Afbeelding: © Nitcharee – stock.adobe.com
Wat is AI precies, en wat is het niet?
Ja, dit is een onderwerp dat al tot vervelens toe is besproken en bijna saai is geworden, maar aangezien het niet altijd even gemakkelijk te herkennen is, wilden wij het hier nader bekijken in de context van onze specifieke toepassing binnen het MEP-ontwerp.
In het algemeen verwijst AI (kunstmatige intelligentie) naar systemen die in staat zijn taken uit te voeren waarvoor voorheen menselijke intelligentie nodig was, vaak met weinig tot geen zichtbare inspanning. Een bijzonder succesvolle benadering op dit gebied betreft neurale netwerken, die de werking van het menselijk brein trachten na te bootsen: met neuronen, de verbindingen daartussen (die in sterkte variëren), receptoren als interface voor het waarnemen van de buitenwereld, en de signalen die worden „afgevuurd“ tussen receptoren en neuronen, evenals onder de neuronen onderling. Wat bij dergelijke netwerken „training“ wordt genoemd, komt overeen met het leerproces bij mensen: afhankelijk van de gebruikte methode worden de verbindingen tussen de neuronen selectief versterkt of verzwakt, totdat het netwerk voldoende goede resultaten oplevert voor een bepaalde taak.
Klassieke algoritmen en wiskundige functies volgen daarentegen vooraf gedefinieerde regels. Dit zijn geenszins de oudere, zwakkere hulpmiddelen. Een algoritme biedt een beschrijving van een duidelijk omschreven methode voor het oplossen van een probleem: een specifieke invoer levert altijd dezelfde, unieke uitvoer op. Dit wordt een deterministische methode genoemd. Dit geldt niet alleen voor eenvoudige rekenformules – zoals die voor drukverlies in een leiding – maar ook voor meer uitgebreide of zelfs uiterst complexe methoden: het oplossen van botsingen tussen leidingen in een driedimensionale ruimte of het berekenen van complete hydraulische netwerken met duizenden knooppunten en verbruikers. Dit alles kan worden beschreven aan de hand van duidelijk geformuleerde regels en logica en wordt daarom deterministisch opgelost. Dergelijke methoden zijn snel, efficiënt in het gebruik van hulpbronnen en volledig traceerbaar. De belangrijkste voorwaarde is altijd dezelfde: het probleem moet volledig beschrijfbaar zijn aan de hand van een reeks regels. Precies daar liggen de grenzen van de toepasbaarheid, en precies daar beginnen de praktische toepassingen van AI.
AI als snelkoppeling en wie er de kaart moet lezen
In theorie zou het kiezen van het juiste hulpmiddel eenvoudig zijn, en in een technische context zou de keuze vaak uitvallen op het klassieke algoritme. In de praktijk ligt het anders. Zowel softwareontwikkelaars als gebruikers maken steeds vaker gebruik van taalmodellen, zelfs in gevallen waarin het probleem eigenlijk nauwkeurig genoeg zou kunnen worden beschreven om deterministisch te worden opgelost. De reden hiervoor is begrijpelijk: het ontwikkelen van een robuust, getest en onderhoudbaar algoritme kost tijd en expertise – een taalmodel daarentegen levert binnen enkele minuten een oplossing die vaak „goed genoeg“ is. En als het resultaat aan de eisen voldoet, is het geen moeilijke beslissing. Deze afweging is over het algemeen legitiem – het is immers een economische beslissing, net als elke andere in de projectwereld. Maar er schuilt een risico in dat met name in de technische sector ernstig is: „goed genoeg“ is geen objectieve constatering, maar een oordeel, en dat oordeel vereist professionele expertise. Als u de toepassingsgrenzen van een AI-oplossing niet kent, kunt u niet beoordelen of het resultaat daadwerkelijk aanvaardbaar is.
Op de achtergrond schuilt een subtieler gevaar: hoe vaker de snelkoppeling wordt gebruikt, hoe minder vaak het daadwerkelijke denkproces wordt geoefend. Professionele expertise wordt niet verworven door simpelweg resultaten te consumeren, maar door problemen uit te werken – via fouten, correcties en de geleidelijke ontwikkeling van het beoordelingsvermogen. Wie berekeningen, dimensionering of planningsbeslissingen permanent aan een taalmodel delegeert, loopt het risico juist die expertise te verliezen die nodig is om de resultaten van de AI kritisch te beoordelen. Dit is geen hypothetisch scenario: laten wij ons eens herinneren welk effect GPS-navigatie heeft gehad op ons richtingsgevoel – onmerkbaar, geleidelijk en pas merkbaar wanneer het systeem uitvalt. Het vermijden van AI kan geen alternatief zijn; het gaat er veeleer om er bewust gebruik van te maken: AI-resultaten begrijpen in plaats van ze klakkeloos voor waar aan te nemen; uw eigen beoordelingsvermogen regelmatig trainen; en uw professionele expertise actief cultiveren – vooral nu de tools steeds krachtiger worden. Snelkoppelingen mogen menselijke vaardigheden niet vervangen.
Wat doet Autodesk met AI?
Met Revit 2027 introduceerde Autodesk de Autodesk Assistant – samen met enkele aanvullende AI-functionaliteiten – als een „Tech Preview“. Wat dit precies inhoudt, wat de Assistant op dit moment daadwerkelijk doet, hoe de technologie erachter werkt, wat er momenteel nog ontbreekt en wat we in de toekomst kunnen verwachten, wordt hieronder toegelicht.
Belangrijke aanvullende informatie: Nadat dit artikel was gepubliceerd, is Autodesk Assistant de tech preview-fase ontgroeid!
Wat Autodesk Assistant (op dit moment) is
Autodesk Assistant is een AI-assistent die rechtstreeks in Revit is geïntegreerd en die niet langer alleen uitlegt hoe een functie moet worden gebruikt, maar ook zelfstandig taken binnen het model kan uitvoeren.
In Revit ziet de interface van de Assistant eruit als een klassieke chatbot met een tekstvak waarin u wordt gevraagd een vraag te stellen of een taak te beschrijven. De Assistant werkt op de achtergrond met behulp van het eigen AI-model van Autodesk.
Om het verzoek te verwerken, analyseert dit AI-model de ingevoerde opdracht, vergelijkt deze met de beschikbare tools, bepaalt welke tools in welke volgorde moeten worden aangeroepen, roept deze vervolgens aan en analyseert de (tussentijdse) resultaten. Deze worden vervolgens gebruikt als invoerparameters voor de volgende aanroep, wat uiteindelijk leidt tot het gewenste resultaat. Indien in de opdracht taken worden beschreven waarvoor geen geschikte tools beschikbaar zijn, zal de Assistent de gebruiker hiervan op de hoogte stellen en uitleggen hoe de taak handmatig kan worden opgelost.
De tools zelf zijn over het algemeen gebaseerd op klassieke, deterministische programmalogica. Zij ontvangen gedefinieerde invoer (parameters), werken op het model via de Revit API en leveren een voorspelbaar resultaat op. Dezelfde invoer, hetzelfde resultaat. Het AI-model heeft „alleen“ toegang tot deze tools, maar maakt er zelf geen deel van uit. Niettemin speelt het AI-model een cruciale rol bij het coördineren van de tools – een rol die niet mag worden onderschat. Daarom is het in deze fase ook van groot belang om een „sterk/intelligent“ model te gebruiken. Of het model dat momenteel door Autodesk wordt gebruikt, al „goed genoeg“ is voor deze taak, valt nog te bezien.
Welke tools beschikbaar zijn, wordt bepaald door de geladen „MCP-servers“ (zie kader op blz. 20). Een MCP-server biedt een lijst met tools in een gespecificeerd formaat. Elke tool wordt gedetailleerd beschreven: wat doet deze, welke informatie heeft deze nodig om goed te functioneren, en of en in welke vorm er een resultaat wordt geretourneerd.
Momenteel werkt de Autodesk Assistant echter uitsluitend met één enkele MCP-server die door Autodesk zelf wordt beheerd, met een vaste set functies. Concreet betekent dit: deze functionaliteit is momenteel beperkt!
De functionaliteit die Autodesk momenteel in zijn MCP-server aanbiedt, is officieel onderverdeeld in zes gebieden:
1. Modelquery’s
het opvragen en analyseren van
elementen en parameters
2. Bladbeheer
het aanmaken en ordenen
van tekenbladen
3. Ruimtebeheer
het opvragen en beheren
van ruimtegegevens
4. Roosters
het opstellen en organiseren
van roosters
5. Exporteren
Modelgegevens
uitvoeren
6. Elementbewerkingen
elementen bewerken
Hoe duidelijk deze structuur ook mag lijken: Autodesk heeft tot nu toe slechts beperkte documentatie gepubliceerd over wat elk van deze onderdelen precies inhoudt – wat niet ongebruikelijk is voor een technische preview. Wat wij wel met zekerheid kunnen zeggen, is dat het mogelijk is om modelgegevens op te halen en parameters van bestaande elementen aan te passen – dit laatste zelfs in grote hoeveelheden, waarbij honderden elementen in één bewerking worden verwerkt. Diepgaandere modelbewerkingen, zoals het aanmaken van nieuwe elementen of het bewerken van familiedefinities, zijn momenteel echter niet mogelijk.
De volgende specifieke voorbeelden laten zien hoe Autodesk Assistant vandaag de dag al kan worden gebruikt. Ze zijn uitgevoerd als onderdeel van ons voorbeeldproject „Office-Example-MEP“ en kunnen daarom eenvoudig worden uitgeprobeerd.
Met name de laatste twee voorbeelden illustreren de ware kracht van deze aanpak: het uitvoeren van een dergelijke consistentiecontrole op de traditionele manier zou een aanzienlijke hoeveelheid handmatig werk vergen, bijvoorbeeld door gebruik te maken van overzichten en de gegevens nauwkeurig te onderzoeken. In theorie kan de Assistant deze taak voltooien in één enkele, in natuurlijke taal geformuleerde workflow. Zoals gebruikelijk is bij AI, zijn de resultaten van deze zoekopdrachten niet deterministisch. Of een ruimte met de naam „meeting point“ nu daadwerkelijk „meeting area“ moet heten of niet, is zeker voor interpretatie vatbaar. Het feit dat dit nog niet altijd perfect werkt, kan te wijten zijn aan de preview-status of aan het AI-model dat door Autodesk Assistant wordt gebruikt.
Selecteren en filteren
| Selecteer alle stralingsplafondpanelen in het project | Selecteert alle families waarvan de familienaam het woord „Radiant Ceiling Panel” bevat | JA |
| Hoeveel stralingsplafondpanelen bevinden zich op de eerste verdieping? | Beantwoordt een eenvoudige telvraag op basis van de modelgegevens. | JA |
| Selecteer alle leidingen met een lengte > 2 m | Mislukt omdat de lengteparameter niet kan worden uitgelezen. De door de AI zelf geïnitieerde poging om de lengte te bepalen met behulp van „bounding boxes“ leidt tot aanzienlijk onnauwkeurige resultaten. | NEE |
Documentatie opstellen
| Maak een nieuw planblad aan en plaats daar een „Zoetwaterstation“ op. | Hiermee wordt een nieuw blad aangemaakt en wordt de opgegeven weergave (detailweergave „Zoetwaterstation“) daarop geplaatst. De exacte locatie kan echter niet worden bepaald. | JA en NEE |
| Voorzie alle stralingspanelen in het plafond in de huidige weergave van het label „LIN_HT_OUTLET“ | Zoekt de elementen en maakt het gevraagde label aan | JA |
Analyseren en testen
| Controleer alle ruimtenamen (in MEP Spaces) op typefouten en maak een lijst van de namen die fouten bevatten. | Analyseert alle ruimten en identificeert ruimtenamen die als „mogelijk“ onjuist zijn gemarkeerd. U kunt de namen vervolgens bewerken (op basis van uw eigen suggesties voor betere namen), wat daadwerkelijk werkt. | JA |
| Analyseer alle leidingen en fittingen en identificeer parameterwaarden van 'LIN_POSITION_NUMBER_A' met opmaakproblemen, zoals inconsistente formaten. "Geef een korte beschrijving van het meest gangbare formaat en som alle afwijkingen op." | Het resultaat is grotendeels nutteloos omdat de AI, volgens haar eigen verklaring, slechts willekeurige controles uitvoert. Sommige uitschieters worden niet vermeld. Voor de meest nauwkeurige resultaten wordt een handmatige aanpak aanbevolen. | NEE |
Klik op het overzicht aan de linkerkant om het te vergroten.
Wat u in de toekomst kunt verwachten
Autodesk Assistant wordt uitdrukkelijk aangeduid als een Tech Preview. De huidige versie is dus een momentopname en geen definitieve versie. Er tekenen zich drie trends af.
De eerste betreft de beschikbaarheid van de Assistant voor externe MCP-servers. Momenteel communiceert het uitsluitend met de interne server van Autodesk; er is echter ondersteuning aangekondigd voor de volgende generatie MCP-servers – zowel lokaal gehoste als cloudgebaseerde. Dit zou de aard van de Assistant fundamenteel veranderen: van een gesloten tool met een vaste set functies naar een open platform waarin gespecialiseerde functies van externe aanbieders als aanvullende tools kunnen worden geïntegreerd. Gebruikers zouden deze tools dan kunnen gebruiken binnen dezelfde vertrouwde interface die zij gebruiken om toegang te krijgen tot de eigen tools van Autodesk.
De tweede lijn betreft de schrijftoegang voor externe applicaties. De MCP-server, die nu openbaar beschikbaar is, is beperkt tot alleen-lezen-tools – modelgegevens kunnen worden geanalyseerd, maar niet gewijzigd. Alleen de toevoeging van schrijftools zou externe AI-clients transformeren van louter analysetools tot volwaardige bewerkingstools. Het valt nog te bezien wanneer en in hoeverre Autodesk deze stap zal zetten.
De derde regel betreft de keuze van het AI-model. Autodesk Assistant maakt momenteel gebruik van een model dat intern door Autodesk is ontwikkeld. Zodra de Assistant zich openstelt voor externe MCP-servers – en daarmee voor andere AI-clients – zal de mogelijkheid om voor een bepaalde taak het betere model te gebruiken werkelijkheid worden, in plaats van beperkt te blijven tot één enkel, vooraf gedefinieerd model.
Alle drie de ontwikkelingspaden hebben één ding gemeen: hoewel Autodesk de algemene richting heeft aangegeven, moeten specifieke tijdschema’s of bindende toezeggingen nog worden bekendgemaakt. Voor een betrouwbare beoordeling is het daarom raadzaam om de verdere ontwikkeling van de Tech Preview nauwlettend te volgen.
Wat LINEAR „met AI doet”
Terwijl Autodesk zijn AI-strategie opbouwt rond een centrale assistent binnen de CAD-gebruikersinterface, hanteert LINEAR een bredere aanpak: AI inzetten waar het daadwerkelijk de werklast bij de dagelijkse planning verlicht – geïntegreerd in de gespecialiseerde functies zelf, in plaats van alleen in een chatbot in een eerder stadium van het proces.
De huidige situatie
Met LINEAR Building 26.0 werd de nieuwe module „Room Data Sheet“ geïntroduceerd, samen met twee door AI aangestuurde functies die de werklast bij de dagelijkse planning aanzienlijk verminderen. De term „AI“ verwijst hier naar Large Language Models (LLM’s), die bijzonder geschikt zijn voor de hieronder beschreven taken. Dit is bijzonder effectief omdat deze taken gericht zijn op patroonherkenning en omdat de AI niet wordt misbruikt voor het uitvoeren van deterministische berekeningen. De AI biedt suggesties en neemt taken op zich die anders tijdrovend zouden zijn en zorgvuldige aandacht voor detail zouden vereisen om te voltooien.
De kwaliteit van de ondersteuning hangt uiteraard af van het gebruikte AI-model. Daarom heeft LINEAR bewust gekozen voor een open benadering van deze kwestie: u kunt in principe elk model selecteren – van krachtige modellen die in grote datacenters worden gehost tot open-source-modellen die lokaal op uw eigen hardware draaien. Het vooraf geïnstalleerde „LINEAR Standard“-model is gebaseerd op een compact model van OpenAI, dat LINEAR-klanten momenteel gratis en zonder enige installatie-inspanning kunnen gebruiken – hoewel het uiteraard niet het volledige potentieel van grote cloudmodellen benut.
AI-ondersteuning voor typespecifieke gegevensinvoer
Dankzij typespecifieke gegevensinvoer kunt u elk type ruimtegegevens vastleggen – ongeacht het vakgebied, de planningsfase of de vraag of de gegevens relevant zijn voor berekeningen of louter voor documentatiedoeleinden, en of deze uit getallen of tekst bestaan. Deze toch al eenvoudige methode van gegevensverzameling kan nu worden ondersteund door een LLM – zonder dat de taak zelf hoeft te worden geformuleerd, dat wil zeggen zonder dat er een „prompt“ hoeft te worden gegeven.
Met één enkele klik leert het LLM welke waarde moet worden berekend, wat de eenheid ervan is en, indien van toepassing, welke waarden toegestaan zijn. Vervolgens wordt aangegeven wat er moet worden gebruikt om de waarde af te leiden.
Dit kan het best worden geïllustreerd aan de hand van een voorbeeld: het „kamertype“ in het LINEAR-gebouw moet worden gedetecteerd, aangezien dit van groot belang is voor berekeningen van de koelbelasting, omdat de door normen gespecificeerde berekeningsgegevens hieruit worden afgeleid. Het handmatig uitvoeren hiervan is een tijdrovende taak bij gebouwen met veel kamers. Type-specifieke gegevensinvoer versnelt dit proces aanzienlijk, aangezien het kamertype voor kamers met dezelfde naam slechts één keer hoeft te worden ingevoerd. Voor grotere gebouwen brengt dit echter nog steeds een aanzienlijke hoeveelheid werk met zich mee.
Een LLM kan deze taak adequaat uitvoeren zodra het de lijst met mogelijke kamertypen kent en de kamernamen krijgt aangeleverd. Hiervoor hoeft u alleen maar de parameter „Kamernaam“ als invoerwaarde en de parameter „Kamertype“ als uitvoerwaarde in te voeren in het dialoogvenster voor typespecifieke waarde-invoer, waarna de AI het werk voor u doet. Aangezien LINEAR Building de toegestane kamertypes kent, neemt het deze informatie automatisch mee, waardoor AI-hallucinaties effectief worden voorkomen.
De resultaten worden in eerste instantie gepresenteerd als een lijst met suggesties. De lijst kan worden gesorteerd op invoer- en uitvoerwaarden of op het betrouwbaarheidsniveau van de AI. Het betrouwbaarheidsniveau wordt uitgedrukt als een percentage (0–100%) dat aangeeft hoe zeker de AI is van een resultaat. Het is daarom raadzaam om de resultaten te sorteren op betrouwbaarheidsniveau en vooral om de resultaten met een laag betrouwbaarheidsniveau te controleren en indien nodig te corrigeren. Belangrijk om op te merken: het betrouwbaarheidsniveau is de zelfbeoordeling van de AI, maar het is geen objectieve maatstaf voor nauwkeurigheid. Zelfs een model kan zich vergissen zonder dat het zich daarvan bewust is. Het helpt u bij het stellen van prioriteiten bij het testen, maar het is geen vervanging daarvoor.
Type-specifieke gegevensinvoer met AI-ondersteuning: zo werkt het in LINEAR BUILDING
Uiteraard zijn er ook hindernissen op het gebied van AI. Een dubbelzinnige term, zoals „kamer”, kan in een kantorencomplex naar een heel ander type kamer verwijzen dan in een hotel. En ‘kantoor’ geeft nog niet aan of het om een eenpersoonskantoor of een groepskantoor gaat. In beide gevallen kan AI echter een helpende hand bieden: in het eerste geval voegt u een optionele aanwijzing toe, zoals: ‘Dit gebouw is een hotel.’ In het tweede geval is de „kameroppervlakte“ een aanvullende invoerparameter voor de „kamernaam“. Hieruit kan de AI afleiden voor hoeveel personen de kamer is ontworpen.
Klik op het overzicht aan de linkerkant om het te vergroten.
AI-ondersteuning bij het zoeken naar een ruimte
De functie „AI-ruimtefilter” is uitdrukkelijk niet bedoeld ter vervanging van eenvoudige, deterministische filters – zoals zoekopdrachten op naam, fouten, ruimtegrootte of andere waardebereiken. Dat zou zowel een verspilling van middelen als inefficiënt zijn: een opdracht als „Zoek alle ruimtes groter dan 100 m²“ duurt simpelweg langer dan het invoeren van „>100“ in het filterveld voor de grootte van de ruimte.
Deze functie komt pas echt tot zijn recht in situaties waarin zachte criteria, patroonherkenning of de gelijktijdige integratie van meerdere ruimtelijke datasets vereist zijn – filters die op die manier veel eenvoudiger te implementeren zijn of anderszins niet zouden kunnen worden geïmplementeerd. Hier volgen enkele voorbeelden:
"Kamers waarvan de naam typefouten bevat"
"Kamers waarvan de verwarmingsbelasting niet overeenkomt met het kamertype (ziekenhuis)"
"Kamers die mogelijk te weinig stopcontacten hebben"
Dit zijn filter-‘snelkoppelingen’ die wellicht geen 100 procent nauwkeurige resultaten opleveren en die – met aanzienlijk meer inspanning – ook nauwkeuriger zouden kunnen worden opgelost met behulp van deterministische methoden. Maar juist de eenvoud van de toepassing zorgt ervoor dat inconsistenties überhaupt worden opgespoord en gevonden – inconsistenties die anders wellicht over het hoofd zouden zijn gezien.
Hoe werkt dat in detail?
Het AI-filter bespaart de gebruiker tijd in twee stappen. Eerst gebruikt de functie de prompt om te bepalen welke informatie daadwerkelijk nodig is. Bij het bepalen van de verwarmingsbelasting kunnen de specifieke verwarmingsbelasting (W/m²), de absolute verwarmingsbelasting van de ruimte, het ruimtetype, de ruimtegrootte en het type ventilatie allemaal een rol spelen. Als eerste stap krijgt de AI alle mogelijke parameternamen en hun betekenis te zien en wordt zij gevraagd een zinvolle selectie te maken voor het filteren. De daadwerkelijke ruimtegegevens worden pas in de tweede stap doorgegeven, en op basis van deze gegevens vindt de daadwerkelijke filtering plaats.
Is dit alles „veilig“?
Het antwoord is een duidelijk „ja en nee“. Dat gezegd hebbende, is het aandeel van het „nee“ zeer gering als het gaat om gegevensbeveiliging.
LINEAR Building verstrekt op zichzelf geen informatie over het project zelf (naam, locatie, eigenaar, type gebouw, enz.) aan de AI-modellen. Alle informatie over het gebouw moet daarom „aanvullend worden ingevoerd“ (bijvoorbeeld: „Dit gebouw is een ziekenhuis“). Het model ontvangt uitsluitend gegevens over de ruimtes. Indien de namen of afmetingen van ruimtes echter informatie bevatten die het pand niet mag verlaten, dient gebruik te worden gemaakt van lokaal gehoste AI-instanties. Deze zijn (nog) niet zo krachtig, maar staan volledig onder onze eigen controle.
Wat betreft betrouwbaarheid in de zin van de nauwkeurigheid van de resultaten is grotere zorgvuldigheid geboden – zoals in het begin is uitgelegd. AI-systemen kunnen expertise en beroepservaring niet vervangen. AI-suggesties mogen nooit zonder controle worden toegepast.
Een blik op de toekomst
Dit is uiteraard geenszins het einde van de AI-toepassingen in de LINEAR-software. Wij hebben de eerste voor de hand liggende toepassingen geïmplementeerd in de nieuwe module ‘Room Data Sheet’ van LINEAR Building en kijken uit naar de feedback van onze gebruikers.
Ons inzicht in de gegevens, de betekenis ervan en de onderlinge verbanden zal in de toekomst nog meer mogelijkheden bieden. De volgende logische stap is de uitbreiding van de AI-functionaliteit naar de modelplatforms. Ook daar is het zinvol om de gegevensinvoer te vereenvoudigen en de zoek- en filterfuncties intelligenter te maken – vooral omdat deze in de native platforms vaak onvoldoende zijn geïmplementeerd.
Een blik op onze werkbank laat zien dat deze stap meer is dan alleen een intentieverklaring:
Wij hebben al een prototype van onze eigen MCP-server gebouwd en dit als voorbeeld gekoppeld aan de AI „Claude“. Het testen van dit prototype heeft al veelbelovende resultaten opgeleverd. Twee voorbeelden uit het praktijkmodel illustreren waar de ware kracht ervan ligt.
In het eerste geval luidt de opdracht in feite: „Selecteer alle apparaten in het verwarmingssysteem met een ontwerpvermogen van ≤ 300 W.” Om dit correct op te lossen, moet het systeem veel meer weten dan de prompt expliciet vermeldt: welke elementklassen worden daadwerkelijk als „apparaten“ beschouwd, zodat ze kunnen worden toegewezen aan de disciplines verwarming en koeling; in welke parameter het ontwerpvermogen wordt gespecificeerd; en dat een centrale ventilatie-unit met 15.000 W niet in het resultaat mag worden opgenomen. Het is precies deze contextuele kennis die de LINEAR MCP-server aan het AI-model verstrekt; de AI vertaalt de intentie in natuurlijke taal eenvoudigweg naar de juiste zoekopdracht.
In het tweede geval gaat het om een ogenschijnlijk eenvoudige vraag: „Hoeveel bruikbare oppervlakte is er beschikbaar in het gebouw – exclusief circulatieruimtes en technische ruimtes?“ Ook hier ligt de daadwerkelijke intelligentie niet in het taalmodel, maar in de opgeslagen kennis over welke ruimtetypen worden aangemerkt als circulatieruimtes (zoals gangen) en welke als technische ruimtes (servers, schachten, liften, trappenhuizen), en hoe de effectieve oppervlakte op basis van deze informatie wordt berekend. Het taalmodel formuleert de vraag en LINEAR levert de technisch correcte toewijzing.
In beide gevallen geldt hetzelfde principe: AI fungeert als de taalkundige interface, maar de resultaten worden pas betrouwbaar door de combinatie van gestructureerde planningsgegevens met de kennis van het taalmodel over het specifieke toepassingsdomein.
Of deze functies in de toekomst ook beschikbaar zullen zijn voor Autodesk Assistant via MCP-serveruitbreidingen, hangt af van Autodesk en hun strategie. Wij zijn hier niet van afhankelijk.
Na de eerste tests wordt één ding al snel duidelijk: een puur chatbot-achtige gebruikersinterface is nuttig als u de intentie van de gebruiker wilt omzetten in geautomatiseerde acties. Analyses die voorheen handmatig werk of codering vereisten, zijn plotseling net zo eenvoudig als het delegeren ervan aan een hardwerkende – maar niet altijd betrouwbare – medewerker. Het is daarom raadzaam om alleen die taken toe te wijzen die u veel sneller kunt beoordelen dan dat u ze zelf kunt uitvoeren.
Voor veel plannings taken blijven conventionele benaderingen echter de voorkeursmethode. Als het gaat om technische berekeningen, wilt u niet dat een taalmodel urenlang getallen mompelt totdat de resultaten aannemelijk lijken en dan hopelijk correct zijn. Er zijn ook betere manieren om constructieve taken in te voeren dan via de chat. Daarvoor is de muis decennia geleden uitgevonden – deze vervult deze taak uitstekend en werkt, dankzij menselijke expertise, veel sneller en nauwkeuriger dan een taalmodel ooit zou kunnen. Ondanks al ons enthousiasme blijft het daarom onze taak om beide werelden verder te ontwikkelen: zowel de nieuwe, door AI aangestuurde tools als de beproefde methoden, die voor veel taken simpelweg de betere keuze zijn en dat in de nabije toekomst ook zullen blijven.
Een breed werkterrein – met de mens aan het roer
De hier gepresenteerde functies vormen slechts een kleine greep uit wat AI kan betekenen in de dagelijkse bedrijfsvoering van ingenieurs- en ontwerpbureaus. Naast de specifieke toepassing in planningssoftware opent zich een breed scala aan mogelijkheden: van ondersteuning bij terugkerende taken, tot het opzoeken van normen en technische voorschriften, tot het opstellen van documentatie of het analyseren van grote hoeveelheden gegevens die handmatig vrijwel onmogelijk te verwerken zouden zijn. Overal waar patronen moeten worden herkend, verbanden moeten worden gelegd of tijdrovend, vervelend werk moet worden verricht, kan AI de last van experts wegnemen. Hierdoor blijft er meer tijd over voor wat werkelijk professionele expertise vereist: plannen, evalueren en beslissingen nemen. Zelfs een globaal overzicht van dit onderwerp zou echter ver buiten het bestek van dit artikel vallen.
De functies die vandaag de dag beschikbaar zijn, vormen een begin, niet het einddoel. Eén ding zal echter niet veranderen: een bewuste, kritische benadering van deze hulpmiddelen blijft van cruciaal belang. AI kan de weg verkorten en de richting aangeven, maar mensen moeten nog steeds de verantwoordelijkheid nemen voor het resultaat.
Model Context Protocol (MCP)
MCP is een open standaard waarmee een AI-model kan communiceren met externe tools en gegevensbronnen.
Het basisidee is eenvoudig: in plaats van voor elke AI en elke toepassing een afzonderlijke, op maat gemaakte interface te programmeren, spreken alle betrokken partijen dezelfde „taal“. Drie termen staan hierbij centraal:
1. MCP-Client
De toepassing die het AI-model bevat en verbinding maakt met een of meer MCP-servers. In het geval van Revit is dit de Autodesk Assistant (of, met behulp van externe koppelingen, ook andere toepassingen, zoals Claude Desktop).
2. Tool
Een specifieke functie die het AI-model kan aanroepen – zoals „Elementen opvragen“ of „Parameters bewerken“. Elke tool moet een beschrijving hebben die zichtbaar is voor gebruikers (naam, doel, vereiste invoer, uitvoerformaat). Juist deze stap zorgt ervoor dat de tool voor het AI-model vindbaar is en dat deze correct kan worden aangeroepen.
3. MCP-server
Het programma dat een of meer tools bundelt, hun beschikbaarheid rapporteert, aanroepen accepteert en de onderliggende functie uitvoert.
De term „server“ verwijst uitsluitend naar de rol, niet naar de structuur: hoewel een MCP-server een op zichzelf staande netwerkservice kan zijn, kan het ook gewoon een lokale module of programmabibliotheek zijn die samen met de tools rechtstreeks in de applicatie is geïntegreerd.
Samenvattend kan worden gesteld dat:
AI steeds meer zijn weg vindt naar de gebouwtechniek en op dat gebied een blijvende rol zal spelen. De huidige focus ligt op het creëren van de technische voorwaarden voor integratie, het ontwikkelen van eerste toepassingen en het testen daarvan in de praktijk. Het is van cruciaal belang om onderscheid te maken tussen wat „haalbaar“ is en wat „redelijk“ is, en op basis daarvan verifieerbare oplossingen te bieden. LINEAR zal deze ontwikkeling actief helpen vormgeven, waarbij wij in nauwe dialoog met onze klanten steeds een evenwicht zoeken tussen technische expertise en praktische voordelen.