Эксперты представили экономический эффект от применения ИИ для гражданского и промышленного проектирования
Основные сложности внедрения ИИ
Одна из сложностей связана с тем, как устроена работа проектировщиков. Многие инженерные решения принимаются на основе опыта специалистов, а порядок действий далеко не всегда закреплен в документах. В результате компании могут автоматизировать отдельную операцию, но сталкиваются с трудностями, когда пытаются передать искусственному интеллекту более сложный процесс.
По словам Ольги Кутузовой, руководителя отдела развития инновационных систем компании «Нанософт», в строительной отрасли накопилось немало проблем с организацией данных. Информация хранится в разных форматах, а логика принятия решений по многим проектным задачам нигде подробно не описана.
Например, опытный инженер знает, какие требования нужно проверить при подготовке проекта и какие особенности здания могут повлиять на расчеты. Но если компания хочет поручить такую работу ИИ, ей придется сначала описать последовательность действий и подготовить данные, с которыми сможет работать программа. Без этого даже хорошо обученная нейросеть не сможет надежно выполнять задачу.
«Строительная отрасль архаична. Поэтому одна из сложностей внедрения ИИ — отсутствие упорядоченных исходных данных. Зачастую, когда нужно выполнить работу быстро, компании не стремятся внедрять инновации, воспринимают это как дополнительный груз. Поэтому важно декомпозировать проекты, выбирать точечные задачи для автоматизации. Также необходимо наводить порядок в локальных материалах, процессах, описывать логику принятия решений, проводить бизнес-обследования. Таким образом можно добиться ускорения выполнения производственных задач, улучшения качества проектной документации», — рассказывает Ольга Кутузова, руководитель отдела развития инновационных систем, «Нанософт».
С похожими трудностями компании сталкиваются при расширении уже работающих ИИ-проектов. Как отметил генеральный директор «СтроИИка» Игорь Рогачев, результаты, полученные во время испытаний технологии, не всегда сохраняются при ее дальнейшем внедрении. Строительные данные тесно связаны между собой, поэтому для работы с ними требуются дополнительные программные решения и инфраструктура. Все это увеличивает затраты и усложняет оценку экономической выгоды.
Некоторые ограничения связаны с возможностями самих нейросетей. Например, при проверке проектной документации программа должна находить подходящие нормативные требования и правильно применять их к конкретному объекту. Для этого ей необходим доступ к проверенным источникам информации. При этом результаты такой проверки все равно требуют контроля со стороны специалиста.
Сложнее обстоит дело с инженерными чертежами. Современные системы ИИ способны анализировать изображения, но для проектирования недостаточно просто распознать линии и обозначения. Программа должна правильно определить элементы конструкции, понять связи между ними и учесть технические требования. Ошибки на этом этапе могут повлиять на последующие расчеты.
Еще одно ограничение связано с защитой проектной документации. Строительные компании работают с техническими сведениями, которые нельзя свободно передавать во внешние сервисы. Поэтому при внедрении ИИ необходимо заранее определить, какие данные могут обрабатываться публичными нейросетями, а какие должны оставаться внутри защищенной системы компании.
Опыт внедрения ИИ в работе проектировщиков
Отдельные примеры применения искусственного интеллекта уже дают заметные результаты. ПИК использует ИИ в генерации фасадов и индивидуальных планировок, для автоматического оформления документации. По данным компании, планировка с ИИ позволяет сократить сроки проектирования в четыре раза — с четырех до одного часа. За четыре месяца в компании было собрано 42 ИИ-решения, в одном из которых языковая модель взаимодействует с Revit через MCP. Представитель компании отметил — будущее проектирования однозначно связано с применением ИИ, и существующие большие языковые модели, генераторы изображений уже способны решать прикладные задачи. При этом использование крупных LLM и насыщение ими прикладного ПО дает больший эффект, чем обучение специфических моделей нейросетей.
Компания Sminex применяет плагин, с помощью которого проектировщики разрабатывают маршруты от машино-места на парковке до лифта. Также в компании собрали каталог данных. При этом MVP был разработан за неделю, а рабочая версия — за три. Начальник отдела цифровизации корпоративных систем в Sminex Павел Осипов отметил, что ИИ-агенты позволяют разработчикам расширять компетенции без их фактического получения, например, использовать для разработки другие языки программирования.
Компания «Нанософт» реализовала ИИ-решение для работы с нормативами, автоматической проверки документации. ИИ может встраиваться в закрытый корпоративный контур компании, но важно правильно рассчитать затраты на такое внедрение — серверы с GPU составляют более 60% стоимости внедрения.
По словам Игоря Рогачева, генерального директора «СтроИИка», начинать нужно не с разработки ИИ-проектировщика, а с автоматизации одной рутинной операции. Агент выполняет поставленную ему задачу, инженер проверяет результат в CAD. Спикер считает — инженерам, проектировщикам обязательно нужно погружаться в ИТ-среду. Для того чтобы начать разрабатывать агентов, плагины, скрипты, достаточно трех вещей: LLM, САПР и максимально простой задачи, которую нужно автоматизировать.
В «ФСК Регион» используются специализированные агенты для анализа участков, проектирования, работы с портфелем проектов, маркетинга, продаж. По словам представителя компании, современные LLM снимают барьер в работе с кодом. Но прежде чем внедрять ИИ-решения, нужно создать инфраструктурный слой для каждой ИТ-системы. Это позволит подключать внешние инструменты, использовать локальных или автономных агентов, корпоративную платформу.
Управляющий партнёр ГК ФСК по сегменту «Регионы» Алексей Алмазов поделился своим подходом к применению ИИ для конкретных рабочих задачах. ИИ-агенты закрывают повседневные задачи руководителя: письма, встречи, сопровождение поручений. Компания активно разрабатывает системы, которые позволяют командам управлять проектами. Автоматизированы проектирование, проверка смет, детализация, подбор технических решений, комплектация, составление ведомостей объемов работ и материалов. Также с помощью агентов анализируются тендерные предложения.
Экономический эффект применения ИИ
ИИ-инструменты сейчас не выделяются в отдельный класс, они присутствуют во всех ТИМ/BIM-решениях. По данным дайджеста «Проектирование 1.0» от финансового института развития в жилищной сфере «ДОМ.РФ», их использование помогает добиться весомых бизнес-эффектов: на 30–35% снизить трудозатраты, на 80% сократить ошибки проектирования, на 50% уменьшить сроки обработки документации, на 45% повысить точность расчета объемов работ. В совокупности это позволяет дать экономию на одном проекте около 1,8 млн рублей. Но главный экономический эффект использования ИИ — рост выручки на 1–3% без увеличения себестоимости.
Разница между такими результатами объясняется в том числе характером задач. Нейросеть можно обучить выполнять отдельную операцию по понятным правилам — например, извлекать сведения из документа или готовить предварительный расчет. Но полноценное проектирование требует учитывать взаимосвязи между разными частями здания, проверять ограничения и согласовывать решения между специалистами.
Поэтому для более сложных задач используются ИИ-агенты, которые могут выполнять последовательность действий. Например, находить нужные сведения в документации, передавать их в инженерную систему и готовить результат для проверки специалистом.
Несколько агентов могут работать совместно. У каждого из них своя роль и свои задачи: обработка исходных данных, проверка требований, подготовка проектных решений.
Параллельно развивается направление, которое помогает самим инженерам создавать небольшие программы с помощью ИИ. Специалист описывает нужную функцию обычным языком, а нейросеть помогает написать код. Например, так можно подготовить дополнительный инструмент для системы автоматизированного проектирования (САПР), который рассчитывает площади или извлекает сведения из цифровой модели.
В дальнейшем подобные решения могут стать частью более сложных систем автоматизации. Но пока их применение требует проверки программного кода и инженерных результатов, особенно если речь идет о расчетах, влияющих на безопасность здания.
Следующим этапом развития отрасли участники форума называют более широкое применение ИИ-агентов и генеративного проектирования. При таком подходе программа сможет предлагать варианты инженерных решений с учетом заданных требований и ограничений. Инженер будет оценивать предложенные варианты и выбирать подходящий для конкретного объекта.
Скорость распространения таких технологий будет зависеть не только от развития нейросетей. Строительным компаниям предстоит подготовить инженерные данные, описать рабочие процессы и обеспечить взаимодействие ИИ с программами, которые уже используются при проектировании.
