L’adozione del Building Information Modelling ha digitalizzato il processo edilizio, ma la frammentazione dei dati tra discipline, formati e fasi progettuali continua a ostacolare una stima automatica affidabile dei costi. I modelli BIM generano informazioni disomogenee, mentre le previsioni deterministiche non quantificano l’incertezza insita in ogni variabile di costo. Per le commesse pubbliche e private, la trasparenza e il controllo dei rischi restano obiettivi difficili da raggiungere in assenza di strumenti capaci di gestire dati eterogenei e di restituire intervalli di confidenza.
Un framework basato su agenti intelligenti per superare le stime deterministiche
Una ricerca recente propone un’architettura che integra agentic AI e large language models (LLM) per risolvere il problema. Il sistema utilizza quattro agenti specializzati che cooperano attraverso un modulo di memoria condivisa, centrato su un LLM con capacità di comprensione del linguaggio naturale, generazione di codice e ragionamento a catena di pensiero. L’architettura è progettata per elaborare dati BIM frammentati e produrre stime probabilistiche dei costi, incorporando l’incertezza mediante simulazioni Monte Carlo.
Il prototipo è stato implementato con un modello linguistico avanzato, una piattaforma per la gestione di agenti automatici e algoritmi di simulazione Monte Carlo. I test sono stati condotti su tre strutture reali, confrontando i risultati con tre metodi tradizionali di stima.
Risultati: riduzione drastica dei tempi e degli interventi manuali
I dati raccolti mostrano un miglioramento significativo sotto diversi aspetti. Il tempo di elaborazione è sceso a 4,2 minuti contro un intervallo compreso tra 18,5 e 68,0 minuti dei metodi di confronto. Gli interventi manuali per ciclo sono passati da 9–14 a 0,8. La precisione nella risoluzione delle entità (entity resolution) ha raggiunto l’86,5%, a fronte del 46–62% degli approcci tradizionali.
Sul fronte probabilistico, le previsioni hanno registrato un Prediction Interval Coverage Probability (PICP) dell’86,0% per intervalli nominali al 90%, con una larghezza media dell’intervallo (PIW) pari a 0,28 e una significatività statistica p < 0,01. L’analisi qualitativa ha confermato la capacità del sistema di risolvere conflitti semantici tra dati eterogenei e di visualizzare i rischi tramite diagrammi a tornado.
Vantaggi operativi per progettisti e direttori dei lavori
Per il professionista, il framework offre un salto operativo concreto. La riduzione del tempo di elaborazione da oltre un’ora a meno di cinque minuti, unita al taglio degli interventi manuali da 14 a meno di uno per ciclo, trasforma la stima dei costi in un’attività quasi automatica. Le risorse tecniche vengono liberate per l’analisi critica dei risultati, la valutazione delle varianti o la negoziazione con i fornitori.
La capacità di generare previsioni probabilistiche, con una copertura empirica dell’86,0% su intervalli nominali al 90%, fornisce al progettista e al direttore dei lavori uno strumento per quantificare il rischio economico, superando la logica del singolo valore puntuale. I diagrammi a tornado consentono di identificare rapidamente le variabili con maggiore impatto sul costo finale, supportando decisioni informate in fase di gara o di variante.
Limiti e cautele per l’adozione pratica
L’applicazione su larga scala richiede alcune precisazioni. I test sono stati condotti su tre strutture reali, un campione non sufficiente per generalizzare i risultati a tutte le tipologie di opere civili. Il modello linguistico utilizzato è commerciale e non open-source, il che solleva questioni di replicabilità e di dipendenza da fornitori esterni. Inoltre, la qualità della stima probabilistica dipende dalla completezza e dalla correttezza dei dati BIM di partenza: se il modello contiene errori o omissioni, il sistema non può correggerli autonomamente.
Gli autori dello studio riconoscono la necessità di test su un numero maggiore di casi e su tipologie edilizie diverse. Per un’adozione su larga scala, sarebbe opportuno valutare l’integrazione con modelli linguistici aperti per garantire la replicabilità e ridurre i costi di licenza.
L’integrazione tra agentic AI e LLM dimostra di poter risolvere problemi concreti di interoperabilità e incertezza nella stima dei costi da dati BIM frammentati. I risultati quantitativi indicano un progresso misurabile: riduzione del tempo di elaborazione dell’80% e miglioramento della precisione nella risoluzione delle entità di oltre venti punti percentuali. Le prospettive future, come l’integrazione con gemelli digitali, l’adozione di modelli open-source e l’estensione al monitoraggio dei costi durante la costruzione, delineano un percorso di sviluppo che potrebbe rendere il framework uno strumento operativo per il controllo economico di cantiere.
Lascia un commento