首爾國立科技大學安全工程系副教授鄭在祿研究團隊，開發一套不依賴建築資訊模型（BIM）的AI輔助結構設計文件檢查系統，可自動擷取、整併並比對結構計算書與圖說。研究以韓國住宅建案進行驗證，計算書資訊擷取準確率達95.56%，圖說則為90.47%。
系統先過濾低品質內容並統一資料格式，再以版面分析、光學字元辨識（OCR）及電腦視覺技術讀取構件程式碼、方向、配筋與尺寸，再交叉驗證缺漏、矛盾及重複紀錄。實驗共辨識出253項差異，包括224項缺漏、18項配筋不符、8項尺寸不一致及3項重複紀錄，其中29項屬關鍵錯誤。
這項成果於2026年10月13日線上公開，並刊載於《Engineering Applications of Artificial Intelligence》第185卷，DOI為10.1016/j.engappai.2026.116556。其策略並非以高成本BIM全面取代傳統文件，而是讓中小型建案也能以較低成本導入AI複核機制。
這項研究的本質並非企業間的權力角力，而是傳統文件協作、數位工具高成本與工程安全責任無法有效對接三項結構性矛盾的技術解題。營建業由建築師、結構技師、施工單位、監造單位及不同分包商共同接力，任何版本落差都可能從紙面瑕疵放大成施工誤配、工期延誤，甚至危及公共安全。
傳統流程的弱點在於，人工逐頁核對計算書與圖說既耗時，也容易受疲勞、文件格式及版本管制影響。過去BIM能建立一致的資料骨架，卻需要額外授權、建模能力與軟體預算；對資源有限的中小型建案而言，安全需求不會因無法負擔BIM而降低。研究團隊因此選擇OCR、電腦視覺、版面分析及規則式交叉驗證，直接處理既有PDF、掃描表格與圖說，試圖在「文件世界」與「數位模型世界」之間建立過渡層。
技術上，真正困難的不是讀出文字，而是判斷兩個不同來源是否代表同一構件，以及某項差異究竟是工程慣例、OCR誤讀，還是真實設計錯誤。系統以構件程式碼與方向作為識別鍵，正是把非結構化文件轉成可驗證資料的關鍵。其限制也很清楚：目前為單一韓國住宅案例，29項關鍵錯誤尚未代表全產業的誤判率與漏判率；若文件掃描品質差、符號或書寫格式高度不一致，準確率仍可能下降。
從產業意義看，這項成果推進的是「文件型建管數位化」，而非完整BIM化。其最可能的受益者包括設計顧問、監造團隊及中小型承包商；真正能否落地，取決於系統能否區分重大差異與可接受差異，並把警示嵌入既有送審及施工流程。
戰略貿易流向與供應鏈依賴度
HS 8542資料來源：UN Comtrade 聯合國商品貿易統計庫 · 全球市場規模 $5,800 億美元 / 年
這項研究可與過去二十年的BIM推廣路徑相比：BIM主要解決資料「從建立時就一致」的問題，AI文件稽核則先處理既存的「不一致」再逐步引導數位化。兩者不是互斥，而是低成本進入與高階整合的兩階段策略。未來的競爭焦點將由單篇論文的辨識準確率，轉向跨專案可靠度與法規責任可歸屬性。
01 起因觸發：結構計算書與圖說由不同人員及工具製作，形成版本、缺漏與內容不一致
02 一階傳導：設計顧問、監造單位與結構技師開始導入AI進行跨文件複核
03 二階擴散：OCR、電腦視覺、文件解析及建管數位化服務商形成新的工具供應鏈
04 宏觀終局：營建安全檢查由事後追責逐漸轉向設計階段即時預警，並為低成本BIM過渡提供入口
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
