Об авторе: Пётр Манин, директор по развитию бизнеса в направлении промышленного и гражданского строительства компании «Нанософт», участник АРПП «Отечественный софт»
Массив нормативных требований и цена ошибки
Строительная индустрия подчинена строжайшим государственным нормативам — ГОСТам, СНИПам, отраслевым и техническим регламентам, а также требованиям заказчика и внутренним правилам девелоперов. Эти правила обеспечивают безопасность, надёжность и долговечность объектов — за каждым зданием, транспортным объектом или промышленным комплексом стоит огромный массив требований.
В одном из проектов атомной отрасли, с которым мне довелось работать, задание на проектирование состояло из более чем тысячи разделов и включало десятки тысяч требований. Их реализацией и проверкой соответствия вручную занимались целые отделы. Процесс занимал огромное количество времени и неизбежно приводил к ошибкам. А на строительстве атомного объекта каждый день простоя обходится во многие миллионы рублей.
До недавнего времени нормативная информация существовала в виде текстовых документов и требовала колоссального ручного труда по поиску, пониманию и применению норм. С появлением ИИ появилась возможность перевести большие объемы данных в машиночитаемый формат и анализировать их при помощи специализированного ПО. Это относится и к проверке проектных решений главным инженером проекта, техническим заказчиком или экспертизой, и к проверке инженером самого себя в реальном времени.
Простой пример: проектировщик промышленного объекта с ошибкой задаёт диаметр трубы. Система автоматически сопоставляет параметр с подключённым нормативом в машиночитаемом виде и подсвечивает ошибку в САПР еще до завершения расчёта. Раньше такую проблему нередко находили уже на стройке, после чего требовалось время на пересогласование проекта.
Ещё 10 лет назад основной акцент делался на «информационной модели» как цифровом прототипе здания, прежде всего на её геометрической составляющей (3D). Сегодня акцент сместился на «данные»: модель и каждый её компонент имеют множество параметров, с которыми работают различные программные средства. Поэтому структурированные данные можно подготовить для ИИ, а проверка соответствия требованиям, которая раньше отнимала недели ручного труда даже у экспертов, теперь занимает минуты. Такое рабочее решение с элементами ИИ уже есть.
Может ли ИИ заменить архитектора?
Алгоритмы научились создавать сложные архитектурные формы ещё до первых успехов автоматизированной разработки зданий на стадиях проектной и рабочей документации для типовых проектов. Архитекторы применяли параметрическое моделирование, чтобы создавать и рассчитывать формы, которые невозможно построить вручную.
Один из ярких примеров — проект Технопарка в Сколково: цифровое моделирование применяли для создания фасадов и конструкций со сложными футуристичными формами.
Архитектор задавал исходные данные: ограничения, пространственную логику и принципы будущего объекта, а вычислительные инструменты воплощали замысел в форме. Алгоритм расширял возможности архитектора, но не был источником уникальной идеи.
В 2026 году генеративные сервисы способны на большее: они частично автоматизируют проектирование на ранних этапах — планирование территории, общую концепцию здания, расположение помещений, визуализацию и анимацию, — а также отдельные задачи при подготовке проектной и рабочей документации. Но там, где объект нетиповой, машина по-прежнему расширяет возможности и повышает эффективность, а не заменяет автора. Самым сложным звеном остается детальная проработка решения — превращение замысла в точную рабочую документацию, где просчитан и увязан каждый элемент здания.
Именно поэтому крупнейшие мировые разработчики САПР пока не делают акцент на полной платформенной автоматизации, а предлагают точечные улучшения BIM-инструментов. Система берёт на себя сложную техническую и рутинную часть, а творческие задачи — создание нетипового, узнаваемого образа и принятие сложных проектных решений — по-прежнему решает человек.
От классического инженера — к цифровому
Уже есть примеры генеративного проектирования разных стадий для типового проекта (секционные дома эконом-класса). Однако систем, способных самостоятельно создать сложный объект — от концепции до готовой рабочей документации для широкого круга гражданских, инфраструктурных и промышленных проектов, — пока не существует. По моей оценке, первые полноценные решения такого класса могут появиться в горизонте пяти лет.
Полная автоматизация проверки проекта на соответствие нормативам — наиболее реалистичный сценарий: в ближайшие один-два года такие системы могут стать массовыми. Если значительную часть операций будет выполнять машина, специалист избавится от монотонной рутины.
Появится новая роль — цифровой инженер, ответственный за контроль системы. Чем больше технических операций возьмёт на себя машина, тем меньше ценность их выполнения вручную — и тем важнее способность эксперта понимать весь процесс, ставить задачи и оценивать результаты.
Здесь встаёт вопрос об ответственности: если ошибку допустил алгоритм, кто отвечает — проектировщик, разработчик сервиса или экспертиза? Оператором системы становится специалист или эксперт с реальным опытом в отрасли — только он способен заметить сбой алгоритма и вовремя его скорректировать. Ответственность за результат остается за человеком.
Гибкость как новый ресурс
Важно и то, что доступ к этим технологиям больше не определяется размером компании. Раньше только крупные игроки могли позволить себе мощные серверы и дорогие сложные САПР. Сегодня небольшая, но гибкая компания способна внедрить ИИ-инструменты быстрее неповоротливого гиганта с большим IT-бюджетом, потому что ей не нужно преодолевать большое количество согласований и менять устоявшиеся процессы.
