Braki regulacyjne w AEC w zakresie integracji BIM-AI

• Autorzy: Borkowski Andrzej Szymon

Warianty tytułu

EN

Regulatory gaps in the AEC regarding BIM-AI integration

• Języki publikacji: PL

Abstrakty

PL

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.

EN

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.

Słowa kluczowe

PL

sztuczna inteligencja

• Wydawca: Grupa MEDIUM Sp. z o.o. Sp.k.a.
• Czasopismo: Izolacje
• Rocznik: 2025
• Tom: T. 30, nr 9
• Strony: 22--25
• Opis fizyczny: Bibliogr. 23 poz., rys.

Twórcy

autor

Borkowski Andrzej Szymon

Bibliografia

• 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 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 Ser vices & Use” 37(1), 49–56, 2017.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).