Notebook LM dla budownictwa? Poznaj Agenta AI od BinderLess

Sztuczna inteligencja coraz śmielej wkracza na place budów. Jednak prawdziwa zmiana nie zaczyna się od robotów czy dronów, lecz od... dokumentów. To właśnie tam każdego dnia giną godziny pracy kierowników projektów, inspektorów i inżynierów - godziny, które można odzyskać.

BinderLess wprowadza rozwiązanie, które może to zmienić - pierwszego na świecie Agenta AI w pełni zintegrowanego z platformą dokumentacji budowlanej (CDE). Dzięki niemu zespoły mogą po prostu porozmawiać ze swoją dokumentacją i w kilka sekund uzyskać odpowiedzi, które wcześniej wymagały żmudnego przeszukiwania setek plików.

Zanim jednak przyjrzymy się, jak działa ten nasz Agent AI, warto zrozumieć podstawowe pojęcia stojące za jego możliwościami. W tym artykule wyjaśniamy fundamenty sztucznej inteligencji, które tworzą jego podstawę - takie jak LLM, RAG, visual grounding czy self-reflection loop – oraz pokazujemy, jak przekładają się one na realne korzyści w codziennej pracy na budowie i w biurze projektowym.

Sztuczna inteligencja (AI) to szeroki zbiór technologii, które pozwalają komputerom wykonywać zadania wymagające inteligencji podobnej do ludzkiej. Może to być rozumienie języka, czyli czytanie ze zrozumieniem, rozpoznawanie obrazów, analizowanie danych czy podejmowanie decyzji.

Agent AI to konkretny typ AI, który nie tylko przetwarza informacje, ale działa w określonym celu, reaguje na zapytania użytkownika i podejmuje decyzje w kontekście danego zadania. W przypadku Agenta AI dla budownictwa oznacza to:

• Rozumienie pytań w języku naturalnym – możesz zapytać np. „Jaki jest współczynnik przenikania ciepła dla okna w strefie C?” i Agent zrozumie sens pytania.
• Wyszukiwanie i analizę danych – Agent AI od BinderLess przeszukuje dokumentację projektu w platformie CDE, łączy różne źródła i generuje odpowiedź opartą na rzeczywistych danych, a nie przypuszczeniach.
• Interakcję kontekstową – Agent pamięta kontekst projektu, rolę użytkownika i wcześniejsze zapytania, aby odpowiedzi były precyzyjne i przydatne.
• Uzupełnianie i generowanie informacji – w kolejnych etapach Agent będzie mógł tworzyć raporty, sugerować rozwiązania problemów lub automatycznie wypełniać brakujące dane w dokumentach.

W skrócie: AI w postaci Agenta nie tylko odpowiada na pytania, ale staje się aktywnym partnerem w procesie pracy, pomagając zaoszczędzić czas, uniknąć błędów i sprawnie zarządzać dokumentacją.

LLM jest podstawą działania Agentów AI i pełni rolę jego „mózgu językowego”. Dzięki niemu Agent może rozmawiać w języku naturalnym, interpretować intencje użytkownika i generować czytelne odpowiedzi, które są następnie wspierane przez faktyczne dane z dokumentów projektu.

LLM, czyli Large Language Model, to rodzaj sztucznej inteligencji, która potrafi rozumieć i generować język naturalny. Są to modele uczenia maszynowego trenowane na olbrzymich zbiorach tekstów (książki, artykuły, strony internetowe), dzięki czemu uczą się:

1. Statystycznych zależności między słowami i zdaniami

Model wie, które słowa i wyrażenia zwykle występują razem i w jakim kontekście. Oto prostszy przykład z budownictwa, pokazujący statystyczne zależności w LLM: „Na budowie najlepiej trzymać kask na …” - Model patrzy na statystyczne zależności w danych treningowych. Najczęściej po takim początku pojawiają się:

• „głowie” - 12%
• „biurku” - 8%
• „półce” - 4%…
• „żbik” - 0%

Statystycznie w tekstach dotyczących BHP najczęściej kaski trzyma się właśnie na głowie, więc model najpewniej dokończy zdanie słowem „głowie”. W skrócie: LLM wybiera odpowiedź, która najczęściej występuje w podobnym kontekście w danych treningowych, nawet jeśli są też inne możliwe warianty.

Ciekawostka

* To pewne uproszczenie, jako że model bierze również pod uwagę temperaturę, czyli parametr kontrolujący losowość (czyli „kreatywność”) tego jak dobierane są kolejne słowa. Jeśli temperatura wynosi 0, model zawsze wybierze to słowo, które ma najwyższe prawdopodobieństwo, nie ma tu losowości. Jeśli temperatura = 1 model czasem wybierze inne słowo — nadal prawdopodobne, ale nie zawsze to samo, dzięki temu jego odpowiedzi są bardziej naturalne i zróżnicowane. Im wyższa temperatura, tym model staje się bardziej twórczy i nieprzewidywalny, ale jednocześnie rośnie ryzyko, że odpowiedź będzie mniej sensowna lub mniej zgodna z faktami.

2. Tworzenia spójnych odpowiedzi

Potrafi generować zdania, które są logicznie poprawne i sensowne w danym kontekście. To znaczy, że model potrafi nie tylko wybierać pojedyncze słowa, ale generuje całe, spójne zdanie lub akapit w odpowiedzi na pytania. Na przykład:

• „Jak przygotować podłoże pod wylewkę betonową?”
• „Podłoże należy oczyścić z kurzu i luźnych elementów, wyrównać powierzchnię oraz zwilżyć wodą, aby zapewnić odpowiednią przyczepność betonu.”

Ta odpowiedź jest logicznie poprawna i sensowna w kontekście pytania, nawet jeśli model nie widział dokładnie tego projektu. LLM łączy fragmenty wiedzy z różnych dokumentów i wzorców, tworząc całościowy, zrozumiały opis działania.

3. Rozumienia intencji użytkownika

Dzięki wzorcom w tekście model potrafi ocenić, o co pyta użytkownik, nawet jeśli pytanie nie jest sformułowane idealnie precyzyjnie. Na przykład:

• Na pytanie: „Jakie marginesy przy oknach?”, które jest nieformalne i skrótowe, model “domyśla się” na podstawie danych treningowych, że słowo „marginesy” w kontekście „okien” zwykle odnosi się do dopuszczalnych odchyłek montażowych i na podstawie tej wiedzy generuje odpowiedź:
• „Dopuszczalne odchyłki przy montażu okien w ścianach murowanych wynoszą zwykle ±5 mm, w zależności od normy i rodzaju konstrukcji.”

W skrócie: LLM potrafi „przefiltrować” nieprecyzyjne lub skrótowe pytania i zinterpretować je poprawnie, dostarczając sensowną i użyteczną odpowiedź.

W praktyce LLM działa w dwóch etapach:

• Input (wejście) – model otrzymuje tekst (np. pytanie, fragment dokumentu).
• Output (wyjście) – model generuje odpowiedź, przewidując kolejne słowa na podstawie tego, czego nauczył się podczas treningu.

Przykładem LLMów są m.in. Chat GPT od Open AI, Gemini czy Notebook LM od Google czy Claude od Anthropic.

RAG w budownictwie – inteligentne odpowiedzi oparte na dokumentacji

Pomimo tego, że LLM jest wytrenowany na dużych zbiorach danych, nie „wie” nic o konkretnych dokumentach projektu – działa na podstawie wzorców z danych treningowych, czyli brakuje mu kontekstu dla konkretnej budowy. Aby Agent był użyteczny w budownictwie należy połączyć system LLM z systemem Retrieval-Augmented Generation (RAG).

Czym jest RAG?

RAG to technika łącząca duże modele językowe (LLM) z możliwością dostępu do zewnętrznych źródeł informacji, np. dokumentacji projektowej. Dzięki temu Agent AI nie bazuje wyłącznie na wzorcach z treningu, lecz odwołuje się do konkretnych, rzeczywistych danych, zapewniając precyzyjne odpowiedzi.

W praktyce działanie RAG wygląda tak:

1. Zapytanie użytkownika trafia do LLM, który interpretuje intencję pytania i formułuje „zapytanie kontekstowe” do bazy danych lub dokumentów projektu.
2. Retrieval (wyszukiwanie) – system przeszukuje dokumentację w platformie CDE, wybierając fragmenty najbardziej związane z pytaniem.
3. Augmented Generation (generowanie wzbogacone) – LLM łączy swoją wiedzę językową ze znalezionymi fragmentami i generuje pełną, spójną odpowiedź, powiązaną z rzeczywistymi dokumentami.

Dzięki RAG Agent AI:

• nie „halucynuje” odpowiedzi – zawsze odsyła do źródła,
• dostarcza precyzyjne i aktualne informacje, nawet jeśli dokumentacja jest rozproszona,
• pozwala użytkownikowi zadawać pytania w języku naturalnym i otrzymywać odpowiedzi zgodne z projektem i normami.

W praktyce oznacza to, że:

• LLM interpretuje i przetwarza język – rozumie pytania w formie naturalnej, nawet nieprecyzyjne lub skrótowe.
• RAG zapewnia precyzję i kontekst projektowy – Agent odsyła do rzeczywistych fragmentów dokumentów w CDE.

Agent AI połączony z platformą CDE - dlaczego to ważne?

W budownictwie samo rozumienie języka to za mało. Tu liczą się dane – rysunki, dokumentacje, specyfikacje, dziesiątki wersji plików. Właśnie dlatego BinderLess oparł swojego Agenta AI o architekturę RAG.

Mając już świadomość, czym jest LLM i dlaczego bez odpowiedniego RAG (retrieval-augmented generation) odpowiedzi byłyby nieprecyzyjne, warto zrozumieć, co daje połączenie takiego Agenta AI z platformą CDE (Common Data Environment).

W przeciwieństwie do zwykłego czatu GPT, który jest w stanie odpowiedzieć na pytania z wiedzy ogólnej, Agent AI w CDE korzysta z aktualnej, zweryfikowanej dokumentacji projektowej, dzięki czemu może udzielać precyzyjnych, kontekstowych odpowiedzi dopasowanych do konkretnego budynku i jego danych. Kiedy pytasz np. „Jaki jest współczynnik przenikania ciepła dla okna w sekcji B2?”, Agent analizuje dokumentację, odnajduje właściwy fragment, cytuje go i podaje źródło. Nie zgaduje. On naprawdę wie, skąd pochodzi informacja.

W praktyce oznacza to, że sztuczna inteligencja w projektach budowlanych może stać się aktywnym uczestnikiem obiegu informacji – takim, który rozumie dokumenty, łączy dane i udziela odpowiedzi w ciągu kilku sekund.

Self-reflection loop i visual grounding – jak AI uczy się rozumieć projekty

Połączenie Agenta AI z platformą CDE otwiera zupełnie nowe możliwości, wykraczające poza zwykły chat GPT. Dzięki integracji z pełną dokumentacją projektową i wizualnymi danymi budowlanymi, Agent nie tylko odpowiada na pytania, ale potrafi zrozumieć kontekst projektu, wskazywać powiązania między dokumentami i wspierać podejmowanie decyzji w czasie rzeczywistym.

Rozumiejąc podstawowe pojęcia i działanie Agenta AI, możemy teraz skupić się na kilku zaawansowanych funkcjach, które sprawiają, że jego wykorzystanie staje się naprawdę praktyczne w codziennej pracy: od wizualnego odniesienia się do dokumentacji, przez samokorygujące się wnioski, aż po inteligentne łączenie informacji i proaktywne podpowiedzi w projekcie.

Dodatkowe pojęcia związane z funkcjonowaniem Agenta AI

Visual grounding – zdolność AI do powiązania tekstu z obrazem lub fragmentem dokumentu.W praktyce oznacza to, że Agent AI nie tylko mówi „współczynnik znajduje się w tabeli na stronie 42”, ale pokazuje dokładny fragment dokumentu, w którym ta informacja się znajduje. Dzięki temu użytkownik może natychmiast zweryfikować odpowiedź i mieć pewność, że pochodzi z właściwego źródła. W kontekście budownictwa to ogromna zmiana. Zamiast przeszukiwać setki stron PDF-ów, Agent wizualnie wskazuje miejsce, o którym mówi. To przyśpiesza pracę, ogranicza błędy i buduje zaufanie do danych.

Przykład: pytasz „Gdzie jest przepust instalacji elektrycznej w piwnicy?” i od razu dostajesz podświetlony fragment rzutu.

Self-reflection loop – Największa różnica między tradycyjnym wyszukiwaniem a inteligentnym Agentem AI polega na tym, że Agent nie zatrzymuje się na pierwszej znalezionej odpowiedzi. Zamiast tego analizuje swoje własne wnioski, sprawdza ich trafność i – jeśli trzeba – szuka dalej i poprawia.

Przykład: wykrywa niezgodność w specyfikacji i sugeruje poprawkę w odpowiedzi.

Smart linking / dynamic citation – zdolność AI do tworzenia hiperłączy i odwołań do dokładnych fragmentów dokumentacji. W praktyce oznacza to, że każda odpowiedź może prowadzić bezpośrednio do źródła informacji, co pozwala użytkownikowi natychmiast zweryfikować dane i zyskać pełny kontekst. W budownictwie eliminuje to czasochłonne przeszukiwanie PDF-ów i tabel, zapewniając szybki dostęp do właściwego rysunku, specyfikacji czy dokumentu.

Przykład: Agent odpowiada „Współczynnik izolacji znajduje się w tabeli na stronie 42” i od razu prowadzi do podświetlonego fragmentu dokumentu.

Interactive suggestion / memory – zdolność AI do zapamiętywania wcześniejszych interakcji i proaktywnego sugerowania kolejnych kroków lub potencjalnych problemów. W praktyce oznacza to, że Agent nie tylko odpowiada na pytania, ale też podpowiada, co warto sprawdzić dalej, przypomina o powiązanych kwestiach i utrzymuje spójny kontekst projektu w czasie. W budownictwie pozwala to uniknąć powtarzających się błędów i ułatwia koordynację między zespołami.

Przykład: Agent pamięta, że wcześniej sprawdzano instalację elektryczną w piwnicy i sugeruje teraz weryfikację trasy przewodów w sąsiednich pomieszczeniach.

Contextual chaining – Agent AI nie ogranicza się do pojedynczego dokumentu, lecz potrafi łączyć informacje z wielu źródeł, tworząc spójny wniosek. Dzięki temu odpowiedzi uwzględniają cały kontekst projektu, a nie tylko fragmentaryczne dane.

Przykład: analizuje specyfikacje techniczne i instrukcje montażu w różnych dokumentach, aby stwierdzić, że zmiana materiału w jednej sekcji projektu wymaga dostosowania procedur w innych częściach dokumentacji.

Multi-modal reasoning – Agent AI potrafi jednocześnie analizować różne typy danych – tekst, tabele czy wykresy – i łączyć je w logiczny wniosek. Dzięki temu jego odpowiedzi są pełniejsze i bardziej trafne niż przy analizie pojedynczego rodzaju danych.

Przykład: sprawdza dokumenty tekstowe i zestawienia parametrów w tabelach, aby określić, czy wybrany komponent spełnia wymagania bezpieczeństwa i normy projektowe.

Połączenie tych mechanizmów sprawia, że AI staje się czymś więcej niż narzędziem wyszukiwania. To inteligentny współpracownik, który potrafi analizować, poprawiać i tłumaczyć swoją logikę w sposób zrozumiały dla człowieka.

Bezpieczeństwo danych i kontrola dostępu – zaufanie w centrum AI

Rozumiejąc, jak działają LLMy i Agent AI, kolejne pytanie, które przychodzi do głowy, to kwestia danych, tego, jak są wykorzystywane i kto ma do nich dostęp na platformie.

Bezpieczne wykorzystanie danych w LLM

W przeciwieństwie do chatu GPT, który uczy się na podstawie wprowadzanych przez użytkowników danych w ogólnym modelu, nasz Agent AI pracuje wyłącznie na dokumentacji udostępnionej przez użytkownika i nie wykorzystuje jej do trenowania żadnych modeli globalnych. Wszystkie dane pozostają w obrębie platformy CDE, przechowywane są na bezpiecznych serwerach w UE, a dostęp do nich mają tylko uprawnieni użytkownicy projektu.

Role i uprawnienia - ograniczenia w projekcie

W budownictwie każdy projekt obejmuje wiele ról i źródeł danych. Kierownik projektu potrzebuje szybkiego wglądu w postęp prac, inspektor sprawdza zgodność z normami, a wykonawca szuka detali wykonawczych. Dokumentacja projektowa – w tym rysunki, specyfikacje i dokumenty techniczne – jest często poufna i rozproszona w różnych formatach i lokalizacjach.

Agent AI nie działa w izolacji, lecz korzysta z całego środowiska dokumentacyjnego, agregując informacje i rozumiejąc kontekst projektu. Dzięki temu wszystkie pliki są dostępne dla Agenta, ale pozostaje pytanie: jak zapewnić, aby dostęp do informacji był odpowiednio kontrolowany i zgodny z rolami w projekcie?

Bezpieczeństwo danych w BinderLess

Agent AI od BinderLess został zaprojektowany tak, aby rozumieć kontekst każdego użytkownika i projektu. Dzięki temu:

• Agent ma dostęp tylko do danych, do których dostęp ma użytkownik w imieniu którego Agent pracuje oznacza to, że inspektor ma dostęp tylko do tych dokumentów, które są istotne dla jego kontroli.
• Agent ogranicza dostęp do innych projektów i organizacji, co przekłada się na to, że kierownik nie widzi poufnych danych innych projektów i organizacji.

W praktyce oznacza to, że kiedy użytkownik zadaje pytanie, AI automatycznie:

1. Rozpoznaje, w jakim projekcie i sekcji pracuje użytkownik.
2. Uwzględnia jego rolę i uprawnienia.
3. Przeszukuje dokumenty w CDE, łącząc odpowiedzi z właściwym kontekstem projektu.
4. Wyświetla wynik wraz z fragmentem dokumentu, aby natychmiast można było zweryfikować odpowiedź.

Dzięki temu Agent AI staje się bezpiecznym, kontekstowym asystentem, który integruje wiedzę całego projektu i dostarcza ją dokładnie tam, gdzie jest potrzebna. Bez obaw, że w odpowiedzi znajdą się informacje z innego projektu lub że użytkownik zobaczy dane, do których nie powinien mieć dostępu.

Agent AI od BinderLess - Twój Asystent Dokumentacji

W branży budowlanej dokumentacja jest sercem projektu – zawiera decyzje, zmiany i ustalenia, ale w dużych projektach jej ilość sprawia, że znalezienie potrzebnej informacji zajmuje mnóstwo czasu. Agent AI od BinderLess rozwiązuje ten problem kompleksowo. Dzięki integracji z platformą CDE korzysta z pełnej dokumentacji, analizuje ją przy użyciu LLM i RAG, łączy dane z różnych źródeł (contextual chaining), potrafi interpretować tekst i obrazy (multi-modal reasoning) oraz wskazuje dokładnie, gdzie w dokumentach znajduje się poszukiwana informacja (visual grounding i smart linking).

Agent sprawdza swoje odpowiedzi, poprawia je, gdy trzeba (self-reflection loop) i pamięta kontekst wcześniejszych pytań (interactive suggestion / memory). Wszystko to działa w ramach uprawnień przydzielonych użytkownikom, a dane pozostają bezpieczne na serwerach w UE, nigdy nie trafiają do globalnych modeli ani internetu.

Efekt jest prosty, ale znaczący: mniej czasu spędzanego na szukaniu informacji, szybsze podejmowanie decyzji, ograniczenie błędów i płynny dostęp do wiedzy w projekcie – dokładnie wtedy, gdy jej potrzebujesz. Agent nie zastępuje ludzi, lecz usprawnia korzystanie z wiedzy, którą już posiadają.

Rozmawiaj ze swoją dokumentacją

Z pomocą Agenta AI od BinderLess można rozmawiać z dokumentacją tak, jak z członkiem zespołu. Zamiast otwierać dziesiątki plików PDF i przeklikiwać się przez strony, po prostu pytasz:

„Jakie są dopuszczalne odchyłki dla konstrukcji stalowej w strefie C?”

Agent rozumie intencje, analizuje dokumenty i wyciąga wnioski. Dzięki temu dostarcza najbardziej trafne informacje, a nie przypadkowe wyniki. To nie tylko nowy sposób pracy z dokumentacją – to zmiana w całym przepływie informacji na budowie.

Przyszłość Agenta AI w budownictwie - co jeszcze nas czeka?

Rozwój Agenta AI od BinderLess przebiega etapami, od pierwszych testów po funkcje, które już teraz czynią z niego pełnoprawnego członka zespołu projektowego. Każdy etap pozwala nam sprawdzić nowe możliwości, zbierać doświadczenia od użytkowników i stopniowo zwiększać zakres inteligentnych funkcji, tak aby Agent stawał się coraz bardziej przydatny w codziennej pracy.

• Etap 0 – Wersja testowa. Początek podróży Agenta obejmował chatbot z przewodnikiem użytkownika. Testy pozwoliły sprawdzić, w jaki sposób AI wspiera onboarding, szybki dostęp do wiedzy i samoobsługę użytkownika bez wchodzenia w interakcję z dokumentami projektowymi.
• Etap 1 – Rozmowa z Agentem (Wrzesień 2025). Agent z podstawowymi funkcjami odczytu i wyszukiwania dokumentów w ramach konkretnego projektu. Użytkownicy mogą przetestować inteligentne wyszukiwanie i interaktywny czat, otrzymując szybkie, precyzyjne odpowiedzi.
• Etap 2 – Możliwość tworzenia danych (Jesień/Zima 2025). W tej fazie Agent zacznie generować raporty usterek i reklamacji, a także automatycznie tworzyć lub modyfikować dane projektowe. W razie potrzeby Agent pyta użytkownika o brakujące szczegóły, co pozwala na szybkie i dokładne uzupełnienie dokumentacji.
• Etap 3 – Kierunki przyszłego rozwoju (2026+). W planach są funkcje dostosowane do pracy w terenie: raportowanie głosowe, asystent głosowy, dostęp do zewnętrznych źródeł wiedzy, odtwarzanie odpowiedzi Agenta w formie audio oraz wsparcie działań terenowych.

Rozwój Agenta AI to ciągły proces. Obserwujemy, jak użytkownicy korzystają z jego funkcji, szukamy nowych scenariuszy użycia i zbieramy feedback, aby lepiej odpowiadać na potrzeby zespołów na budowie. Na tej podstawie będziemy wprowadzać kolejne funkcje, rozwijać możliwości naszego Agenta AI i poszerzać jego rolę w codziennej pracy, tak aby stał się jeszcze bardziej niezastąpionym asystentem i wsparciem decyzji w każdym projekcie.