Como a IA Lê Plantas Arquitetônicas e Gera Levantamentos de Materiais
Um conjunto de plantas arquitetônicas para um edifício comercial de 4.600 m² pode ter de 80 a 120 pranchas. Dentro dessas pranchas estão tabelas de portas, tipos de janelas, tabelas de acabamentos, plantas de forro, detalhes de marcenaria e centenas de outros elementos que precisam ser quantificados antes que alguém possa produzir um orçamento significativo. A extração manual de todas essas quantidades é um dia inteiro de trabalho para um orçamentista experiente, às vezes dois dias em projetos complexos.
Como Funciona a IA de Leitura de Plantas
A leitura de plantas por IA começa com a classificação de documentos. O software identifica quais pranchas são plantas baixas, quais são elevações, quais são detalhes e quais são tabelas. Isso importa porque o mesmo elemento, uma porta por exemplo, aparece de forma diferente em uma planta baixa (um símbolo com um número), em uma tabela (uma linha com especificações) e em um detalhe (uma seção mostrando marco e ferragens). A IA precisa conectar todas as três representações para produzir um levantamento preciso.
A análise da planta baixa usa visão computacional para identificar elementos arquitetônicos por seus símbolos e anotações. Portas são contadas e classificadas pela sua referência na tabela. Janelas são identificadas por tamanho e designação de tipo. Limites de ambientes são traçados para calcular áreas de piso, comprimentos de parede e áreas de forro. A IA lê as anotações de texto para conectar cada elemento à sua especificação nas tabelas.
Um serviço nacional de orçamentação testou três ferramentas de leitura de plantas por IA em 25 projetos comerciais com quantidades conhecidas. A ferramenta com melhor desempenho alcançou 94% de precisão na contagem e tipos de portas, 91% na identificação de janelas, 96% nos cálculos de área de ambientes e 88% na extração de quantidades de acabamentos. Os pontos mais fracos foram plantas de forro complexas com múltiplas mudanças de altura e elementos arquitetônicos especiais como paredes curvas ou marcenaria personalizada.
Geração do Levantamento de Materiais
Uma vez que a IA identificou e contou todos os elementos arquitetônicos, ela gera as quantidades de materiais. Portas se tornam marcos, conjuntos de ferragens e folhas de porta com acabamentos especificados. Janelas se tornam unidades com quantidades associadas de rufos, selantes e guarnições internas. Acabamentos de ambientes se tornam metragens quadradas de pintura, azulejo, carpete ou qualquer que seja o acabamento especificado na tabela.
Os cálculos de multiplicação e extensão são onde a IA elimina uma fonte comum de erro humano. Um orçamentista contando 47 portas Tipo A e depois calculando manualmente as ferragens, vedações e quantidades de acabamento associadas tem múltiplas oportunidades de cometer erros aritméticos ou de transcrição. A IA realiza essas extensões instantaneamente e de forma consistente.
Uma construtora em Portland comparou seus levantamentos de materiais gerados por IA com seu processo manual em 10 projetos de licitação simultâneos. O levantamento por IA levou em média 35 minutos de tempo de processamento mais 3 horas de revisão do orçamentista. O levantamento manual levou em média 14 horas. Os levantamentos por IA identificaram em média 6 itens por projeto que o processo manual deixou passar, tipicamente itens como alçapões de inspeção, coberturas de juntas de dilatação e ferragens especiais especificadas nos desenhos, mas fáceis de ignorar durante a contagem manual.
O Problema da Referência Cruzada de Tabelas
As tabelas arquitetônicas são a espinha dorsal de levantamentos precisos, e também são onde as ferramentas de IA têm o desempenho mais variável. Uma tabela de portas bem formatada com colunas consistentes e designações de tipo claras é fácil para a IA interpretar. Uma tabela de portas que usa abreviações de forma inconsistente, se divide em múltiplas pranchas ou inclui revisões manuscritas é muito mais difícil.
Tabelas de acabamentos apresentam desafios semelhantes. Quando o arquiteto usa um formato padrão com números de ambientes correspondendo claramente às anotações da planta baixa, a precisão da IA nas quantidades de acabamento ultrapassa 90%. Quando os números dos ambientes na tabela de acabamentos não correspondem exatamente às anotações da planta, ou quando as especificações de acabamento estão embutidas em notas em vez de uma tabela formal, a precisão cai para 75 a 80%.
A implicação prática é que a leitura de plantas por IA funciona melhor em projetos de arquitetos que produzem documentos limpos e bem organizados. Projetos de escritórios com práticas de desenho menos padronizadas exigem mais tempo de revisão humana, embora a IA ainda forneça um ponto de partida útil.
Integração com Bancos de Dados de Custos
O levantamento bruto de quantidades se torna mais valioso quando conectado a dados de custos. Algumas ferramentas de leitura de plantas por IA se integram com RSMeans ou bancos de dados de custos específicos da construtora para gerar estimativas preliminares de custo junto com as quantidades. Isso transforma um levantamento de materiais em uma estimativa de ordem de grandeza em minutos após o recebimento das plantas.
Para construtoras que utilizam ferramentas de IA em seu fluxo de trabalho de orçamentação na construção, essa capacidade rápida de estimativa de ordem de grandeza muda a forma como avaliam oportunidades de licitação. Em vez de gastar um dia no levantamento apenas para descobrir que o projeto está fora da faixa de orçamento desejada, podem obter um número de ordem de grandeza em menos de uma hora e tomar a decisão de participar ou não mais rapidamente.
As estimativas de custo nesta fase são aproximadas, tipicamente dentro de 15 a 20% dos números finais da proposta. Não são precisas o suficiente para a licitação real, mas são precisas o suficiente para triagem de oportunidades. Uma construtora que licita 1 em cada 5 projetos que analisa pode usar estimativas de ordem de grandeza geradas por IA para filtrar oportunidades mais rapidamente e potencialmente aumentar seu volume de propostas sem adicionar equipe de orçamentação.
Tratamento de Revisões e Adendos
Uma capacidade subestimada da leitura de plantas por IA é o rastreamento de revisões. Quando um adendo chega com pranchas revisadas, a IA pode comparar as novas pranchas com as originais e identificar o que mudou. Portas adicionadas, paredes realocadas, acabamentos modificados e outras revisões são sinalizadas automaticamente.
Isso é valioso porque a revisão de adendos é uma das atividades mais propensas a erros no processo de licitação. Adendos chegam tarde, frequentemente 2 a 3 dias antes do dia da licitação, e o orçamentista precisa identificar rapidamente todas as alterações e ajustar as quantidades. Perder uma alteração em um adendo é uma fonte comum de erros em propostas. O rastreamento de revisões assistido por IA reduz esse risco significativamente.
Limitações Atuais
A leitura de plantas por IA ainda está em desenvolvimento em várias áreas. Plantas de faseamento, onde o mesmo espaço é construído em etapas com diferentes acabamentos ou configurações em cada fase, confundem a maioria das ferramentas de IA. Projetos de reforma onde condições existentes e trabalho novo são mostrados nas mesmas pranchas exigem que a IA distinga entre elementos existentes a manter e novos elementos, o que nem sempre é confiável.
Relações espaciais tridimensionais também continuam desafiadoras. A IA trabalha principalmente a partir de vistas em planta 2D, e embora possa ler informações de cortes e elevações, nem sempre resolve corretamente conflitos entre o que uma planta mostra e o que um corte pela mesma área mostra. Orçamentistas experientes identificam essas discrepâncias através de seu entendimento de como os edifícios são construídos. As ferramentas de IA estão melhorando nisso, mas ainda não chegaram lá completamente.
Mesmo com essas limitações, a leitura de plantas por IA representa uma melhoria significativa de produtividade para o levantamento de quantidades arquitetônicas. A tecnologia lida bem com o trabalho repetitivo de contagem e extração, liberando os orçamentistas para focar nos aspectos que exigem julgamento da estimativa, onde sua experiência agrega mais valor.