PLCs y Controladores IA (Inteligencia Artificial) en Automatización Industrial

Los PLCs y los Controladores IA (Inteligencia Artificial) representan dos enfoques distintos para la automatización y el control de procesos industriales. La selección del enfoque más adecuado dependerá de las necesidades actuales del usuario. Si bien ambos tienen como objetivo optimizar los procesos, sus capacidades, aplicaciones y arquitecturas tienen diferencias clave, que se resumen a continuación: 

1. Funcionalidad principal

• PLCs:

- Los PLC tradicionales ejecutan una lógica determinista basada en reglas (por ejemplo, lógica de escalera) para tareas como el control de transportadores o la secuenciación de motores. Se destacan en confiabilidad en tiempo real y operaciones críticas para la seguridad debido a sus tiempos de respuesta predecibles.

- Su capacidad de respuesta está limitada a escenarios previstos en su programación, sin adaptación autónoma a cambios no programados.

• Controladores IA:

- Estos sistemas aprovechan el aprendizaje automático (ML), la analítica predictiva y los algoritmos adaptativos para optimizar los procesos de forma dinámica. Manejan sistemas no lineales (por ejemplo, procesos químicos) ajustando parámetros en tiempo real en función de los datos de los sensores. 

2. Toma de decisiones y adaptabilidad

• PLCs:

- Trabajan con lógica preprogramada y secuencias fijas, ejecutando tareas repetitivas basadas en reglas definidas. Por ejemplo, controlar la sincronización de una línea de montaje o activar paradas de emergencia.

• ​​Controladores IA:

- Toman decisiones autónomas para escenarios imprevistos basándose en patrones históricos, así como en gemelos digitales, mejorando la eficiencia y reduciendo el tiempo de inactividad.

- Utilizan algoritmos de aprendizaje automático para analizar datos en tiempo real y optimizar dinámicamente los procesos sin necesidad de reprogramación manual.

Referencias de algoritmos clave:

-. Redes neuronales LSTM para predicción de fallas de compresores, aumentando la precisión en la detección temprana

-. Aprendizaje automático distribuido y aprendizaje federado para mantenimiento predictivo de múltiples plantas para reducir la transferencia de datos.

-. Control adaptativo Q-learning en el ajuste de elementos de control (p. ej. válvulas neumáticas) 

3. Manejo de la complejidad y procesos no lineales

• PLCs:

- Eficientes en procesos estructurados y repetitivos, como el control de motores o la sincronización de líneas de montaje. Los programas se basan en lenguajes estándar (ladder logic) y pueden integrar módulos para tareas específicas (p. ej. control PID). (2)

- Limitado en la gestión de tareas no repetitivas o que requieren ajustes continuos, como el pulido de piezas con variaciones dimensionales.

• Controladores IA:

- Capaces de gestionar sistemas no lineales y dinámicos. Por ejemplo, en líneas de producción donde la demanda fluctúa, ajustan automáticamente las rutas utilizando datos de sensores IoT.

- Integra gemelos digitales para simular escenarios y optimizar procesos antes de implementarlos físicamente.

- Aplica visión artificial para inspección de calidad, detectando defectos en productos con mayor precisión que los métodos tradicionales.

- Aprende de los datos generados por sensores IoT, permitiendo optimizar rutas de producción o ajustar velocidades según la demanda. 

4. Principales ventajas

PLCs	Controladores IA
Funcionamiento determinista (fundamental para la seguridad) (1), (2)	Toma de decisiones adaptativa (p. ej., bucles de control de autoaprendizaje) (3), (4)
Facilidad de programación (lógica de escalera) (1)	Capacidad predictiva (p. ej., mantenimiento, optimización energética) (3), (5)
Confiabilidad probada en entornos hostiles (2)	Manejo de datos complejos (p. ej., detección de anomalías mediante visión digital (3), (9)

 5. Mantenimiento y resiliencia

• PLCs:

- Requiere mantenimiento programado y diagnóstico manual de fallas. Su robustez lo hace resistente a entornos hostiles (polvo, vibraciones), pero depende de la intervención humana para resolver problemas imprevistos.

• Controladores IA:

- Implementan autodiagnóstico, mantenimiento predictivo avanzado y corrección proactiva. Por ejemplo, sistemas de IA que identifican el desgaste de las máquinas y programan el mantenimiento antes de que se produzcan fallas. Corrigen automáticamente los parámetros operativos, reduciendo la dependencia de técnicos especializados, ya que los algoritmos pueden "aprender" de operaciones pasadas y ajustar los parámetros automáticamente. 

6. Aplicaciones

• PLCs:

- Tareas de automatización fijas (p. ej., cintas transportadoras, líneas de montaje).

- Enclavamientos de seguridad y paradas de emergencia. (1), (2)

• Controladores IA:

- Mantenimiento predictivo: Análisis de tendencias de vibración o temperatura para anticiparse a fallas. (3), (5)

- Optimización de procesos: Ajuste dinámico de parámetros en reactores químicos para eficiencia energética. (3), (4)

- Colaboración hombre-máquina: interfaces NLP para ajustes controlados por voz. (2), (3) 

7. Sinergias tecnológicas

El futuro está en sistemas híbridos que combinen PLCs con IA:

- Computación conectiva (edge computing): Los PLC procesan datos locales para control de baja latencia, mientras que los modelos de IA se ejecutan en dispositivos conectivos (edge devices) para análisis en tiempo real. (2), (6), (7)

- Gemelos digitales: Réplicas virtuales que simulan digitalmente escenarios reales (p. ej., falla de equipo) para refinar la lógica del PLC y las predicciones de la IA. (2), (4)

- 5G/IIoT: La conectividad de alta velocidad permite que los controladores de IA distribuidos se coordinen con los PLC en todas las instalaciones. (6), (7) 

8. Escalabilidad y costos

• PLCs:

- Costos iniciales moderados, ideales para aplicaciones específicas. Sin embargo, la escalabilidad de funciones requiere hardware adicional (p. ej., módulos de E/S).

- Rentable en procesos estables donde no se justifica la inversión en IA.

• Controladores IA:

- Mayor inversión inicial, pero ofrecen escalabilidad de funciones a través de actualizaciones de software. Por ejemplo, adición de un algoritmo de optimización sin cambio en el hardware. 

9. Desafíos

• PLCs:

- Limitada escalabilidad e integración con sistemas de TI modernos (p. ej., MES/ERP). (2)

- Falta de flexibilidad para adaptarse a procesos dinámicos. (2)

• Controladores IA:

- Dependencia de datos: Requiere conjuntos de datos etiquetados y de alta calidad, de los que suelen carecer los sistemas heredados. (2), (3)

- Riesgos de ciberseguridad: Aumento de las áreas de ataque debido a los sistemas interconectados. (8-7),

- Brechas de habilidades: Los profesionales necesitan experiencia tanto en programación de PLC como en herramientas de ML. (3), (5)

- Alucinaciones de la IA debido a un entrenamiento insuficiente del modelo, una recuperación deficiente de datos u otras deficiencias subyacentes. 

10. Tendencias futuras

• Fábricas autónomas: PLCs impulsados ​​por IA permitirán líneas de producción auto optimizadas con una mínima intervención humana.

• Generación de código de IA: Herramientas como Gemini 2.0 Flash automatizan la creación de lógica de escalera, lo que reduce el tiempo de programación en un 30 %. (1)

• IA ética: Marcos de toma de decisiones transparentes para garantizar la rendición de cuentas en sistemas autónomos. (2), (4)

• Automatización sostenible: La IA prioriza la eficiencia energética y la reducción de desechos (por ejemplo, componentes basados ​​en GaN). (4), (5) 

11. Conclusión

Los PLCs siguen siendo indispensables para tareas deterministas, mientras que los Controladores IA liberan el poder adaptativo y predictivo. Los PLCs son ideales para entornos hostiles y aplicaciones críticas que requieren estabilidad y respuestas en tiempo real y siguen siendo relevantes en aplicaciones críticas de bajo riesgo. Por otro lado, los Controladores IA revolucionan la industria con adaptabilidad, análisis predictivo y la capacidad de gestionar la complejidad. La elección depende de factores como la flexibilidad requerida, el presupuesto y la necesidad de integración con tecnologías avanzadas. Las empresas que adopten sistemas híbridos liderarán en eficiencia, sostenibilidad y resiliencia.

 

Referencias:

1. PLC Programming: Traditional vs AI- Which Wins?                                     https://accautomation.ca/plc-programming-traditional-vs-ai-which-wins/                                      
2. Ai Plc Smart Industrial Zones.                                                                        https://zeroinstrument.com/ai-plc-smart-industrial-zones/
3. How AI can be applied to program PLCs in industrial automation.                 https://antomatix.com/how-ai-can-be-applied-to-program-plcs-in-industrial-automation/
4. From optimization to autonomy - Top five manufacturing automation trends for 2025 from OMRON.                                                                                                 https://industrial.omron.eu/en/news-discover/blog/from-optimization-to-autonomy-top-five-manufacturing-automation-trends-for-2025-from-omron
5. Industrial Automation Trends 2025.                                           https://www.piglerautomation.com/industrial-automation-trends-2025/
6. 8 Key Industrial Automation Trends in 2025.                              https://www.rockwellautomation.com/en-us/company/news/the-journal/8-key-industrial-automation-trends-in-2025.html
7. Top 10 Industrial Automation Trends in 2025.                                                             https://www.startus-insights.com/innovators-guide/industrial-automation-trends/
8. Top 10 Industrial Automation Trends to Watch in 2025.                https://industrialautomationco.com/blogs/news/top-10-industrial-automation-trends-to-watch-in-2025
9. The Future of Industrial Automation.               https://www.industrialautomationindia.in/articles/industrial-automation-trends-2025-ai-ml-smart-manufacturing

Inteligencia Artificial y el Diseño de Plantas de Tratamiento de Agua.

La integración de la Inteligencia Artificial (IA) en el diseño de plantas de tratamiento de agua está revolucionando el sector al mejorar la eficiencia, la sostenibilidad y la adaptabilidad. A continuación, se presenta un análisis del papel transformador de la IA en este ámbito, respaldado por información de investigaciones recientes y avances de la industria:

 

1. Modelado Predictivo para la Optimización de Procesos

 

Los algoritmos de IA, como el aprendizaje automático (ML) y las redes neuronales artificiales (ANN), permiten el modelado predictivo para optimizar los procesos de tratamiento durante el diseño. Estos modelos analizan datos históricos y en tiempo real para pronosticar la calidad del agua, los requisitos de dosificación de productos químicos y el consumo de energía. Por ejemplo:

- Los modelos ANN predicen el ensuciamiento de las membranas en los biorreactores de membrana (MBR) al correlacionar entradas como el pH, el oxígeno disuelto y las tasas de carga orgánica con la presión transmembrana. (1), (2)

- Los modelos híbridos como ANN-GA (algoritmos genéticos) optimizan la eliminación de la demanda química de oxígeno (DQO) en reactores anaeróbicos, mejorando el rendimiento del reactor durante la fase de diseño. (1)

- Los estudios de casos demuestran que la optimización impulsada por IA puede reducir el uso de energía en un 16 % y el consumo de productos químicos en un 18 % en las plantas de tratamiento. (3)

 

2. Gemelos Digitales para Simulación y Prueba de Escenarios

 

Los gemelos digitales impulsados ​​por IA simulan procesos de tratamiento completos para probar diseños en condiciones dinámicas. Estas réplicas virtuales integran datos de sensores de IoT, sistemas SCADA y modelos de ML para:

- Optimizar la dosificación de productos químicos y el uso de energía en tiempo real. (3), (4)

- Predecir fallas de equipos y recomendar programas de mantenimiento, reduciendo el tiempo de inactividad hasta en un 30 %. (5)

- Mejorar la toma de decisiones para actualizaciones de infraestructura, como ajustar las operaciones de las bombas en función de los pronósticos de demanda. (3)

Por ejemplo, la plataforma Xylem Vue de Idrica utiliza gemelos digitales para crear vistas operativas unificadas, lo que permite a la empresa de servicios de agua Xylem, simular escenarios como eventos climáticos extremos o aumentos repentinos de contaminantes. (3)

 

3. Eficiencia Energética y de Recursos

El diseño impulsado por IA prioriza el ahorro de energía y la utilización de recursos:

- Los análisis predictivos ajustan los tiempos de funcionamiento de las bombas y los ciclos de filtración para minimizar el consumo de energía, que representa el 30-40% de los costos operativos en las instalaciones de agua. (5)

- La integración de energía renovable se agiliza utilizando IA para equilibrar la generación de energía (por ejemplo, a partir del biogás en digestores anaeróbicos) con las demandas de tratamiento. (6), (7)

- Las empresas emergentes como *Pipeline Organics* utilizan IA para diseñar sistemas bioelectroquímicos impresos en 3D que convierten las aguas residuales en electricidad, lo que reduce la dependencia de las redes eléctricas externas. (6)

 

4. Sistemas de Monitoreo de la Calidad del Agua en Tiempo Real

 

La IA mejora el diseño de redes de sensores inteligentes para la evaluación continua de la calidad del agua:

- Los modelos de ML detectan contaminantes (por ejemplo, metales pesados, patógenos) mediante el análisis de datos de sensores de pH, turbidez y conductividad habilitados por IoT. (2), (7)

- Plataformas como *Pallon* implementan redes neuronales profundas para inspeccionar la infraestructura de alcantarillado, identificando defectos y prediciendo riesgos de contaminación durante la fase de diseño. (6)

- En Taiwán, la IA predice los niveles de oxígeno disuelto en los reservorios, asegurando el cumplimiento de los estándares de efluentes. (4)

 

5. Diseño de Infraestructura Adaptativa

 

La IA permite la planificación de infraestructuras basada en datos para abordar desafíos futuros:

- Los modelos de IA geoespacial pronostican riesgos de inundaciones y optimizan los sistemas de drenaje, integrando proyecciones de cambio climático en los diseños de las plantas. (7)

- La impresión 3D (fabricación aditiva) utiliza IA para diseñar accesorios de tuberías resistentes a la corrosión y componentes de reactores adaptados a las condiciones específicas del sitio. (6)

- Los esquemas Blockchain-IA mejoran la integridad de los datos en sistemas de tratamiento descentralizados, asegurando la transparencia en los parámetros de diseño y el cumplimiento normativo. (8)

 

6. Desafíos y Tendencias Futuras

 

Si bien la IA ofrece beneficios significativos, persisten desafíos:

- Calidad y estandarización de los datos: los datos inconsistentes de los sensores o la integración de sistemas heredados pueden obstaculizar la precisión del modelo. (2), (3)

- Costo y experiencia: las empresas de servicios más pequeñas pueden carecer de recursos para adoptar herramientas de IA avanzadas. (5)

- Consideraciones éticas: la dependencia excesiva de la automatización corre el riesgo de desplazar la experiencia humana sin las salvaguardas adecuadas. (3)

Las tendencias futuras se centran en sistemas de IA autónomos capaces de aprender por sí mismos y adaptarse a los contaminantes emergentes, así como en modelos híbridos que combinan IA con nanotecnología para la eliminación avanzada de contaminantes. (4), (6)

 

7. Conclusión

La IA está redefiniendo el diseño de las plantas de tratamiento de agua al permitir sistemas más inteligentes y resilientes. Desde el análisis predictivo hasta los gemelos digitales, estas tecnologías optimizan el rendimiento, reducen los costos y garantizan el cumplimiento de los objetivos de sostenibilidad. A medida que aumenta la adopción de la IA, la colaboración entre ingenieros, científicos y responsables de las políticas será cada vez más importante.

 

Referencias:

1. A Review on Applications of Artificial Intelligence in Wastewater Treatment. https://www.mdpi.com/2071-1050/15/18/13557
2. Water treatment and artificial intelligence techniques: a systematic literature review research. https://link.springer.com/article/10.1007/s11356-021-16471-0
3. How AI and digital twins are changing the paradigm in treatment plants. https://www.idrica.com/blog/how-ai-and-digital-twins-are-changing-the-paradigm-in-treatment-plants/
4. AI for Water Treatment. https://link.springer.com/chapter/10.1007/978-3-031-72014-7_3
5. AI for Water: 10 Ways AI is Changing the Water Industry.   https://www.dlt.com/blog/2025/01/06/ai-water-10-ways-ai-changing-water-industry
6. Wastewater Treatment Technology: 2025 & Beyond.                                                https://www.startus-insights.com/innovators-guide/wastewater-treatment-technology/
7. 10 Ways AI Is Being Used in Water Resource Management [2025].   https://digitaldefynd.com/IQ/ai-use-in-water-resource-management/
8. Blockchain-Orchestrated Intelligent Water Treatment Plant Profiling Framework to Enhance Human Life Expectancy. https://ieeexplore.ieee.org/document/10493118

 

 

Integración de las Herramientas de Inteligencia Artificial (IA) en la Gestión de Proyectos: Estrategias, Beneficios y Mejores Prácticas

 

La integración de la IA en la gestión de proyectos revoluciona los flujos de trabajo, permite una toma de decisiones más inteligente y mejora la productividad. A continuación, se ofrece una exploración de cómo implementar de manera eficaz las herramientas de IA, sus beneficios, desafíos y tendencias futuras, respaldadas por información extraída de investigaciones del sector y ejemplos del mundo real.

 

1. Principales beneficios de la integración de la IA

 

La IA transforma la gestión de proyectos al abordar las ineficiencias tradicionales e introducir capacidades avanzadas:

- Toma de decisiones mejorada: La IA analiza datos históricos y en tiempo real para predecir riesgos, optimizar los plazos y recomendar estrategias viables. Por ejemplo, las herramientas de análisis predictivo pronostican retrasos o sobrecostos, lo que permite realizar ajustes proactivos.

- Automatización de tareas rutinarias: Herramientas como la automatización robótica de procesos (RPA) se encargan de tareas repetitivas (por ejemplo, programación, entrada de datos), lo que libera a los equipos para el trabajo estratégico. Jira de Atlassian automatiza las actualizaciones de estado, lo que reduce el esfuerzo manual en un 30%. (5)

- Optimización de recursos: La IA combina las habilidades con las tareas, equilibra las cargas de trabajo y predice las necesidades futuras de personal. Los sistemas impulsados ​​por IA de Tesla optimizaron los cronogramas de producción, lo que redujo el tiempo de inactividad en un 20%. (1) (2)

 - Mitigación de riesgos: La IA identifica patrones en datos históricos para detectar riesgos de forma temprana. HSBC utiliza el aprendizaje automático para detectar transacciones fraudulentas en tiempo real. (1) (2)

 - Colaboración mejorada: Los paneles impulsados ​​por IA (por ejemplo, Monday.com) centralizan las actualizaciones y facilitan la comunicación en tiempo real entre equipos globales.

- Búsqueda web mejorada: Los motores de búsqueda basados ​​en la web impulsados ​​por chatbots de IA (por ejemplo, Perplexity con DeepSeek-R1 o con o3-mini de Open AI, a través del botón de menú y Google con ChatGPT, a través de una extensión o complemento) mejoran las capacidades de búsqueda con un estilo conversacional que proporciona preguntas de seguimiento y filtros de fuentes (por ejemplo, enfoque académico o de redes sociales).

 

2. Tipos de herramientas de IA y sus aplicaciones

 

Las herramientas de IA se clasifican en función de su funcionalidad, y cada una aborda necesidades específicas del proyecto:

- Análisis predictivo: pronostica resultados (p. ej., Microsoft Project con Azure AI predice cuellos de botella en los recursos).

 - IA generativa: crea contenido (p. ej., DeepSeek y ChatGPT redactan informes, mientras que DALL-E genera elementos visuales). (6) (7). Adicionalmente, los modelos de IA como Open O1 y DeepSeek-R1 brindan personalización de las búsquedas en tiempo real, adaptan dinámicamente los resultados de la búsqueda en función del comportamiento del usuario, la ubicación y el dispositivo.

- Procesamiento del lenguaje natural (PLN): IBM Watson Assistant transcribe reuniones y resume los elementos de acción. (2) (7). Para las búsquedas en la web, los modelos de IA utilizan el PLN y el aprendizaje automático o machine learning (ML) para analizar el contexto, no solo las palabras clave. Por ejemplo, el algoritmo BERT de Google interpreta los matices de las consultas, como las búsquedas por voz o las frases ambiguas, y ofrece respuestas que tienen en cuenta el contexto, y el marco de trabajo "Cadena de pensamientos" (CoT) de IA refina aún más la búsqueda al dividir las consultas complejas en pasos lógicos, lo que garantiza que el modelo aborde todas las facetas de la intención del usuario.

 - Automatización robótica de procesos (RPA): automatiza los flujos de trabajo (p. ej., UiPath se encarga de las aprobaciones y la entrada de datos).

3. Estrategias para la implementación de la IA

 

Para integrar con éxito la IA, se sugieren los siguientes pasos:

I. Evalúe la preparación de la organización:

- Audite los flujos de trabajo existentes para identificar los puntos problemáticos (p. ej., demoras frecuentes).

 - Asegúrese de la calidad de los datos y la compatibilidad de la infraestructura (p. ej., API para una integración perfecta de las herramientas).

 II. Seleccione herramientas alineadas con los objetivos:

 - Priorice las herramientas que se integran con los sistemas existentes (p. ej., Confluence para la automatización de documentos).

 - Ejemplo: la programación impulsada por IA de Smartsheet redujo las demoras en un 15 % en los proyectos de construcción. (2)

III. Capacite a los equipos y fomente la adopción de la IA:

 - Brinde capacitación práctica para herramientas como ChatGPT y Atlassian Intelligence.

 - Designe "campeones de la IA" para impulsar la aceptación cultural.

 IV. Monitoree y perfeccione:

 - Use ciclos de retroalimentación para mejorar la precisión de la IA (p. ej., actualizando los modelos con nuevos datos).

 

4. Mejores prácticas

 - Alinear la IA con los objetivos estratégicos: centrarse en áreas como la gestión de riesgos o la asignación de recursos en lugar de adoptar la IA de forma indiscriminada.

 - Comenzar de a poco: probar la IA para tareas como la generación de informes automatizados antes de escalar a funciones complejas.

 - Garantizar un uso ético: mantener la supervisión humana para abordar los sesgos y garantizar la transparencia.

 - Aprovechar la inteligencia híbrida: combinar los conocimientos de la IA con el criterio humano para tomar decisiones matizadas (p. ej., Siemens utiliza la IA para la planificación de escenarios, pero depende de los gerentes para las aprobaciones finales). (2) (4)

 

5. Desafíos y soluciones

- Problemas de calidad de los datos: los datos inexactos conducen a predicciones erróneas. Solución: implementar políticas de gobernanza y auditorías de datos automatizadas.

 - Resistencia al cambio: los equipos pueden desconfiar de la IA. Solución: demostrar el valor a través de proyectos piloto (p. ej., resúmenes de reuniones generados por IA que ahorran 5 horas por semana). (2) (4)

 - Complejidad de la integración: los sistemas heredados pueden entrar en conflicto con las herramientas de IA. Solución: utilizar API para la interoperabilidad (p. ej., Triskell Software se integra con ChatGPT). (1) (6)

 

6. Tendencias futuras

- Asistentes virtuales impulsados ​​por IA: para 2030, el 80 % de las tareas de gestión de proyectos estarán gestionadas por IA, con herramientas que se encargarán de las actualizaciones y las consultas de las partes interesadas. (1) (3)

 - Análisis predictivo en tiempo real: la integración de IoT permitirá ajustes instantáneos en las cadenas de suministro o la fabricación.

 - Marcos de IA éticos: surgirán regulaciones para garantizar la equidad y la responsabilidad en las decisiones automatizadas.

 

7. Casos de Estudios

 - Tesla: la IA redujo el tiempo de inactividad de la producción al predecir fallas de los equipos, lo que aumentó la producción en un 25 %. (1)

 - HSBC: el aprendizaje automático redujo el tiempo de detección de fraudes en un 40 %, lo que permitió ahorrar millones al año. (1)

 - IBM: las herramientas de procesamiento del lenguaje natural de Watson mejoraron la alineación entre equipos en proyectos globales. (2)

 

8. Conclusiones

 La integración de la IA en la gestión de proyectos requiere planificación estratégica, selección de herramientas y adaptación cultural. Al aprovechar la IA para la automatización, la información predictiva y la optimización de recursos, las organizaciones pueden lograr una entrega más rápida, ahorros de costos y una mayor satisfacción de las partes interesadas. A medida que la IA evoluciona, su función pasará de la automatización de tareas a la habilitación de un liderazgo estratégico, lo que hará que la colaboración entre humanos e IA sea indispensable. Para obtener más detalles, explore herramientas como Atlassian Intelligence o las soluciones AI-PPM de Triskell.

Referencias:

(1).  AI integration in project management: Transforming efficiency and decision-making https://ebsedu.org/blog/artificial-intelligence-ai-in-project-management.
 
(2).  Integrating AI with Project Management. https://amsconsulting.com/articles/integrating-ai-with-project-management.
 
(3).  How AI Will Transform Project Management. https://hbr.org/2023/02/how-ai-will-transform-project-management.
 
(4).  Maximizing Project Success: Integrating AI and Project Management. 
        https://pmtechww.com/integrating-ai-and-project-management-for-success
 
(5).  How to utilize AI for project management. https://www.atlassian.com/work-management/project-management/ai-project-management.
 
(6).  AI for Project and Portfolio Management: tools, use cases and examples of Chat GPT prompts.  https://triskellsoftware.com/blog/ai-project-management

(7).  8 AI best practices to improve your project management.    https://www.atlassian.com/blog/artificial-intelligence/ai-best-practices