Quantificar uma planta —o que a indústria chama de "takeoff" ou levantamento quantitativo— consiste em contar os símbolos e medir os comprimentos ou áreas de um conjunto de plantas para montar um orçamento. É a etapa que transforma um desenho em números: quantas portas, quantos metros de tubulação, quantos metros quadrados de piso. Todo o restante de uma estimativa —materiais, mão de obra, prazos— depende de esses números estarem corretos.
Nos últimos anos surgiram ferramentas que prometem automatizar essa contagem com inteligência artificial. A promessa é atraente, mas também fácil de exagerar. Este artigo explica, sem marketing, o que um sistema de quantificação com IA realmente faz, quais são suas duas abordagens técnicas distintas e quais perguntas um orçamentista deveria fazer antes de confiar nos números que ele produz.
Por que a contagem manual falha quando o projeto cresce?
Contar manualmente uma planta pequena é perfeitamente viável: um orçamentista experiente percorre as pranchas, marca cada símbolo com um marca-texto e soma. O problema aparece quando o projeto tem centenas de pranchas, dezenas de tipos de elementos e, quase sempre, mais de uma revisão antes da entrega final.
A fadiga é o primeiro inimigo. Depois da prancha trinta, a atenção de qualquer pessoa cai, e um símbolo pequeno num canto da planta passa despercebido com facilidade. O segundo problema é estrutural: quando chega uma revisão de plantas, o orçamentista não pode simplesmente "atualizar" a contagem anterior. Precisa recontar tudo do zero, porque não há forma confiável de saber o que mudou sem comparar prancha por prancha.
A isso soma-se um problema prático pouco discutido: em muitos projetos existe apenas uma cópia útil da planta marcada à mão, o que torna quase impossível que duas pessoas trabalhem em paralelo sobre o mesmo conjunto sem pisar no trabalho uma da outra, ou que alguém revise a contagem de outro sem refazê-la inteira.
Como um modelo de IA realmente conta os elementos de uma planta?
Aqui vale ser preciso, porque "IA" não descreve um único mecanismo. Existem duas abordagens tecnicamente distintas, e a diferença entre elas determina o custo, a velocidade e a confiabilidade do resultado.
A primeira abordagem se aplica quando o PDF contém geometria vetorial real —ou seja, quando a planta foi exportada diretamente de um software de projeto e cada símbolo é, no fundo, um conjunto de linhas e curvas definidas matematicamente, não uma imagem. Nesse caso, um símbolo repetido —uma porta padrão, uma luminária, uma coluna— tem uma assinatura geométrica idêntica toda vez que aparece. O sistema pode encontrar essas coincidências exatas por comparação geométrica, um processo barato e determinístico. O modelo de IA entra somente depois, para nomear o que é cada símbolo encontrado, não para "adivinhar" onde ele está.
A segunda abordagem se aplica quando a planta é uma prancha escaneada ou uma imagem sem geometria subjacente —plantas antigas, cópias impressas reescaneadas, PDFs gerados a partir de uma foto. Ali não há linhas vetoriais para comparar: só há pixels. O sistema divide a prancha em recortes (tiles) e um modelo de visão os "lê" um a um, da mesma forma que uma pessoa faria olhando com lupa. Esse método é notavelmente mais custoso em processamento, mais lento e —diferente da coincidência vetorial— não é determinístico: o mesmo símbolo pode ser interpretado de forma diferente entre um recorte e outro, o que exige revisão humana mais rigorosa.
Por que a definição do item importa mais do que o modelo?
Um erro comum é pensar que a qualidade da contagem depende sobretudo de quão "bom" é o modelo de IA. Na prática, importa mais como se define o que precisa ser contado. Pedir a um sistema que "conte portas" é uma instrução vaga: inclui portas de armário embutido? portas duplas contam como uma ou como duas? as portas corta-fogo são contadas junto com as padrão?
Uma definição vaga tende a inflar a contagem, porque o sistema —seja IA ou uma pessoa nova na equipe— resolve a ambiguidade incluindo a mais em vez de arriscar deixar algo de fora. A alternativa é definir o item com a mesma precisão com que um orçamentista experiente o especificaria numa planilha: "contar portas simples com arco de abertura indicado, excluir armários e portas corta-fogo". Essa frase, não o modelo por trás, é o que determina se o número final serve para orçar.
O que uma ferramenta honesta deveria mostrar sobre o que não conseguiu classificar?
Nenhum sistema de quantificação —humano ou automatizado— chega a cem por cento de certeza em cada símbolo de uma planta complexa. Plantas reais têm símbolos ambíguos, sobrepostos, cortados pela borda da prancha ou simplesmente atípicos em relação à convenção usada como referência.
A diferença entre uma ferramenta confiável e uma que gera falsa confiança está no que ela faz com essa incerteza. Um sistema honesto não força cada elemento duvidoso dentro de uma categoria definida: separa explicitamente o que não conseguiu classificar com certeza suficiente e o deixa disponível para revisão, em vez de escondê-lo dentro do total. O silêncio sobre o não classificado é o sinal de alerta mais claro de que uma ferramenta está otimizada para parecer completa, não para ser precisa.
- Mostrar a contagem de alta confiança separada da contagem duvidosa
- Permitir filtrar por prancha para localizar cada elemento marcado como incerto
- Registrar o motivo provável da dúvida (símbolo cortado, sobreposição, variante não reconhecida)
- Não calcular média nem "arredondar" a incerteza dentro do total final
Como a IA deveria se integrar ao fluxo de trabalho do orçamentista?
O desenho correto dessas ferramentas não substitui o orçamentista: apresenta a ele uma proposta. A IA faz a primeira passada —encontra, conta, mede— e o orçamentista confirma, corrige ou descarta antes de esse número entrar na planilha de orçamento. Aceitar o resultado às cegas, sem essa etapa de revisão, é o erro mais custoso possível, porque transfere toda a responsabilidade de um orçamento a um sistema que nunca foi projetado para ter a última palavra.
Essa lógica de revisão primeiro —a IA propõe, a pessoa confirma— é a abordagem que adotamos ao construir o BidStream. Não porque seja a única forma possível de fazer isso, mas porque qualquer atalho que pule essa etapa acaba, mais cedo ou mais tarde, produzindo um orçamento que ninguém consegue defender diante de um cliente ou uma auditoria.
Perguntas frequentes
A IA consegue quantificar qualquer tipo de planta?
Ela pode processar tanto plantas com geometria vetorial quanto pranchas escaneadas, mas o método e a confiabilidade mudam conforme o caso. Com geometria vetorial a contagem é mais rápida e determinística; com escaneamentos depende de um modelo de visão mais custoso e com maior necessidade de revisão.
Qual a precisão da contagem automática em comparação com a manual?
Depende inteiramente da definição do item e do tipo de planta de origem. Não existe um número universal de precisão: o relevante é que a ferramenta mostre o que classificou com alta confiança e o que deixou marcado como incerto para revisão humana.
Isso substitui o orçamentista?
Não. O desenho correto usa a IA para a primeira passada de contagem e medição, mas deixa a confirmação final nas mãos do orçamentista antes de o número entrar no orçamento.
Por que algumas plantas são mais baratas de quantificar do que outras?
Porque quando o PDF conserva geometria vetorial real, a coincidência de símbolos repetidos é um cálculo geométrico barato. Quando a planta é uma imagem escaneada, cada recorte de prancha precisa ser lido por um modelo de visão, o que consome mais processamento e tempo.