AI ve stavebnictví se často prezentuje dvěma extrémy: buď jako nástroj, který „brzy navrhne celou budovu“, nebo jako hračka na generování obrázků. Praktická hodnota je dnes většinou jinde.

Nejlepší AI workflow mají společné čtyři vlastnosti:

  1. pracují s velkým množstvím informací,
  2. opakují se,
  3. výsledek lze ověřit,
  4. chyba se dá zachytit před tím, než způsobí škodu.

Z tohoto pohledu je AI mimořádně zajímavá pro dokumentaci, BIM data, reporty, přípravu podkladů a práci s firemními znalostmi.

Mapa podle rizika

NÍZKÉ RIZIKO
sumarizace → třídění → extrakce → draft

STŘEDNÍ RIZIKO
kontrola → porovnání → doporučení → automatizace s potvrzením

VYSOKÉ RIZIKO
odborný návrh → bezpečnostní rozhodnutí → autorizace → autonomní změna bez kontroly

Cílem není AI zakázat u vyššího rizika. Cílem je přidat správnou validační vrstvu.

1. Hledání informací v technické dokumentaci

Místo ručního procházení stovek stran lze použít AI jako navigaci nad dokumentací.

Příklad:

Kde je v zadání definována požadovaná požární odolnost dveří mezi chráněnou únikovou cestou a kancelářemi?

Správný systém musí vrátit zdroj a stránku, ne jen odpověď.

Riziko: nízké až střední.
Human gate: ověřit citovaný zdroj.

2. Cross-document kontrola

AI může porovnávat více textových zdrojů a hledat rozpory.

Například:

  • tabulka dveří vs. PBŘ,
  • technická zpráva vs. výkaz,
  • zadání investora vs. projektová dokumentace,
  • požadavek v zápisu vs. aktuální revize.

To je jedna z nejzajímavějších oblastí, protože klasický rule-based software obtížně chápe význam textu.

Riziko: střední.
Human gate: každý nález musí mít evidence pair.

3. Kontrola úplnosti balíčku

Tady AI ani nemusí být hlavní engine.

Workflow:

expected document list
+
received files
↓
normalization
↓
missing / duplicate / wrong revision

AI pomáhá hlavně s nejednotnými názvy a klasifikací dokumentů.

Riziko: nízké.
Doporučení: kombinovat deterministic manifest + AI classification.

4. Meeting minutes → úkoly

Ze zápisu nebo transkriptu lze vytáhnout:

  • rozhodnutí,
  • úkol,
  • ownera,
  • termín,
  • otevřenou otázku.

Výstup musí být návrh k potvrzení, ne automaticky závazný zápis.

Riziko: nízké.
Hodnota: velmi rychlé nasazení ve firmě.

5. RFI / dotazy a odpovědi

AI může připravit návrh RFI z nekonzistence v podkladech.

Například:

Issue:
Výkres uvádí 150 mm, technická zpráva 200 mm.

Draft RFI:
Prosíme o potvrzení požadované tloušťky konstrukce ...

Člověk stále kontroluje technický význam i formulaci.

6. BIM parameter QA

U datových kontrol je často nejlepší hybrid:

  • deterministic engine najde chybějící parametr,
  • AI vysvětlí nález a navrhne další krok,
  • člověk rozhodne o výjimce.

AI by neměla hádat, zda je hodnota prázdná. To umí kód přesně.

7. Generování Dynamo/Python prototypů

AI výrazně snižuje bariéru pro automatizaci.

Největší přínos není „napíše perfektní kód“, ale:

  • vytvoří první verzi,
  • vysvětlí API,
  • navrhne testy,
  • pomůže s tracebackem,
  • převede repetitivní logiku.

Klíč je vždy uvést přesnou verzi prostředí a následně testovat na fixture modelu.

8. Reporting z kontrol

Technické nástroje často generují tisíce řádků.

AI může:

  • seskupit nálezy,
  • deduplikovat podobné issues,
  • vytvořit management summary,
  • rozdělit podle discipline/owner,
  • připravit text do zápisu.

Zdrojová data ale musí zůstat dostupná.

9. Příprava variant a rešerše

AI může velmi rychle vytvořit seznam možností, rizik nebo otázek, které má tým prověřit.

Například:

Připrav rozhodovací rámec pro tři možné způsoby předání asset dat.

To je dobré pro discovery, ne pro automatické konečné rozhodnutí.

10. Firemní knowledge assistant

Projekční kancelář má často znalosti roztroušené v:

  • BIM manuálech,
  • starých projektech,
  • interních návodech,
  • lessons learned,
  • zápisech,
  • wiki.

AI může fungovat jako vyhledávací a vysvětlující vrstva nad těmito zdroji.

Podmínkou je správné řízení oprávnění a citace zdrojů.

11. Předzpracování dat pro FM

Předání do facility managementu často obsahuje nekonzistentní názvy a duplicity.

AI může pomoci:

  • klasifikovat zařízení,
  • normalizovat textová pole,
  • mapovat názvy dodavatelů,
  • hledat potenciální duplicity,
  • připravit enrichment queue.

Identifikátory, technické hodnoty a kritická data musí mít deterministickou validaci.

12. Vizuální QA jako druhá sada očí

Vision model může pomoci u screenshotů, PDF a fotografie:

  • rozpoznat poznámky,
  • orientovat se ve výkrese,
  • vytáhnout tabulku,
  • najít neobvyklý detail,
  • popsat fotografii vady.

Ale pro přesné geometrické měření, symboliku nebo kritické kóty musí být accuracy ověřena na vašem typu dokumentů.

Jak vybrat první use-case

Bodujte každý proces 1–5:

Kritérium Otázka
Frekvence Jak často se opakuje?
Čas Kolik hodin stojí?
Struktura Jsou vstupy podobné?
Ověřitelnost Umíme poznat správný výsledek?
Riziko Jaký je dopad chyby?
Data Máme legální/bezpečný přístup?

Začněte use-casem s vysokou frekvencí a ověřitelností, ale nízkým dopadem chyby.

Tři úrovně automatizace

Copilot

AI připraví návrh, člověk provede akci.

Human-in-the-loop

AI provede část procesu, člověk explicitně potvrzuje významné kroky.

Autonomous

Systém provádí akce bez průběžného potvrzení.

Ve stavebnictví bych většinu raných deploymentů držel v prvních dvou úrovních.

AIprojektant verdikt

Největší chyba je hledat jeden „AI nástroj pro stavebnictví“.

Mnohem lepší je rozložit práci na workflow a u každého rozhodnout:

Co má dělat deterministický software, co AI a kde musí rozhodovat člověk?

Právě tato kombinace bude podle nás prakticky nejdůležitější konkurenční výhodou projekčních a stavebních firem.