За один день конференции «Ниша. Архитекторы и искусственный интеллект» в Нижнем Новгороде более 30 экспертов и архитекторов обсудили, как ИИ уже меняет архитектурную практику: от поиска идеи, визуализации и мастер-планирования до перестройки внутренних процессов бюро, создания собственных цифровых инструментов и оценки их влияния на экономику проектов. Своим опытом поделились представители Лаборатории ИИ ПИК, бюро IND и Megabudka, школы МАРШ, команд FUTURELLO и Dreamlaser, платформ Phygital+, rtim.city и других проектов. Собрали пять выводов из разных сессий — о том, как ИИ меняет методику архитектурной работы, об автоматизации, экономике и границах применения нейронок.
1. Чем проще стало сделать картинку, тем важнее идея
Нейросети выравнивают качество архитектурной подачи: убедительный визуальный образ теперь доступен не только сильному визуализатору. Поэтому красивая картинка постепенно перестаёт быть самостоятельным доказательством качества проекта — внимание возвращается к замыслу, пространственному решению и возможности его реализовать. Для сферы архитектурного образования это ставит вопрос: как отличать проект, выросший из авторской идеи, от удачной генерации и не начать оценивать «качество промпта». Одновременно меняется и восприятие работы со стороны заказчика. Зная, что архитектор или визуализатор использует нейросети, он может ожидать сокращения сроков и стоимости, как будто технология автоматически уменьшает объём профессиональной работы. В итоге ИИ создаёт для профессии новую задачу — научиться объяснять, за что именно платит заказчик, если производство картинки стало быстрее.
2. Архитектор становится разработчиком собственных инструментов
Архитекторы не ждут универсального софта, который решит все задачи бюро. Они собирают собственные системы: пишут плагины, создают трекеры, агентов, библиотеки решений и приложения под конкретный проект или команду. Нейросети и вайб-кодинг снижают порог входа в разработку: специалист может быстро собрать прототип инструмента, не формируя для этого отдельную IT-команду (правильнее, если вся работа ведется внутри команды).
“В одном из проектов Лаборатории ИИ ПИК применение генеративных инструментов позволило сэкономить 8,5 млн рублей, а отдельные процессы оформления документации ускорить в десятки раз”.
Инга Неллина, главный специалист в ГК ПИК, преподаватель в МАРХИ
Собственные цифровые решения становятся для бюро не экспериментом, а способом снижать стоимость повторяющихся операций и высвобождать время специалистов для проектных задач. Однако чем сложнее продукт и выше цена ошибки, тем важнее понимание архитектурной логики, структуры данных и принципов программирования. Архитектор не обязательно превращается в полноценного разработчика, но всё чаще участвует в создании цифровой среды, в которой работает его команда.
*Из кейсов Megabudka, Лаборатории ИИ ПИК и «Параметрики»
3. Чем ближе архитектура к конкретному человеку, тем хуже работает автоматизация
ИИ хорошо работает там, где задачу можно описать через параметры: площадь участка, плотность застройки, инсоляцию и нормативные ограничения. Но он не знает, что по набережной проводят скот, как чистят территорию зимой, что жителям нужен скейт-парк вместо ещё одной детской площадки, а вендинг — вместо буккросинга. Такие знания редко существуют в виде готовых данных: их приходится собирать на месте — через наблюдения, интервью и разговоры с жителями. Поэтому чем меньше территория и плотнее социальные связи, тем выше риск получить формально грамотное, но неработающее решение.
4. Главный цифровой актив бюро — его накопленная экспертиза
Универсальная нейросеть доступна всем, поэтому сама по себе она не создаёт конкурентного преимущества. Ценнее данные, которые бюро собирает годами: библиотеки проектных решений, региональные нормативы, морфотипы застройки, замечания экспертов и опыт уже реализованных проектов. В одном из кейсов команда фиксировала ситуации, когда требования СНиПов и местных нормативов расходились, а нужное решение находилось в судебной практике. Когда эти знания хранятся не в памяти отдельных сотрудников и разрозненных файлах, а в общей цифровой системе, каждый следующий проект начинается не с нуля. ИИ может искать по накопленной базе, предлагать подходящие сценарии и передавать опыт от одной команды другой.
5. Проект превращается из одного решения в систему сценариев
Одно из главных преимуществ ИИ в градостроительном проектировании — не способность автоматически создать мастер-план, а возможность быстро сравнить несколько вариантов развития территории. Изменение дороги, плотности застройки, вместимости школы или исходных границ участка больше не требует заново пересобирать всю концепцию: модель пересчитывает доступность, инфраструктурную нагрузку и технико-экономические показатели за несколько минут. В результате меняется логика проектирования. Архитектор не сразу фиксирует единственное решение, а проверяет гипотезы и видит последствия каждого изменения. ИИ здесь работает не как автор проекта, а как инструмент сценарного анализа, позволяющий обосновывать выбор данными.
*Из кейсов ИТМО / BlocksNet. rtim.city, Urbansketch.pro
Фото: Маргарита Сесорова
