ГК «А101» выбрала два ИИ-решения для работы с армированием монолитных плит: Contextmachine и AI Diagnost. ИИ в строительстве здесь применяется не для эффектных рендеров, а для куда более приземленной задачи — перевода результатов прочностных расчетов в BIM-модель и подбора арматуры с меньшим расходом металла.
Проекты стали победителями программы «Техлаб Москва» Московского инновационного кластера, сообщает CNews. В отбор подали заявки более 1 200 специалистов из 53 регионов России, до основного этапа дошли 50 команд. На разработку решений под задачи компаний участники получили три месяца работы с ИТ-менторами и отраслевыми экспертами; победителей назвали на Московском стартап-саммите.
Проблема, которую пытается решить девелопер, хорошо знакома проектировщикам железобетонных конструкций. После расчета нагрузок инженер получает карты с зонами, где плите перекрытия или фундаменту требуется дополнительное армирование. Затем эти данные нужно превратить в рабочую схему и перенести в цифровую модель здания. Когда значительная часть этой работы выполняется вручную, растут сроки, вероятность ошибок и соблазн заложить лишний запас металла, чтобы не тратить часы на уточнение каждого участка.
В А101 изначально рассчитывали найти одного исполнителя, но в финале решили поддержать две команды. По словам директора по развитию информационных систем ГК «А101» Артема Чернова, решения оказались взаимодополняющими: одно распознает карты нагрузок, другое оптимизирует расход стали. Для крупного заказчика это более сложная схема внедрения, зато она разделяет две разные инженерные задачи вместо попытки закрыть их одним универсальным алгоритмом.
Contextmachine разрабатывает сервис, который получает результаты прочностного расчета, выделяет требования к усилению и строит геометрию допустимых зон. Дальше используется дискретная оптимизация: система подбирает конфигурацию стержней, стремясь сократить расход стали, но не выйти за конструктивные ограничения. Готовый результат должен передаваться в BIM-модель, где его можно использовать для оформления рабочей документации.
CTO Contextmachine Андрей Астахов оценивает ручной поиск подходящей схемы армирования в 4–7 рабочих дней. В пилоте с А101 команда адаптирует сервис под внутренние стандарты девелопера; заявленный эффект — сокращение обработки одного корпуса с типовыми плитами на 3–7 дней. Это не означает, что алгоритм отменяет проверку конструктора. Скорее он забирает перебор комбинаций, который специалисты обычно выполняют под давлением сроков и с неизбежными упрощениями.
Второе решение, AI Diagnost, работает с картами нагрузок и формирует раскладку арматуры для выделенных зон: указывает диаметры и длины элементов. Алгоритм сравнивает варианты по расходу металла и удобству сборки на площадке. По оценке команды, автоматический подбор может снизить массу используемого металла на 15–25%. Пока это не подтвержденный результат промышленного внедрения: разработчики сверяют выдачу системы с архивными проектами А101, чтобы измерить экономию отдельно для разных типов плит.
Именно эта оговорка важнее рекламного процента. В железобетонных конструкциях «оптимальнее» не всегда равно «дешевле»: проектировщик обязан учитывать технологию монтажа, доступные диаметры стержней, стандарты компании, требования расчетной модели и фактические условия стройки. Если система предлагает минимальную массу стали, но создает неудобную схему с большим количеством нестандартных элементов, выгоду легко съедят производство, логистика и работы на площадке. Поэтому критерий удобства сборки в задаче AI Diagnost выглядит не второстепенной деталью, а обязательной частью инженерной оптимизации.
Для ИТ-команд девелоперов этот кейс показывает более практичную траекторию, чем очередной чат-бот для внутренних регламентов. ИИ в строительстве получает ценность там, где связан с уже существующими данными и процессами: результатами расчетов, библиотеками BIM-объектов, правилами оформления документации и закупочными ограничениями. Без аккуратной интеграции с этими контурами даже точное компьютерное зрение останется отдельным прототипом, а не частью производственного цикла.
Для стартапов сигнал тоже вполне конкретный: крупным компаниям нужны не абстрактные «платформы искусственного интеллекта», а инструменты, которые можно проверить на архивных проектах, встроить в привычный стек и оценить в днях, тоннах и количестве правок. В данном случае пилот начинается с адаптации под стандарты заказчика и сравнения результатов с решениями проектировщиков — то есть с той части работы, которая обычно определяет судьбу продукта после демо.
Следующий вопрос для А101 и всего сегмента — удастся ли превратить расчетный помощник в устойчивый производственный процесс с понятной ответственностью за итоговую документацию. Если пилоты подтвердят сокращение сроков и экономию металла на реальных объектах, ИИ в строительстве может закрепиться не в презентациях о цифровизации, а в ежедневной цепочке от прочностного расчета до BIM-модели и стройплощадки.
