Introduzione e Contesto

La stima dei costi nelle costruzioni rappresenta una delle attività più critiche per la gestione di progetto, ma l’adozione del Building Information Modelling (BIM) non ha ancora risolto il problema della frammentazione dei dati. I modelli BIM, pur avendo digitalizzato il processo edilizio, generano spesso informazioni disomogenee tra discipline, formati e fasi progettuali, rendendo difficile una stima automatica affidabile. A ciò si aggiunge il limite delle previsioni deterministiche, che non quantificano l’incertezza insita in ogni variabile di costo. In un contesto in cui le commesse pubbliche e private richiedono trasparenza e controllo dei rischi, la mancanza di strumenti in grado di gestire dati eterogenei e di restituire intervalli di confidenza rappresenta un ostacolo concreto per progettisti e imprese.

Metodologia e Risultati Chiave

Lo studio propone un framework basato su agentic AI integrato con large language models (LLM) per superare i limiti delle stime deterministiche. Il sistema utilizza quattro agenti specializzati che operano in modo collaborativo attraverso un modulo di memoria condivisa, centrato su un LLM con capacità di comprensione del linguaggio naturale, generazione di codice e ragionamento a catena di pensiero (chain-of-thought). L’architettura consente di elaborare dati BIM frammentati e di produrre stime probabilistiche dei costi, incorporando l’incertezza attraverso simulazioni Monte Carlo.

Il prototipo, sviluppato con GPT-4 Turbo, AutoGen e simulazione Monte Carlo, è stato testato su tre strutture reali. I risultati mostrano una riduzione significativa del tempo di elaborazione: 4,2 minuti contro un intervallo compreso tra 18,5 e 68,0 minuti dei tre metodi di confronto. Anche gli interventi manuali sono diminuiti drasticamente, passando da 9-14 a 0,8 interventi per ciclo. La precisione nella risoluzione delle entità (entity resolution) ha raggiunto l’86,5%, contro il 46-62% dei metodi tradizionali. Sul fronte probabilistico, le previsioni hanno mostrato un Prediction Interval Coverage Probability (PICP) dell’86,0% per intervalli nominali al 90%, con una larghezza media dell’intervallo (PIW) pari a 0,28, e una significatività statistica p < 0,01. L’analisi qualitativa ha confermato la capacità del sistema di risolvere conflitti semantici tra dati eterogenei e di visualizzare i rischi tramite diagrammi a tornado.

Implicazioni Pratiche e Limiti

Per il professionista, il framework offre un salto operativo concreto: la riduzione del tempo di elaborazione da oltre un’ora a meno di cinque minuti e il taglio degli interventi manuali da 14 a meno di uno per ciclo rendono la stima dei costi un’attività quasi automatica, liberando risorse per l’analisi critica dei risultati. La capacità di generare previsioni probabilistiche, con un PICP dell’86,0% su intervalli nominali al 90%, fornisce al progettista e al direttore dei lavori uno strumento per quantificare il rischio economico, superando la logica del singolo valore puntuale. La visualizzazione tramite diagrammi a tornado consente di identificare rapidamente le variabili con maggiore impatto sul costo finale, supportando decisioni informate in fase di gara o di variante.

Tuttavia, lo studio presenta limiti che richiedono cautela. I test sono stati condotti su tre strutture reali, ma il campione non è sufficiente per generalizzare i risultati a tutte le tipologie di opere civili. Il framework è stato implementato con GPT-4 Turbo, un modello a pagamento e non open-source, il che solleva questioni di replicabilità e di dipendenza da fornitori esterni. Inoltre, la qualità della stima probabilistica dipende dalla completezza e dalla correttezza dei dati BIM di partenza: se il modello contiene errori o omissioni, il sistema non può correggerli autonomamente. Gli autori stessi riconoscono la necessità di test su un numero maggiore di casi e su tipologie edilizie diverse.

Implicazioni Pratiche e Limiti

Per un’impresa di costruzioni o uno studio di progettazione, il framework offre un vantaggio operativo immediato: la riduzione del tempo di elaborazione da oltre un’ora a meno di cinque minuti consente di integrare la stima dei costi nei flussi di lavoro quotidiani senza colli di bottiglia. La drastica diminuzione degli interventi manuali (da 14 a 0,8 per ciclo) riduce il rischio di errore umano e libera il personale tecnico per attività a maggior valore aggiunto, come l’analisi delle varianti o la negoziazione con i fornitori. La capacità di generare previsioni probabilistiche ben calibrate (86,0% di copertura empirica su intervalli nominali al 90%) permette di associare a ogni stima un livello di confidenza, migliorando la comunicazione del rischio con committenti e assicurazioni.

Tuttavia, l’adozione pratica richiede alcune cautele. Il framework è stato validato su tre strutture reali, ma non su un campione statisticamente rappresentativo di tutte le tipologie edilizie. L’implementazione attuale si basa su GPT-4 Turbo, un modello commerciale che comporta costi di licenza e dipendenza da un fornitore esterno. Inoltre, la qualità del risultato è condizionata dalla completezza e dalla correttezza dei dati BIM in ingresso: se il modello digitale presenta lacune o incongruenze, il sistema non può colmarle autonomamente. Per un’adozione su larga scala, sarebbe necessario testare il framework su un numero maggiore di progetti e valutare l’integrazione con modelli open-source per garantire la replicabilità.

Conclusioni

La ricerca dimostra che l’integrazione tra agentic AI e LLM può risolvere problemi concreti di interoperabilità e incertezza nella stima dei costi da dati BIM frammentati. I risultati quantitativi – con una riduzione del tempo di elaborazione dell’80% e un miglioramento della precisione nella risoluzione delle entità di oltre 20 punti percentuali – indicano un progresso misurabile rispetto agli approcci tradizionali. Le prospettive future indicate dagli autori, come l’integrazione con gemelli digitali, l’adozione di modelli LLM open-source e l’estensione al monitoraggio dei costi durante la costruzione, delineano un percorso di sviluppo che potrebbe rendere il framework uno strumento operativo per il controllo economico di cantiere.

SCHEDA RIASSUNTIVA DEI DATI

• Tempo di elaborazione: 4,2 minuti contro 18,5-68,0 minuti dei metodi tradizionali
• Interventi manuali: 0,8 per ciclo contro 9-14 dei metodi di confronto
• Precisione entity resolution: 86,5% contro 46-62% dei metodi tradizionali
• PICP (Prediction Interval Coverage Probability): 86,0% per intervalli nominali al 90%, con PIW = 0,28 (p < 0,01)

METADATA DEL PAPER

• DOI: 10.3390/iic2030008
• Autori: Liupengfei Wu, Qian Zhang, Ruiying Xu, et al.
• Rivista: MDPI Civil Engineering
• URL Sorgente: https://www.mdpi.com/3042-4720/2/3/8