ChatGPT w budownictwie: 5 powodów, dla których ogólne modele AI zawodzą
🗂️ Powód 1: Projekt, prawo i regulacje — kontekstu, którego AI nie ma
Są dwa typy kontekstu krytycznego dla pracy BIM, których ogólny model AI nie posiada — i oba wychodzą na jaw przy tym samym rodzaju pytania.
Pierwszy to Twój projekt. Model nie zna Twojego BEP, nie wie co jest w EIR Twojego zleceniodawcy, nie zna konwencji nazewniczej Twoich kontenerów, struktury CDE, historii decyzji w BCF ani wymagań milestones z kontraktu. Każda sesja zaczyna się od zera. Bez wklejonego kontekstu model odpowiada na pytania o BIM w ogóle — nie o Twój projekt. Review BEP pod kątem zgodności z EIR daje ogólną checklistę dobrych praktyk, nie analizę Twojego dokumentu. Ocena konwencji nazewniczej pliku daje opis zasad ISO 19650, nie ocenę Twojego konkretnego ciągu znaków.
Drugi typ to polskie prawo budowlane — nie jeden dokument, lecz ekosystem: ustawa bazowa, rozporządzenia wykonawcze, warunki techniczne, normy branżowe o różnym stopniu obligatoryjności, regulacje unijne wdrożone w polskim porządku prawnym. Akty, które wzajemnie odsyłają, nowelizowane w różnym czasie, tworzące sieć zależności, którą prawnicy i inżynierowie budują przez lata. Polskie akty prawne są niedoreprezentowane w anglojęzycznym corpus treningowym i model nie odtwarza tej sieci z samego tekstu. W efekcie nie rozróżnia, co jest wymaganiem ustawowym, co kontraktowym, a co dobrą praktyką branżową — i nie informuje Cię o tej różnicy.
Oba te problemy mają tę samą strukturę: model odpowiada z tego, co wie ogólnie, bo nie ma dostępu do tego, co wiesz Ty.
📋 Powód 2: ISO 19650 — normę zna, oceny nie zastąpi
ISO 19650 jest świadomie pisany jako framework, nie instrukcja. Tam gdzie inne standardy techniczne podają konkretne wartości i procedury, norma zarządzania informacją celowo zostawia przestrzeń na decyzje organizacyjne. Kto jest responsible party za konkretny kontener informacji? Które wymagania z AIR są priorytetowe dla tego etapu projektu? Jak egzekwować BEP, gdy podwykonawca nie stosuje uzgodnionej konwencji nazewniczej? Norma daje ci język do zadania tych pytań — nie daje na nie odpowiedzi.
Ogólny model AI wypełnia te białe miejsca z przekonaniem. Gdy pytasz o interpretację wymagania ISO 19650, dostajesz odpowiedź konkretną i brzmiącą autorytatywnie — opartą na tym, co model wywnioskował z blogów i materiałów szkoleniowych o normie. Nie na tym, co norma faktycznie zostawia do Twojej decyzji jako BIM Managera. Różnica jest fundamentalna: model nie wie, których miejsc w normie nie powinien wypełniać samodzielnie — bo to nie są luki w jego wiedzy. To są luki celowo zostawione na profesjonalną ocenę.
To jest inny problem niż brakujący kontekst z Powodu 1. Tam model nie ma Twoich danych i to bywa oczywiste. Tu model ma normę, ale nie rozumie, że część jej wartości polega właśnie na tym, czego nie precyzuje. Pewność, z jaką odpowiada na pytania wymagające osądu, jest trudna do zidentyfikowania bez głębokiej znajomości samej normy.
⚠️ Powód 3: AI nie poinformuje cię, kiedy nie wie
Wśród rodzajów ignorancji ten jest najtrudniejszy do wykrycia: nie wiesz, że nie wiesz. Każde inne narzędzie, z którym pracujesz, ma mechanizm sygnalizowania niepewności. Norma pisze „zaleca się" zamiast „należy". Specjalista mówi „nie jestem pewien". Ogólny model AI odpowiada z tym samym tonem i tą samą strukturą — niezależnie od tego, czy jest pewny, czy zgaduje.
To jest kluczowe rozróżnienie. Jakość odpowiedzi — płynność tekstu, logiczna struktura, profesjonalne słownictwo — jest całkowicie oderwana od jej poprawności. Dobrze napisana i logicznie skonstruowana odpowiedź brzmi tak samo gdy jest poprawna, jak gdy jest błędna. Z samej odpowiedzi nie wyciągniesz sygnału pozwalającego rozróżnić te dwa przypadki.
W pracy BIM tworzy to konkretne ryzyko. Paragrafy prawa, które nie istnieją. Błędne numery wersji normy. Reguły walidacji IFC skonstruowane na podstawie nieistniejących atrybutów. Każda z tych odpowiedzi może brzmieć tak samo jak odpowiedź poprawna — bo model nie rozróżnia między „widzę to w dokumentacji" a „wywnioskowałem to z podobnych przypadków".
Zapytaj dowolny ogólny model AI, czy polskie prawo wymaga stosowania BIM w zamówieniach publicznych powyżej określonego progu wartości. Dostaniesz odpowiedź z konkretnymi progami, odwołaniami do przepisów i pewnym tonem eksperta. Problem: w Polsce taki przepis nie istnieje. Wymóg BIM pojawia się wyłącznie jako klauzula kontraktowa w wybranych SWZ — nie jako powszechne wymaganie ustawowe. Model nie rozróżnia tych dwóch rzeczy i nie poinformuje Cię, że właśnie je pomieszał.
Dlatego weryfikacja nie jest opcją do pominięcia przy „oczywistych" pytaniach — jest koniecznością dla każdego pytania, gdzie błąd ma konsekwencje.
🔍 Powód 4: Bez RAG i weryfikacji zawodzi każdy model — nieważne jaki
Jest architektoniczne rozwiązanie dla problemu kontekstu opisanego w poprzednich powodach. Nazywa się RAG — Retrieval-Augmented Generation.
Bez RAG model odpowiada wyłącznie na podstawie tego, czego nauczył się podczas treningu. Wyobraź sobie konsultanta, który przeczytał wiele podręczników i artykułów, ale nigdy nie miał dostępu do Twoich dokumentów projektowych ani do pełnej treści norm i przepisów, których używasz. Może rozmawiać o BIM w ogóle — nie może rozmawiać o Twoim projekcie.
Z RAG model, zanim odpowie, przeszukuje konkretną bazę dokumentów — Twoje BEP-y, EIR-y, treść norm ISO, aktualne przepisy — i odpowiedź buduje na tym, co znalazł. To fundamentalna zmiana architektury: zamiast przybliżać z pamięci, model odwołuje się do faktycznego dokumentu i może wskazać źródło, z którego pochodzi informacja.
Żaden generalistyczny LLM — GPT-4o, Claude, Gemini — nie radzi sobie niezawodnie ze specjalistyczną wiedzą branżową bez RAG, niezależnie od liczby parametrów. Problem nie tkwi w „inteligencji" modelu, tylko w tym, do czego ma dostęp w momencie formułowania odpowiedzi. Wybór „lepszego" modelu bez zmiany architektury nie rozwiązuje problemu kontekstu.
Te same pytania dotyczą AI wbudowanego w narzędzia vendorów: funkcji AI w Autodesk Forma, asystentów w nowych wersjach Revita, rozwiązań AI w ekosystemie Trimble. Branding „AI w BIM" nie odpowiada automatycznie na żadne z kluczowych pytań: czy ten model ma RAG nad Twoimi dokumentami? Czy możesz zweryfikować źródło jego odpowiedzi? Warto je zadać — zanim zaczniesz polegać na wynikach.
Nawet RAG nie eliminuje potrzeby weryfikacji. Retrieval może przynieść nieodpowiedni fragment. Model może źle zinterpretować poprawne źródło. W pracy z przepisami prawa i normami technicznymi, gdzie błąd ma realne konsekwencje kontraktowe lub prawne, człowiek w pętli weryfikacyjnej nie jest opcją — jest koniecznością.
📐 Powód 5: Geometria, przedmiary i obliczenia — strukturalna granica LLM-ów
Do tej pory każdy powód opisywał brakujący kontekst lub brakujący sygnał. Ten jest inny: to nie kwestia wiedzy, którą model mógłby mieć, ale której nie ma. To kwestia tego, czego LLM nie potrafi z założenia.
Modele językowe nie są silnikami geometrycznymi ani kalkulatorami. Mogą opisać, jak działa clash detection w Navisworks — ale nie wykonają analizy kolizji na rzeczywistym modelu. Mogą wyjaśnić, czym jest CoBie — ale nie przetworzą arkusza CoBie z Twojego projektu. Mogą wygenerować przykładowy skrypt Dynamo — ale nie wiedzą, co jest w Twoim modelu i co ten skrypt powinien z tymi danymi zrobić.
To ograniczenie strukturalne, niezależne od wersji: LLM generuje tekst, nie przetwarza danych przestrzennych ani nie wykonuje obliczeń na rzeczywistej geometrii. Gdy model AI twierdzi, że „może przeanalizować model BIM" — zazwyczaj mówi o opisie modelu podanym przez użytkownika w prompcie, nie o analizie geometrii z atrybutami i relacjami przestrzennymi.
Dodaj do tego udokumentowane problemy z arytmetyką wieloetapową. LLM-y popełniają błędy w obliczeniach, gdy operacja jest złożona lub liczby duże. W kosztorysie — gdzie różnica o 1% w wycenie kubatury może zmienić wynik przetargu o setki tysięcy złotych — to nie jest margines akceptowalnego błędu. Zastosowania AI, które realnie działają w BIM, to klasyfikacja elementów, wyszukiwanie wzorców i porównywanie zestawień — nie obliczenia wykonywane bez walidacji na rzeczywistych danych.
Kluczowy fakt: Właściwe pytanie przy wyborze modelu AI do pracy BIM nie brzmi „który jest lepszy" — brzmi „do jakich dokumentów ma dostęp i czy mogę zweryfikować źródło jego odpowiedzi?" To drugie pytanie zmienia rozmowę z oceny modelu na ocenę architektury.
🤖 Jak nasz Asystent AI uzupełnia to, czego ogólne modele nie mają
Firmy BIM generują ogromne ilości danych — modele, BEP-y, raporty koordynacyjne, arkusze CoBie, BCF z historią decyzji — które po zamknięciu projektu trafiają do archiwum i przestają żyć. Problem rzadko polega na braku danych. Polega na braku narzędzia, które potrafi te dane aktywować w precyzyjnym kontekście branżowym.
Nasz Asystent AI wytrenowano na 120 GB wyselekcjonowanej wiedzy BIM z mechanizmem zbliżonym do RAG nad bazą dokumentów: schemat IFC (IFC2x3, IFC4, IFC4.3), ISO 19650, BIM Standard PL, Prawo budowlane, Warunki Techniczne, dokumentacja buildingSMART (IDS, BCF, bSDD), szablony BEP i dokumentacja Autodesk (Revit, Navisworks, Forma/ACC, Dynamo). To nie jest generalistyczny LLM z BIM-owym wstępem — to baza wiedzy zbudowana pod konkretne pytania, które BIM Manager zadaje w pracy projektowej.
Bezpośrednio w odniesieniu do pięciu powodów z tego artykułu:
- Kontekst projektowy i regulacyjny — możesz wkleić fragment swojego BEP, EIR lub konwencji nazewniczej i zadawać pytania w tym kontekście; Prawo budowlane i Warunki Techniczne są częścią bazy, nie anglojęzyczną parafrazą
- ISO 19650 z interpretacją — baza pokrywa zarówno treść normatywną, jak i typowe obszary wymagające decyzji organizacyjnych; nasz Asystent wskazuje, gdzie norma definiuje, a gdzie osąd należy do BIM Managera
- Weryfikowalne źródła — odpowiedzi zakorzenione w konkretnych fragmentach dokumentów z możliwością wskazania, skąd pochodzi informacja; to bezpośrednia odpowiedź na problem pewności bez podstaw
- Polski rynek i język — odpowiada po polsku, rozumie specyfikę polskich przetargów publicznych i wymagań kontraktowych stosowanych w Polsce
Ogólny model AI jest użytecznym narzędziem — dla zadań, do których jest zbudowany. Praca z danymi BIM w precyzyjnym kontekście branżowym wymaga inaczej zbudowanej architektury.
❓ FAQ — najczęściej zadawane pytania
Czy ChatGPT i podobne modele mogą być w ogóle użyteczne w pracy BIM?
Tak — dla zadań bez wymogu precyzji branżowej ani kontekstu projektowego: redagowanie korespondencji, drafty pism ogólnych, streszczenia spotkań, wyjaśnienia pojęć na poziomie konceptualnym. Dla zadań wymagających znajomości polskich regulacji, szczegółów implementacyjnych ISO 19650 lub kontekstu projektowego — ryzyko jest zbyt wysokie bez weryfikacji w oryginalnym źródle.
Czy nowsze wersje modeli AI rozwiązują te problemy?
Częściowo. Większe modele generują mniej błędów i lepiej radzą sobie z pojęciami dobrze reprezentowanymi w danych treningowych. Fundamentalne ograniczenia — brak kontekstu projektowego, niedoreprezentowanie polskich regulacji, brak RAG nad właściwymi dokumentami — nie znikają wraz z kolejną wersją. To kwestia architektury, nie parametrów.
Co to jest RAG i co zmienia dla standardów takich jak IFC czy ISO 19650?
RAG (Retrieval-Augmented Generation) to architektura, w której model przed odpowiedzią przeszukuje konkretną bazę dokumentów zamiast polegać wyłącznie na wiedzy z treningu. Dla BIM oznacza konkretną różnicę: model z RAG nad pełną dokumentacją IFC odpowiada na pytania o schemat, odwołując się do fragmentu specyfikacji — a nie go przybliżając. RAG nie eliminuje potrzeby weryfikacji, ale dramatycznie zawęża pole dla halucynacji.
Skąd mam wiedzieć, czy odpowiedź modelu AI jest poprawna?
Nie wiesz — i na tym polega problem opisany w Powodzie 3. Ogólny model AI nie sygnalizuje poziomu pewności. Praktyczna zasada: każda odpowiedź dotycząca treści prawnych, normatywnych lub schematycznych wymaga weryfikacji w oryginalnym źródle, niezależnie od tego, jak pewnie brzmi. Weryfikacja jest szczególnie ważna tam, gdzie odpowiedź wydaje się najbardziej konkretna i szczegółowa — to właśnie wtedy ryzyko jest największe.
Czym nasz Asystent AI różni się od ogólnych modeli w zastosowaniach BIM?
Bazą wiedzy i architekturą. Ogólny LLM operuje bez RAG nad dokumentacją BIM. Nasz Asystent wytrenowano na 120 GB wyselekcjonowanej dokumentacji BIM z mechanizmem zbliżonym do RAG — odpowiada na podstawie konkretnych dokumentów i może wskazać źródło. Obsługuje też wklejanie własnych dokumentów projektowych i odpowiada w kontekście polskiego rynku.
Czy AI wbudowane w narzędzia vendorów BIM — Autodesk, Trimble — ma te same ograniczenia?
Co do zasady tak, choć szczegóły zależą od implementacji. „AI w BIM" w nazwie produktu nie odpowiada automatycznie na pytanie, czy narzędzie ma RAG nad Twoimi dokumentami i czy możesz zweryfikować źródło odpowiedzi. Przed wdrożeniem warto zapytać wprost: na jakich danych ten model operuje? Czy odpowiedź jest zakorzeniona w moim EIR i BEP — czy w ogólnej wiedzy vendora?