Categoria: Intelligenza artificiale

Trimble ha presentato SketchUp AI, una suite di strumenti basati sull’intelligenza artificiale integrati nell’ambiente di modellazione SketchUp. L’obiettivo dichiarato dal produttore è semplificare tre attività che accompagnano l’uso quotidiano del software: la modellazione, la visualizzazione e l’apprendimento dello strumento stesso. La suite, inizialmente disponibile con abbonamento mensile, si articola in due moduli: AI Render per la generazione di immagini e AI Assistant, che combina le funzioni di chatbot di supporto e generatore di oggetti 3D.

Il perimetro funzionale dichiarato comprende il rendering generativo, la creazione di geometrie 3D e una chat di assistenza in cui formulare domande specifiche sul proprio workflow di modellazione, sulle esigenze legate al modello o sull’ecosistema SketchUp.

AI Render: dal modello all’immagine generata

AI Render, in precedenza distribuito con il nome SketchUp Diffusion, è lo strumento di creazione di immagini tramite AI generativa, con l’obiettivo dichiarato di accelerare le fasi di visualizzazione. Uscito dal programma di beta testing SketchUp Labs, arriva con un’interfaccia ridisegnata e controlli estesi: immagini di riferimento (Reference Images), inpainting e prompt negativi (Negative Prompts).

Il funzionamento descritto prevede la combinazione del modello SketchUp con un prompt testuale e/o con stili predefiniti per produrre immagini “in pochi secondi”, dichiaratamente dall’iterazione concettuale iniziale fino a consegne “realistiche” per il cliente. Le immagini generate possono essere successivamente raffinate, ad esempio modificando colori e materiali o aggiungendo elementi di contorno (entourage).

AI Assistant: generazione di oggetti 3D e supporto operativo

AI Assistant è un chatbot basato sull’AI che opera all’interno di SketchUp come supporto alla modellazione 3D. La capacità principale, denominata Generate Object, consente di trasformare un’immagine o un prompt testuale in oggetti 3D direttamente nell’ambiente di lavoro: l’utente carica un’immagine o descrive ciò che intende creare e il sistema genera l’oggetto corrispondente, in pochi secondi secondo quanto dichiarato da Trimble.

Il produttore posiziona Generate Object come alternativa alla libreria 3D Warehouse o come modalità per evitare la modellazione da zero di elementi ricorrenti.

AI Assistant assolve anche una funzione di assistenza: tramite prompt in linguaggio naturale, l’utente può ottenere indicazioni sulle best practice, risolvere problemi d’uso o scoprire nuove modalità di impiego del software senza uscire dall’applicazione. Questa componente di help non consuma crediti.

Sistema a crediti e dotazioni per abbonamento

L’accesso alle funzioni AI è regolato da un sistema a crediti. Ogni abbonamento Trimble SketchUp include una dotazione iniziale di crediti, con possibilità di acquistarne altri in base alle necessità. Il costo delle singole operazioni è differenziato in modo significativo:

Funzione	Costo in crediti
AI Render	5
Generate Object	30
AI Help	0

La dotazione mensile varia secondo la fascia di abbonamento:

Abbonamento	Crediti mensili
SketchUp Go	100
Sidebar Pro	150
Sidebar Studio	200

La struttura dei costi pesa in modo diverso le due attività generative: con 5 crediti a immagine, l’iterazione visiva tramite AI Render resta compatibile con un uso frequente nell’ambito della dotazione mensile, mentre il ricorso sistematico a Generate Object, che richiede 30 crediti per oggetto, può esaurire l’allocazione disponibile in poche decine di operazioni, rendendo necessari acquisti integrativi soprattutto nelle fasce di abbonamento inferiori.

Resta ferma la natura degli output: le immagini e gli oggetti generati sono strumenti di supporto alla visualizzazione e alla costruzione del modello, e il loro impiego nelle diverse fasi del processo progettuale definisce anche il consumo di crediti e, di conseguenza, il costo d’esercizio della suite per il singolo utente o studio.

Procore ha acquisito Datagrid, una piattaforma di intelligenza artificiale verticale specializzata in connettività dei dati ed esecuzione autonoma di workflow. I termini economici non sono stati resi noti, ma l’operazione segnala una fase più assertiva della strategia AI della società: il passaggio dalle funzioni assistive integrate verso un livello di intelligenza agentica destinato a operare attraverso piattaforme differenti. Per i tecnici del settore il tema è concreto: l’automazione dei processi multi-step che oggi attraversano sistemi scollegati.

Connettere i dati, non conversare

Datagrid non è un chatbot generativo nel senso convenzionale del termine. Il suo valore sta nel collegare sorgenti dati frammentate, tra cui sistemi ERP, storage cloud, archivi documentali e piattaforme di gestione progetto, e nell’applicare ragionamento AI per orchestrare azioni su questi sistemi.

Sul piano operativo ciò significa automatizzare processi multi-step come la revisione dei submittal, la redazione degli RFI, la classificazione dei documenti e la ricerca trasversale tra sistemi, invece di limitarsi a riassumere testi o rispondere a domande.

Il problema dei silos informativi

La tecnologia di Datagrid è concepita per lavorare su sistemi di terze parti, non soltanto all’interno dello stack di un singolo fornitore. Un aspetto rilevante in un settore in cui la maggior parte delle imprese gestisce un insieme disomogeneo di strumenti, tra ERP, contabilità, gestione documentale e applicativi per il cantiere, accanto alla piattaforma principale di gestione progetto.

Procore presenta l’acquisizione come un’accelerazione della propria capacità di “eliminare i silos di dati” e automatizzare workflow complessi, un obiettivo ricorrente in un’industria ancora dominata da soluzioni puntuali e piattaforme non integrate.

La differenza rispetto alle funzioni AI esistenti

Procore ha aggiunto nel tempo funzionalità AI, in particolare su gestione documentale, ricerca e analisi, ma queste sono rimaste in gran parte vincolate al proprio modello di dati. Il motore di “deep search” e orchestrazione di Datagrid è invece costruito esplicitamente per estendersi a più sistemi, in linea con l’ambizione dichiarata da Procore di trasformare dati frammentati in un “system of intelligence”.

Dal punto di vista strategico la posizione non è comune: sul mercato esistono pochi livelli credibili di connettività dati e ragionamento indipendenti dal fornitore.

Dal copilota all’agente

La filosofia dichiarata di Datagrid è creare un’AI in grado di eseguire, non soltanto di dialogare. Un approccio più vicino alla tendenza emergente dell’AI agentica che ai copilota attualmente distribuiti dalla maggior parte dei fornitori di software per il settore AEC.

Se Procore porterà avanti questa visione, i clienti potrebbero vedere sistemi che non si limitano a evidenziare informazioni, ma avviano workflow, spostano dati tra piattaforme e chiudono cicli procedurali con intervento umano minimo.

L’apertura ai non clienti: la variabile da osservare

Datagrid continuerà a essere offerto sia ai clienti Procore sia ai non clienti, un indizio che la società tratterebbe almeno inizialmente la piattaforma come un livello di servizi AI orizzontale e non come una funzione proprietaria. La scelta sarà seguita con attenzione. Se Datagrid resterà relativamente aperto, Procore potrebbe posizionarsi come intermediario AI sull’intero stack tecnologico delle costruzioni. Se invece la tecnologia verrà progressivamente assorbita nella piattaforma propria, il rischio è rafforzare la gravità dei dati orientata al fornitore che altrove nel settore ha limitato l’interoperabilità.

Chi guiderà la strategia AI

Rilevante anche il ruolo assegnato a Thiago da Costa, amministratore delegato di Datagrid, chiamato a guidare la strategia AI e dati di Procore. Da Costa è un imprenditore seriale che in precedenza ha venduto aziende e tecnologie a realtà come Autodesk.

Steve Davis, responsabile prodotto e tecnologia di Procore, ha inquadrato l’operazione come la possibilità per i clienti di “colmare le lacune tra dati segregati in silos e avviare azioni attraverso l’intero ecosistema”. Meno questione di dashboard più curate o riepiloghi RFI più rapidi, più automazione del tessuto connettivo tra strumenti già esistenti: qualcosa che il software per le costruzioni promette da decenni ma ha raramente realizzato su scala.

Implicazioni per il processo

Come mossa strategica, l’acquisizione riguarda meno l’aggiunta di funzioni e più la riarchitettazione del modo in cui i dati delle costruzioni vengono connessi, analizzati e oggetto di azione. Se realizzata, la transizione sposterebbe Procore da sistema di record a qualcosa di più vicino a un sistema di intelligence: una proposta materialmente differente per il settore.

Autodesk ha siglato un investimento strategico di 200 milioni di dollari in World Labs, azienda di intelligenza artificiale spaziale cofondata da Fei-Fei Li, figura di riferimento dell’AI a Stanford. L’operazione rientra in un round complessivo da un miliardo di dollari che vede tra i sostenitori anche Nvidia e AMD e che assicura all’azienda di software un ruolo consultivo e una collaborazione stretta a livello di ricerca e di modelli.

Per chi lavora su progettazione, calcolo e gestione delle opere, l’aspetto rilevante non è tanto la cifra quanto la tecnologia verso cui le due società convergono: sistemi che Autodesk definisce “physical-world AI”, cioè in grado di ragionare su geometria, fisica, materiali e spazio tridimensionale, e non soltanto su testo.

Cosa produce World Labs

Il prodotto di punta dell’azienda è Marble, che genera ambienti 3D interattivi, spazialmente coerenti e ad alta fedeltà a partire da una singola immagine, da una clip video o da un prompt testuale. La tecnologia alla base attinge ai progressi nei neural radiance fields (NeRF) e nella modellazione 3D generativa, ambiti su cui lavorano da tempo i cofondatori Justin Johnson, Christoph Lassner e Ben Mildenhall, i cui percorsi accademici coprono visione artificiale, ricerca sui NeRF e rendering neurale.

In linea di principio si tratta della capacità che i flussi di lavoro AEC non hanno finora avuto a disposizione: un’AI che costruisce e ragiona su ambienti persistenti e fisicamente plausibili, invece di limitarsi a generare immagini piatte o descrizioni testuali.

Le ragioni strategiche indicate da Autodesk

La motivazione dell’investimento è esplicita. I grandi modelli linguistici hanno prodotto guadagni incrementali nelle attività di documentazione e redazione di specifiche, ma la progettazione di un edificio, di un ponte o di un componente industriale complesso richiede qualità di natura diversa:

• ragionamento spaziale;
• consapevolezza strutturale;
• capacità di iterare nel tempo.

Autodesk ha sviluppato in proprio tecnologia di AI generativa 3D attraverso il neural CAD e ha sperimentato funzioni AI nelle proprie linee di prodotto, con però un perimetro finora ristretto. Una relazione di consulenza con un laboratorio di ricerca avanzato, i cui fondatori hanno dedicato la carriera ai problemi più complessi della comprensione 3D, costituisce secondo l’azienda un livello di impegno di natura differente.

Fei-Fei Li ha motivato così la collaborazione:

“Se l’AI deve essere davvero utile, deve comprendere i mondi, non solo le parole. Autodesk aiuta da tempo le persone a pensare in modo spaziale e a risolvere problemi del mondo reale e, insieme, condividiamo uno scopo chiaro: costruire un’AI fisica che amplifichi la creatività umana e metta strumenti più potenti nelle mani di progettisti, costruttori e creatori.”

Il quadro finanziario

World Labs aveva già raccolto 230 milioni di dollari con una Serie B nel novembre 2024, con una valutazione di circa 4 miliardi di dollari. Il round da un miliardo annunciato insieme all’accordo con Autodesk segna quindi un’accelerazione sostanziale del ritmo di capitalizzazione, che riflette una convinzione reale degli investitori sull’AI spaziale come categoria. Al tempo stesso, implica che Autodesk sia una voce tra più grandi soggetti interessati, tecnicamente sofisticati.

Operazione	Dettagli
Investimento Autodesk in World Labs	200 milioni di dollari, con ruolo consultivo e collaborazione su ricerca e modelli
Round complessivo	1 miliardo di dollari, con Nvidia e AMD tra i finanziatori
Serie B precedente	230 milioni di dollari (novembre 2024), valutazione di circa 4 miliardi di dollari

Tempi e limiti dichiarati

L’operazione va letta come una scommessa a lungo termine su una tecnologia di base, non come segnale di un imminente arrivo nei flussi di lavoro produttivi di un’AI consapevole della dimensione spaziale. La direzione di ricerca è credibile e il team fondatore è di comprovato livello, ma la distanza tra Marble che genera scene 3D interattive e un’AI capace di supportare concretamente il processo di progetto di un ingegnere strutturista resta, allo stato attuale, considerevole.

La rivista Buildings ha pubblicato nel volume 16 (pagine 3881) uno studio che propone un framework metodologico guidato da AIGC, acronimo di Artificial Intelligence Generated Content, ovvero contenuti prodotti da modelli di intelligenza artificiale generativa. Il tema della ricerca è la ricostruzione digitale di edifici storici con un orientamento dichiarato all’autenticità del manufatto. Il lavoro è strutturato come caso studio dello Xiangxian Hall, edificio storico di Lanxi, nella provincia cinese dello Zhejiang.

L’elemento tecnico distintivo è l’impiego della generazione di contenuti tramite IA come guida del processo di ricostruzione digitale: si tratta quindi di un approccio fondato su modelli generativi, da distinguere da semplici procedure di automazione o di ottimizzazione algoritmica. L’autenticità dell’edificio storico funge da criterio orientante della ricostruzione digitale, definendo la finalità del framework stesso.

I dettagli operativi del metodo e i risultati della sua applicazione al caso studio dello Xiangxian Hall sono trattati nel testo integrale dello studio.

Un nuovo studio pubblicato su CivilEng (MDPI, Vol. 7, doi: 10.3390/civileng7010003) applica il machine learning alla stima preliminare della resistenza a compressione del calcestruzzo drenante (pervious concrete), con l’obiettivo di ridurre i cicli di prova distruttivi necessari alla messa a punto delle miscelle.

Il problema: resistenza limitata e prove lente

Il calcestruzzo drenante è una alternativa sostenibile ai pavimenti convenzionali grazie alla capacità di favorire l’infiltrazione delle acque meteoriche e la ricarica delle falde. L’assenza di aggregati fini genera però una struttura altamente porosa che riduce la resistenza a compressione, limitando l’impiego strutturale più ampio del materiale.

Alla determinazione della resistenza tradizionale si aggiunge il peso del collaudo di laboratorio: prove distruttive su provini che richiedono materiale, energia e tempi di maturazione fino a 28 giorni. Questo rende la progettazione iterativa della miscela lenta e dispendiosa in risorse. Il settore edile, per contesto, è responsabile del 30-40% delle emissioni globali di CO2 e di un elevato consumo di risorse naturali.

Cosa fanno gli autori

Hamed Abdul Baseer e G. G. Md. Nawaz Ali propongono il machine learning come strumento di stima rapida e preliminare, in grado di fornire previsioni anticipate della resistenza a compressione a partire dalla composizione della miscela e dai parametri di maturazione.

Più algoritmi di machine learning sono stati addestrati e valutati utilizzando dati ricavati dalla letteratura esistente e successivamente validati attraverso prove di laboratorio. Lo studio non specifica nel testo di presentazione quali algoritmi siano stati impiegati né i valori numerici delle prestazioni dei modelli.

Risultati dichiarati

I risultati indicano che il machine learning può fornire stime preliminari della resistenza affidabili, con un approccio più rapido ed efficiente in termini di risorse per guidare gli aggiustamenti della miscela.

Gli autori sottolineano che i modelli non sostituiscono il collaudo di laboratorio, ma operano come strumenti di supporto decisionale: consentono di valutare gli esiti di resistenza potenziali prima di gettare e far maturare i provini fisici. Questo può ridurre il numero di batch di prova, il consumo di materiale e l’impatto ambientale legato alle prove distruttive ripetute.

Applicazioni professionali e limiti

L’integrazione di modelli ML nella ricerca sul calcestruzzo drenante è prospettata come in grado di supportare pratiche di sviluppo del materiale più sostenibili, convenienti e rapide, riducendo la dipendenza dai cicli di prova a 28 giorni ripetuti. Per il tecnico, l’utilità si colloca nella fase preliminare di mix design: una stima anticipata della resistenza può orientare la formulazione prima del collaudo.

I limiti dichiarati dal materiale sono legati al ruolo stesso dei modelli, conception come strumenti di stima preliminare e non come sostituzione delle prove distruttive; la validazione resta di pertinenza del laboratorio. Il testo disponibile non riporta dettagli su dataset, architetture specifiche o metriche quantitative dei modelli.

La previsione dei livelli di danno sismico negli edifici in cemento armato ammodernati con l’isolamento alla base è il tema di uno studio pubblicato su CivilEng da Mohamed Algamati, Abobakr Al-Sakkaf e Ashutosh Bagchi. Il lavoro applica il machine learning a un nodo centrale del calcolo strutturale: la stima dello spostamento relativo tra i piani, grandezza da cui dipende la definizione di un sistema di isolamento ottimale. Cinque algoritmi sono stati addestrati e confrontati, con accuratezze superiori all’85% per quattro di essi.

Perché lo spostamento relativo di piano è un nodo critico

L’isolamento alla base è una tecnica utile e diffusa per l’adeguamento sismico degli edifici in cemento armato. La sua progettazione passa per la previsione dei livelli di danno, correlati allo spostamento relativo tra i piani (inter-story drift). Le normative esistenti ricavano però questa grandezza a partire dallo spettro di accelerazione, senza fornire una stima accurata del drift: un limite che condiziona la definizione del sistema di isolamento. È su questo divario che si concentra la ricerca, con algoritmi di machine learning addestrati per identificare i livelli di danno negli edifici in cemento armato sottoposti a retrofit.

Il dataset: 48 edifici e oltre 7000 casi

La base di dati è stata costruita in ambiente numerico. Sono stati progettati 48 edifici in cemento armato, con numero di piani e numero di campate differenti, secondo una versione precedente delle normative edilizie esistenti. Per ciascuno è stato poi dimensionato un sistema di isolamento alla base destinato al retrofit sismico.

L’analisi strutturale è stata condotta con due approcci: analisi dinamiche non lineari nel tempo (nonlinear time-history analysis) e analisi dinamiche incrementali (incremental dynamic analysis). Da questi calcoli derivano più di 7000 dataset, che costituiscono l’input per l’addestramento e l’utilizzo dei modelli predittivi.

Cinque algoritmi a confronto

Sui dati sono stati addestrati cinque algoritmi di machine learning: Decision Tree, Random Forest, Support Vector Machine, Extreme Gradient Boosting e una Artificial Neural Network. L’obiettivo comune è l’identificazione dei livelli di danno negli edifici ammodernati con l’isolamento alla base.

Risultati documentati

Quattro algoritmi su cinque dimostrano la capacità di prevedere il livello di danno con un’accuratezza superiore all’85%. La migliore prestazione è stata registrata dall’Extreme Gradient Boosting, che raggiunge il 89%.

Dall’analisi sono stati inoltre derivati i parametri che condizionano maggiormente i livelli di danno degli edifici in cemento armato ammodernati. È un esito che si innesta nella finalità dichiarata della ricerca: supportare la progettazione di sistemi di isolamento ottimali attraverso una previsione del danno più affidabile rispetto alla sola lettura dello spettro di accelerazione.

Il quadro operativo per il tecnico

I modelli lavorano sui risultati di analisi numeriche avanzate: la modellazione degli edifici, il dimensionamento dei sistemi di isolamento e le analisi dinamiche restano attività di ingegneria strutturale da cui il machine learning trae i dati di addestramento. I valori di accuratezza riportati si riferiscono al caso studio analizzato, costituito da edifici progettati secondo una versione precedente delle normative e da sistemi di isolamento dedicati al retrofit sismico. L’approccio si colloca come strumento di supporto alla previsione del danno, nell’ambito del gap tecnico individuato: la limitata accuratezza della stima normativa dello spostamento relativo di piano.

Il riferimento

Mohamed Algamati, Abobakr Al-Sakkaf, Ashutosh Bagchi, Application of Machine Learning for Predicting Seismic Damage in Base-Isolated Reinforced Concrete Buildings, CivilEng, vol. 7, fascicolo 1, articolo 4. Disponibile online: doi 10.3390/civileng7010004.

Uno studio pubblicato sulla rivista scientifica Buildings, volume 16, pagine 3874, affronta un problema preciso della modellistica applicata al settore edilizio: come valutare le prestazioni dei modelli ibridi basati su reti LSTM e come selezionare la configurazione più adatta alla previsione delle emissioni di carbonio operative negli edifici universitari. Il lavoro si colloca all’incrocio tra machine learning e gestione energetica del patrimonio edilizio, con un impianto prettamente comparativo.

Emissioni operative degli edifici universitari: l’ambito della ricerca

L’oggetto della previsione sono le emissioni operative, ossia la quota di carbonio associata al funzionamento dell’edificio durante l’esercizio. Il campo di applicazione scelto è quello degli edifici universitari, per i quali la stima dell’andamento delle emissioni viene trattata come un problema di previsione su serie temporali.

Questa impostazione è coerente con la natura delle architetture impiegate: quando l’informazione di interesse evolve nel tempo, la modellazione temporale diventa il terreno operativo principale, e la scelta dello strumento di calcolo incide direttamente sulla qualità della previsione ottenibile.

LSTM ibride: terminologia e funzionamento

L’acronimo LSTM rimanda alle reti Long Short-Term Memory, un’architettura di reti neurali ricorrenti pensata per apprendere dipendenze temporali su orizzonti estesi, superando i limiti delle reti ricorrenti semplici nell’elaborazione di sequenze lunghe.

La qualifica di ibrido indica configurazioni in cui la componente LSTM è integrata con altri metodi di calcolo o di apprendimento automatico. L’obiettivo di queste combinazioni è unire la capacità della rete di leggere l’andamento temporale dei dati con i punti di forza delle tecniche affiancate. Nel caso specifico, le configurazioni ibride vengono applicate alla stima delle emissioni operative di edifici universitari.

Valutazione delle prestazioni e selezione del modello

Il nucleo metodologico dello studio è duplice. Da un lato si trova la valutazione delle prestazioni dei modelli LSTM ibridi sul compito di previsione delle emissioni operative. Dall’altro la selezione del modello, cioè l’individuazione della configurazione con il comportamento più adatto allo scenario applicativo di riferimento.

La sequenza adottata rispecchia la pratica consueta negli studi comparativi di machine learning: le alternative disponibili vengono confrontate in termini di prestazioni e la scelta finale riguarda la configurazione più coerente con l’uso previsto. In questo caso il confronto è circoscritto ai modelli ibridi basati su LSTM e alla previsione delle emissioni di carbonio operative nel contesto universitario.

Per chi opera su efficienza energetica e monitoraggio del patrimonio edilizio, l’interesse del lavoro risiede nella riconducibilità della scelta del modello a un confronto esplicito e argomentato tra alternative, un passaggio spesso lasciato a valutazioni di convenienza nell’impostazione pratica dei flussi di analisi.

Un metodo di segmentazione e conteggio di aggregati grossi e fini, denominato BC-GECO2, è stato proposto per ridurre gli errori di determinazione della granulometria nel calcestruzzo idraulico. Il lavoro, firmato da Jiandong Wu, Baijing Wu, Jianwei Deng, Long Ma, Shuhong Liu e Shufan Zhang, è stato pubblicato sulla rivista Infrastructures (Vol. 11, pagine 297, doi: 10.3390/infrastructures11090297). Il tema interessa direttamente l’automazione digitale delle attività di caratterizzazione degli inerti: il conteggio degli aggregati per classe dimensionale, particolarmente critico quando gli elementi sono sovrapposti o ammassati, viene affrontato con un modello di visione artificiale addestrato su dati raccolti in cantiere.

La criticità di partenza è ricorrente nell’analisi automatica delle immagini di inerti: con aggregati sovrapposti o raggruppati in ammassi, di tipo misto e con distribuzioni spaziali diversificate, la segmentazione genera errori di over-segmentazione, quando un singolo aggregato viene suddiviso in più elementi, oppure di under-segmentazione, quando più aggregati vengono accorpati in uno solo. Entrambe le condizioni falsano il conteggio per classe granulometrica e, di conseguenza, la stima della gradazione. BC-GECO2 affronta il problema su tre fronti: estrazione delle caratteristiche multi-scala, gestione dei contorni negli ammassi densi e ottimizzazione orientata al conteggio.

Architettura del metodo

BAHiera: estrazione multi-scala con attenzione ai bordi

La rete di estrazione delle caratteristiche BAHiera ricava caratteristiche profonde multi-scala tramite un meccanismo di attenzione sensibile ai bordi (edge-aware attention), che orienta il processo di estrazione verso le informazioni di contorno degli aggregati.

DFG-Edge: potenziamento dei confini negli ammassi densi

Il modulo DFG-Edge è dedicato alle caratteristiche di confine degli aggregati a distribuzione densa e le potenzia integrando la trasformata wavelet con un meccanismo di fusione gated. L’effetto atteso è la mitigazione della perdita delle caratteristiche dei piccoli aggregati durante il downsampling.

CSFM-GFFCA: fusione adattiva tra scale

Il modulo CSFM-GFFCA si basa su una struttura a doppio ramo con tre funzioni: fondere in modo adattivo le caratteristiche di scale adiacenti, rafforzare le risposte di bordo dei piccoli aggregati densamente distribuiti e migliorare l’interazione tra caratteristiche di livelli diversi della rete.

Ottimizzazione congiunta di Focal loss e counting loss

La funzione di ottimizzazione combina la Focal loss con una counting loss dedicata al conteggio. L’orientamento è verso i pixel più difficili da classificare, in particolare quelli situati sui bordi degli aggregati, con l’obiettivo di migliorare l’integrità della segmentazione e l’accuratezza del conteggio.

Risultati sperimentali

Le verifiche sono state condotte su un dataset di aggregati raccolto in cantieri reali. Nel confronto con il modello base GECO2, il metodo proposto migliora i valori medi degli indicatori di segmentazione e riduce gli errori medi del conteggio secondo la tabella seguente.

Indicatore	Variazione media rispetto a GECO2
IoU di segmentazione	+2,92%
Dice	+5,04%
BIoU	+2,83%
MAE del conteggio	-6,92
RMSE del conteggio	-15,65

L’IoU (Intersection over Union) e l’indice di Dice quantificano la corrispondenza tra la segmentazione prodotta dal modello e il riferimento; MAE (errore assoluto medio) e RMSE (radice dell’errore quadratico medio) esprimono lo scostamento del conteggio rispetto ai valori attesi.

Gli autori riportano inoltre una robustezza e una capacità di generalizzazione superiori rispetto al modello base in scenari con diverse densità di ammassamento degli aggregati e con bordi sfocati.

Ambito e rilevanza operativa

Il metodo è presentato come supporto tecnico per lo sviluppo intelligente del rilevamento rapido della granulometria del calcestruzzo. Le prestazioni documentate si riferiscono alla segmentazione e al conteggio su immagini di aggregati raccolti nei cantieri considerati, con confronto numerico stabilito rispetto a GECO2; su eventuali integrazioni con altri strumenti o workflow digitali di cantiere non vengono forniti elementi.

In sintesi, BC-GECO2 concentra gli interventi di progetto sui punti che generano gli errori di conteggio, ovvero sovrapposizione e ammassamento degli inerti e definizione dei bordi, e quantifica i miglioramenti rispetto al modello di partenza su dati reali di cantiere.

McNeel ha reso disponibile Rhino MCP Platform, un sistema che collega Rhino e Grasshopper ad assistenti di intelligenza artificiale compatibili con il Model Context Protocol (MCP), tra cui Claude, OpenAI Codex, Gemini e GitHub Copilot, oltre a modelli eseguiti localmente. Non si tratta di un semplice chatbot incorporato nel software: l’assistente può leggere alcune informazioni presenti nel modello e richiamare direttamente gli strumenti messi a disposizione dal programma, dalla creazione di geometrie all’organizzazione dei layer fino alla modifica di script e definizioni Grasshopper.

Che cos’è MCP

MCP, Model Context Protocol, è uno standard aperto che permette alle applicazioni di intelligenza artificiale di collegarsi a dati e strumenti esterni. La differenza rispetto all’uso attuale di un chatbot insieme a un software di modellazione è netta. Oggi, se si chiede a un assistente di scrivere uno script per Rhino, il modello produce il codice, ma resta all’utente il compito di copiarlo nel programma, eseguirlo e verificare il risultato.

Con un collegamento MCP alcuni di questi passaggi avvengono direttamente: il software rende disponibili determinate funzioni e l’assistente le richiama per rispondere alla richiesta. Il flusso passa, semplificando, da prompt → risposta → utente → software a prompt → assistente AI → strumenti del software.

Questo non equivale a dare all’AI accesso indistinto al programma: è l’integrazione MCP stessa a definire quali informazioni possono essere lette e quali operazioni eseguite. Lo standard funziona in sostanza come un linguaggio comune attraverso cui l’assistente utilizza strumenti esterni.

Cosa può fare oggi in Rhino

La Rhino MCP Platform consente all’assistente di vedere il contenuto dei file, creare geometrie, eseguire comandi, scrivere o modificare script e intervenire sulle definizioni Grasshopper. Gli esempi pubblicati da McNeel coprono operazioni piuttosto diverse tra loro:

• distribuire automaticamente gli elementi di un modello sui layer;
• produrre variazioni di una geometria;
• costruire una definizione Grasshopper a partire da una richiesta in linguaggio naturale;
• partire da un’immagine per ottenere una prima costruzione parametrica.

Un esempio tipico: chiedere di “prendere gli oggetti presenti nel modello e organizzarli su layer differenti in base alla loro tipologia”. L’assistente non si limita a spiegare come impostare i layer o a suggerire uno script, ma utilizza gli strumenti di Rhino messi a sua disposizione per svolgere l’operazione.

Oltre Rhino: il caso SketchUp

Rhino rappresenta oggi uno degli esempi più strutturati, ma MCP non è una tecnologia specifica di McNeel. Anche attorno a SketchUp sono nate sperimentazioni che collegano il programma ad assistenti AI attraverso lo stesso protocollo, anche se in questo caso occorre distinguere tra progetti sviluppati dalla community e integrazioni ufficiali.

Un segnale arriva da Trimble, che nel maggio 2026 ha invitato gli sviluppatori di estensioni SketchUp a collaborare allo sviluppo di progetti MCP destinati ai propri sistemi Trimble AI Studio e Trimble Assistant. Non si tratta ancora di una soluzione equivalente alla piattaforma disponibile per Rhino, ma la direzione è simile: permettere agli assistenti di interagire con gli strumenti utilizzati per costruire e modificare i modelli, invece di rimanere confinati nella finestra di una chat.

Cosa cambia per il progettista

Nel breve periodo, le applicazioni più concrete non riguardano la richiesta di “progettare un edificio” ma le attività quotidiane: organizzare oggetti e layer, eseguire modifiche ripetitive, produrre serie di varianti, interrogare il contenuto di un modello oppure accedere tramite linguaggio naturale a procedure che oggi richiedono comandi, script o definizioni parametriche. Il prompt assume così un ruolo diverso: non serve più soltanto a produrre testo, immagini o codice, ma può diventare un modo per richiamare e combinare azioni all’interno degli strumenti di lavoro.

Resta un punto fondamentale. Il fatto che un assistente possa eseguire un’operazione non significa che sappia valutare se quell’operazione sia corretta dal punto di vista progettuale o tecnico. Può costruire una geometria, modificare decine di elementi o generare una definizione Grasshopper, ma stabilire cosa modificare, secondo quali criteri e se il risultato sia effettivamente utilizzabile rimane responsabilità del progettista. Queste integrazioni, più che eliminare il controllo umano, spostano l’attenzione su quali operazioni affidare all’AI, quali strumenti renderle disponibili e come verificare i risultati.

Procore, fornitore di software per la gestione delle costruzioni, ha lanciato una Common Data Environment (CDE) connessa che riunisce in un unico ambiente i dati di progetto, i flussi di lavoro, i modelli BIM e le informazioni sugli asset. La piattaforma è concepita per mantenere i record digitali allineati con la realtà di cantiere e per porre le basi affinché agenti AI operino lungo l’intero ciclo di vita del progetto, dalla progettazione approvata alla consegna.

La tecnologia: Datagrid e l’AI agentica nella CDE

La CDE di Procore incorpora la tecnologia AI di Datagrid, piattaforma di AI agentica acquisita da Procore a gennaio 2026. L’obiettivo dichiarato è far compiere all’AI un passo ulteriore rispetto alla semplice messa a disposizione delle informazioni, portandola all’esecuzione del lavoro tramite una serie di “agentic AI coworkers”: agenti AI destinati ad automatizzare i flussi di lavoro delle costruzioni e a compiere azioni direttamente all’interno della piattaforma.

Procore precisa che questi agenti sono pensati per eliminare l’attrito amministrativo, non per sostituire il giudizio professionale: l’esecuzione viene accelerata mentre i team di progetto mantengono controllo, responsabilità e autorità decisionale finale.

Dati strutturati e contesto di progetto

La CDE collega l’AI a dataset strutturati di progetto che comprendono modelli BIM, disegni, specifiche, RFI, submittal e attività di cantiere. Secondo Procore, questo consente al sistema di ragionare sul contesto di progetto e di comprendere le relazioni tra flussi di lavoro e dati, supportando l’esecuzione in ambienti costruttivi complessi e trasformando informazioni frammentate in elementi immediatamente utilizzabili.

Sul piano operativo, le funzionalità dichiarate includono:

• il recupero di risposte già presenti nei record di progetto prima che venga generata una nuova RFI;
• l’individuazione di discrepanze tra la progettazione approvata e l’esecuzione in cantiere;
• l’accelerazione della risoluzione delle problematiche grazie al collegamento tra flussi di lavoro correlati, documenti e contesto storico di progetto.

Primi riscontri d’uso

Alain Waha, CTO di Buro Happold, dichiara che la società è “in percorso per ridurre del 50% il carico amministrativo relativo alla creazione e alla risposta delle RFI e alla revisione dei submittal”. Secondo Waha, l’incorporazione dell’AI direttamente nei flussi di lavoro di progetto consente ai team di dedicare meno tempo alla navigazione delle informazioni e più tempo all’avanzamento del lavoro.

Tracciabilità e conformità normativa

Il record connesso ha implicazioni anche sul piano della conformità. Per i team europei che operano sotto ISO 19650 e Building Safety Act, Procore dichiara che la CDE fornisce la tracciabilità (audit trail) difendibile necessaria a far fronte agli obblighi normativi in ogni fase del progetto, dalla progettazione fino alla consegna.

“La sfida non è più semplicemente passare dalla carta al digitale, ma garantire che le informazioni fluiscano in modo coerente tra team, processi e l’intero ciclo di vita del progetto. Man mano che le aspettative normative crescono e le imprese adottano l’AI, i dati connessi stanno diventando un vantaggio competitivo”, afferma Lee Miles, General Manager EMEA di Procore.

Disponibilità

Sviluppata per i requisiti specifici del mercato europeo, la CDE di Procore sarà lanciata inizialmente nel Regno Unito e in Irlanda, prima di estendersi al resto di EMEA.

Il lancio colloca l’AI agentica direttamente nell’ambiente dati comune, con l’ambizione dichiarata di passare dal reperimento delle informazioni all’esecuzione delle attività, mantenendo il processo decisionale finale in capo ai team di progetto.