terminis, comandes, recepcions, preus unitats, substitucions).
- Parts d’hores i productivitat (equips, rendiments, turnos, incidències).
- Canvis d’abast (change orders), RFIs, desviacions de disseny, no conformitats i rework.
- Subcontractes (certificacions, claims, desviacions de contracte, riscos de proveïdor).
- Factors externs (índexs de preus de materials, logística, clima, restriccions d’accés).
KPIs i mètriques per mesurar que realment funciona
Sense mètrica, la IA es queda en “demo bonica”. En control de costos, l’èxit s’ha de poder defensar amb dades: quan detecta, amb quina antelació, quants falsos avisos fa i si això es tradueix en menys desviació final.
KPIs de control de costos (molt útils en enginyeria)
- Cost Variance (CV): diferència entre el valor guanyat i el cost real (indicador d’anar per sobre o per sota de pressupost).
- Cost Performance Index (CPI): eficiència de cost (relació entre valor guanyat i cost real).
- EAC (Estimate at Completion): previsió del cost final del projecte, recalculada amb freqüència.
- Lead time d’alerta: quants dies/setmanes abans es detecta una desviació “seriosa”.
KPIs de qualitat del sistema (perquè l’equip el faci servir)
- Precisió de l’alerta: % d’alertes que acaben sent un risc real (no soroll).
- Falsos positius i falsos negatius: massa avisos mata l’adopció; massa pocs mata la confiança.
- Explicabilitat útil: si el sistema no diu “per què”, el temps de resposta s’allarga.
- Acció: % d’alertes que generen una revisió/acció registrada (és el pont entre IA i impacte).
Com implementar la IA per detectar desviacions de costos (pas a pas)
Una implementació eficient evita el parany de pilots eterns: es defineix un cas d’ús mesurable, es connecten dades reals, es valida amb usuaris i s’industrialitza amb governança.
-
Diagnòstic i priorització.
Quins tipus de projectes i quines partides generen més desviació? Què voleu evitar: sobrecost, retard, claims, rework? Aquí definim objectius i criteris de “funciona / no funciona”. -
Inventari de dades i “mapa de connexions”.
Identifiquem on viu cada dada (ERP, planificador, BI, compres, fulls d’hores, certificacions) i com l’extraurem amb permisos i traçabilitat. -
Prova de concepte (PoC) amb dades reals.
Es valida si el patró de desviació és detectable i si la predicció és prou útil com per actuar. La PoC ha d’acabar amb un “sí/no” i amb el llistat d’ajustos necessaris. -
Pilot operatiu (amb alertes i rutina setmanal).
El pilot és on es guanya adopció: menys soroll, més context i un ritual de revisió (qui mira què, quan, i què es fa amb l’alerta). -
Desplegament a escala i millora contínua.
Un cop provat, s’amplia a més projectes, s’afegeixen dades “premium” i s’implementa monitoratge de qualitat del model (drift, canvis, etc.).
Model de costos i com dimensionar-ho
El cost d’una solució depèn sobretot de (1) quantes fonts de dades s’han d’integrar, (2) l’estat de qualitat de les dades, (3) el nivell d’operativa (alertes + dashboards + governança) i (4) el volum de projectes i freqüència d’actualització.
Si preferiu paquets amb preus transparents, teniu la pàgina de Paquets i preus. Si el vostre cas és més específic (EPC, obra complexa, múltiples ERPs o criteris de compliance), el camí habitual és una proposta a mida.
Errors comuns i com evitar-los
1) Dades bones “en paper”, però inútils en operativa
Tenir dades no vol dir que siguin comparables. Si pressupost, cost real i progrés no comparteixen estructura (WBS, partides, centres de cost), la solució donarà soroll. La correcció és normalitzar i crear una “veritat operativa” del projecte.
2) Alertes sense context (o massa alertes)
Si tot és urgent, res ho és. L’objectiu és que l’equip rebi poques alertes però bones, amb explicació i amb un criteri clar de prioritat.
3) No definir responsabilitat i rutina
“La IA ha detectat una desviació” no serveix si ningú és propietari de la revisió i si no existeix un ritual setmanal/mensual de control. El valor neix quan la decisió es pren abans, no quan l’informe és més bonic.
4) Voler un “projecte perfecte” abans de començar
El millor camí és començar amb un mínim viable, demostrar valor amb KPIs i ampliar. Si espereu a tenir totes les dades perfectes, probablement perdreu mesos (i oportunitat).
Preguntes freqüents sobre IA per detectar desviacions de costos
Cal canviar l’ERP o el sistema de gestió de projectes per fer servir IA?
No necessàriament. El camí més eficient és integrar la IA als sistemes que ja utilitzeu (ERP, planificació, BI, compres, parts d’hores…). El que importa és que la IA pugui llegir les dades amb permisos i traçabilitat, i que les alertes apareguin on l’equip ja treballa.
Quines dades mínimes necessito per tenir alertes útils?
Com a mínim: pressupost base per partida/WBS, cost real actualitzat i una mesura de progrés (certificació, quantitats, % completat o fites). Amb això ja es poden detectar desviacions rellevants i començar a predir tendència. Si afegeixes compres, planificació i canvis, la predicció i les explicacions milloren molt.
La IA pot predir sobrecostos amb prou antelació?
Pot ser molt útil, especialment quan hi ha historial i actualitzacions periòdiques. El valor no és “encertar el número exacte”, sinó donar antelació i prioritzar riscos: quines partides, contractes o paquets de treball tenen més probabilitat de desviar-se si no s’actua.
Com s’evita que les alertes siguin “soroll”?
Amb tres coses: (1) bones definicions de desviació (llindars, fase, tipus de partida), (2) calibratge del model amb feedback d’usuaris, i (3) una rutina clara (qui revisa, quan i què es fa). L’objectiu és reduir volum d’alertes i augmentar rellevància.
Es pot integrar amb Power BI o dashboards existents?
Sí. De fet, és un patró habitual: la IA calcula risc, tendència i explicacions, i el BI ho presenta de forma clara per a direcció, PMO i controlling. La clau és que el dashboard no sigui només “visualització”: ha d’estar connectat a decisions i accions.
Com gestioneu seguretat, privadesa i compliment (RGPD)?
Amb permisos per rol, xifrat, minimització de dades i traçabilitat. En funció del vostre sector i requisits, es defineixen polítiques de retenció, auditoria d’accessos i punts de revisió humana. Si el projecte requereix un marc reforçat, també es pot complementar amb un enfoc de governança.
Quant triga un primer resultat “real” (no només una demo)?
Depèn de la integració i de l’estat de les dades. Un primer resultat operatiu acostuma a arribar quan tenim connexió i normalització del mínim viable, i un pilot amb alertes revisades per l’equip. Si ens envies el teu context, et podem dir quin seria el camí més curt i amb menys risc.
Quina diferència hi ha entre un control tradicional i un control amb IA?
El control tradicional és principalment descriptiu (“què ha passat”). La IA afegeix detecció d’anomalies i predicció (“què és probable que passi i on”), i ho fa amb priorització i explicacions perquè pugueu actuar abans.
Escriu-nos a info@bastelia.com amb: tipus de projectes, sistemes (ERP/planificació/BI), com mesureu el progrés avui i on se us generen més desviacions. Us respondrem amb un enfoc recomanat (dades, passos i KPIs).
Si aquest tema t’interessa, aquí tens recursos útils
A Bastelia treballem el control de costos com una combinació de dades, integració i disciplina de mètrica (no només “IA”). Si vols aprofundir o veure com ho implementem:
- Finances i Control amb IA (alertes, previsió i control de gestió)
- Integració i Implementació d’IA (connectors, dades, producció i governança)
- Automatitzacions amb IA (reduir feina manual i crear fluxos operatius)
- Consultoria i Roadmap d’IA (prioritzar casos d’ús i definir KPIs)
- Paquets i preus (plans orientatius i transparència de costos)