Imagine uma reunião de compatibilização em que um sistema aponta uma possível divergência entre duas pranchas. A informação parece útil, mas ninguém consegue identificar a revisão consultada nem o detalhe que originou o alerta. Esse exemplo hipotético resume uma questão de gestão: a velocidade da resposta só ajuda quando a equipe consegue conferir o caminho até ela.
A tese desta análise é que o primeiro critério para adotar IA na pré-construção deveria ser a verificabilidade. Um alerta precisa permitir que alguém localize a evidência, entenda a incerteza e decida o encaminhamento. Esse é um critério editorial proposto pela VAELITH, não um resultado de ensaio próprio ou uma promessa de desempenho de produto.
Dois trabalhos recentes ajudam a dimensionar o problema. O AECV-Bench, consultado como preprint disponibilizado no arXiv em janeiro de 2026, avaliou contagem de objetos em 120 plantas e 192 pares de perguntas e respostas. A página consultada não informa publicação em periódico. Os autores observaram desempenho mais forte em leitura de texto e dificuldades persistentes na interpretação de símbolos e na contagem de portas e janelas. O resultado descreve os modelos, documentos e condições daquele benchmark; não estabelece uma taxa universal de acerto para projetos reais. AECV-Bench.
O DrawingVQA, disponibilizado em julho, reuniu 33 desenhos emitidos para construção e 92 perguntas elaboradas por especialistas. A avaliação separou percepção visual, interpretação contextual e raciocínio especializado. Os autores relatam uma distância importante entre modelos e especialistas, principalmente nas tarefas de maior profundidade. A amostra é delimitada e não equivale a uma auditoria completa de compatibilidade entre disciplinas. Ainda assim, oferece uma advertência útil contra tratar toda pergunta sobre uma prancha como a mesma tarefa. DrawingVQA.
Também convém distinguir leitura documental de verificação geométrica. A documentação do Navisworks separa testes de interseção, distância mínima e duplicidade. O resultado depende do tipo de teste e de sua configuração. Identificar uma anotação num PDF e verificar a folga entre objetos em um modelo são operações diferentes, com evidências distintas. Documentação Autodesk.
Como transformar isso em uma escolha de gestão? Nossa proposta é começar por um conjunto pequeno de documentos já revisados pela equipe, com histórico preservado. A avaliação deve registrar o que a ferramenta encontra, o que deixa passar e quais respostas não podem ser conferidas. Conhecer erros anteriores ajuda a montar o teste, mas apresentar repetidamente os mesmos exemplos limita o que se aprende sobre documentos novos.
O tempo de conferência merece entrar na conta. Se cada indicação exige reconstruir a origem do dado, a equipe recebe uma nova fila de investigação. Um piloto mais informativo compara o esforço total: preparar arquivos, avaliar alertas, corrigir interpretações e registrar decisões. Medir apenas o tempo de geração do relatório deixa essas etapas invisíveis.
Em um fluxo que consideramos prudente, cada apontamento deveria carregar documento e revisão, localização da evidência, descrição objetiva da dúvida e responsável por verificá-la. Informações ausentes precisam permanecer explícitas. A recomendação técnica e a autorização para alterar o projeto seguem o processo de revisão da equipe; uma resposta bem redigida não comprova que essas etapas aconteceram.
A oportunidade, portanto, está em construir uma rotina na qual a IA ajude a organizar perguntas verificáveis. Para quem contrata ou coordena projetos, uma demonstração convincente começa quando é possível discutir um erro concreto, entender por que ocorreu e acompanhar sua correção. É nesse nível que a automação pode ser avaliada como ferramenta de trabalho.
Texto autoral de análise baseado em fontes públicas. Não relata testes próprios nem capacidades de um produto VAELITH. Critérios de avaliação são propostas editoriais, não prescrição normativa.