Почему стройка отстает от ИИ-технологий?
Внедрение искусственного интеллекта (ИИ) в различных сферах российской экономики выходит за рамки пилотных проектов и входит в фазу системного масштабирования. Но для строительства переход от экспериментов к промышленной эксплуатации потребует множества изменений – как действующего законодательства РФ, так и нормативно-технического регулирования.
Консерватизм отрасли и низкая производительность труда (всего 1% годового роста по сравнению с 2,8% в мировой экономике) также тормозят внедрение новых технологий. В процессе строительства генерируются огромные объемы информации в виде разрозненных данных (контракты, документы, чертежи, графики, фото и видеоматериалы, ЦИМ/BIM-модели), и до сих пор они используются неэффективно. А суть ИИ-инноваций как раз состоит в обработке, анализе систематизации больших данных (big-data) и создании нового содержания: текста, изображения, кода или 3D-модели на основе изученных паттернов**.
В инвестиционно-строительном проекте можно выделить 3 этапа применения ИИ-технологий:
- Предпроектный этап: автоматическая генерация технико-экономических обоснований, визуализация концепций из текста, извлечение данных из топографических данных.
-
Этап строительства: автоматизированное планирование графиков, создание ежедневных планов и отчетов о ходе работ, оценка рисков и распознавание угроз безопасности по видео с площадки. -
Пост-строительный этап: генерация инструкций по эксплуатации здания, перевод технической документации, анализ архивных документов, фотоматериалов для составления дефектных ведомостей.
- технологические – нехватка вычислительных мощностей
- доменные – отсутствие больших качественных датасетов* специфичных для стройки
- этические – вопросы ответственности за ошибки ИИ
- организационные – сопротивление консервативной отрасли новым цифровым инструментам
Технологические вызовы: стабильность и ресурсы
|
Вызовы |
Российская специфика и нормативная база |
|
Галлюцинации» и отсутствие объяснимости. LLM-модель выдумывает детали (например, номера пунктов контракта или параметры арматуры). LLM не ищет ответ в базе знаний — она генерирует текст, статистически похожий на тексты по данной теме |
Для российского строительного контроля это фатальный риск. Любое проектное решение должно быть верифицируемым по ГрК РФ. Экспертиза требует ссылки на конкретный пункт СП или ГОСТ. Если ИИ сгенерирует узел крепления со ссылкой на несуществующий стандарт, ответственность ляжет на подписавшего чертеж специалиста (ГИПа/ГАПа). Текущая версия ФЗ об экспериментальных правовых режимах № 123-ФЗ (ЭПР в Москве) позволяет тестировать ИИ, но не снимает с человека персональной ответственности за соблюдением требований технических регламентов и безопасность зданий. |
|
Вычислительные ресурсы. Необходимость мощных GPU-кластеров*** |
Импортозамещение ПО создаёт дополнительное финансовое давление. Переход на отечественные САПР (Renga, Model Studio CS, nanoCAD, Инженерный BIM) требует интеграции западных алгоритмов ИИ через API, которые часто закрыты или нестабильны. Строительным компаниям приходится либо инвестировать в собственную серверную инфраструктуру (что сложно, учитывая волатильность рынка железа), либо полностью зависеть от облачных провайдеров, снижая уровень кибербезопасности КИИ (критической информационной инфраструктуры). |
Доменные вызовы: знание нормативов и работа с данными
|
Вызовы |
Российская специфика и нормативная база |
|
Требование специфических знаний. Модели могут создавать визуально привлекательные конструкции, нарушающие СП (СНиП), ГОСТ Р или требования к безопасности зданий и сооружений |
В РФ действует жесткая иерархия обязательных требований и стандартов. Применение СП (Сводов правил), включенных в реестр требований, необходимо для обеспечения безопасности. Генеративная модель не обладает «инженерным пониманием» предельных состояний. Проблема ТИМ: ГОСТ Р 10.00.00.01‑2025 системы стандартов ЕСИМ определяет информационную модель как совокупность данных, а не проектных решений. Однако на этапе передачи модели в Главгосэкспертизу (Приказ Минстроя № 783/пр) требуется подтверждение соответствия XML-схем техническим регламентам. ИИ может заполнить атрибуты BIM-элемента некорректными значениями, которые пройдут машиночитаемую проверку формата, но провалят инженерную экспертизу. |
|
Неструктурированные данные. Разрозненные форматы от XML, PDF/A-сканов до IFC-файлов (и LandXML) мешают обучению моделей |
Российские ГИСОГД (Государственные информационные системы обеспечения градостроительной деятельности) всех уровней требуют строгой унификации. Согласно Постановлению Правительства РФ № 614. Выгрузка информационной модели в ГИСОГД должна осуществляться в форматах XML/IFC по строго определенным схемам. Генеративный ИИ, создающий свободный текст или нестандартные графические элементы, потребует сложного слоя middleware*****для трансформации и валидации по IDS (для IFC) и XSD (для XML), и его вывода в легитимный для государства вид. |
|
Отсутствие больших датасетов. Нехватка размеченных данных для обучения локальным нормам |
Это критический барьер. В отличие от США или ЕС, российские массивы исполнительных смет, актов КС-2/КС-3 и детализированных BIM-моделей (ЦИМ) редко консолидируются в открытые обучающие выборки из-за требований ФЗ-152 «О персональных данных» и коммерческой тайны госконтрактов (44-ФЗ, 223-ФЗ). Обучение LLM только на открытых ГОСТах и СП даст модель, которая знает теорию, но не понимает реальной практики применения региональных расценок (ТЕР/ФЕР) и ведомственных приказов. |
Этические вызовы: конфиденциальность и рынок труда
|
Вызовы |
Российская специфика и нормативная база |
|
Конфиденциальность данных. Использование реальных адресов и финансовых показателей стройки для обучения |
Прямое столкновение с ФЗ-152 «О персональных данных» и понятием коммерческой тайны. Перед загрузкой массива договоров в векторную базу RAG**** (как в кейсе статьи) компания обязана провести деперсонализацию. Однако избыточная анонимизация лишает ИИ контекста (например, понимания логистики конкретной локации), снижая качество генерации. |
|
Автоматизация рабочих мест. Страх сокращения сметчиков и инженеров ПТО |
В условиях дефицита квалифицированных кадров в РФ (особенно в регионах) генеративный ИИ рассматривается скорее как инструмент удержания экспертизы, а не замены людей. Нормативно это поддерживается программами переподготовки нацпроекта «Цифровая экономика», где акцент делается на симбиозе «человек + ИИ» для работы с ТИМ-моделями (3D/4D/5D). При этом ИИ на уровне 3D — уже реальность: плагины для Revit/ArchiCAD, автоматические BIM-чекеры, цифровые ведомости объемов работ (ЦВОР в Larix). На уровне 4D — пилоты (связка графика, 3D-модели в едином 4D-контуре (PLAN-R). На уровне 5D — концепты, упирающиеся в датасетный барьер (нет размеченных смет с реальными ТЕР/ФЕР). Для полноценной реализации 5D (связка объемов с деньгами), сформированная в Larix ЦВОР выгружается в сметные программы (Estimate, Smeta.ru или государственные ГИС ЕГРЗ), где к физическим объемам уже применяются расценки ФЕР/ТЕР. Именно здесь проявляется датасетный барьер: ИИ может идеально посчитать объем кладки, но решение о том, какую конкретную норму применить в текущих рыночных условиях региона, пока остается за человеком-экспертом. |
Вызовы внедрения: интеграция в устоявшиеся процессы
|
Вызовы |
Российская специфика и нормативная база |
|
Встраивание в существующий ИТ-ландшафт (интеграция с Legacy-системами). Несовместимость ИИ с ERP и привычными рабочими процессами |
В отличие от США, где доминирует Autodesk Construction Cloud + Procore, и от Скандинавии с единым Trimble Vico, российский строительный IT-ландшафт фрагментирован – нет единого контура данных. Российский строительный цикл жестко завязан на цепочку документооборота: Задание на проектирование → Проектная документация (ст. 48 ГрК РФ) → Рабочая документация → Исполнительная документация. Генеративный ИИ должен уметь работать внутри этой бюрократической вертикали. Например, автоматическая генерация исполнительной схемы геодезистом бесполезна, если она не привязана к требованиям Приказа Минстроя № 344/пр (форма исполнительной документации) и СП 543.1325800.2024 Строительный контроль. |
|
Неясность регуляторики. Отсутствие протоколов валидации ИИ |
В российском техрегулировании нет стандарта типа «ГОСТ Р ХХХ.ХХ-ХХХХ Требования к нейросетям в проектировании» и эта проблема глубже, чем кажется. Проверка качества остается субъективной — на совести экспертной комиссии. Это тормозит внедрение агентных систем (которые сами принимают решения, например, меняют график работ), так как любое автономное действие агента де-юре является изменением условий договора подряда, требующим допсоглашения. |
Анализ проблематики внедрения ИИ в строительной отрасли
Проведем краткий анализ по результатам приведенных данных. Генеративный ИИ в строительстве сталкивается с восемью барьерами, которые образуют многослойную систему ограничений — от технологических до правовых. Каждый из них в отдельности можно преодолеть, но их совместное действие не позволяет внедрить автономный ИИ в проектировании и строительстве.Сводная матрица барьеров:
|
№ |
Барьер |
Суть проблемы |
Тип барьера |
Преодолимость |
|
1 |
Нормативный |
Соблюдение обязательных требований СП в проектировании и строительстве сводится к главному правилу: смотреть в реестр требований (РТ). Именно он определяет, какие нормы нужно исполнять в обязательном порядке. ИИ может работать с РТ, предлагая варианты, но финальное решение остается за специалистом. |
Технико-правовой |
Частично преодолим, если отступления от стандартных требований обоснованы инженерными расчетами из BIM-модели, подтверждающими безопасность здания (ч. 6 ст. 15 ФЗ-384). Но требует участия человека |
|
2 |
Форматный |
Необходимость выгрузки данных в XML/IFC по XSD/IDS-схемам для ГИСОГД (ПП № 614, Приказ Минстроя № 783/пр) |
Технический |
Решается с помощью middleware-транслятора. Слой находится между разными частями системы, адаптируя их под общие стандарты. Например, между клиентом и сервером, между микросервисами, между системами с разными протоколами |
|
3 |
Датасетный |
Отсутствие размеченных данных реальной практики (акты КС-2/КС-3, ТЕР). 80% строительных данных не машиночитаемые |
Институциональный |
Фундаментальный — блокируется требованиями ФЗ-152, 44-ФЗ и коммерческой тайной госконтрактов |
|
4 |
Галлюцинации |
ИИ выдумывает ссылки на нормы и параметры. При этом обязательна верифицируемость по ГрК РФ и ответственность неотчуждаема от человека |
Технико-правовой |
RAG + нормативные верификаторы снижают риск галлюцинаций, но не снимают его полностью |
|
5 |
Конфиденциальность |
Штрафы за утечку персональных данных доходят до 3% выручки (ФЗ-420). А деперсонализация разрушает логистический контекст стройки |
Правовой |
«ГосОзеро» и многоуровневое обезличивание дают лишь частичное решение |
|
6 |
Автоматизация рабочих мест |
Расслоение рынка: рутина автоматизируется, экспертиза дорожает; ответственность смещается на человека |
Социально-этический |
Решается социальным договором, а не технологией |
|
7 |
Встраивание в существующий ИТ-ландшафт (Legacy-интеграция) |
Фрагментированный IT-ландшафт России (BIM, сметы, ERP, ЭДО работают изолированно без единого API) |
Технико-организационный |
Частично решается созданием middleware-адаптеров к каждой системе |
|
8 |
Отсутствие стандарта валидации ИИ + агентивный тупик |
Нет ГОСТ Р на нейросети в проектировании. Автономное действие агента является односторонним изменением договора подряда (ст. 310 ГК РФ), требующим допсоглашения |
Правовой |
Непреодолим без разработки нового нормативного акта |
Представленные барьеры выстраиваются в три концентрических кольца, которые складываются в направление зависимости: каждое внешнее кольцо ограничивает то, что можно сделать внутри него. Внутренние проблемы можно решить, не трогая внешние — но не наоборот.
- Внутреннее (технологическое) кольцо — барьеры 2, 4, 7. Решаются с помощью middleware: форматные трансляторы, RAG с верификаторами, адаптеры к legacy-системам. Это инженерная задача, посильная для команды разработчиков и занимающая 1–2 года.
- Среднее (институциональное) кольцо — барьеры 1, 3, 5. Требуют изменения режима доступа к данным, создания машиночитаемого представления реестра требований, баланса между обезличиванием и сохранением контекста. Это задача решается на уровне отрасли и государства за 3–5 лет в лучшем случае.
- Внешнее (правовое) кольцо — барьеры 6, 8. Персональная ответственность ГИПа по ГрК РФ, уголовная ответственность, недопустимость одностороннего изменения договора, отсутствие стандарта валидации ИИ. Это непреодолимый потолок для автономии ИИ — без изменения федерального законодательства агентивная система не может принимать самостоятельные юридически значимые решения.
Скачайте перечень нормативных документов по искусственному интеллекту
Выводы
Российская нормативная база пока выступает не столько запретителем, сколько «бутылочным горлышком» для генеративного ИИ. Жесткость требований к форме документов (XML-схемы, IFC, ГИСОГД, требования Госэкспертизы) заставляет использовать ИИ не как творца-проектировщика, а как высокоскоростного ассистента: для автоматической проверки коллизий, извлечения данных из PDF-документов и заполнения рутинных полей отчетов. Выход ИИ за эти рамки упирается в отсутствие механизмов делегирования юридической ответственности машине.
Генеративный ИИ в российском строительстве — не автономный агент, а ассистент за подписью ГИПа. Middleware-слой между моделью и государственной инфраструктурой — не факультативная надстройка, а юридическая необходимость: без нормативного верификатора, форматного транслятора и трассировки к источнику результат ИИ не проходит ни XSD-валидацию, ни содержательную экспертизу. Но даже совершенный middleware не снимает с человека ответственность — потому что российское градостроительное законодательство построено на принципе личной ответственности подписанта, и ни 123-ФЗ, ни 243-ФЗ, ни Концепция Минцифры до 2030 года этот принцип не отменяют.
Глоссарий
* Датасет (от англ. dataset) — структурированный набор данных, подготовленный для какой-то задачи: анализа, исследований или обучения компьютерной модели (например, нейросети).
** паттерн — это повторяющийся шаблон, образец или устойчивая схема чего-либо. Ключевое слово здесь — «повторяемость»: если что-то случилось один раз, это ещё не паттерн, а вот если регулярно воспроизводится в похожих ситуациях — тогда да
*** GPU‑кластер — группа серверов с графическими процессорами (GPU), объединённых высокоскоростной сетью в единую вычислительную среду. Такие кластеры нужны, чтобы решать задачи, которые не потянет один GPU, — в первую очередь обучать большие языковые модели, выполнять сложный инференс (inference) проводить инженерные расчёты и 3D‑рендеринг.
**** RAG (Retrieval-Augmented Generation) — архитектурный подход, который позволяет большой языковой модели (LLM) генерировать ответы, опираясь на актуальные данные из внешних источников: документов, баз знаний, корпоративных хранилищ.
***** Middleware-транслятор — компонент промежуточного программного обеспечения (middleware), который преобразует данные, запросы или ответы между системами, которые «говорят на разных языках». Проще говоря, он «переводит» информацию с одного формата на другой, адаптирует запросы к протоколам или решает проблемы несовместимости.
Запросить консультацию по разработке стратегии цифровизации бизнеса
Заявка принята.
Наш менеджер свяжется с вами в ближайшее время
