L'IA è affidabile per la sicurezza strutturale degli edifici?

Il problema

Un balcone non rimane in piedi perché un modello di IA dice che sembra «robusto». Rimane in piedi perché il percorso di carico è continuo, lo sforzo resta entro i limiti del materiale e la struttura soddisfa le equazioni fondamentali della fisica. Questa distinzione — tra sembrare corretto ed essere corretto — è il punto in cui l'IA di oggi crolla nella progettazione e costruzione di edifici.

Quando inserisci una planimetria strutturale in un'IA multimodale come GPT-4V o Gemini, il modello non vede travi, colonne o percorsi di carico. Vede pixel. Suddivide la tua planimetria in piccole porzioni — minuscoli quadrati di 16×16 pixel — e cerca schemi statistici tra di essi. Potrebbe imparare che una linea verticale (una colonna) di solito compare vicino a una linea orizzontale (una trave). Ma non capisce che la trave è sostenuta dalla colonna. Rimuovi la colonna, e il livello di confidenza dell'IA potrebbe calare leggermente. Ma non possiede alcuna fisica interna che le dica che la trave ora deve cadere.

I ricercatori lo hanno verificato direttamente. Quando le porzioni di immagine vengono mescolate casualmente, questi modelli di IA spesso mantengono un'elevata accuratezza di classificazione. Si basano su texture e schemi locali, non sulla struttura spaziale reale. Nell'ingegneria, un dettaglio di connessione che è «quasi presente» ma privo di un percorso di carico critico non è sicuro al 90%. È insicuro al 100%. Il tuo sistema di IA non è in grado di cogliere la differenza.

Perché questo è importante per la tua azienda

I numeri dovrebbero far riflettere ogni risk officer. Lo studio DSR-Bench — un benchmark che ha testato dieci dei principali modelli di IA su 4.140 casi problematici — ha rilevato che il modello con le prestazioni migliori ha ottenuto solo 0,498 su 1,0 nei compiti di ragionamento strutturale complesso. Si tratta di un'affidabilità pari al lancio di una moneta per decisioni che riguardano la stabilità o il crollo di un edificio.

Ecco cosa significa per la tua organizzazione:

• Esposizione normativa: i modelli di IA che non riescono a verificare i requisiti strutturali rispetto ai codici edilizi creano responsabilità legale. Il benchmark DesignQA ha dimostrato che i modelli sono in grado di estrarre da un documento una regola come «deflessione massima consentita». Ma non sono riusciti ad applicare quella regola alla progettazione effettiva di una trave. La tua approvazione di conformità vale solo quanto il sistema che la supporta.
• Esplosioni dei costi dei materiali: la ricerca ha rilevato che i modelli di IA mostrano una forte predisposizione verso materiali esotici e ad alte prestazioni, come il titanio o la fibra di carbonio — anche quando il progetto richiede soluzioni economicamente vantaggiose. Perché? Perché quei materiali compaiono più spesso nei dati di addestramento tecnologicamente avanzati. La tua IA potrebbe consigliare materiali che gonfiano il tuo budget di ordini di grandezza senza alcuna ragione ingegneristica.
• Crollo delle prestazioni con l'aumento della complessità: l'accuratezza dell'IA diminuisce significativamente man mano che i problemi strutturali diventano più complessi dal punto di vista spaziale e multidimensionale. I modelli ottengono inoltre risultati peggiori quando i problemi sono descritti in linguaggio naturale anziché in codice formale. Questo significa che quanto più i tuoi ingegneri descrivono situazioni reali e non standard in linguaggio semplice, tanto più è probabile che l'IA sbagli — con il rischio di fallire il 50% delle volte su problemi unici.
• Errori di ragionamento nascosti: questi modelli faticano con il ragionamento a più passaggi (multi-hop) — ovvero tracciare una relazione attraverso diverse connessioni intermedie. In un edificio, questo significa tracciare il carico da un balcone sul tetto attraverso travi e colonne, fino alle fondamenta. Se la tua IA non riesce a seguire questa catena, non può verificare la sicurezza strutturale.

Il rischio non è teorico. È un divario misurabile e documentato da benchmark tra ciò che questi modelli promettono e ciò che effettivamente offrono.

Cosa succede realmente dietro le quinte

Pensala così. Immagina di assumere un ispettore edilizio che ha memorizzato migliaia di foto di edifici sicuri. Quando mostri a questo ispettore un nuovo progetto, lui lo confronta con le foto nella sua memoria. «Sembra un edificio sicuro come quelli che ho già visto», dice. Ma non ha mai studiato ingegneria. Non è in grado di calcolare se una trave reggerà. Sta abbinando schemi, non risolvendo la fisica.

È esattamente così che funzionano i modelli di IA multimodali. Sono motori di previsione del token successivo — sistemi addestrati a indovinare la parola o il pixel successivo più probabile in base agli schemi presenti nei loro dati di addestramento. Quando chiedi a un'IA «Questo balcone è sicuro?», essa non sta calcolando il momento d'inerzia. Sta prevedendo quali parole seguono tipicamente quella domanda nei milioni di documenti su cui è stata addestrata. Se i suoi dati di addestramento contengono migliaia di relazioni che concludono «la struttura appare solida», l'IA è statisticamente predisposta a generare una rassicurazione simile — indipendentemente da ciò che mostra effettivamente la planimetria.

Il whitepaper definisce questo il problema del «Pappagallo Stocastico»: un'IA che ripete risposte dall'aspetto plausibile senza comprendere la fisica sottostante. L'ingegneria strutturale è deterministica — se la somma delle forze non è pari a zero, la struttura accelera (si muove, cade). Non c'è alcuna probabilità in gioco. Ma l'IA tratta ogni risposta come una distribuzione di probabilità. Ti offre una stima approssimativa quando il tuo edificio ha bisogno di un calcolo rigoroso.

Questa incompatibilità architetturale — un motore probabilistico applicato a un dominio deterministico — è il motivo per cui anche i modelli di IA più avanzati raggiungono un limite massimo di accuratezza del 49,8% nel ragionamento strutturale.

Cosa funziona (e cosa no)

Iniziamo da ciò che non funziona.

Analisi dell'IA basata sui pixel: inserire le planimetrie nei modelli di visione artificiale tratta i tuoi disegni ingegneristici come immagini da classificare, non come strutture da calcolare. L'IA vede texture e schemi, non percorsi di carico e connessioni. Le sfugge la natura binaria della sicurezza strutturale.

IA generalista per la conformità normativa: i modelli sanno citare i codici edilizi con scioltezza, ma non riescono ad applicare vincoli quantitativi a un progetto specifico. Estraggono le regole senza farle rispettare. Il tuo controllo di conformità diventa una sintesi, non una verifica.

Forza bruta dei modelli di grandi dimensioni: addestrare modelli più grandi su una maggiore quantità di dati provenienti da internet non risolve il problema di fondo. Nei test DSR-Bench, le prestazioni nel ragionamento strutturale non sono migliorate in modo significativo con l'aumento della scala. Più parametri non generano una comprensione della fisica.

Ecco cosa funziona davvero — l'approccio adottato da Veriprajna:

1. Convertire le planimetrie in grafi, non in pixel. Invece di suddividere una planimetria in porzioni di pixel, il sistema converte il tuo Building Information Model (BIM) in un grafo matematico. Ogni nodo rappresenta un componente strutturale reale — una trave, una colonna o una soletta — con proprietà fisiche effettive come il Modulo di Young e il limite di snervamento. Ogni arco rappresenta una connessione fisica reale in cui avviene il trasferimento del carico. Questo grafo cattura la logica della tua struttura, non solo il suo aspetto.

2. Integrare la fisica direttamente nell'addestramento dell'IA. Il sistema utilizza le Physics-Informed Neural Networks (PINNs) — modelli di IA che integrano nel proprio processo di apprendimento le equazioni fondamentali della meccanica strutturale. Se il modello prevede una forma di deflessione che viola le leggi dell'equilibrio, la penalità fisica applicata durante l'addestramento lo costringe a correggersi. L'IA non può «immaginare» una risposta che infranga le leggi di Newton. I Graph-Structured Physics-Informed DeepONets — una versione avanzata di questo approccio — hanno raggiunto valori di accuratezza pari a R² = 0,9999, funzionando 7–8x più velocemente rispetto ai solutori ingegneristici tradizionali.

3. Tracciare ogni percorso di carico in modo algoritmico. Utilizzando la teoria dei grafi, il sistema traccia tutti i percorsi possibili per il trasferimento del carico dal punto di applicazione fino alle fondamenta. Calcola una metrica chiamata U* Index, che visualizza la «spina dorsale» della tua struttura — il percorso più rigido all'interno dell'edificio. Se il progetto del tuo balcone presenta un percorso di carico discontinuo, il sistema non tira a indovinare. La linea di flusso si interrompe bruscamente, segnalando il punto esatto del cedimento.

Per i team di conformità e audit, questo approccio crea un percorso decisionale a scatola trasparente. Poiché ogni nodo del grafo corrisponde uno a uno a un componente fisico, puoi tracciare esattamente perché il sistema ha segnalato un problema: «La colonna ha ceduto perché il carico trasferito dalla Trave A e dalla Trave B ha superato la capacità». Si tratta di un risultato verificabile e spiegabile — non di un punteggio di fiducia a scatola nera.

Questo sistema funziona on-premise. I tuoi team non inviano planimetrie sensibili a un'API pubblica. Il motore fisico risiede sul tuo server, proteggendo la tua proprietà intellettuale e i tuoi dati di progetto offrendoti al contempo risposte deterministiche.

L'approccio di Veriprajna funge da livello di verifica. Architetti e progettisti possono continuare a utilizzare l'IA generativa per i concept creativi. Ma ogni concept passa attraverso un controllo fisico deterministico prima di raggiungere i tuoi ingegneri. Se il controllo fallisce, il sistema restituisce un vincolo rigido — «aumenta la profondità della trave di 200mm» oppure «aggiungi un collegamento di campata posteriore» — imponendo una riprogettazione fisicamente valida. Ottieni velocità creativa con certezza ingegneristica supportata da simulazioni e flussi di lavoro basati su digital twin.

Puoi leggere l'analisi tecnica completa per il quadro matematico completo, oppure esplorare la versione interattiva per un percorso guidato.