Comment l'IA lit les plans architecturaux et génère des métrés de matériaux
Un jeu de plans architecturaux pour un bâtiment commercial de 50 000 pi² peut compter de 80 à 120 feuilles. À l'intérieur de ces feuilles se trouvent des tableaux de portes, des types de fenêtres, des tableaux de finitions, des plans de plafonds, des détails de menuiserie intégrée et des centaines d'autres éléments qui doivent être quantifiés avant de pouvoir produire une estimation de coûts pertinente. L'extraction manuelle de toutes ces quantités représente une journée complète de travail pour un métreur expérimenté, parfois deux jours sur les projets complexes.
Comment fonctionne l'IA de lecture de plans
La lecture de plans par IA commence par la classification des documents. Le logiciel identifie quelles feuilles sont des plans d'étage, lesquelles sont des élévations, lesquelles sont des détails et lesquelles sont des tableaux. Cela est important car le même élément, une porte par exemple, apparaît différemment sur un plan d'étage (un symbole avec un numéro), un tableau (une ligne avec des spécifications) et un détail (une coupe montrant le cadre et la quincaillerie). L'IA doit relier ces trois représentations pour produire un métré précis.
L'analyse du plan d'étage utilise la vision par ordinateur pour identifier les éléments architecturaux par leurs symboles et annotations. Les portes sont comptées et classées par leur repère de tableau. Les fenêtres sont identifiées par leur taille et leur désignation de type. Les limites des pièces sont tracées pour calculer les surfaces au sol, les longueurs de murs et les surfaces de plafond. L'IA lit les annotations textuelles pour relier chaque élément à sa spécification dans les tableaux.
Un service national d'estimation a testé trois outils de lecture de plans par IA sur 25 projets commerciaux avec des quantités connues. L'outil le plus performant a atteint une précision de 94 % sur le comptage et le typage des portes, 91 % sur l'identification des fenêtres, 96 % sur les calculs de surface des pièces et 88 % sur l'extraction des quantités de finitions. Les points faibles concernaient les plans de plafonds complexes avec de multiples changements de hauteur et les éléments architecturaux spéciaux comme les murs courbes ou la menuiserie sur mesure.
Génération du métré de matériaux
Une fois que l'IA a identifié et compté tous les éléments architecturaux, elle génère les quantités de matériaux. Les portes deviennent des cadres, des ensembles de quincaillerie et des vantaux avec des finitions spécifiées. Les fenêtres deviennent des unités avec les quantités associées de solins, de mastic et de garnitures intérieures. Les finitions de pièces deviennent des surfaces en mètres carrés de peinture, carrelage, moquette ou toute autre finition spécifiée dans le tableau des finitions.
Les calculs de multiplication et d'extension sont là où l'IA élimine une source courante d'erreur humaine. Un métreur comptant 47 portes de Type A puis calculant manuellement la quincaillerie associée, les joints d'étanchéité et les quantités de finitions a de multiples occasions de commettre des erreurs arithmétiques ou de transcription. L'IA effectue ces extensions instantanément et de manière cohérente.
Un entrepreneur général à Portland a comparé ses métrés de matériaux générés par IA à son processus manuel sur 10 projets d'appel d'offres simultanés. Le métré par IA a pris en moyenne 35 minutes de temps de traitement plus 3 heures de révision par le métreur. Le métré manuel a pris en moyenne 14 heures. Les métrés par IA ont détecté en moyenne 6 éléments par projet que le processus manuel avait manqués, typiquement des éléments comme les trappes de visite, les couvre-joints de dilatation et la quincaillerie spéciale spécifiée dans les dessins mais facile à négliger lors du comptage manuel.
Le problème du croisement des tableaux
Les tableaux architecturaux sont la colonne vertébrale des métrés précis, et c'est aussi là que les outils d'IA ont les performances les plus variables. Un tableau de portes bien formaté avec des colonnes cohérentes et des désignations de types claires est facile à analyser pour l'IA. Un tableau de portes qui utilise des abréviations de manière incohérente, qui s'étend sur plusieurs feuilles ou qui inclut des révisions manuscrites est beaucoup plus difficile.
Les tableaux de finitions présentent des défis similaires. Lorsque l'architecte utilise un format standard avec des numéros de pièces correspondant clairement aux annotations du plan d'étage, la précision de l'IA sur les quantités de finitions dépasse 90 %. Lorsque les numéros de pièces du tableau de finitions ne correspondent pas exactement aux annotations du plan, ou lorsque les spécifications de finitions sont intégrées dans des notes plutôt que dans un tableau formel, la précision chute à 75 à 80 %.
L'implication pratique est que la lecture de plans par IA fonctionne mieux sur les projets d'architectes qui produisent des documents propres et bien organisés. Les projets provenant de cabinets avec des pratiques de dessin moins standardisées nécessitent plus de temps de révision humaine, bien que l'IA fournisse tout de même un point de départ utile.
Intégration avec les bases de données de coûts
Le métré brut de quantités prend plus de valeur lorsqu'il est connecté à des données de coûts. Certains outils de lecture de plans par IA s'intègrent à RSMeans ou à des bases de données de coûts spécifiques aux entrepreneurs pour générer des estimations préliminaires de coûts en parallèle des quantités. Cela transforme un métré de matériaux en une estimation d'ordre de grandeur en quelques minutes après la réception des plans.
Pour les entrepreneurs utilisant des outils d'IA dans leur flux de travail d'estimation en construction, cette capacité rapide d'ordre de grandeur change leur façon d'évaluer les opportunités d'appel d'offres. Au lieu de passer une journée sur le métré pour découvrir que le projet est en dehors de leur fourchette budgétaire cible, ils peuvent obtenir un chiffre d'ordre de grandeur en moins d'une heure et prendre une décision plus rapidement.
Les estimations de coûts à ce stade sont approximatives, généralement dans une fourchette de 15 à 20 % des chiffres finaux de soumission. Elles ne sont pas assez précises pour une soumission réelle, mais elles sont suffisamment précises pour le filtrage des opportunités. Un entrepreneur qui soumissionne sur 1 projet sur 5 qu'il examine peut utiliser les estimations d'ordre de grandeur générées par IA pour filtrer les opportunités plus rapidement et potentiellement augmenter son volume de soumissions sans ajouter de personnel d'estimation.
Gestion des révisions et des addenda
Une capacité sous-estimée de la lecture de plans par IA est le suivi des révisions. Lorsqu'un addendum arrive avec des feuilles révisées, l'IA peut comparer les nouvelles feuilles aux originales et identifier ce qui a changé. Les portes ajoutées, les murs déplacés, les finitions modifiées et autres révisions sont signalés automatiquement.
Cela est précieux car la révision des addenda est l'une des activités les plus sujettes aux erreurs dans le processus d'appel d'offres. Les addenda arrivent tard, souvent 2 à 3 jours avant le jour de la soumission, et le métreur doit rapidement identifier tous les changements et ajuster les quantités. Manquer un changement dans un addendum est une source courante d'erreurs de soumission. Le suivi des révisions assisté par IA réduit considérablement ce risque.
Limitations actuelles
La lecture de plans par IA est encore en développement dans plusieurs domaines. Les plans de phasage, où le même espace est construit par étapes avec des finitions ou configurations différentes à chaque phase, perturbent la plupart des outils d'IA. Les projets de rénovation où les conditions existantes et les nouveaux travaux sont représentés sur les mêmes feuilles exigent que l'IA distingue entre les éléments existants à conserver et les éléments neufs, ce qui n'est pas toujours fiable.
Les relations spatiales tridimensionnelles restent également un défi. L'IA travaille principalement à partir de vues en plan 2D, et bien qu'elle puisse lire les informations de coupes et d'élévations, elle ne résout pas toujours correctement les conflits entre ce qu'un plan montre et ce qu'une coupe à travers la même zone montre. Les métreurs expérimentés détectent ces divergences grâce à leur compréhension de la façon dont les bâtiments s'assemblent. Les outils d'IA s'améliorent dans ce domaine mais n'en sont pas encore tout à fait là.
Même avec ces limitations, la lecture de plans par IA représente une amélioration significative de la productivité pour le métré des quantités architecturales. La technologie gère bien le travail répétitif de comptage et d'extraction, libérant les métreurs pour se concentrer sur les aspects de l'estimation nécessitant du jugement, là où leur expérience apporte le plus de valeur.