Categoria: Intelligenza artificiale

L’uso dell’intelligenza artificiale generativa nella redazione delle offerte tecniche sta modificando il modo in cui le imprese partecipano alle gare d’appalto pubblico, aprendo un dibattito sulla tenuta operativa dei cantieri. Il tema è stato affrontato da Roberto Corbo, presidente di Corbo Group, in un’intervista che esamina le implicazioni del Codice dei Contratti Pubblici (D.Lgs. 36/2023) e propone aggiornamenti dei criteri di valutazione delle offerte.

Il rischio della frattura tra offerta e cantiere

Il punto di partenza dell’analisi è il “Principio del risultato” di cui all’Articolo 1 del Codice dei Contratti Pubblici. Secondo Corbo, il primo rischio connesso all’abuso di offerte tecniche redatte con l’IA generativa è quello di lasciarsi impressionare dalla perfezione apparente del documento: strumenti di questo tipo sono in grado di produrre relazioni estremamente dettagliate e complete sotto ogni aspetto, capaci di generare grandi aspettative.

Il problema emerge nella fase esecutiva. A realizzare le opere sono le persone, con le loro competenze, la manualità, l’esperienza e la capacità di gestire gli imprevisti: non è un’intelligenza artificiale a entrare in cantiere ed eseguire i lavori. Il pericolo individuato è la creazione di una frattura tra un mondo virtuale, in cui tutto appare perfetto, e quello reale, fatto di problemi concreti, responsabilità e soluzioni operative. Il principio del risultato, osserva Corbo, impone di guardare proprio a questo secondo aspetto: non basta presentare un progetto impeccabile, bisogna dimostrare di essere in grado di realizzarlo.

Aggiornare i criteri OEPV senza chiudere la concorrenza

Sulla questione di come valutare le offerte economicamente più vantaggiosa (OEPV) alla luce di queste dinamiche, Corbo esclude che si tratti di “gare da blindare”, poiché occorre garantire sempre la massima trasparenza e la più ampia partecipazione possibile. Propone però due direzioni di intervento:

• Partecipazione dei consorzi alle gare al di sotto di determinate soglie economiche. Si tratta di soggetti che, in alcuni casi, non eseguono direttamente i lavori ma mettono i propri requisiti a disposizione di imprese che potrebbero non possedere un’esperienza e una struttura adeguate. Un meccanismo sul quale, secondo Corbo, è opportuna una riflessione.
• Criteri premianti legati ai risultati conseguiti: lavori completati nei tempi previsti, continuità aziendale, affidabilità dimostrata negli anni e capacità di mantenere gli impegni.

Sul secondo punto, Corbo argomenta che il patrimonio di esperienza deve avere un valore riconoscibile: non è possibile mettere sullo stesso piano un’impresa attiva, ad esempio, dal 1950, che ha attraversato decenni di trasformazioni economiche rispettando i propri obblighi, e chi si presenta sul mercato senza una storia alle spalle, puntando esclusivamente ad aggiudicarsi il maggior numero di commesse. La concorrenza deve rimanere aperta, ma premiare anche la capacità dimostrata di portare a termine i lavori.

Il confine tra innovazione virtuosa e scorciatoia pericolosa

Il Codice dei Contratti Pubblici incentiva la digitalizzazione del ciclo di vita dei contratti e l’uso del BIM. Su come conciliare questa transizione con la richiesta di prudenza verso l’IA, Corbo chiarisce di non essere contrario alla tecnologia: la definisce una “straordinaria opportunità” per le imprese, soprattutto nell’organizzazione del lavoro, nella gestione dei processi, nella programmazione e nell’individuazione preventiva delle criticità. L’AI può aiutare ad analizzare dati, migliorare le previsioni e ottimizzare tempi e risorse, e la transizione digitale è per Corbo una necessità verso cui le aziende devono investire.

Il confine è però, per Corbo, molto chiaro: l’AI deve essere uno strumento a supporto delle competenze umane, non un sistema chiamato a sostituirle integralmente. Un’impresa di costruzioni non è fatta soltanto di documenti, elaborazioni e procedure, ma di professionisti, tecnici, maestranze e persone che ogni giorno assumono decisioni e responsabilità. La tecnologia può renderli più efficienti, ma non sostituire l’esperienza acquisita sul campo. La sintesi: “L’innovazione è virtuosa quando rafforza un’organizzazione già competente; diventa una scorciatoia pericolosa quando viene utilizzata per mascherare competenze che non esistono.”

La tesi della democratizzazione e il rischio opposto

Una possibile obiezione riguarda le piccole e medie imprese: per le PMI, storicamente svantaggiate nei reparti di tender management rispetto ai grandi gruppi, l’IA generativa potrebbe costituire uno strumento di democratizzazione, e limitarne l’uso nei criteri di gara rischierebbe di penalizzare la concorrenza a favore dei player già consolidati.

Corbo individua un rischio opposto. Un’impresa strutturata dispone di ingegneri, architetti e professionisti interni che possono usare l’intelligenza artificiale per migliorare il proprio lavoro. Corbo Group, riferisce il presidente, sta investendo nella formazione dei dipendenti per integrare questi strumenti nei processi aziendali, con l’obiettivo dichiarato di valorizzare le persone e non sostituirle.

Il timore è che siano proprio le imprese più piccole e meno strutturate a essere maggiormente esposte a un utilizzo superficiale della tecnologia. Corbo confronta l’attuale attenzione verso l’IA con il passaggio delle retoriche legate a Superbonus e PNRR: attorno a ogni nuova opportunità si sviluppa un mercato di “soluzioni miracolose”, in cui alcuni soggetti promettono agli imprenditori di poter fare a meno di dipendenti, tecnici o personale amministrativo grazie a un programma informatico. Un messaggio, secondo Corbo, molto pericoloso soprattutto per chi non possiede gli strumenti per valutarlo. La vera democratizzazione consisterebbe, per Corbo, nel mettere anche le piccole imprese nelle condizioni di utilizzare queste tecnologie in maniera consapevole.

Semplificazione e affidabilità: il dilemma del RUP

Il tema si ripercuote sul lavoro delle commissioni di gara: per un Responsabile Unico del Progetto che deve valutare decine di offerte, distinguere una relazione redatta da un’IA da una scritta da un pool di ingegneri senior è ormai quasi impossibile. Alla domanda se la proposta di dare più peso alla “solidità organizzativa” non appesantisca i requisiti di accesso, in contrasto con la semplificazione voluta dal legislatore, Corbo risponde che è uno dei grandi dilemmi del Paese: troppo spesso si costruiscono regole che, anziché aiutare, rischiano di complicare ulteriormente il lavoro delle imprese. Oggi servono procedure trasparenti e controlli efficaci, ma anche la massima rapidità nelle decisioni e nell’esecuzione degli interventi: valorizzare la solidità di un’impresa non deve significare introdurre nuovi ostacoli burocratici.

L’intelligenza artificiale, del resto, può essere un valido supporto proprio nella gestione delle procedure, nella programmazione e nella preventivazione. La conclusione di Corbo: utilizzare la tecnologia per semplificare e accelerare, mantenendo al centro la responsabilità e la competenza delle persone. La velocità è fondamentale, ma non può andare a discapito della qualità e dell’affidabilità di chi realizza le opere.

Approfondimento per i professionisti degli appalti

Per i responsabili tecnici interessati al tema, è segnalato un corso dal titolo “Intelligenza artificiale negli appalti pubblici”, organizzato da Maggioli, in programma dal 5 al 24 novembre 2026 in cinque appuntamenti (ore 9.00-13.00). Il percorso copre il funzionamento dei sistemi, il quadro normativo, l’acquisto di soluzioni IA, le simulazioni operative, le responsabilità e le nuove competenze del RUP. Il corso è accreditato presso la Scuola Nazionale dell’Amministrazione nella categoria formazione “base” con decreto della Presidente della SNA n. 142 del 22 settembre 2026 (ID: 2670475), elemento rilevante per la qualificazione delle stazioni appaltanti.

La Revisione di Machine Learning applicato all’ingegneria strutturale è diventata oggetto di analisi tecnica dedicate, con particolare attenzione ai modelli utilizzati per la predizione di carichi e deformazioni, il riconoscimento di pattern strutturali, la valutazione della sicurezza post-evento e l’ottimizzazione topologica. Un’analisi critica recentemente pubblicata esamina ricerche in questi quattro ambiti, valutandone metodologia, risultati e contributi alla pratica strutturale.

Modelli di regressione per la predizione di carichi e deformazioni

I modelli di regressione vengono impiegati per la predizione quantitativa di variabili strutturali come carichi massimi, deformazioni e spostamenti in condizioni diverse. Questi modelli vengono costruiti a partire da basi estese di dati sperimentali e calibrati con simulazioni numeriche, con l’obiettivo di ottenere predizioni precise a basso costo computazionale.

Tra gli studi esaminati figura una ricerca sulla predizione di deformazioni in travi in calcestruzzo armato che integra tecniche di regressione multipla e reti neurali artificiali (ANN), ottenendo correlazioni significative con risultati sperimentali validati. Lo studio di riferimento è di Karabulut (2025), pubblicato su Buildings, sull’analisi nonlineare carico-deflessione di travi in calcestruzzo con barre in acciaio mediante approcci sperimentali, teorici e di machine learning. È inoltre incluso lo studio di Henedy et al. (2022) sullo sviluppo di modelli predittivi per la capacità a torsione di travi in calcestruzzo armato utilizzando modelli M5P e regressione nonlineare.

Un secondo filo riguarda la stima dello spostamento massimo nei sistemi di isolamento sismico: la ricerca di Nguyen et al. (2022), pubblicata su Journal of Building Engineering, presenta modelli predittivi basati su machine learning per anticipare il comportamento di sistemi isolati sotto carico sismico, con l’obiettivo di fornire una base tecnica per decisioni rapide in contesti sismici.

Reti neurali convoluzionali e profonde per il riconoscimento di pattern strutturali

Le reti neurali convoluzionali (CNN) e le reti profonde (DNN) sono indicate come efficaci nell’identificazione e classificazione di pattern strutturali complessi, in particolare a partire da dati visivi e segnali dinamici derivanti da sistemi di monitoraggio strutturale. Secondo l’analisi, questi modelli si distinguono per l’estrazione automatica di pattern, con vantaggi rispetto ai metodi tradizionali nell’analisi e nel monitoraggio di infrastrutture critiche.

Due filoni di ricerca sono citati come rappresentativi:

• l’ottimizzazione della distribuzione di pareti strutturali in edifici mediante reti convoluzionali profonde (Pizarro et al., 2021): lo studio, disponibile nel repositorio dell’Universidad de Chile, documenta l’uso di CNN per fornire soluzioni ottimali nelle fasi iniziali della progettazione strutturale, generando configurazioni di shear wall descritte come sicure, efficienti ed economicamente sostenibili;
• la rilevazione automatizzata di danni strutturali mediante deep learning e droni: un lavoro di Malche et al. (2023) applica CNN al riconoscimento e alla classificazione automatica di difetti su strutture in calcestruzzo attraverso computer vision e immagini da drone, con miglioramenti dichiarati in termini di precisione, efficienza operativa e riduzione dei costi.

La bibliografia include ulteriori riferimenti: lo studio di Bai et al. (2022) su Structural Health Monitoring sui metodi di deep learning per la rilevazione automatica di danni in infrastrutture colpite da eventi estremi; il lavoro di Alfaro et al. (2025) su Infrastructures sulla rilevazione di danni mediante modelli 3D da UAV e deep learning su un ponte ad arco in calcestruzzo armato; e lo studio di Kashtan e Hnatushenko (2023) sulla rilevazione automatica di danni a edifici su immagini digitali tramite machine learning.

Random Forest e SVM nella valutazione della sicurezza

Random Forest e Support Vector Machines (SVM) sono descritti come algoritmi adatti a classificazioni rapide di rischi strutturali, in particolare in situazioni post-evento estremo come terremoti o uragani. L’analisi segnala due applicazioni: una valutazione predittiva della vulnerabilità sismica mediante Random Forest, che sfrutta grandi volumi di dati strutturali e sismici per identificare vulnerabilità critiche, e una diagnosi strutturale post-sismica mediante SVM, impiegata per classificare rapidamente il danno in strutture dopo terremoti a supporto delle decisioni immediate sulla sicurezza.

Tra i riferimenti bibliografici figurano lo studio di Ogunjinmi et al. (2022) su Sensors, dedicato alla valutazione rapida del danno strutturale post-terremoto mediante CNN e transfer learning, e il framework di machine learning per la valutazione della sicurezza strutturale post-terremoto di Zhang et al. (2018), pubblicato su Structural Safety.

Ottimizzazione strutturale mediante apprendimento rafforzato

Ill’apprendimento rafforzato (Reinforcement Learning, RL) viene presentato come metodologia adattiva per l’ottimizzazione strutturale continua. Questi algoritmi interagiscono iterativamente con simulazioni digitali per generare configurazioni ottimali che bilanciano criteri multipli: resistenza, prestazioni, costi e sostenibilità.

Due studi sono citati. Il primo applica il deep reinforcement learning all’ottimizzazione topologica di strutture complesse: la ricerca di Brown et al. (2022), pubblicata su Materials & Design, utilizza tecniche di RL per ottenere soluzioni ottime che rispettano simultaneamente requisiti tecnici, economici e ambientali. Il secondo riguarda strategie di manutenzione strutturale predittiva basate su RL, orientate a formulare programmi di manutenzione che massimizzano efficienza operativa e vita utile della struttura con costi minimi. Nello stesso ambito è citato lo studio di Chu et al. (2025), pubblicato su Case Studies in Construction Materials, su un modello di machine learning interpretabile per la predizione della resistenza a compressione di calcestruzzo curato con CO₂.

Applicazioni professionali e limiti

Le ricerche esaminate indicano tre direttrdi di utilizzo per il professionista: predizione rapida di risposte strutturali (deformazioni, spostamenti, capacità a torsione) a partire da dati sperimentali e numerici; supporto al monitoraggio e all’ispezione mediante dati visivi da sistemi di monitoraggio e droni; supporto decisionale in fasi critiche come la valutazione post-sismica e la programmazione della manutenzione. Nella fase concettuale di progetto, le CNN sono state applicate alla definizione del layout di pareti strutturali in edifici.

L’analisi non riporta benchmark quantitativi comparativi né dati di precisione numerica specifici per i singoli studi, e i risultati dichiarati restano nell’ambito dei singoli contesti di ricerca: travi in calcestruzzo armato, sistemi di isolamento sismico, edifici con pareti strutturali, ponti e strutture colpite da eventi estremi. La generalizzazione di questi risultati ad altri scenari richiede validazione sui dati di riferimento di ciascun studio.

Il decreto legislativo 7 ottobre 2026, n. 179, pubblicato nella Gazzetta Ufficiale n. 234 dell’8 ottobre e in vigore dal 23 ottobre 2026, adegua la normativa italiana all’AI Act europeo e contiene disposizioni che interessano direttamente le professioni tecniche. Ingegneri, architetti, geometri e geologi, oltre a società di ingegneria e imprese di costruzioni, sono coinvolti su quattro fronti: la possibile modulazione dell’equo compenso, la formazione obbligatoria sull’intelligenza artificiale, la valutazione dei rischi nei cantieri e la disciplina delle decisioni automatizzate nei rapporti di lavoro. Alcuni obblighi sono già definiti, altri attendono provvedimenti attuativi.

Equo compenso: modulazione legata ai sistemi di IA

L’articolo 49 introduce la possibilità di modulare l’equo compenso professionale in relazione all’utilizzo di sistemi di intelligenza artificiale, richiamando la legge n. 49/2023 e stabilendo che i parametri debbano tenere conto della classificazione di rischio dei sistemi secondo l’AI Act.

La norma non stabilisce percentuali di riduzione o maggiorazione, e l’utilizzo dell’intelligenza artificiale non comporta automaticamente una riduzione del compenso. I provvedimenti relativi ai parametri professionali dovranno essere integrati entro il 23 ottobre 2027.

Resta confermato il perimetro della legge sull’equo compenso, che si applica ai rapporti con determinate categorie di committenti: pubbliche amministrazioni, imprese bancarie e assicurative e imprese che superano specifiche soglie dimensionali. Non è prevista una revisione automatica dei compensi concordati tra professionisti e clienti.

Tempo risparmiato e valore della prestazione

Per le professioni tecniche la questione è particolarmente rilevante. Un ingegnere può ricorrere all’intelligenza artificiale per analizzare documenti, ricercare riferimenti normativi o supportare alcune elaborazioni; un architetto per sviluppare alternative progettuali o organizzare informazioni. La riduzione del tempo necessario a produrre un elaborato non coincide però necessariamente con una riduzione del valore della prestazione: la progettazione comprende valutazioni tecniche, verifiche, scelte e responsabilità che non vengono eliminate dall’impiego di strumenti automatizzati.

Da distinguere, inoltre, la classificazione di rischio del sistema prevista dall’AI Act dalla complessità dell’incarico e dal rischio professionale: non sono concetti equivalenti. Come i provvedimenti attuativi tradurranno il criterio indicato dal decreto nei parametri economici è uno dei punti da seguire.

La responsabilità del progettista resta

Il tema si collega all’articolo 13 della legge n. 132/2025, che disciplina l’utilizzo dell’intelligenza artificiale nelle professioni intellettuali. L’impiego dell’IA non elimina gli obblighi di diligenza, competenza e verifica propri dell’attività professionale: un documento tecnico prodotto con il supporto di un sistema generativo deve comunque essere verificato dal professionista che lo utilizza nell’esecuzione dell’incarico.

Non per questo ogni responsabilità derivante dalla tecnologia viene attribuita automaticamente al progettista: la ripartizione concreta dipende dalla natura della prestazione, dai ruoli dei soggetti coinvolti e dalle disposizioni applicabili. L’intelligenza artificiale può assistere il progettista, ma non sostituisce il giudizio tecnico necessario per assumere le decisioni professionali.

Formazione obbligatoria: tre ambiti e regolamenti da adeguare

L’articolo 47 interviene sulla formazione iniziale e continua delle professioni. I percorsi organizzati dagli Ordini dovranno comprendere attività dedicate all’intelligenza artificiale su tre ambiti:

• competenze tecniche: funzionamento dei sistemi, tecniche di interrogazione, potenzialità e limiti delle applicazioni;
• competenze giuridiche: conoscenza dell’AI Act e delle disposizioni nazionali;
• competenze deontologiche: responsabilità del professionista, obblighi informativi verso il cliente e controllo umano.

Il decreto prevede un monte ore minimo per ciascun periodo di valutazione della formazione continua, ma non stabilisce un numero uniforme di crediti formativi professionali per tutte le categorie: le modalità concrete di applicazione spettano agli organismi competenti nei rispettivi sistemi formativi.

I Consigli nazionali degli Ordini e dei Collegi, o gli altri organismi competenti, dovranno adeguare regolamenti e atti organizzativi entro il 23 aprile 2027. La scadenza riguarda l’adeguamento regolamentare, non il termine entro cui ogni professionista dovrà aver acquisito nuovi CFP.

Per ingegneri e architetti il punto centrale sarà definire percorsi realmente collegati alle attività professionali, dalla ricerca normativa alla progettazione assistita, dall’analisi dei dati BIM alla verifica dell’affidabilità degli elaborati. L’obiettivo non si esaurisce nell’imparare a utilizzare nuovi software, ma riguarda lo sviluppo delle competenze necessarie a valutarne criticamente i risultati.

Cantieri: l’IA nella valutazione dei rischi

L’articolo 42 interessa direttamente imprese, datori di lavoro e professionisti della sicurezza. L’utilizzo di sistemi di IA che incidono sull’organizzazione del lavoro, sui ritmi produttivi, sulle modalità di esecuzione delle prestazioni o sui processi decisionali rilevanti per la sicurezza deve essere considerato nella valutazione dei rischi prevista dall’articolo 28 del D.Lgs. 81/2008.

Nel settore delle costruzioni rientrano in questo perimetro i sistemi impiegati per programmare le lavorazioni, gestire le interferenze o monitorare situazioni potenzialmente pericolose attraverso algoritmi di riconoscimento delle immagini.

L’intelligenza artificiale può contribuire alla prevenzione, ma occorre considerare anche i rischi derivanti da malfunzionamenti, valutazioni inesatte o modifiche dell’organizzazione delle attività.

Il decreto non prevede che ogni utilizzo dell’IA comporti automaticamente l’aggiornamento del Documento di Valutazione dei Rischi: quando il sistema incide sugli elementi individuati dall’articolo 42, il suo impiego va considerato nella valutazione e l’eventuale necessità di rielaborare il DVR deve essere verificata secondo i presupposti dell’articolo 29 del D.Lgs. 81/2008. Nei cantieri temporanei o mobili, modifiche rilevanti nell’organizzazione delle lavorazioni possono richiedere anche una verifica della coerenza del PSC e dei POS, ove previsti.

Non vengono introdotti nuovi documenti obbligatori dedicati all’intelligenza artificiale. Sono invece previsti specifici obblighi di informazione e formazione dei lavoratori sui rischi connessi ai sistemi utilizzati e sulle misure di prevenzione adottate.

Decisioni automatizzate: il controllo umano resta

L’articolo 41 riguarda l’impiego dell’intelligenza artificiale nei processi decisionali relativi ai rapporti di lavoro. Per determinate decisioni riguardanti la costituzione, la modificazione o la risoluzione del rapporto, comprese quelle disciplinari e le valutazioni delle prestazioni, la decisione finale non può essere adottata esclusivamente attraverso un trattamento automatizzato: deve intervenire una persona fisica dotata di un potere decisionale effettivo e autonomo.

Per società di ingegneria, studi professionali e imprese di costruzioni la disposizione può assumere rilievo quando vengono utilizzati algoritmi per valutare le prestazioni del personale o supportare decisioni sulla gestione delle risorse umane. La norma prevede specifiche garanzie informative e la nullità delle decisioni adottate in violazione del divieto del comma 1; la nullità non è però una conseguenza automatica di qualsiasi irregolarità nell’utilizzo dell’IA.

È prevista un’esclusione relativa alle attività di ricerca e selezione delle candidature, ferme restando le altre disposizioni applicabili del GDPR e dell’AI Act. La disponibilità di una valutazione algoritmica non elimina la necessità di individuare chi assume effettivamente la decisione e ne risponde.

Vigilanza e conformità

Il decreto disciplina anche l’organizzazione delle autorità nazionali, i poteri di vigilanza e il sistema sanzionatorio. L’Agenzia per l’Italia Digitale (AgID) e l’Agenzia per la Cybersicurezza Nazionale (ACN) svolgono funzioni differenti, mentre specifiche competenze restano attribuite alle autorità settoriali.

Per progettisti e imprese è importante distinguere l’utilizzo di un’applicazione di IA dallo sviluppo o dall’immissione sul mercato di sistemi soggetti a particolari requisiti di conformità. Gli obblighi dipendono dalla destinazione d’uso del sistema, dalla sua classificazione e dal ruolo dell’operatore: non è prevista una certificazione preventiva generalizzata per ogni studio professionale che utilizzi strumenti di intelligenza artificiale.

Le scadenze per i professionisti tecnici

• 23 ottobre 2026: entrata in vigore del D.Lgs. 179/2026.
• 23 aprile 2027: termine per l’adeguamento dei regolamenti sulla formazione professionale.
• 23 ottobre 2027: termine per integrare i parametri relativi alla possibile modulazione dell’equo compenso.

Il decreto agisce su tre livelli: integra la formazione sull’intelligenza artificiale nei sistemi di aggiornamento professionale, impone alla sicurezza sul lavoro di considerare gli effetti di determinate applicazioni e orienta la disciplina dell’equo compenso verso l’impatto dell’automazione. Restano da definire i provvedimenti attuativi che stabiliranno parametri economici e modalità applicative. La distinzione che dovrà guidare tanto i nuovi parametri quanto la formazione è indicata dallo stesso impianto normativo: l’IA può ridurre il tempo necessario a produrre un elaborato, ma la qualità delle decisioni che quell’elaborato contiene dipende da interpretazione dei problemi, verifica delle soluzioni e assunzione di responsabilità che restano nel perimetro del professionista.

Riferimento normativo: decreto legislativo 7 ottobre 2026, n. 179, pubblicato nella Gazzetta Ufficiale n. 234 dell’8 ottobre 2026.

Pirros ha introdotto una connessione Model Context Protocol (MCP) che consente agli assistenti AI di accedere direttamente ai dettagli architettonici e di ingegneria e alle famiglie Revit archiviate nei workspace Pirros di uno studio. L’integrazione rende interrogabile, tramite ChatGPT, Claude, Cursor e Codex, la base di conoscenza progettuale accumulata dall’ufficio tecnico nei progetti precedenti, senza dover passare da ricerche manuali nei propri archivi.

Il problema affrontato: il riuso della conoscenza progettuale

Gli studi di architettura e ingegneria accumulano nel tempo un patrimonio di dettagli tipici, famiglie Revit e documentazione di progetto che spesso risulta difficile da rintracciare e riutilizzare. Il Pirros MCP è progettato per rendere questa conoscenza istituzionale accessibile attraverso gli strumenti AI già in uso dai dipendenti, riducendo il tempo necessario per trovare e riutilizzare contenuti esistenti.

Come funziona la connessione

Gli utenti possono interrogare l’assistente AI in linguaggio naturale per:

• localizzare dettagli tipici;
• recuperare i PDF dei disegni;
• ricercare famiglie Revit;
• identificare le dipendenze tra famiglie;
• consultare le storie delle revisioni;
• creare collezioni di contenuti, denominate stashes.

Un esempio tipico: prima di creare una nuova versione di una famiglia porta, un progettista può verificare se una famiglia corrispondente esista già. Il sistema supporta la ricerca per attributi come nome, categoria e versione di Revit, con identificazione dei possibili duplicati.

Una scelta di campo: conoscenza storica, non modello aperto

Il Pirros MCP si distingue dagli strumenti che collegano l’AI direttamente a un modello Revit aperto. Il Revit Public MCP Server di Autodesk, ad esempio, offre accesso in sola lettura al modello in esecuzione sul computer dell’utente. Il Pirros MCP opera invece sulla conoscenza di progettazione accumulata nei progetti passati e archiviata nella piattaforma Pirros. Per il lavoro all’interno di un modello Revit attivo, Pirros segnala due strumenti dedicati: Mira, il suo agente AI, e Pirros in Revit.

Governance dei dati e controlli amministrativi

L’accesso degli assistenti AI alle informazioni è disciplinato da controlli amministrativi. Gli studi possono:

• creare credenziali dedicate per singoli strumenti AI;
• specificare i workspace accessibili;
• gestire le autorizzazioni di lettura, scrittura e download;
• restringere le credenziali a contenuti selezionati.

Pirros dichiara che i dati aziendali non vengono utilizzati per addestrare modelli AI e indica che la piattaforma è conforme allo standard SOC 2 Type II.

Inquadramento nell’ecosistema Pirros Connections

La connessione MCP fa parte di Pirros Connections, che comprende anche un’API, workspace condivisi e single sign-on SAML con accesso basato sui ruoli. L’insieme di queste funzionalità mira a ridurre l’impegno richiesto per trovare e riutilizzare la conoscenza progettuale esistente, mantenendo il controllo degli accessi a livello di studio.

Rilievi per i professionisti

Per studi che lavorano intensamente con librerie Revit e raccolte di dettagli, la disponibilità di un canale MCP verso gli strumenti AI in uso (ChatGPT, Claude, Cursor, Codex) consente di interrogare la propria base documentale senza interfacce dedicate. Restano di competenza dello studio le decisioni operative: quali contenuti esporre agli assistenti, con quali permessi e per quali strumenti, attraverso la configurazione delle credenziali e degli accessi offerta dalla piattaforma.

L’intelligenza artificiale locale si sta affermando come alternativa ai servizi cloud nelle aziende del settore AEC (architettura, ingegneria e costruzioni). Un approfondimento di AEC Magazine descrive come l’abbinamento di modelli open-weight, connettori MCP e workstation ad alta memoria consenta di automatizzare attività su BIM, modelli e codice mantenendo il controllo completo su dati di progetto, proprietà intellettuale e costi di calcolo.

Il vincolo hardware: memoria unificata su workstation HP

L’ostacolo principale all’IA locale resta l’hardware: i modelli di grandi dimensioni richiedono memorie GPU consistenti. Le soluzioni citate sono le workstation HP ZBook Ultra G3a e Z2 Mini G1a, basate su processori AMD Ryzen AI Max PRO con memoria unificata condivisa tra CPU, GPU e NPU. La configurazione del ZBook può arrivare a 192 GB di memoria, di cui fino a 160 GB disponibili per la GPU: una quantità sufficiente per eseguire modelli di grandi dimensioni in parallelo con applicazioni come Autodesk Revit.

MCP: il collegamento tra modelli e software BIM

L’elemento centrale dei nuovi workflow è il Model Context Protocol (MCP), un protocollo che connette i modelli di IA alle applicazioni CAD e BIM tramite le rispettive API. Attraverso MCP, gli agenti IA possono operare direttamente sugli ambienti di lavoro desktop consolidati.

In Revit, gli utilizzi descritti comprendono:

• porre domande in linguaggio naturale sui modelli;
• modificare parametri mediante agenti IA;
• generare griglie e livelli;
• annotare viste e creare tavole;
• potenzialmente costruire famiglie parametriche;
• automatizzare le attività di QA/QC, verificando modelli e documentazione rispetto ai requisiti di progetto e agli standard aziendali.

Lo stesso approccio si estende a Navisworks: il connettore MCP sviluppato da AUTOM8labs (citato da AEC Magazine) permetterebbe all’IA di avviare test di interferenze (clash tests), organizzare i risultati ed esportare le problematiche non risolte.

Limiti dichiarati

La fonte esprime un’avvertenza esplicita: i sistemi attuali non sono in grado di generare in modo affidabile modelli edilizi completi e dettagliati. La revisione umana resta pertanto essenziale nei processi automatizzati. Il contenuto non attribuisce ai sistemi descritti capacità di progettazione autonoma né sostituzione del progettista.

IA locale per il codice e la documentazione

L’applicazione non si limita al BIM. I modelli open-weight dedicati al coding possono generare strumenti per Dynamo, Grasshopper, Python e pyRevit senza inviare informazioni proprietarie a servizi cloud. Questo consente di sviluppare automazioni e script personalizzati mantenendo i contenuti aziendali in ambiente locale.

I modelli locali possono inoltre cercare, riassumere e confrontare documenti quali capitolati, contratti, proposte e standard interni, con potenziale applicazione nella gestione documentale di progetto.

Posizionamento rispetto al cloud

L’articolo di AEC Magazine presenta l’IA locale non come sostituto dell’IA cloud, ma come una nuova opzione di calcolo. La combinazione di modelli open-weight, MCP e workstation ad alta memoria consente alle aziende AEC di integrare l’IA nei workflow desktop consolidati, con un controllo più stretto sui dati sensibili e sui costi. Il materiale non riporta benchmark quantitativi, studi di prestazione né casi aziendali documentati: le capacità descritte vanno intese come prospettive d’uso illustrate dalla fonte, non come risultati verificati.

L’automazione basata su intelligenza artificiale accelera le revisioni di documenti di progetto, ma non elimina il collo di bottiglia umano: se i sistemi generano verifiche più rapidamente di quanto gli ingegneri senior possano validarle, il limite di tempo si sposta semplicemente sulla scrivania del revisore. È quanto emerge da un’analisi di AEC Magazine sul caso di Nomic, azienda che collabora con la società globale di design e ingegneria Arcadis per l’automatizzazione della revisione di disegni, capitolati, modelli, gare e submittal.

Cosa fa Nomic nel flusso di lavoro di Arcadis

Nomic esegue una prima analisi della documentazione di progetto e collega i rilievi individuati alle rispettive fonti. L’obiettivo dichiarato è ridurre il tempo che gli ingegneri dedicano alla ricerca di requisiti pertinenti all’interno di migliaia di pagine di documenti tecnici. Il sistema non sostituisce la valutazione: Arcadis sottolinea che gli output dell’AI non possono essere accettati automaticamente. Sono gli ingegneri a determinare quali rilievi sono rilevanti e a mantenersi responsabili delle decisioni finali.

I risultati del test interno

Arcadis ha testato Nomic con 150 partecipanti distribuiti in 12 paesi, per una durata di sei mesi. Secondo i dati forniti dalla stessa Arcadis, l’86% dei partecipanti ha dichiarato che il software ha modificato il proprio approccio al lavoro. Successivamente Nomic è diventato un software aziendale disponibile all’interno di Arcadis, raggiungendo quasi 500 utenti licenziati e oltre 750 workflow creati.

Il caso d’uso della revisione dei submittal

La revisione dei submittal sta emergendo come applicazione significativa. Gli agenti AI possono confrontare le proposte di apparecchiature o materiali con i requisiti di progetto dispersi tra disegni, capitolati e documenti di supporto, un compito che tradizionalmente richiede una ricerca manuale estesa attraverso documentazione frammentata.

Nomic sta inoltre esplorando agenti in grado di monitorare le informazioni di progetto connesse e avviare revisioni prima che gli ingegneri le richiedano manualmente, anticipando così parte del flusso di verifica.

Il nuovo collo di bottiglia: la scrivania dell’ingegnere

L’automazione introduce un problema nuovo. Se gli agenti generano revisioni più velocemente di quanto gli ingegneri senior possano verificarle, il collo di bottiglia si sposta sulla postazione del revisore. L’automazione notturna non crea tempo aggiuntivo per la revisione umana la mattina successiva: la capacità di verifica rimane vincolata alle ore disponibili del personale esperto.

Da qui la conseguenza operativa evidenziata dall’analisi: la precisione conta più della velocità di elaborazione pura. Rilievi mal prioritizzati possono consumare il tempo che l’automazione doveva risparmiare, mentre segnalazioni ben supportate e collegate direttamente a disegni e requisiti possono ridurre il carico di lavoro complessivo.

Cosa misurare per valutare l’automazione

L’articolo propone un criterio di valutazione per le imprese: misurare l’intero ciclo di revisione, comprensivo di verifica, correzione e approvazione, anziché limitarsi ai tempi di elaborazione automatica. L’AI diventa un’automazione ingegneristica efficace solo quando riduce lo sforzo necessario affinché gli ingegneri possano firmare con fiducia il risultato finale.

Implicazioni per la professione

Per gli studi di ingegneria, il caso Arcadis-Nomic delinea un quadro con alcune condizioni operative chiare:

• la prima analisi automatizzata della documentazione può ridurre i tempi di ricerca dei requisiti, ma la responsabilità delle decisioni resta agli ingegneri;
• la diffusione interna del tool (quasi 500 utenti, oltre 750 workflow) indica un uso su scala aziendale, con dati dichiarati dalla stessa Arcadis;
• il beneficio netto dipende dalla qualità e dalla prioritizzazione dei rilievi, non dalla velocità di elaborazione;
• la metrica rilevante è il ciclo completo di revisione, inclusa la verifica umana e l’approvazione finale.

Il messaggio operativo che emerge dall’esperienza descritta è che l’automazione della revisione documentale non riduce il fabbisogno di competenza senior: ne ridistribuisce il carico, spostando l’attenzione dalla ricerca delle informazioni alla loro validazione e alla presa di responsabilità sulle decisioni di progetto.

Bentley Systems ha integrato l’intelligenza artificiale nel proprio portfolio software per le infrastrutture, incorporando large language model (LLM) addestrati su conoscenze specifiche dell’ingegneria, come codici tecnici e normative di progetto. La strategia, emersa in modo ricorrente al Year in Infrastructure and Going Digital Awards 2025 (YII), combina applicazioni aperte e dati fruibili per supportare flussi di lavoro assistiti da AI lungo l’intero ciclo di vita delle opere: progettazione, costruzione ed esercizio.

L’AI nel portfolio: da OpenSite+ a SYNCHRO+

Il caso più esplicito è OpenSite+, applicazione per la progettazione di siti commerciali, industriali e residenziali che impiega AI generativa. Il software integra le funzionalità assistite del design assistant Bentley Copilot – interazioni in linguaggio naturale, ottimizzazione del livellamento (grading), produzione automatica dei disegni – e lavora con strumenti standard come GIS e CAD: riceve input come footprint edilizi, progetti stradali e parametri di progetto per integrare gli elementi e accelerare progettazione ed elaborati grafici.

AI anche in OpenUtilities Substation+, soluzione cloud per la progettazione di sottostazioni elettriche: le capacità di branching & syncing consentono flussi di lavoro concorrenti tra più progettisti, gestione del version control e intelligenza guidata da schemi per una modellazione più rapida.

• MicroStation, OpenRoads Designer, OpenRail Designer: equipaggiati con Bentley Copilot e nuovi strumenti AI che organizzano automaticamente le etichette nei disegni complessi, eliminando il testo sovrapposto e snellendo i processi di revisione.
• STAAD: abilitato con le capacità Copilot.
• SYNCHRO+: evoluzione di SYNCHRO 4D per la modellazione costruttiva, applica automazione guidata da AI alle attività ripetitive della pianificazione 4D di cantiere, lasciando ai team i flussi di pianificazione collaborativa e di stima.

Adozione: numeri e usi dichiarati

Un quadro arriva dal white paper “Artificial Intelligence – Impact on the Built Environment” (Pinsent Masons, Bentley Systems, Mott MacDonald e Turner & Townsend, settembre 2025). Il 73% dei rispondenti si attende un impatto significativo o moderato dell’AI sul proprio modello di business; per il 24% l’AI è già una considerazione rilevante e sta adattando attivamente il proprio modello in vista di una futura disruption.

Sono l’automazione dei processi documentali e l’ottimizzazione di progettazione e ingegneria le due applicazioni più diffuse tra le organizzazioni del settore. Per YJ Kim, AI Technical Lead di Mott MacDonald, l’automazione documentale si presta bene all’AI perché si affida a elaborazione del linguaggio naturale e a language model, di piccole e grandi dimensioni: tecnologie relativamente mature e a rischio contenuto.

Turner & Townsend, partner del sondaggio, usa l’AI per riformare processi in ambito commerciale, project controls, pianificazione e progettazione. Nel lavoro per gli aeroporti, dove ha automatizzato numerosi processi, la società ha realizzato una piattaforma di “commercial intelligence” che automatizza e snellisce parte delle attività amministrative commerciali post-contratto, quelle che richiedono più tempo. Alcune aziende del settore usano inoltre strumenti pubblici come ChatGPT o Claude, oppure strumenti custom: tra gli esempi citati, team di asset management combinano AI e digital twin per analizzare le condizioni delle pavimentazioni, con algoritmi di machine learning che esaminano le immagini e individuano i difetti con maggiore accuratezza.

Data readiness: la condizione preliminare

I panel della YII hanno insistito su un punto: l’AI da sola non modernizza le infrastrutture. Serve data readiness, cioè dati fruibili, strutturati, contestualizzati, recuperabili e affidabili. Secondo Anne-Marie Friel, Partner dello studio legale internazionale Pinsent Masons, ciò passa da pratiche solide di information management, governance ed etica dei dati: “ci servono risultati affidabili, attendibili ed equi”. La preparazione dei dati richiede un lavoro talvolta tedioso di “housekeeping”: senza fondamenta solide, avverte Friel, tutto crolla come una casa di carte.

La frammentazione del settore AEC aggrava il problema, con specialisti che lavorano in silos usando processi, strumenti e formati diversi. Per Kim, standardizzazione e interoperabilità sono decisive e possono essere sostenute da schemi dati comuni e da un tagging coerente di documenti, progetti e lezioni apprese tra progetti diversi. Descrivere i dati con un formato coerente in un ambiente frammentato è ciò che ne sblocca il valore.

Model Context Protocol: contesto per gli agenti

Per collegare l’AI ai dati di ingegneria, Bentley punta sul Model Context Protocol (MCP), framework open source che fornisce ai sistemi AI un contesto ricco: non solo la geometria dei modelli, ma le relazioni tra gli elementi del progetto e la loro funzione nel sistema complessivo, descritte da un livello di informazioni standardizzato e leggibile dalle macchine. MCP funge inoltre da interfaccia standardizzata perché gli agenti AI sappiano utilizzare gli strumenti di ingegneria, motori deterministici per natura, che forniscono risposte precise agli agenti generativi non deterministici.

Bentley ha introdotto integrazioni MCP per STAAD.Pro e MicroStation e ha sottoposto i connettori basati su MCP alla piattaforma Claude di Anthropic. Per Francois Valois, Senior Vice President Open Applications di Bentley Systems, senza un contesto e una precisione ingegneristica profondi l’AI non può dare vero valore ai professionisti: MCP è ciò che consente agli agenti costruiti dalle aziende AEC di interagire in modo integrato e sicuro con dati e logica ingegneristica dell’ecosistema, nel rispetto delle pratiche esistenti di governance e sicurezza.

Audit, test e supervisione umana

Sul piano operativo, Kim indica come decisivo mantenere un audit trail chiaro di input e output: senza la possibilità di verificare e mostrare trasparenza ai clienti si perde fiducia. Beaumont aggiunge che la tracciabilità estesa si rivela preziosa nelle operazioni finanziarie, per esempio nel costo di revisione e sintesi di un contratto, e che Turner & Townsend sviluppa test di sistema per verificare gli output, test da rimodellare man mano che l’uso dell’AI matura e la comprensione aumenta.

I panelisti descrivono l’AI come strumento di potenziamento, non di sostituzione: automatizzando le attività ripetitive libera gli ingegneri per il pensiero critico, la valutazione di alternative di progetto e i compiti orientati al giudizio, oltre a gestire modellazioni e simulazioni complesse in tempi più brevi. Restano regole su quando l’AI deve restituire il controllo agli utenti esperti per i task critici, e un monitoraggio continuo delle prestazioni prima che i risultati alimentino i sistemi a valle. “Mantenere gli umani nel loop è davvero importante”, sintetizza Beaumont.

Ecosistemi aperti e nuove competenze

La direzione indicata è quella degli ecosistemi dati aperti: meno affidamento sui flussi di lavoro CAD tradizionali, più strumenti con LLM incorporati come OpenSite+ e Substation+, più digital twin al posto degli elaborati cartacei, con un potenziale AI amplificato dall’accesso a dataset più ampi.

Bentley ha inoltre lanciato la Infrastructure AI Co-Innovation Initiative, aperta ai propri utenti, per far evolvere le API a supporto dei casi d’uso AI ed esplorare nuovi modelli commerciali che riflettano il rapporto tra lavoro guidato dall’AI e lavoro umano; ne fa parte un hackathon dedicato a SYNCHRO+. Sul fronte delle competenze, la richiesta non è trasformare i professionisti del progetto in data scientist, ma renderli più alfabetizzati su dati e AI. E serve, aggiunge Friel, chi sa guidare la collaborazione, capendo perché e come collaborare.

Il quadro che emerge delinea benefici dichiarati su efficienza, produttività e supporto decisionale, subordinati a data readiness, governance, monitoraggio degli output e formazione del personale.

Le aziende del settore AEC stanno superando la fase in cui l’AI serve come assistenza isolata su singoli compiti, come l’analisi di documenti lunghi o di grandi dataset, e stanno adottando flussi di lavoro automatizzati basati su AI agentica: agenti software che pianificano, agiscono e prendono decisioni su più applicazioni, pur restando sotto il controllo del progettista. Questo passaggio incide direttamente sull’infrastruttura di calcolo: orchestrare più applicazioni ad alto carico grafico insieme a modelli AI in esecuzione locale richiede workstation AI-ready e infrastruttura on-premises. Le tecnologie indicate come fondamento di calcolo sono quelle di Lenovo e NVIDIA.

Dall’assistenza all’orchestrazione

L’AI agentica si costruisce sulle capacità dell’AI generativa, che crea e analizza contenuti come testo, immagini, video e codice a partire da large language model (LLM). Mentre l’AI generativa consente di interagire con le applicazioni in linguaggio naturale, l’AI agentica impiega un agente che esegue azioni con intervento umano minimo: coordina i task tra applicazioni CAD, BIM, modellazione concettuale, calcolo e documentazione, invece di costringere i team a spostare manualmente informazioni tra strumenti non collegati. Per Alfonso Oliva, responsabile Developer Relations per l’industria AEC di NVIDIA, “l’AI sta essenzialmente passando dall’assistenza all’orchestrazione”.

I fattori trainanti sono la crescente complessità dei progetti, come impianti di produzione robotica, data center di grandi dimensioni e infrastrutture estese e fortemente regolamentate, e le attese dei committenti: consegne più rapide, più alternative di progetto, coordinamento migliore tra team e maggiore visibilità sullo stato dei lavori lungo l’intero ciclo di vita.

Il Model Context Protocol come adattatore universale

I workflow AEC moderni coinvolgono già molte applicazioni per le diverse fasi di progettazione e costruzione, con analisi e simulazioni in ambito strutturale, meccanico e idraulico che spesso impiegano tecniche come il metodo degli elementi finiti (FEA). Le imprese dispongono di competenze in queste aree, ma spesso mancano di workflow consolidati in grado di collegare gli strumenti tra loro.

Il Model Context Protocol (MCP), sviluppato da Anthropic, è uno standard open source che funge da adattatore universale per i sistemi AI: standardizza il modo in cui gli agenti interagiscono con strumenti, API e fonti dati, comprendendo le interfacce di programmazione delle diverse applicazioni. Il suo ruolo è ridurre la complessità di integrazione, non eliminarla: la progettazione dei workflow e la governance restano critiche. L’intelligenza di coordinamento resta all’agente, che opera su piattaforme LLM: il professionista fornisce obiettivi generali e l’agente li esegue attraverso più applicazioni.

Come opera un agente AI

Secondo lo schema descritto, l’agente lavora in un ciclo continuo attorno a un nucleo centrale:

• I/O prompt: riceve istruzioni e restituisce output.
• Thinking: il modello AI interpreta le richieste, pianifica il flusso e determina quali strumenti, applicazioni o agenti utilizzare.
• Tool use: chiama API, ricerche e strumenti di codifica per agire oltre la propria conoscenza.
• Computer use: naviga il web, seleziona elementi dell’interfaccia e opera direttamente il software.
• Altri agenti: delega ad agenti specializzati per flussi in parallelo (AI multi-agente).
• Memory: conserva contesto e azioni passate per mantenere lo stato del task.

L’agente pensa, agisce e ricorda, iterando fino al completamento dell’attività. In uno scenario esemplificativo, l’AI analizza una richiesta di proposta (RFP) per un edificio insieme a un semplice schizzo, poi porta il progetto dalla fase concettuale a quella finale utilizzando più strumenti e fonti dati, sempre sotto il controllo del progettista.

Applicazioni lungo il ciclo di vita del progetto

L’AI sta entrando nei flussi quotidiani: accelerazione delle analisi, migliore supporto decisionale, automazione dei task ripetitivi e coordinamento tra team. Ne beneficiano anche i workflow ad alta intensità grafica: reality capture, scansioni LiDAR, fotogrammetria, immagini da drone e digital twin. L’AI applicata al BIM può snellire lo sviluppo di BIM e digital twin in fase di progettazione e offrire benefici post-progettazione, come sequenziamento delle fasi costruttive, manutenzione predittiva e gestione intelligente del cantiere. La robotica da costruzione applica strumenti AI-driven a task ripetitivi o potenzialmente pericolosi; l’edge AI, che esegue i modelli in prossimità di sensori e dispositivi IoT, gestisce dataset complessi in ambiti come ingegneria del traffico e building management.

Perché servono workstation AI-ready e infrastruttura locale

L’orchestrazione di più applicazioni grafiche richiede risorse locali sensibilmente maggiori rispetto ai workflow tradizionali: la workstation deve gestire più applicazioni contemporaneamente, non un processo alla volta. Inoltre, molte imprese vogliono mantenere il controllo su proprietà intellettuale, dati di progetto e workflow AI, elemento che rafforza il caso per un’infrastruttura locale in grado di garantire sicurezza e prestazioni elevate.

Un workflow AEC tipico combina visualizzazione e simulazione assistite da AI con strumenti di progettazione di ISV, che manipolano modelli 3D massicci e grandi dataset. L’interoperabilità tra questi strumenti è in gran parte gestita dal middleware MCP, che collega LLM e applicazioni ISV. Alcune applicazioni alzano ulteriormente i requisiti hardware: il retrieval-augmented generation (RAG), tecnica che fonda le risposte degli LLM su basi di conoscenza esterne affidabili, richiede risorse adeguate per contenere la latenza, mentre simulazioni fisiche avanzate e robotica necessitano di hardware capace di operare in tempo reale.

Sul piano delle piattaforme, OpenUSD, originariamente rilasciato da Pixar nel 2016 per applicazioni di intrattenimento, consente di rappresentare modellazione, rendering, animazione e illuminazione nello stesso ambiente 3D e, per gli utenti AEC, snellisce lo sviluppo dei digital twin. NVIDIA Omniverse, costruito su OpenUSD, offre API, SDK e servizi per orchestrare tecnologie e costruire applicazioni interoperabili. NVIDIA NeMo fornisce invece strumenti per adattare i modelli AI alla conoscenza di progetto e agli standard aziendali.

Le configurazioni hardware indicate

• Lenovo ThinkStation P-series con GPU NVIDIA RTX: adatte a gestire più applicazioni e il deployment on-premises, con gestione dati più sicura e risposte più rapide su inferenza e fine-tuning.
• ThinkStation P7/P8: dotati di storage ad alta endurance e fino a 2 TB di memoria per lavorare su grandi dataset.
• ThinkStation PGX: basato sulla piattaforma NVIDIA DGX Spark, è il primo workstation Lenovo accelerato dal superchip NVIDIA GB10 Grace Blackwell. Progettato per lo sviluppo AI e basato su Linux, in un footprint compatto supporta LLM, inferenza e workflow di sviluppo AI, in complemento alle workstation RTX per il design quotidiano.
• ThinkPad P-series mobile: configurazioni con GPU RTX e processori Intel o AMD per modeling e simulazioni AI-driven in mobilità.

Numerose configurazioni Lenovo e NVIDIA sono certificate ISV, a garantire che i sistemi rispondano alle richieste specifiche del settore.

Un framework di adozione in 90 giorni

Per le imprese non ancora pronte a estendere l’AI a tutta l’infrastruttura aziendale ma intenzionate a partire con workflow AI locali, il materiale propone un percorso in tre fasi:

1. Giorni 1-30, fondazioni: individuare i colli di bottiglia dei workflow, valutare i requisiti delle workstation AI-ready, deployare sistemi pilota AI-capable, valutare le esigenze di AI e inferenza locali, definire le politiche su dati di progetto e uso dell’AI.
2. Giorni 31-60, pilot: testare il coordinamento BIM assistito da AI, esplorare workflow di documentazione automatizzata, valutare workflow agentici sulle applicazioni, pilotare casi di simulazione e visualizzazione, formare referenti interni.
3. Giorni 61-90, scala: espandere i pilot riusciti, effettuare il fine-tuning dei modelli con dati e standard interni, standardizzare i workflow operativi, valutare i requisiti infrastrutturali di lungo termine, misurare i miglioramenti di produttività e sviluppare una roadmap AI.

Il passaggio dall’assistenza all’esecuzione richiede di collocare le giuste risorse hardware nel giusto ambiente. Le imprese che riescono a integrare capacità AI locali nelle operazioni quotidiane di progettazione e calcolo possono trovarsi in una posizione migliore per migliorare le prestazioni di progetto e adattarsi a commesse sempre più complesse, liberando tempo dei team dai trasferimenti manuali tra strumenti.

Nota: il materiale originale è un contenuto sponsorizzato da Lenovo e NVIDIA.

Il Model Context Protocol (MCP), standard aperto rilasciato da Anthropic a fine 2024 e oggi governato come standard industriale, sta diventando il canale con cui i principali vendor AEC espongono i propri software agli assistenti AI. A metà 2026 Autodesk, Bentley Systems, Bluebeam e Trimble hanno integrazioni disponibili o in technical preview, con applicazioni che toccano l’analisi strutturale, la ricostruzione BIM da documenti legacy, i flussi di markup e la modellazione 3D in linguaggio naturale.

Come funziona il protocollo

L’adozione rapida risponde a un limite noto degli assistenti AI generalisti: chiesto di calcolare un carico strutturale, un modello statistico restituisce una risposta enunciata con sicurezza e ben formattata, ma talvolta errata, perché opera per previsione statistica e non sulla fisica del problema. Un ostacolo serio dove l’accuratezza è un requisito, come nella progettazione di edifici e infrastrutture.

MCP collega l’AI ai software che contengono le risposte corrette. Il protocollo espone le capacità di uno strumento all’agente AI in forma standardizzata, definendo cosa lo strumento sa fare e come invocarlo: quando un compito rientra nel suo dominio, l’AI lo delega. Il calcolo va a un motore di analisi certificato e il risultato verificato torna all’assistente, che gestisce conversazione, raccolta del contesto e orchestrazione. Essendo aperto, un server MCP può essere invocato da Claude, Gemini, GitHub Copilot o qualsiasi assistente che supporti il protocollo: un’interoperabilità rilevante per chi ha già investimenti AI e non vuole restare vincolato alla toolchain di un solo fornitore.

Autodesk: Revit in preview, sola lettura

Autodesk ha due integrazioni disponibili: l’Autodesk Product Help MCP Server, che dà agli agenti accesso alla documentazione aggiornata per migliorare l’accuratezza sulle funzioni dei prodotti, e l’Autodesk Fusion MCP Server, per interagire direttamente con i design Fusion costruendo feature ed editando geometrie. Per l’AEC l’elemento più atteso è il server MCP di Revit, in technical preview con Revit 2027 (aprile 2026): distribuito come add-on separato scaricabile da accounts.autodesk.com, si autoconfigura con Claude Desktop e Cursor all’installazione. La preview copre solo la lettura, con sette strumenti per query sul modello, recupero dei dati degli elementi, navigazione ed esportazione delle viste. Le funzioni di scrittura sono in sviluppo e saranno assegnate a un server dedicato, tenendo distinti i due accessi.

Bentley: iterazione automatizzata in STAAD.Pro

Bentley Systems ha rilasciato server MCP per STAAD.Pro, piattaforma di analisi strutturale usata su ponti, edifici, impianti nucleari e grandi progetti industriali, e per MicroStation, ambiente CAD e di progettazione infrastrutturale.

L’integrazione con STAAD.Pro punta sul carattere iterativo dell’analisi: configurare i casi di carico, calcolare, esaminare i risultati, correggere i parametri e ripetere, un ciclo che limita il numero di opzioni di progetto esplorabili nei tempi disponibili. Con un agente AI collegato via MCP l’iterazione si automatizza: l’agente esplora un ampio ventaglio di configurazioni mandandole in calcolo al motore di STAAD e propone all’ingegnere i risultati più promettenti per la revisione. Bentley ha dimostrato l’approccio sull’ottimizzazione di strutture in acciaio, con una riduzione del 40% del peso di materiale tramite cicli di analisi automatizzati. “Se puoi automatizzare quei calcoli e iterare in base allo spazio che vuoi ottimizzare, iterare diventa molto più fattibile. Non parliamo solo di fare le cose più in fretta, ma di farle meglio, aumentando la qualità dell’output”, spiega Francois Valois, vicepresidente Civil Infrastructure di Bentley Systems.

Dai disegni legacy al BIM

Il server MicroStation copre un caso d’uso diverso: convertire documentazione esistente in geometria 3D. Bentley ha dimostrato un agente che ricostruisce un edificio di Londra partendo da tavole tecniche, testo descrittivo e planimetrie 2D, producendo un modello BIM su cui gli ingegneri possono proseguire lo sviluppo. Entrambi i server girano in locale senza trasmissione dati al cloud, sono pubblicati nel registro MCP aperto e funzionano con più assistenti AI, non solo Claude. Il protocollo si innesta inoltre nella strategia dati dell’azienda, basata su uno schema di infrastruttura che definisce formalmente oggetti come strade, tubazioni e membrature strutturali: il modo di rendere accessibili via AI i “dark data”, l’informazione tecnica intrappolata in file CAD e documenti legacy.

Bluebeam: markup in linguaggio naturale

Bluebeam ha lanciato la propria integrazione con Bluebeam Max (maggio 2026), tier premium in abbonamento per Revu che integra Claude: in linguaggio naturale si cercano informazioni nei documenti di progetto, si creano e aggiornano markup, si costruiscono colonne personalizzate e si estraggono analisi dai dati di markup dentro Revu. Il tier include Smart Overlay, che individua variazioni e discrepanze tra set di disegni; Smart Review, che segnala lacune di scope e informazioni mancanti; Magic Markups, che automatizza i markup ripetitivi; e collega le Studio Sessions direttamente a Revit, associando i markup PDF alle posizioni corrispondenti del modello BIM. Claude è la prima integrazione, ma Bluebeam indica che lo standard aperto è pensato per connessioni future con Copilot, ChatGPT, Perplexity e Gemini, man mano che queste piattaforme estenderanno il supporto MCP desktop.

Trimble: geometria 3D descritta a parole

Trimble ha rilasciato il connettore MCP per SketchUp nell’aprile 2026. La geometria, dai modelli di massa di edifici agli arredi, si descrive in linguaggio naturale oppure si caricano schizzi, foto, planimetrie e quote come riferimento; il connettore genera sia forme di base sia superfici curve. Claude costruisce la geometria in una sessione SketchUp nel cloud, verifica le dimensioni in modo iterativo e traccia la cronologia delle versioni, così da poter chiedere affinamenti o incollare screenshot per indicare gli elementi da correggere. A modello completato viene generata un’anteprima 2D e il file si scarica in formato SKP, compatibile con SketchUp Web, desktop e iPad. Servono un account Claude e un Trimble ID; sono inclusi fino a 30 modelli salvati gratuiti, oltre i quali è richiesto un abbonamento a pagamento. “La curva di apprendimento e il tempo per trasferire una visione in un modello digitale sono stati storicamente la principale barriera alla modellazione 3D”, afferma Chris Cronin, VP e general manager delle soluzioni di architettura e design di Trimble.

Gli altri vendor

Molte altre software house AEC hanno rilasciato server MCP o annunciato che sono in sviluppo, tra cui Graphisoft. Esistono server di terze parti per BricsCAD, Vectorworks e Rhino di McNeel & Associates, disponibili sul MCP market; gli utenti di DraftSight possono usare l’API del programma per incorporare un assistente AI direttamente al suo interno; TurboCAD punta invece su assistenza AI integrata senza MCP ufficiale, con TurboCAD Copilot. Il quadro evolve rapidamente: conviene verificare il piano MCP aggiornato del proprio software.

Cosa cambia per i team di progetto

Il primo effetto è l’accesso: attività che richiedevano la padronanza di comandi, menu e parametri si eseguono descrivendo in linguaggio naturale ciò che serve, lasciando all’AI l’instradamento della richiesta verso lo strumento adeguato. Per team con molti utenti occasionali di software complessi questo può ridurre la formazione necessaria e rendere più accessibile l’analisi specializzata. MCP rende inoltre più concreti i workflow multi-strumento: invece di esportare, reimportare e riformattare, un agente con accesso a più server può muovere le informazioni tra applicazioni in automatico. Valois descrive un agente che preleva dati dai sistemi aziendali, li instrada a un motore di analisi strutturale e passa i risultati in ambiente CAD in un’unica sessione: “Il vero potere non è chiamare un solo motore, ma chiamarne più di uno in un flusso orchestrato”.

Limiti e condizioni

• Dati e processi: MCP segue ciò che già sta nei sistemi e automatizza i processi disordinati con la stessa fedeltà di quelli puliti.
• Sicurezza e accessi: prima di concedere permessi ampi va capito cosa un agente può vedere e modificare negli strumenti collegati.
• Formazione: resta da imparare a costruire prompt efficaci e a verificare gli output.
• Interoperabilità: il protocollo è aperto, ma alcune implementazioni supportano oggi un solo assistente AI; va verificato se il server funziona davvero su più piattaforme o se lo promette solo per il futuro.
• Hardware: gli agenti che coordinano più strumenti contemporaneamente sono compute-intensive e richiedono workstation e infrastruttura locale adeguate.

Sul lato cloud la situazione varia per vendor: le implementazioni di Bentley girano in locale senza trasmissione dati, per le altre occorre controllare la documentazione di ciascuno.

Cosa non cambia

Gli strumenti collegati via MCP restano deterministici: restituiscono risultati accurati a partire da input validi, ma non possono fornire contesto o giudizio che non ci sono. “Senza l’umano, nulla di questo funziona. Bisogna garantire che le persone restino al controllo e pienamente coinvolte, soprattutto nel mondo delle infrastrutture”, avverte Valois. In un settore dove le decisioni di progetto hanno conseguenze fisiche di lungo periodo, la promessa di MCP non è l’automazione del giudizio ingegneristico, ma la riduzione del tempo tra quel giudizio e la sua esecuzione.

La rivista Buildings ha pubblicato nel volume 16 (pag. 3988) uno studio dal titolo “Dataset-Driven Exploratory Deep Reinforcement Learning Using SINDy-Based Data Augmentation from Limited Indoor Thermal Measurements”, traducibile come “apprendimento per rinforzo profondo, esplorativo e guidato dai dati, con data augmentation basata su SINDy a partire da misure termiche indoor limitate”. L’oggetto dichiarato è l’impiego di tecniche di deep reinforcement learning quando i dati termici rilevati in ambienti indoor sono disponibili in quantità ridotta, con un processo di data augmentation fondato su SINDy per ampliare la base di addestramento.

Il problema affrontato: dataset termici limitati

Il titolo delimita con precisione il punto di partenza: un insieme ristretto di misure termiche indoor. Il deep reinforcement learning, una tecnica di machine learning che combina reti neurali profonde e apprendimento per rinforzo, richiede in linea generale una base di esperienza ampia: l’agente apprende una politica di azione interagendo con l’ambiente e ricevendo segnali di ricompensa o penalità. Quando le osservazioni misurate sono poche, questa fase risulta vincolata. Lo studio si colloca esattamente in questa condizione e indica nella data augmentation basata su SINDy, applicata alle misure disponibili, la via per costruire un dataset di addestramento più ricco partendo da dati reali limitati.

I componenti dichiarati

• Deep reinforcement learning: apprendimento per rinforzo profondo, in cui un agente supportato da reti neurali impara un comportamento attraverso l’interazione con l’ambiente e l’ottimizzazione di una funzione di ricompensa. Nel contesto indicato dal titolo, il riferimento è l’ambito termico indoor.
• Data augmentation: insieme di tecniche per generare dati aggiuntivi a partire da un dataset esistente, con l’obiettivo di ampliare la base di addestramento quando i campioni misurati sono pochi.
• SINDy: acronimo di Sparse Identification of Nonlinear Dynamics, metodologia di identificazione di modelli dinamici non lineari a partire dai dati, basata su regressione sparsa. Non è una tecnica di apprendimento profondo: nel titolo compare come fondamento del processo di augmentazione dei dati termici.

Il titolo qualifica inoltre l’impostazione come “dataset-driven” ed “exploratory”: l’approccio è dichiaratamente guidato dai dati disponibili e impostato in chiave esplorativa.

Cosa resta da definire

Gli elementi fin qui resi noti riguardano l’ambito e l’impianto generale del lavoro. Non sono inclusi nelle informazioni disponibili dettagli su setup sperimentale, ambienti di test, architettura di rete, algoritmo di reinforcement learning impiegato, modalità concreta di applicazione di SINDy alle misure termiche, metriche di valutazione e risultati quantificati. In assenza di questi elementi non è possibile attribuire all’approccio prestazioni dimostrate, né estenderlo a contesti diversi da quello dichiarato.

Rilevanza per il contesto professionale

Il dominio dichiarato, le misure termiche indoor, interessa chi si occupa del comportamento termico degli edifici e della gestione dei dati di monitoraggio. La combinazione di reinforcement learning profondo e data augmentation a partire da misure limitate riguarda direttamente il problema della scarsità di dati sperimentali, esplicito nel titolo stesso. Restano comunque ferme le cautele: senza i risultati pubblicati non è stabilita l’efficacia dell’approccio né è possibile indicarne applicazioni operative concrete.