La certificació LEED v4.1 BD+C és un procés que demanda una revisió manual intensiva de centenars de pàgines de documentació tècnica, plànols i càlculs. Fins fa poc, cada crèdit havia de ser verificat per un avaluador humà que aplicava llindars quantitatius i lògica qualitativa cas per cas. No obstant, la combinació de models de llenguatge petits desplegats localment amb components simbòlics deterministes està obrint una nova via per automatitzar aquest anàlisi sense dependre d’APIs externes ni grans infraestructures al núvol. Aquest article explora com un pipeline neuro-simbòlic pot alinear documents PDF amb les seccions de crèdit LEED, extreure evidències mitjançant signatures de paraules clau, verificar el compliment amb un model de llenguatge de 4 mil milions de paràmetres i aplicar un corrector numèric específic per als llindars quantitatius. Els experiments sobre quatre edificis universitaris (484 PDFs i 153 decisions a nivell de crèdit) revelen que un model petit com gemma3:4b assoleix un 67,3% de precisió en la verificació textual, superant models més grans com llama3.1:8b. A més, el corrector determinista eleva la precisió en crèdits quantitatius clau, com EA-p2, del 50% al 100%. Tot i això, la configuració neuro-simbòlica completa obté un 61,6% global, a causa de fallades d’extracció i un comportament conservador en categories qualitatives. Les ablacions sistemàtiques mostren que afegir imatges de baixa resolució redueix la precisió, i que l’efectivitat del prompt depèn de la taxa d’aprovats reals de l’edifici: els prompts de rúbrica funcionen millor en projectes amb molta documentació, mentre que els prompts de cadena de pensament són superiors en projectes amb documentació escassa. Aquest treball estableix un punt de referència reproduïble per a la verificació de compliment LEED v4.1 BD+C i obre el camí a solucions d’intel·ligència artificial aplicades a la construcció sostenible.
Des d’una perspectiva empresarial, aquest enfocament té implicacions clares per a consultories de sostenibilitat, enginyeries i promotores que busquen reduir costos i temps en el procés de certificació. La integració d’agents d’IA capaços de llegir, interpretar i contrastar documentació tècnica permet escalar la capacitat de revisió sense multiplicar l’equip humà. A més, la combinació amb serveis cloud a AWS i Azure facilita el desplegament de pipelines modulars que processen PDFs de forma segura i escalable. A Q2BSTUDIO, empresa especialitzada en el desenvolupament de programari i tecnologia, hem dissenyat plataformes que uneixen la flexibilitat dels models de llenguatge amb la fiabilitat de la lògica simbòlica, oferint aplicacions a mida per a sectors com la construcció, l’energia i la consultoria ambiental. Els nostres sistemes integren capacitats de ciberseguretat per garantir la confidencialitat de la documentació tècnica de projectes sensibles, utilitzant xifrat en repòs i en trànsit, així com controls d’accés basats en rols.
El pipeline neuro-simbòlic s’estructura en quatre etapes. Primer, un motor d’alineació assigna cada PDF a la secció de crèdit corresponent mitjançant una combinació de mineria de text i regles de correspondència basades en l’índex del projecte. Segon, un mòdul de recuperació d’evidències utilitza signatures de paraules clau específiques de cada crèdit (per exemple, “precipitació de 25 anys” per a gestió d’aigües pluvials) per extreure els fragments rellevants. Tercer, un model de llenguatge petit (4B paràmetres, executat localment amb Ollama) avalua el text recuperat i determina si el crèdit es compleix, emetent una explicació en llenguatge natural. Quart, un verificador numèric determinista compara els valors extrets (percentatges, àrees, consums) amb els llindars LEED, corregint errors aritmètics que el model de llenguatge podria passar per alt. Aquest component és crucial per a crèdits com Eficiència Energètica (EA) o Materials i Recursos (MR), on els càlculs exactes determinen l’obtenció del punt.
Els resultats experimentals sobre quatre edificis universitaris mostren que el model gemma3:4b supera el model de 8B en precisió global (67,3% davant 64,1%), la qual cosa suggereix que per a tasques de raonament documental específic, un model més petit però ben ajustat pot ser més eficaç. No obstant, la configuració completa del pipeline neuro-simbòlic va obtenir un 61,6%, inferior al millor model textual a causa que l’extracció d’evidències de vegades falla (per exemple, quan el PDF conté taules escanejades o diagrames no anotats). A més, el corrector numèric només millora la precisió si els valors s’extreuen correctament; en crèdits qualitatius com Innovació (IN) o Prioritat Regional (RP), el model tendeix a ser conservador i rebutjar documentació vàlida, la qual cosa redueix la taxa d’encerts. Les ablacions amb imatges de baixa resolució (150-300 dpi) van empitjorar la precisió en totes les configuracions, probablement perquè els models de llenguatge petits no estan entrenats per interpretar gràfics tècnics amb baix detall.
Una observació rellevant és la dependència del prompt amb la densitat documental del projecte. Quan l’edifici aporta informes molt complets (moltes pàgines, justificacions detallades), els prompts tipus rúbrica (rubric) obtenen millors resultats perquè guien el model a buscar explícitament cada requisit. Per contra, en projectes amb documentació escassa, els prompts de cadena de pensament (chain-of-thought) permeten al model fer inferències més flexibles i assolir major precisió. Aquesta dualitat suggereix que un sistema adaptatiu podria seleccionar el prompt segons la quantitat de material disponible, optimitzant així la verificació en temps real.
En el context empresarial, Q2BSTUDIO ha desenvolupat solucions que integren aquests conceptes en plataformes de certificació sostenible. Per exemple, combinem intel·ligència de negoci amb Power BI per oferir dashboards que visualitzin l’estat de cada crèdit, les evidències pendents i els riscos d’incompliment. A més, els nostres serveis de ciberseguretat garanteixen que els documents dels clients estiguin protegits durant tot el procés, aplicant polítiques d’accés i xifrat. L’automatització de la verificació LEED no només redueix el cost operatiu, sinó que també accelera la presa de decisions, permetent a les empreses ajustar els dissenys abans de la presentació final. Amb la incorporació d’agents d’IA especialitzats, és possible fins i tot generar informes de compliment automàtics, estalviant setmanes de treball manual.
La direcció futura d’aquesta investigació apunta cap a models multimodals capaços de processar tant text com diagrames tècnics amb alta resolució, evitant la pèrdua d’informació que pateixen les imatges de baixa qualitat. Igualment, s’exploraran tècniques d’aprenentatge per reforç per ajustar els prompts i les regles d’extracció en funció dels resultats de projectes anteriors. Des d’un punt de vista pràctic, qualsevol empresa que manegi volums alts de documentació tècnica (no només en construcció, sinó també en compliment normatiu, farmàcia o finances) pot beneficiar-se d’un pipeline neuro-simbòlic similar, adaptant els crèdits i llindars al seu domini.
En conclusió, la verificació de compliment LEED v4.1 BD+C es pot abordar amb èxit mitjançant un enfocament híbrid que combini la comprensió del llenguatge natural de models petits amb la precisió de la lògica simbòlica. Els resultats demostren que és possible obtenir una precisió superior al 65% sense necessitat de grans GPUs ni connexions a internet, la qual cosa obre la porta a solucions locals i segures. A Q2BSTUDIO seguim desenvolupant eines que integren aquestes capacitats, oferint als nostres clients automatització de processos programari per millorar l’eficiència i la fiabilitat de les seves operacions de certificació. La intersecció entre IA, cloud computing i ciberseguretat és l’ecosistema on es materialitzen aquestes innovacions, i estem compromesos a liderar la seva aplicació en el sector immobiliari i de la construcció sostenible.
