Braki regulacyjne w AEC w zakresie integracji BIM-AI

W artykule:

• Braki regulacyjne w kontekście integracji BIM-AI
• Studium przypadku
• Proponowane kierunki rozwoju regulacji
• Podsumowanie

***
Branża AEC (Architecture, Engineering, Construction) znajduje się w punkcie przełomowym transformacji cyfrowej, w której integracja Building Information Modeling (BIM) ze sztuczną inteligencją (AI) odgrywa rolę fundamentalną. Potencjał synergii obu technologii obejmuje automatyzację procesów projektowych, predykcyjne utrzymanie obiektów, poprawę efektywności energetycznej, redukcję kosztów oraz lepsze zarządzanie cyklem życia budynków. Jednak brak odpowiednich ram regulacyjnych powoduje, że rozwój ten wiąże się z poważnymi ryzykami. Dotyczą one m.in. bezpieczeństwa i prywatności danych, interoperacyjności systemów, transparentności algorytmów decyzyjnych oraz jasnego określenia odpowiedzialności prawnej w przypadku błędów generowanych przez AI.

Celem niniejszego artykułu jest szczegółowa analiza istniejących braków regulacyjnych w integracji BIM-AI w sektorze AEC. Na podstawie przeglądu literatury, obowiązujących norm międzynarodowych oraz studium przypadku wskazano kluczowe luki prawne i techniczne, a także przedstawiono rekomendacje dla przyszłych regulacji. Zaproponowano m.in. rozszerzenie norm ISO 19650 o wytyczne dotyczące sztucznej inteligencji, wprowadzenie obowiązkowych audytów AI w projektach infrastrukturalnych oraz rozwinięcie zasad FAIR w kierunku koncepcji FAIR+AI, zapewniającej jednocześnie interoperacyjność danych i transparentność algorytmów. Artykuł ma rozpocząć debatę naukową i praktyczną nad tworzeniem bezpiecznego, spójnego i innowacyjnego środowiska regulacyjnego dla integracji BIM i AI w budownictwie.

AEC (Architecture, Engineering, Construction) sector is at a turning point in its digital transformation, where the integration of Building Information Modeling (BIM) with Artificial Intelligence (AI) plays a crucial role. The synergy of these technologies offers a wide range of benefits, including the automation of design processes, predictive maintenance of facilities, improved energy efficiency, cost reduction, and enhanced lifecycle management of buildings. However, the absence of coherent regulatory frameworks brings significant risks. These risks include issues related to data security and privacy, system interoperability, algorithmic transparency, and clearly defined legal accountability in cases of AI-generated errors.

The aim of this paper is to provide an in-depth analysis of regulatory gaps in BIM-AI integration within the AEC sector. Based on a comprehensive literature review, current international standards, and a case study, the paper identifies the most pressing legal and technical shortcomings and offers recommendations for future regulation. Suggested measures include the extension of ISO 19650 standards to cover artificial intelligence, mandatory AI audits in large-scale infrastructure projects, and the development of the FAIR principles into a FAIR+AI framework, ensuring both data interoperability and algorithmic transparency. The paper has to begin the ongoing scientific and practical debate on creating a safe, coherent, and innovative regulatory environment for BIM-AI integration in construction.
***

Jednak mimo widocznych korzyści, integracja BIM i AI napotyka na istotne bariery. Najpoważniejszą z nich jest brak spójnych regulacji prawnych i technicznych. Obowiązujące standardy, takie jak ISO 19650, kładą nacisk na zarządzanie informacją w projektach budowlanych, lecz nie uwzględniają w pełni specyfiki uczenia maszynowego ani etyki zastosowania sztucznej inteligencji [3]. Tymczasem AI jest coraz częściej wykorzystywana w analizach energetycznych, predykcji kosztów inwestycji, planowaniu harmonogramów czy modelowaniu ryzyka [4]. Brak precyzyjnych wytycznych prawnych powoduje, że interesariusze procesu budowlanego pozostają w niepewności co do odpowiedzialności prawnej za decyzje wspierane przez AI.

Znaczącym problemem pozostaje również kwestia interoperacyjności. Choć otwarte standardy wymiany danych, takie jak IFC, ułatwiają współdzielenie modeli BIM między różnymi aplikacjami, nie zostały one zaprojektowane z myślą o integracji z algorytmami AI [5]. Oznacza to, że dane często wymagają dodatkowego przetwarzania i standaryzacji, zanim mogą być efektywnie wykorzystane w uczeniu maszynowym. Dodatkowo rosnące znaczenie danych wrażliwych, takich jak informacje dotyczące zachowań użytkowników budynków czy systemów bezpieczeństwa, stawia nowe wyzwania w zakresie prywatności i cyberbezpieczeństwa [6].

Na arenie międzynarodowej podejmowane są próby stworzenia regulacji obejmujących sztuczną inteligencję, czego przykładem jest unijny projekt rozporządzenia AI Act [7]. Jednak przepisy te mają charakter ogólny i nie odnoszą się wprost do specyfiki sektora AEC ani do integracji z technologią BIM. Dlatego w wielu krajach, w tym w Polsce, rozwój BIM-AI odbywa się w praktyce szybciej niż tworzenie odpowiednich ram regulacyjnych. Powoduje to z jednej strony innowacyjność i eksperymenty technologiczne, a z drugiej – zwiększone ryzyko błędów, luk prawnych i problemów z odpowiedzialnością [8].

Hierarchię podstawowych działań regulacyjnych w zakresie integracji BIM-AI przedstawiono w formie piramidy regulacyjnej (RYS. 1). Model ten obrazuje stopniowanie ram – od podstawowych norm technicznych, poprzez wytyczne branżowe i regulacje prawne, aż po nadrzędny kodeks etyki AI, który wyznacza kierunki odpowiedzialnego wdrażania nowych technologii.

Celem niniejszego artykułu jest analiza najważniejszych braków regulacyjnych dotyczących integracji BIM i AI w sektorze AEC. W pracy przedstawiono przegląd literatury i norm międzynarodowych, a także studium przypadku obrazujące praktyczne konsekwencje luk prawnych. Podjęto próbę wskazania kierunków rozwoju regulacji, które mogłyby zapewnić bezpieczne, transparentne i odpowiedzialne wdrożenia BIM-AI w praktyce inżynierskiej.

Czytaj także: Modelowanie i zarządzanie informacją o obiekcie budowlanym (BIM) w procesie inwestycyjnym

Braki regulacyjne w kontekście integracji BIM-AI

Brak definicji prawnych AI w BIM

Jednym z podstawowych problemów jest brak precyzyjnych definicji sztucznej inteligencji w kontekście procesów BIM. Obecne akty normatywne regulujące zarządzanie informacją w budownictwie, takie jak ISO 19650, skupiają się na strukturze, wymianie i trwałości informacji, lecz nie uwzględniają roli algorytmów AI jako autonomicznych narzędzi wspierających lub współdecydujących [9]. W efekcie powstaje luka prawna, w której trudno określić status prawny rozwiązań AI, czy stanowią one jedynie narzędzia wspierające pracę człowieka, czy też pełnoprawnych uczestników procesu decyzyjnego. Brak jednoznaczności skutkuje ryzykiem, że decyzje podejmowane w oparciu o AI będą kwestionowane, a odpowiedzialność za ewentualne błędy pozostanie niejasna.

Niedostosowane standardy interoperacyjności

Kolejną barierą jest niedostosowanie istniejących standardów wymiany danych, takich jak IFC (ang. Industry Foundation Classes), do potrzeb uczenia maszynowego. Choć IFC umożliwia współdzielenie modeli między różnymi platformami, nie zostało zaprojektowane z myślą o algorytmach AI, które wymagają dużych zbiorów danych w ustrukturyzowanej i łatwo przetwarzalnej formie [10]. Brak dedykowanych rozszerzeń IFC dla AI prowadzi do konieczności stosowania czasochłonnych i kosztownych procesów konwersji danych. To z kolei ogranicza możliwości wykorzystania uczenia maszynowego w praktyce, spowalnia procesy projektowe i utrudnia skalowalność rozwiązań w dużych przedsięwzięciach inwestycyjnych.

Niejasność w zakresie odpowiedzialności prawnej

Jednym z najpoważniejszych braków regulacyjnych jest niejasność dotycząca odpowiedzialności za decyzje podejmowane w oparciu o rekomendacje AI. Jeżeli algorytm wskaże rozwiązanie konstrukcyjne, które okaże się wadliwe, nie wiadomo, czy odpowiedzialność spoczywa na projektancie, właścicielu modelu BIM czy twórcy oprogramowania AI [11]. Dotychczasowe przepisy prawa budowlanego i cywilnego nie przewidują takiego scenariusza, co stwarza ryzyko sporów sądowych i opóźnień w realizacji inwestycji. W kontekście budownictwa publicznego brak tych regulacji może również skutkować zagrożeniem dla bezpieczeństwa użytkowników obiektów.

Braki w regulacjach dotyczących bezpieczeństwa danych

Integracja BIM i AI generuje ogromne ilości danych, obejmujących m.in. dokumentację projektową, dane eksploatacyjne, a także informacje o użytkownikach budynków. Część z tych informacji ma charakter wrażliwy, zwłaszcza w przypadku obiektów infrastruktury krytycznej [12]. Obowiązujące regulacje, takie jak RODO, zapewniają ochronę danych osobowych, jednak nie uwzględniają w pełni specyfiki danych BIM, które obejmują nie tylko informacje osobowe, ale również szczegóły dotyczące systemów bezpieczeństwa czy planów ewakuacji [13]. Brak szczegółowych wytycznych w tym zakresie zwiększa ryzyko cyberataków, kradzieży danych oraz nadużyć w zakresie monitorowania użytkowników.

Niewystarczające mechanizmy zapewniania transparentności algorytmów

Szczególnym wyzwaniem w integracji BIM-AI jest brak regulacji nakładających obowiązek stosowania rozwiązań zapewniających transparentność działania algorytmów. Koncepcja tzw. wyjaśnialnej sztucznej inteligencji (ang. explainable AI, XAI) zyskuje coraz większą popularność w literaturze [14], jednak w praktyce branży AEC brak jest narzędzi i standardów, które pozwalałyby użytkownikom na zrozumienie mechanizmów podejmowania decyzji przez AI. W efekcie projektanci i inwestorzy często otrzymują rekomendacje algorytmów bez możliwości ich zweryfikowania, co obniża zaufanie do technologii i zwiększa ryzyko błędnych decyzji [15].

Studium przypadku

Aby unaocznić konsekwencje braków regulacyjnych w integracji BIM i AI, przeanalizowano projekt infrastrukturalny klasy „Smart Infrastructure”, realizowany w ramach programu SmartCity+ w jednej z europejskich aglomeracji. Projekt obejmował budowę inteligentnego kompleksu biurowo-usługowego, w którym zastosowano zaawansowaną integrację systemów BIM i AI do optymalizacji układów HVAC, zarządzania energią, a także predykcyjnego utrzymania technicznego.

Głównym celem zespołu projektowego było osiągnięcie jak najwyższej efektywności energetycznej oraz skrócenie czasu projektowania i rozruchu instalacji. W tym celu wdrożono algorytmy uczenia maszynowego, które analizowały modele BIM pod kątem zysków ciepła, cyrkulacji powietrza oraz historycznych danych zużycia energii z podobnych obiektów.

Algorytm AI zaproponował zmiany w trasowaniu kanałów wentylacyjnych oraz dobór komponentów instalacyjnych, co miało potencjał do obniżenia zużycia energii o 16,7%. Na podstawie wygenerowanych rekomendacji zespół projektowy dokonał zmian w pierwotnym projekcie. Jednak brak mechanizmów regulacyjnych nakazujących przeprowadzenie audytu algorytmicznego spowodował, że rekomendacje AI zostały przyjęte bez walidacji przez niezależnych ekspertów [16].

W fazie rozruchu obiektu okazało się, że system nie uwzględnił specyficznych warunków klimatycznych danej strefy miasta, związanych z ukształtowaniem terenu i cyrkulacją powietrza. W efekcie komfort cieplny użytkowników nie został osiągnięty na wymaganym poziomie, co skutkowało koniecznością przeprojektowania części instalacji.

Dodatkowo, w toku analizy powdrożeniowej stwierdzono, że modele AI nie posiadały dokumentacji umożliwiającej ocenę sposobu podejmowania decyzji – zastosowane algorytmy były tzw. czarnymi skrzynkami (ang. black-box AI). W praktyce oznaczało to brak transparentności i niemożność wskazania, na jakiej podstawie system dokonał danych wyborów [17].

Dyskusja nad odpowiedzialnością wykazała, że nie istniał żaden zapis prawny, który jednoznacznie określałby, kto ponosi odpowiedzialność: operator AI, projektant czy inwestor, który zatwierdził zmiany. Tylko dzięki dobrowolnej współpracy między stronami udało się uniknąć sporów prawnych. Z punktu widzenia przyszłych inwestycji brak odpowiednich regulacji może jednak prowadzić do poważnych konsekwencji prawnych, finansowych i reputacyjnych [18].

Analiza przypadku wykazała też, że dane wykorzystywane przez AI nie były zgodne z żadnym ustandaryzowanym formatem. Brak interoperacyjnych struktur danych spowodował konieczność ręcznego przekształcania danych z modelu BIM do postaci możliwej do wykorzystania przez system AI, co może wydłużyć czas analizy [19].

Wnioski płynące z tego studium przypadku podkreślają potrzebę wprowadzenia regulacji na trzech płaszczyznach:

• obowiązkowa walidacja i dokumentacja algorytmów AI w środowisku BIM,
• jasne przypisanie odpowiedzialności prawnej za decyzje podejmowane przez AI,
• standaryzacja danych wejściowych i wyjściowych dla systemów BIM-AI.

Proponowane kierunki rozwoju regulacji

Zidentyfikowane braki regulacyjne w zakresie integracji BIM i AI wymagają podjęcia pilnych działań legislacyjnych oraz standaryzacyjnych. Poniżej zaproponowano zestaw kierunków rozwoju regulacji, które mogą zapewnić bezpieczne, interoperacyjne i odpowiedzialne wdrażanie technologii sztucznej inteligencji w środowiskach informacyjnych BIM (RYS. 2). Propozycje te uwzględniają zarówno aspekty techniczne, prawne, jak i etyczne.

1. Rozszerzenie norm ISO 19650 o komponenty AI

Podstawowym krokiem powinna być nowelizacja serii norm ISO 19650, które obecnie koncentrują się na zarządzaniu informacją w środowisku BIM, lecz pomijają komponenty związane z automatyzacją decyzyjną czy uczeniem maszynowym. Dodanie wytycznych dotyczących projektowania, weryfikacji i dokumentacji algorytmów AI w BIM zapewniłoby większą przejrzystość i jednolitość wdrożeń. Może to przyjąć formę nowego aneksu technicznego lub oddzielnej części normy dedykowanej „AI-enhanced BIM workflows”.

2. Obowiązkowe audyty AI w projektach infrastrukturalnych

W przypadku projektów o dużym znaczeniu społecznym, np. obiektów użyteczności publicznej, infrastruktury krytycznej lub budownictwa mieszkaniowego rekomenduje się wprowadzenie obowiązkowych audytów algorytmów AI wykorzystywanych w procesach projektowych i decyzyjnych. Audyty powinny obejmować ocenę jakości danych, transparentności algorytmu, potencjalnych uprzedzeń decyzyjnych oraz wpływu na interesariuszy [20]. Tego rodzaju praktyka jest już rozwijana w sektorze zdrowia czy finansów, a jej implementacja w AEC może znacznie podnieść poziom zaufania społecznego do zautomatyzowanych procesów.

3. Rozwój otwartych i interoperacyjnych struktur danych

Utrzymanie interoperacyjności danych w środowiskach BIM-AI wymaga opracowania rozszerzeń aktualnych standardów (np. IFC) oraz stworzenia nowych ontologii semantycznych wspierających interpretację danych przez maszyny [21]. Jednym z priorytetów powinno być zapewnienie spójności między formatami stosowanymi w modelach BIM a strukturami danych wymaganymi przez modele uczenia maszynowego (np. JSON, CSV, RDF). Działania te powinny być koordynowane z organizacjami takimi jak buildingSMART International czy OGC (Open Geospatial Consortium).

4. Stworzenie kodeksu etyki AI dla branży AEC

Podobnie jak w innych sektorach (np. medycyna, finanse), branża AEC powinna opracować własny kodeks etyki dotyczący zastosowania AI. Kodeks taki powinien regulować kwestie odpowiedzialności za decyzje, przejrzystości algorytmicznej, równości dostępu oraz respektowania prywatności danych [22]. Tego rodzaju dokument mógłby zostać opracowany na szczeblu krajowym (np. przez izby inżynierów) lub międzynarodowym, np. przez ISO.

5. Implementacja zasady FAIR+AI

Zasady FAIR (Findable, Accessible, Interoperable, Reusable) odgrywają istotną rolę w otwartym zarządzaniu danymi naukowymi i technologicznymi. Ich rozwinięcie o wymiar „AI-awareness” – czyli transparentność modeli, możliwość replikacji wyników oraz dostępność logów decyzyjnych – prowadzi do nowej koncepcji: FAIR+AI [23]. Zasada ta mogłaby stanowić podstawę projektowania ekosystemów BIM-AI w sposób zgodny z dobrymi praktykami inżynierskimi i prawnymi.

Podsumowanie

Integracja technologii BIM i AI w sektorze AEC stwarza ogromne możliwości zwiększenia efektywności procesów projektowych, realizacyjnych i eksploatacyjnych. Dzięki wykorzystaniu algorytmów sztucznej inteligencji możliwe jest m.in. automatyczne generowanie wariantów projektowych, prognozowanie kosztów, optymalizacja zużycia energii oraz predykcyjne utrzymanie obiektów. Wskazuje to na potencjał transformacji branży w kierunku bardziej zrównoważonego i innowacyjnego budownictwa.

Jednakże przeprowadzone analizy dowodzą, że brak spójnych ram regulacyjnych stanowi jedno z najpoważniejszych wyzwań dla skutecznego i bezpiecznego wdrażania synergii BIM-AI. Identyfikacja luk w obszarze definicji prawnych, interoperacyjności danych, odpowiedzialności prawnej, ochrony prywatności i transparentności algorytmów wskazuje, iż dalszy rozwój tej integracji wymaga pilnych działań zarówno ze strony instytucji standaryzacyjnych, jak i ustawodawczych.

Proponowane rozwiązania obejmują rozszerzenie norm ISO 19650 o komponenty AI, wprowadzenie obowiązkowych audytów algorytmów, rozwój interoperacyjnych struktur danych, a także opracowanie kodeksu etyki AI w AEC i implementację zasady FAIR+AI. Łączne wdrożenie tych działań może stworzyć bezpieczny i odpowiedzialny ekosystem regulacyjny, który nie tylko umożliwi pełne wykorzystanie potencjału BIM i AI, ale również zagwarantuje poszanowanie interesów wszystkich interesariuszy.

Podsumowując, przyszłość BIM-AI w budownictwie zależy nie tylko od postępu technologicznego, lecz także od odpowiedzialnego kształtowania regulacji. Tylko wówczas możliwe będzie osiągnięcie synergii pomiędzy innowacją a bezpieczeństwem, co stanowi warunek trwałej cyfryzacji sektora AEC.

LITERATURA

1. Jernigan F., „BIG BIM 4.0: Ecosystems for a Connected World”, 4Site Press, 2017.
2. Rolnick D., Donti P.L., Kaack L.H., Kochanski K., Lacoste A., Sankaran K.,... & Bengio Y., „Tackling Climate Change with Machine Learning”, „ACM Computing Surveys” 55(8), 2022, Article 1. https://doi.org/10.1145/3485128.
3. International Organization for Standardization, „ISO 19650-1:2018 Organization and digitization of information about buildings and civil engineering works – Information management using building information modelling – Part 1: Concepts and principles”, Geneva: ISO, 2018.
4. Ingram J., „Understanding BIM: The Past, Present and Future”, Routledge (Taylor & Francis Group), 2020.
5. Naamane A., Boukara A., „A Brief Introduction to Building Information Modeling (BIM) and its interoperability with TRNSYS”, „Renewable Energy and Sustainable Development” 1(1), 126–130, 2015. https://doi.org/10.21622/resd.2015.01.1.126
6. Alshikhi O.A., Abdullah B.M., „Information quality: definitions, measurement, dimensions, and relationship with decision making”, „European Journal of Business and Innovation Research” 6(5), 2018, 36–42.
7. European Commission. (2021). Proposal for a Regulation of the European Parliament and of the Council laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). COM(2021) 206 final. Brussels.
8. Gellert R., „Comparing definitions of data and information in data protection law and machine learning: A useful way forward to meaningfully regulate algorithms?”, „Regulation & Governance”, 16(1), 2022, 156–176.
9. Eastman C., Teicholz P., Sacks R., Liston K., „BIM Handbook: A Guide to Building Information Modeling for Owners, Managers, Designers, Engineers and Contractors” (3rd ed.), Hoboken: Wiley, 2018.
10. „buildingSMART International”, IFC 4.3 Documentation. Technical Report, 2020, Retrieved from https://technical.buildingsmart.org/.
11. „European Union Agency for Cybersecurity (ENISA)”, „Artificial Intelligence Cybersecurity Challenges”, Heraklion: ENISA, 2021.
12. Borkowski A.S., Firlińska, SA, „Modelowanie infrastruktury przesyłowej w środowisku BIM”, „Przegląd Elektrotechniczny” 98(12), 2022.
13. Borkowski A.S., Maroń M., „Zastosowanie cyfrowego bliźniaka w zarządzaniu obiektem użyteczności publicznej studium przypadku przedszkola w gminie Secemin”, „Builder” 6/2023.
14. Doshi-Velez F., Kim B., „Towards a Rigorous Science of Interpretable Machine Learning”, 2017. arXiv preprint. arXiv:1702.08608.
15. Floridi L., Cowls J., „A Unified Framework of Five Principles for AI in Society”, „Harvard Data Science Review” 1(1), 2019.
16. Mittelstadt B. D., Allo P., Taddeo M., Wachter S., Floridi L., „The ethics of algorithms: Mapping the debate”, „Big Data & Society” 3(2), 1–21, 2016.
17. Rudin C., „Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead”, „Nature Machine Intelligence”, 1(5), 206–215, 2019.
18. Orwat C., Bareis J., Folberth A., Jahnel J., Wadephul C., „Normative Challenges of Risk Regulation of Artificial Intelligence and Automated Decision Making”, arXiv preprint, 2022.
19. Borkowski A.S., Kochański Ł., Wyszomirski M., „A case study on building information (BIM) and land information (LIM) models including geospatial data”, „Geomatics and Environmental Engineering”, 17(1), 2023.
20. Selbst A.D., Barocas S., „The intuitive appeal of explainable machines”, „Fordham Law Review” 87(3), 1085–1139, 2018. https://ir.lawnet.fordham.edu/flr/vol87/iss3/5.
21. Pauwels P., Zhang S., Lee Y.-C., „Semantic web technologies in AEC industry: A literature overview”, „Automation in Construction 73”, 145–165, 2017.
22. Jobin A., Ienca M., Vayena E., „The global landscape of AI ethics guidelines”, „Nature Machine Intelligence” 1(9), 389–399, 2019.
23. Mons B., Neylon C., Velterop J., Dumontier M., da Silva Santos L.O.B., Wilkinson M.D., „Cloudy, increasingly FAIR; revisiting the FAIR Data guiding principles for the European Open Science Cloud”, „Information Services & Use” 37(1), 49–56, 2017.