Stima dei costi nell’edilizia digitalizzata: un framework a intelligenza artificiale multiagente per superare i limiti dei dati BIM frammentati
Il Building Information Modelling ha introdotto una gestione digitalizzata dei processi costruttivi, ma la stima automatica dei costi continua a scontrarsi con una criticità strutturale: i dati provenienti da fonti eterogenee restano frammentati, e gli approcci deterministici non riescono a catturare l’incertezza intrinseca delle previsioni economiche. Una ricerca pubblicata su Intelligent Infrastructure and Construction (vol. 2, pag. 8) propone un superamento di questo limite attraverso un’architettura basata su agenti di intelligenza artificiale integrati con modelli linguistici di grandi dimensioni (LLM).
Il sistema si fonda su quattro agenti specializzati, ciascuno con compiti specifici, che operano in modo collaborativo attraverso un modulo di memoria condivisa. Al centro del processo si colloca un LLM dotato di capacità di comprensione del linguaggio naturale, generazione di codice e ragionamento sequenziale (chain-of-thought reasoning). L’obiettivo dichiarato è trasformare la stima dei costi da un calcolo deterministico a una previsione probabilistica, in grado di quantificare l’incertezza e restituire un intervallo di confidenza anziché un valore puntuale.
Architettura del framework: agenti collaborativi e simulazione Monte Carlo
Il prototipo sperimentale è stato sviluppato utilizzando un modello linguistico avanzato, un sistema di orchestrazione per il coordinamento degli agenti e una simulazione Monte Carlo per la generazione delle distribuzioni di probabilità. I test sono stati condotti su tre strutture reali, confrontando i risultati con tre metodi tradizionali di stima dei costi.
I dati raccolti mostrano una riduzione significativa dei tempi di elaborazione: il nuovo sistema ha completato l’analisi in 4,2 minuti, contro un intervallo compreso tra 18,5 e 68,0 minuti per i metodi di confronto. Anche il numero di interventi manuali necessari è calato drasticamente, passando da una media di 9-14 interventi a 0,8. La precisione nella risoluzione delle entità (entity resolution accuracy) ha raggiunto l’86,5%, a fronte di valori compresi tra il 46% e il 62% nei metodi tradizionali.
Affidabilità delle previsioni probabilistiche e copertura degli intervalli
L’aspetto più rilevante dal punto di vista tecnico riguarda la calibrazione delle previsioni probabilistiche. Per un intervallo di previsione nominale del 90%, il framework ha raggiunto una copertura empirica dell’86,0% (PICP, Prediction Interval Coverage Probability), con un’ampiezza media dell’intervallo (PIW) pari a 0,28. Il risultato è statisticamente significativo (p < 0,01).
Un’analisi qualitativa ha inoltre confermato la capacità del sistema di risolvere conflitti semantici tra i dati e di produrre visualizzazioni del rischio mediante diagrammi a tornado, strumento immediatamente utilizzabile dal direttore dei lavori o dal responsabile della commessa per identificare le variabili a maggiore impatto economico.
Implicazioni per la pratica professionale e sviluppi futuri
L’integrazione di agenti AI e LLM nella stima dei costi affronta un nodo storico del BIM: la necessità di operare su dati eterogenei e non sempre allineati tra discipline. L’output probabilistico, invece di un valore deterministico, consente al tecnico di valutare il margine di rischio associato a ogni voce di costo, con ricadute dirette sulla trasparenza delle comunicazioni con committenti e sulla gestione delle riserve economiche in corso d’opera.
Gli autori indicano tre direttrici di sviluppo futuro: l’integrazione con digital twin, l’adozione di modelli linguistici open source per ridurre la dipendenza da soluzioni proprietarie e l’estensione del framework alle fasi di previsione durante la costruzione, per aggiornare in tempo reale le stime al variare delle condizioni di cantiere.
Lascia un commento