Seit dem Erscheinen von ChatGPT im November 2022 beherrscht die künstliche Intelligenz und insbesondere das Potenzial der generativen KI die Schlagzeilen. Die Möglichkeit, eine Eingabeaufforderung einzugeben und eine kreative textliche, grafische oder akustische Ausgabe zu erhalten, hat tiefgreifende Auswirkungen auf fast jede Branche und Disziplin. Und mit der Zeit wird dies wahrscheinlich auch für Immobilien und Infrastruktur gelten.

Auf den ersten Blick scheint die generative KI ein unglaubliches Potenzial zu besitzen: Sie ermöglicht es, mit einfachen, natürlichsprachlichen Beschreibungen anspruchsvolle Ergebnisse zu erzielen. Doch die Bauindustrie bewegt sich innerhalb von Parametern, die sie in der Vergangenheit daran gehindert haben, innovativ zu sein und sich technologisch im gleichen Tempo weiterzuentwickeln wie andere design- und ingenieurbasierte Sektoren wie die Automobilindustrie, die Luft- und Raumfahrt oder die Elektronik. Diese hohen Reibungsverluste erschweren es, das Ausmaß der Übernahme, des Wandels und der Auswirkungen, die diese Technologie in unserer Branche haben könnte, abzuschätzen.

Aber auch hier scheint das Versprechen der generativen KI gewaltig zu sein, selbst in der sich langsam entwickelnden Baubranche. In diesem Beitrag gehen wir auf bestimmte Anwendungsfälle ein, in denen generative KI die Produktivität und Qualität der Arbeit in der Immobilien- und Infrastrukturbranche verbessern kann.

Eine Rolle für generative KI in der Baubranche finden

Derzeit eingesetzte generative KI-Tools wie ChatGPT und Midjourney können Aufgaben übernehmen, die für Fachleute aus dem Bereich der baulichen Umwelt nur gelegentlich nützlich sind. So können sie beispielsweise das Verfassen von Berichten optimieren oder nicht unbedingt notwendige, aber dennoch nützliche Grafiken erstellen. Der Einfluss dieser Tools ist jedoch meist gering und in der Regel für die strengen Prozesse der Architektur und des Ingenieurwesens sowie für professionelles Design im weiteren Sinne unzureichend.

So schwierig es auch ist, sich vorzustellen, dass die derzeit verfügbaren Werkzeuge die Arbeit in der gebauten Umwelt verändern werden, so können wir uns doch vorstellen, dass nachfolgende Generationen bald in der Lage sein werden, die täglichen Aufgaben zu bewältigen und letztlich die Produktivität zu steigern.

Rationale Ideenfindung und Lösungsgenerierung

Text-Bild-Generatoren werden bereits eingesetzt, um Geometrien, Muster und Texturen zu erzeugen. Die Anwendbarkeit dieser Werkzeuge ist jedoch derzeit auf die künstlerische Ideenfindung mit geringem Einsatz beschränkt. Die Industrie verfügt bereits über unglaublich leistungsfähige parametrische Designwerkzeuge, deren Algorithmen sorgfältig programmiert sind, um auf der Grundlage mathematischer und wissenschaftlicher Regeln und innerhalb definierter Bereiche praktikable Optionen zu generieren.

Die schlagzeilenträchtigen Large-Language-Modelle (LLMs) hingegen erzeugen Ergebnisse auf der Grundlage probabilistischer Schätzungen, die einfachen mathematischen oder mechanischen Regeln nicht immer folgen. Dies führt zu dem Problem der "Halluzination", bei dem die Ergebnisse in Bezug auf Fakten, Daten oder arithmetische Berechnungen mit Sicherheit ungenau sind; die Ergebnisse können visuell oder sprachlich beeindruckend sein, ohne tatsächlich in irgendeinem Sinne "nützlich" zu sein.

Lösungen für die gebaute Umwelt werden durch Parameter wie die erforderliche Funktion, das Budget, den Standort, die ästhetischen Ansprüche, die Bodenbedingungen und die Verfügbarkeit von Materialien und Anlagen eingeschränkt und definiert. Dies sind Überlegungen, die aktuelle generative KI-Tools nur schwer verstehen oder beantworten können. Dies könnte auf Einschränkungen wie unzureichende Verfügbarkeit oder Qualität von Projektdaten oder die Unfähigkeit, grafische technische Informationen zu verarbeiten, zurückzuführen sein.

Um diese Einschränkungen zu überwinden, müssten die Daten angereichert und die Modelle weiter trainiert werden, was zu Werkzeugen führen könnte, die logische, praktikable Ergebnisse für Immobilien- und Infrastrukturentwürfe erzeugen. Oder wir könnten einen hybriden Ansatz wählen, bei dem KI-Modelle durch regelbasierte parametrische Modelle ergänzt werden.

...the built environment industry operates within parameters that have historically prevented it from innovating and technologically evolving at the same pace as other design and engineering-based sectors like automotive, aerospace or electronics.

Eiki Homma

Senior Engineer

Technical drawing generation and review

Even after decades of ever more sophisticated CAD software, architects, engineers, technicians, and consultants still spend an enormous amount of time working with drawings. That is, producing, curating, annotating, checking, reviewing, and revising technical drawings that will allow for the costing, fabrication and construction of the real estate or infrastructure asset. Perhaps there is a role for generative AI in this realm.

At present, there are only a few image-to-image generators which appear to be capable of processing graphical inputs. However, none of these appear to yet be able to process the technical level of information in built environment design packs ith annotations like dimensions, levels, member sizes, materials, etc. In the same way generative machine learning models cannot yet process this type of data, they cannot yet produce it.

However, this is a gap that could, with investment, training and technical development, be closed. Once generative AI becomes capable of streamlining drawing production similarly to how it already does with reports, sectorial productivity should dramatically increase.

Automatic regulatory and best-practice checks

Documentation and reporting is another area of considerable time and effort in the industry. Here, the fit for generative AI seems stronger and closer at hand. Generative text generating tools, especially LLMs, can search the web or internal server and write a synthesised answer. Moreover, they can summarise, rephrase, analyse, and correct text the user may have directly input in the prompt.

In essence, LLMs can be used as relatively credible reasoning search engines and text generators. Both functions are already relevant for reporting; however, the two could be combined to further streamline the checking stage of the design process or to spot errors or anomalies more frequently throughout development.

A generative AI feedback tool for designers trained on the various international, national or local laws, regulations and codes that building and infrastructure need to comply with would be invaluable. Furthermore, industry design guides and manuals which designers use to support and benchmark their work could be included in the mix.

Nonetheless, codes and manuals are text-based but also feature tables, charts, equations, or diagrams that current generative AI models cannot adequately process. Again, we can hope and anticipate that both elements will become interrogable datasets for training future tools.

Once generative AI becomes capable of streamlining drawing production similarly to how it already does with reports, sectorial productivity should dramatically increase.

Eiki Homma

Senior Engineer

Generative AI’s promise for the built environment

As we have seen in its initial public evolution, most generative AI tools are still predictably aimed at consumer, media and entertainment, self-driving, human resources and other less technical sectors. However, architecture, engineering and construction professionals will likely become beneficiaries in time. Designers should not settle for the low innovation status quo. Generative AI will bring opportunity for the innovators who will adopt and advance the technology, built environment firms and the public who will ultimately enjoy the product: better real estate and infrastructure.