Construir uma casa começa com uma promessa: um conjunto de desenhos que diz ao construtor exatamente o que construir e quanto material é necessário. Estas plantas não são meros esboços; são instruções complexas onde uma única linha representa uma parede, uma nota implica um tipo específico de madeira e uma sequência de dimensões dita o comprimento de uma viga. Transformar estas páginas numa lista de materiais — contando cada montante, cada folha de drywall e cada metro quadrado de telhado — é uma tarefa conhecida como levantamento de quantidades (quantity takeoff). Durante décadas, este tem sido o domínio de especialistas humanos que devem ler, medir e reconciliar informações espalhadas por dezenas de páginas, muitas vezes preenchendo lacunas com conhecimento que nunca aparece no papel. Um erro aqui não é apenas um erro matemático; pode significar milhares de dólares em materiais desperdiçados ou um projeto que estagna porque a quantidade errada de concreto foi encomendada.

Durante anos, cientistas da computação tentaram ensinar as máquinas a realizar este trabalho. Os modelos de linguagem de grande escala, os poderosos sistemas de inteligência artificial que conseguem escrever ensaios e responder a perguntas, foram testados nestes desenhos. Eles conseguem ler o texto e compreender as palavras, mas têm dificuldade com a realidade visual da planta. Podem ver uma parede, mas falhar ao medi-la corretamente, ou podem contar uma porta que aparece em duas páginas diferentes como duas portas separadas. Carecem da compreensão específica e fundamentada das convenções de construção — como saber que as paredes são construídas com montantes espaçados a um intervalo preciso — que os construtores experientes carregam nas suas mentes. O resultado tem sido um fosso entre o que as máquinas podem dizer e o que elas podem realmente calcular.

Uma equipa de investigadores da Handoff AI Research introduziu agora um sistema chamado Handoff-H1, concebido para colmatar este fosso não criando uma única máquina mais inteligente, mas sim construindo uma equipa de ferramentas especializadas que trabalham em conjunto. O seu trabalho, avaliado contra um novo benchmark de plantas residenciais reais, mostra que um sistema que combina visão computacional, software especializado e uma base de conhecimento estruturada pode produzir estimativas de materiais que são não só mais completas do que os atuais modelos de inteligência artificial de topo, mas também rivalizam com a precisão e a completude dos especialistas humanos.

O cerne do problema reside na forma como os desenhos de construção comunicam. Uma planta não lista cada prego ou montante individual; ela mostra a estrutura e conta com o leitor para aplicar regras padrão. Se um desenho mostra uma parede, um estimador humano sabe calcular o número de montantes de madeira com base num espaçamento padrão, mesmo que o desenho não declare explicitamente o espaçamento. Requer olhar para uma planta de piso, medir uma dimensão, verificar uma nota numa página diferente e, em seguida, aplicar uma regra prática para chegar a um número final. Este processo envolve três desafios distintos: ver os elementos visuais claramente, raciocinar através de múltiplões páginas para conectar informações relacionadas e fundamentar os resultados nas convenções da indústria que nunca são escritas.

O Handoff-H1 aborda estes desafios organizando o trabalho em três camadas. A primeira camada é um conjunto de modelos de visão computacional criados para esse fim. Ao contrário dos leitores de imagem genéricos, estes modelos foram treinados especificamente em desenhos de construção para identificar e rotular os elementos tipificados: divisões, paredes, portas e janelas. Eles atuam como os olhos do sistema, recuperando a estrutura básica a partir dos ficheiros PDF originais. A segunda camada é uma fundação de projeto persistente, uma base de dados estruturada que organiza o que os olhos viram. Esta fundação retém a informação numa hierarquia que espelha como os projetos de construção são realmente executados, separando o trabalho em diferentes especialidades como estrutura, canalização e eletricidade. Crucialmente, esta fundação está fundamentada numa base de conhecimento curada de regras e convenções de construção, garantindo que o sistema saiba, por exemplo, que um determinado tipo de telhado requer um cálculo específico para a inclinação que não é visível no desenho plano.

A terceira camada é a orquestração de agentes de visão. Estes são trabalhadores de software que utilizam a informação da fundação e as ferramentas fornecidas pelos modelos de visão para realizar a contagem e a medição real. Eles não tentam fazer tudo de uma vez. Em vez disso, focam-se numa especialidade de cada vez, utilizando ferramentas especializadas para decompor planos complexos em elementos individuais, como decompor um plano de estrutura em cada um dos seus montantes. Se um agente tiver dúvidas, pode recorrer a uma ferramenta especializada para contar ou medir uma região específica, em vez de adivinhar. Finalmente, uma passagem de verificação independente audita o trabalho, verificando se existem itens omitidos ou quantidades impossíveis antes que a lista final seja produzida.

Para testar este sistema, os investigadores criaram um benchmark chamado TAKEOFFBENCH-V1. Reuniram dez conjuntos de plantas residenciais reais e autorizadas e emparelharam-nos com uma lista de materiais de "padrão ouro". Este padrão ouro não foi criado por uma única pessoa, mas foi o resultado de um processo de consenso onde múltiplos estimadores profissionais independentes trabalharam nos mesmos desenhos e os seus resultados foram reconciliados para criar uma verdade única e verificada. Esta abordagem reconhece que até os especialistas humanos podem discordar sobre certas medições, pelo que o benchmark reflete um padrão de alta qualidade e realista, em vez de um ideal impossível. O benchmark inclui mais de dois mil itens de linha verificados, abrangendo nove diferentes especialidades de construção, desde betão e estrutura até drywall e cobertura.

Quando os investigadores executaram o teste, os resultados foram impressionantes. Compararam o Handoff-H1 com sete dos modelos de inteligência artificial mais avançados disponíveis, incluindo sistemas de pesos abertos e fechados. Estes modelos receberam os mesmos ficheiros PDF originais e foram solicitados a produzir uma lista de materiais. Os melhores destes modelos de fronteira atingiram uma pontuação composta de aproximadamente 61 por cento. Em contraste, o Handoff-H1 atingiu uma pontuação de 81,6 por cento. Este fosso de cerca de vinte pontos é significativo, sugerindo que a arquitetura especializada do Handoff-H1 — a sua combinação de visão, conhecimento e orquestração — resolve problemas que os modelos de uso geral não conseguem.

Talvez mais importante, o sistema foi comparado diretamente com estimadores profissionais independentes, os especialistas humanos que criaram a verdade de base. Quando estes humanos foram pontuados contra o mesmo padrão ouro, atingiram uma pontuação composta de 77,6 por cento. O Handoff-H1 superou a média humana, alcançando uma pontuação superior à dos especialistas em seis dos dez conjuntos de desenhos. O sistema fez isto sendo mais minucioso; encontrou e contou mais itens do que os humanos, particularmente em áreas complexas como estrutura e cobertura, onde os estimadores humanos frequentemente perdem detalhes ou saltam partes do âmbito do trabalho. Embora os especialistas humanos tenham sido ligeiramente mais precisos nos itens que encontraram, a capacidade do sistema de cobrir mais terreno resultou num orçamento global melhor.

A análise dos resultados revelou onde o sistema se destaca e onde ainda enfrenta desafios. O sistema teve um desempenho excecional em especialidades que exigem derivar quantidades a partir de áreas e inclinações, como coberturas e drywall, onde os estimadores humanos frequentemente têm dificuldade em manter a consistência. Também teve um desempenho muito bom em tarefas de contagem, como acessórios de canalização e janelas. No entanto, o sistema, tal como os humanos, considerou as medições contínuas — como o comprimento exato de uma parede ou a área de um telhado — como as mais difíceis. Estas tarefas exigem resolver ambiguidades nos desenhos, como se uma linha de dimensão inclui a espessura de uma parede, um debate que até os especialistas humanos podem ter. A precisão do sistema nestas medições foi ligeiramente inferior à dos especialistas humanos, mas a sua cobertura foi muito superior, o que significa que perdeu menos itens no total.

Os investigadores enfatizam que este sucesso não se deve a um único avanço na inteligência artificial, mas sim à combinação cuidadosa de diferentes capacidades. Os modelos de uso geral, mesmo os mais avançados, falharam em atingir o nível dos especialistas humanos ou do sistema Handoff-H1 quando receberam o mesmo input bruto. Eles tenderam a produzir orçamentos que pareciam fluentes, mas que careciam de fundamentação dimensional, muitas na verdade quantidades ou falhando na lógica específica da especialidade necessária para transformar um desenho numa lista de materiais. O sistema Handoff-H1 teve sucesso porque não dependeu de um único modelo para fazer tudo; em vez disso, utilizou uma abordagem estruturada que separou o ver, o saber e o raciocinar.

Este trabalho sugere um caminho a seguir para a inteligência artificial em campos especializados. Demonstra que, para tarefas complexas do mundo real, os sistemas mais eficazes podem não ser aqueles com os maiores modelos de linguagem, mas sim aqueles que são construídos com uma compreensão profunda da estrutura e das regras do domínio. Ao combinar a visão computacional com uma base de conhecimento curada e um fluxo de trabalho estruturado, o sistema foi capaz de atingir um nível de desempenho que rivaliza com o de especialistas humanos. Os investigadores tornaram as suas ferramentas de avaliação públicas, permitindo que outros testem os seus próprios sistemas contra o mesmo benchmark, mantendo os dados das plantas e a verdade de base restritos para evitar que o sistema simplesmente memorize as respostas. Esta abordagem garante que o progresso futuro seja medido pela capacidade genuína e não pela habilidade de recordar dados de treino.

O estudo conclui que, embora o sistema não seja perfeito, representa um passo significativo em direção à automação de uma tarefa que tem sido, há muito tempo, o domínio exclusivo de especialistas humanos. Não substitui a necessidade de supervisão humana, mas oferece uma ferramenta que pode ser mais minuciosa e consistente do que um humano a trabalhar sozinho. Num campo onde um único erro pode custar milhares de dólares, a capacidade de gerar uma lista de materiais mais completa e precisa a partir de um conjunto de desenhos é uma melhoria tangível. O desempenho do sistema, superando tanto a melhor inteligência artificial de uso geral como o estimador humano médio, indica que a combinação de visão especializada, conhecimento estruturado e raciocínio orquestrado é uma abordagem poderosa para resolver problemas complexos do mundo real.