Zásuvka pro AI: co znamená MCP pro stavebnictví

Váš AI asistent umí připravit odpověď na dotaz k projektové dokumentaci, shrnout kapitolu technické specifikace a učesat zápis z porady. Zeptejte se ho ale, který průvlak ve 3. podlaží má nejvyšší využití únosnosti, a začne hádat. Ne proto, že by na to nestačil, ale proto, že do vašeho modelu nemá přístup.

Tahle mezera se zavírá. Model Context Protocol, zkráceně MCP, je otevřený standard, přes který se AI aplikace připojí k softwaru a datům, se kterými inženýři už pracují. Představte si ho jako zásuvku pro AI: jedna standardní zásuvka a každý nástroj, který do ní zapojíte, se stane něčím, s čím AI opravdu umí pracovat.

Na MCP se dívám ze dvou stran. Díky práci pro Dlubal Software jsem v prostředí, kde je MCP už součástí produktu, a zároveň vyvíjím vlastní program pro kontrolu modelů ve formátu IFC. V tomhle článku vysvětluji, co MCP je, k čemu se hodí ve stavebnictví a proč napojit naše nástroje na AI platformy, které inženýři už používají, obvykle dává větší smysl než stavět další chatbot.

MCP nedělá AI chytřejší. Dává jí standardní cestu k věcem mimo ni samotnou: k vašim modelům, výpočetním programům a projektovým datům.

Vzpomeňte si na staveništní rozvaděč. Je mu jedno, jestli do něj zapojíte pilu, úhlovou brusku nebo světlo, protože každý nástroj má stejnou zástrčku. Před MCP znamenalo propojení AI s aplikací zvláštní kabeláž pro každou dvojici: pět AI aplikací a dvacet programů dávalo až sto jednorázových integrací. S MCP stačí na straně každé AI aplikace implementovat podporu společného protokolu a na straně každého programu zpřístupnit potřebné nástroje přes server. Odpadá tak velká část integrací na míru pro jednotlivé dvojice. Každé propojení ale stále potřebuje správné nastavení a oprávnění.

Hostitelská AI aplikace může spravovat více MCP klientů, typicky jednoho pro každý připojený server.

Anthropic uvolnil MCP jako otevřený standard v listopadu 2024. V prosinci 2025 ho předal nadaci Agentic AI Foundation, která spadá pod Linux Foundation a kterou mimo jiné podporují OpenAI, Google, Microsoft a AWS. Dnes s ním pracují ChatGPT, Claude, Gemini, Microsoft Copilot, GitHub Copilot i Cursor.

Tři role, jednoduše řečeno:

• Host: AI aplikace, do které píšete, třeba ChatGPT, Gemini, Claude nebo vlastní chatbot vaší firmy.
• Klient: konektor uvnitř hostitelské aplikace, který drží spojení s jedním serverem.
• Server: malý program na straně softwaru, který AI říká, co umí. Svůj server má RFEM, Revit i nástroj pro kontrolu IFC.

Co server nabízí:

• Nástroje jsou akce, které AI může spustit: zkontrolovat model podle datových požadavků projektu, porovnat dvě verze modelu, spustit výpočet.
• Zdroje jsou data, která AI může číst: souhrn modelu, seznam zatěžovacích stavů.
• Prompty jsou připravené postupy: „projdi změny mezi verzemi A a B“.

Klíčové je, jak AI nástroje najde. Každý nástroj má popis a strukturovanou definici svých vstupů. Když položíte otázku, AI podle nich vybere nástroj a doplní informace, které nástroj potřebuje. Nikdo napevno neprogramuje, které tlačítko se má stisknout; o tom, které nástroje jsou k dispozici, ale rozhoduje aplikace.

Server může běžet lokálně, přímo vedle vaší desktopové aplikace. Soubor modelu zůstává ve vašem počítači; do AI odcházejí jen odpovědi, které nástroje vrátí. Nebo může běžet vzdáleně přes HTTPS s řádným přihlášením, což se hodí pro cloudové platformy. Jestliže je IFC způsob, jakým model popisuje budovu, pak MCP je způsob, jakým se AI na ten model ptá.

MCP dělá z AI, která sebevědomě hádá, koordinátora, který každý úkol předá nástroji, kterému inženýři už věří. Na tom rozdílu záleží v našem oboru víc než skoro kdekoli jinde.

Univerzální jazykový model předpovídá pravděpodobný text. Požádejte ho o posouzení nosníku a dostanete úhledně naformátovanou, sebejistou odpověď, která může být prostě špatně, protože nic nespočítal. S MCP předává AI práci dál: výpočet jde do výpočetního programu, otázka na model jde do modelu a AI dělá to, v čem je opravdu dobrá. Pochopí otázku, provede kroky ve správném pořadí a vysvětlí výsledek srozumitelně. Pořád ale může zvolit špatný filtr nebo výsledek špatně přečíst, takže samotné spojení odpověď spolehlivou neudělá. Udělá ji ověřitelnou.

MCP není jediný způsob, jak dostat projektové informace do AI, a proto je dobré vědět, kam zapadá. Zkopírovat tabulku výsledků do chatu funguje, ale je to ruční snímek, který zastará ve chvíli, kdy se model změní. Retrieval-augmented generation (RAG) umožňuje AI prohledávat dokumenty, třeba normu, plán realizace BIM (BEP) nebo uživatelskou příručku, a citovat, co v nich najde.

Nejde o technologie, které si konkurují. MCP je spojení; vyhledávání v dokumentech je jen jeden druh nástroje, který můžete připojit. Může být připojené přes MCP server stejně dobře jako nástroj, který se ptá živého modelu nebo spouští kontrolu. Užitečný rozdíl je v tom, co který nástroj umí. Vyhledávání v dokumentech odpoví na „co říká norma?“. Nástroj nad modelem odpoví na „co říká můj model a projde kontrolou?“. Většina vyspělých pracovních postupů ve stavebnictví bude používat obojí.

Integrace na míru, třeba asistent zabudovaný přímo v programu, se k živým datům dostanou také, ale každá z nich propojuje jednu AI s jednou aplikací. Díky MCP lze stejné nástroje znovu použít v jakékoli AI aplikaci, která ho podporuje, v mezích jejího nastavení. AI dokáže přesně to, co nástroje dovolí, nic víc.

Jak to vypadá na skutečném projektu? Tyhle požadavky už dnes zvládnou existující servery:

• Dotazy na model: „Najdi všechny požárně odolné dveře ve 2. podlaží bez sady kování a vyber je.“ Oficiální server Autodesku pro Revit umí model prohledat a výsledky vybrat.
• Výkazy: „Kolik metrů krychlových betonu je v deskách, podlaží po podlaží?“ Open-source servery to čtou přímo ze souboru IFC, pokud model obsahuje spolehlivé výkazy.
• Koordinace: „Které body z minulé koordinační porady jsou pořád otevřené?“ Koordinační platformy jako Revizto už nabízejí MCP servery a komunitní servery se dostanou k připomínkám a dotazům v Autodesk Construction Cloud.
• Výsledky výpočtu: „Jaký je maximální průhyb stropních nosníků pro kombinace mezního stavu použitelnosti a vyhoví mezní hodnotě L/360?“ Odpověď přichází z výpočetního programu, ne z paměti AI.

Ať se AI firmy starají o jazyk a stavební software o inženýrství. Každých pár měsíců někdo v našem oboru ohlásí vlastního asistenta. Vlastní chatbot ale neznamená vlastní jazykový model. Většina asistentů na míru běží na stejných komerčních modelech, jen s vlastním rozhraním. Skutečná otázka je, kde budou inženýrské nástroje běžet, a MCP zajistí, že půjdou znovu použít, ať váš tým nakonec zvolí jakékoli rozhraní. Tady je pět důvodů, proč obvykle dává smysl začít s AI platformami, které už váš tým používá.

1. Dostanete nejschopnější AI modely a ty se dál zlepšují. Žádná inženýrská firma ani dodavatel stavebního softwaru nemá výzkumné rozpočty jako Anthropic, Google, OpenAI nebo Microsoft. Jak se modely zlepšují, obvykle lépe vybírají nástroje a vysvětlují výsledky. U každého postupu to ale není zaručené, takže po změně AI modelu znovu otestujte, na čem vám záleží.
2. Inženýři už tam pracují. Mnoho firem už platí Microsoft 365 Copilot, ChatGPT, Claude nebo Gemini. Nový samostatný chatbot přidává další rozhraní, které se tým musí naučit a začlenit do své práce. Pokud AI asistent, za kterého už platíte, podporuje potřebné spojení, objeví se MCP server tam, kde lidé už pracují.
3. Jednou postavit, zapojit kamkoli. Stejný server lze znovu použít v Claude, ChatGPT, Gemini, Copilotu i v AI asistentech, které si firma postaví sama. Každá aplikace pořád potřebuje vlastní nastavení spojení a ne každý produkt podporuje každou funkci. Když ale vaše firma změní dodavatele AI, inženýrské nástroje se nemusejí stavět znovu. Standard podporují i přímí konkurenti jako OpenAI, Google a Microsoft.
4. Nástroje začnou spolupracovat. V jedné konverzaci se dá dotázat modelu, spustit výpočet, vyplnit tabulku a uložit výsledek do systému pro správu dokumentů. Takový postup napříč nástroji dřív vyžadoval skript na míru pro každý krok.
5. Vaše know-how zůstává vaše. Dodavatel si ponechává ověřený řešič, posudky podle norem a datový model. AI platforma k tomu dodává konverzační vrstvu. Odborné znalosti zůstávají konkurenční výhodou, a tak to má být.

Je tu i šestá, nenápadnější výhoda. Velké hostitelské platformy přinášejí firemní infrastrukturu, kterou by malý nástroj pro stavebnictví sám nikdy nepostavil: schvalování konektorů administrátorem, dotaz na povolení před spuštěním nástroje a přihlášení přes standardní protokoly. V Microsoft 365 Copilot a Gemini Enterprise například může IT administrátor zaregistrovat vlastní MCP server jednou pro celou organizaci.

Správná otázka nezní, jestli AI do modelu pustit, ale co v něm smí dělat. O tom rozhoduje vaše firma, ne AI. MCP tu hranici zviditelní, protože každý server přesně deklaruje, jaké nástroje nabízí. Podstatné je, co ty nástroje umějí a jaká oprávnění za nimi stojí, ne nálepka na serveru.

Čtení. AI se dotazuje modelů a dat: vypíše požárně odolné dveře v podlaží nebo načte vlastnosti jednoho prvku. Přístup jen pro čtení omezuje změny v modelu. Informace tím ale nejsou méně citlivé a zavádějící odpovědi to nezabrání.

Kontrola. AI spouští kontroly: validaci podle IDS, zprávu o kolizích, porovnání revizí. IDS je standard buildingSMART, který vybrané informační požadavky zapisuje ve strojově kontrolovatelné podobě. Určíte, které prvky potřebují která data, a kontrolní nástroj podle těchto pravidel model otestuje. Kontroluje informace, ne to, zda je budova správně navržená. Zjištění slouží jako podklad pro rozhodnutí, a proto je kontroluje člověk.

Zápis. AI mění samotný model: doplňuje parametry, přesouvá prvky nebo vytváří nové. To vyžaduje řízená oprávnění, kontrolu každé změny a možnost ji vrátit.

Servery Autodesku pro Revit ukazují, jak dodavatelé tyto hranice vymezují. První MCP server pro Revit, vydaný v červnu jako zkušební verze (technical preview), byl jen pro čtení. V září Autodesk přidal server Trusted-Write, u kterého zkontrolujete každou změnu, kterou agent udělá, a server Experimental s širšími editačními nástroji, jehož použití je podle Autodesku na vlastní riziko. Oba jsou zkušební verze pro Revit 2027. Pro většinu firem je správné začít čtením, a to na testovacím modelu, který firma schválila.

Abych zjistil, jak vysoká ta bariéra doopravdy je, postavil jsem MCP server jen pro čtení pro program na kontrolu modelů, který vyvíjím. Program už kontroluje modely IFC podle požadavků IDS a porovnává verze modelu. Samotná validace nová není; program ji uměl už předtím. Server přidává možnost klást doplňující otázky, propojit jednotlivé kroky a skočit rovnou na dotčené prvky.

server.registerTool(
  "get_properties",
  {
    title: "Element properties",
    description:
      "Returns all property sets, quantities with units and the material " +
      "of one element. Use it to inspect an element found with list_elements.",
    inputSchema: z.object({
      version,
      guid: z.string().describe("IFC GlobalId of the element, 22 characters."),
    }),
    outputSchema: z.looseObject({
      summary: z.string(),
      guid: z.string(),
      property_sets: z.array(z.unknown()),
    }),
    annotations: { readOnlyHint: true, idempotentHint: true },
  },
  async ({ version, guid }) =>
    run("get_properties", { version, guid }, () =>
      elementProperties(catalog, version, guid),
    ),
);

Server se jmenuje ifc-review a nabízí šest nástrojů, všechny jen pro čtení:

• get_model_summary: projekt, verze, podlaží, počty prvků
• list_elements: hledání prvků podle třídy IFC, podlaží nebo příznaku nosnosti
• get_properties: sady vlastností, výkazy a materiály jednoho prvku
• run_ids_check: validace verze podle souboru IDS
• compare_versions: co přibylo, ubylo nebo se změnilo mezi dvěma verzemi
• get_viewer_link: odkaz, který otevře 3D prohlížeč se zvýrazněnými příslušnými prvky

Pak jsem test spustil na skutečném modelu: koncepčním modelu bytového domu v Praze s garáží v úrovni ulice, třemi obytnými podlažími a podkrovím, kontrolovaném podle souboru IDS se 14 informačními požadavky. Zeptal jsem se, které požadavky neprošly a kterých prvků se to týká. Neprošly dva požadavky a týkaly se 13 prvků: dvě střešní okna bez součinitele prostupu tepla a jedenáct dveří bez požární odolnosti. Podle názvů dveří měla být požární odolnost stanovena v požárně bezpečnostním řešení. To vysvětluje, proč hodnota chybí. Hodnotu to ale nedoplní a o tom, zda je v této fázi povinná, rozhoduje projektový tým.

Pro test jsem pak připravil druhou revizi, ve které byla část chybějících údajů doplněná, a položil otázku, kterou si po revizi klade každý tým: co se opravilo a co pořád chybí? AI zavolala nástroje pro porovnání a validaci a výsledky se spárovaly podle ID prvků. Opraveno bylo deset ze třinácti prvků. U trojích dveří ve 3. obytném podlaží stále chyběla hodnota požární odolnosti v požadované vlastnosti modelu. Pak mi AI dala odkaz, který otevřel model se zvýrazněnými právě těmi trojími dveřmi.

Celé demo jsem spustil ve dvou různých AI aplikacích: v ChatGPT a v Gemini v Google Antigravity. V tomto testu došly obě se stejným serverem a stejnými nástroji ke stejným zjištěním. To neznamená, že se každá AI aplikace připojuje stejně; každý produkt má vlastní nastavení a omezení. Server ale nepotřeboval vědět, která AI se ptá. Přesně o tom standard je.

Napsat kód bylo to nejjednodušší. Víc záleželo na třech věcech:

• Popisy nástrojů jsou uživatelské rozhraní. AI vybírá nástroje podle toho, co si o nich přečte, takže si popisy zaslouží stejnou péči jako popisky tlačítek.
• Souhrny jsou lepší než výpisy dat. Vracejte počty a nejdůležitější výsledky, podrobnosti až na vyžádání. Když AI pošlete celý model, zahltíte její pracovní paměť a odpovědi se zhorší.
• Jednotky a ID, vždycky. Každé číslo nese svou jednotku a každý prvek svůj GUID. Kde je nejasnost, tam AI začne znovu hádat.

Nic z toho nenahrazuje kontrolní nástroj. Jen se ho dá snáz ptát.

Za necelé dva roky se MCP změnil z experimentu ve funkci, kterou velcí výrobci stavebního softwaru dodávají se svými produkty.

Anthropic standard uvolnil v listopadu 2024. Od té doby začali dodavatelé stavebního softwaru nabízet MCP propojení, každé s vlastním rozsahem a podmínkami:

• Revit (Autodesk): MCP server jen pro čtení od června, ke kterému v září přibyly servery Trusted-Write a Experimental. Všechny jsou zkušební verze pro Revit 2027.
• Revu (Bluebeam): připojuje se ke Claude přes MCP. Vyžaduje tarif Bluebeam Max, Revu 21.9 nebo novější a desktopovou aplikaci Claude.
• SketchUp (Trimble): konektor pro Claude, který z konverzace vytváří nové modely SketchUp. Existující soubory upravovat neumí a jediným podporovaným poskytovatelem AI je zatím Claude.
• RFEM 6 (Dlubal Software): Dlubal zavedl MCP server pro RFEM 6 v lednu 2026. Server pracuje přes Dlubal API a podle aktuálního instalačního postupu se instaluje samostatně. Podrobnosti najdete v článku znalostní báze a v dokumentaci API Dlubalu.

Tyto produkty se rychle mění, takže si před plánováním ověřte aktuální podmínky a nepředpokládejte, že se kterýkoli z nich rovnou připojí ke každé AI aplikaci.

Dodavatelé se také rozhodují pro různá řešení. Některé servery nabízejí několik úzce zaměřených nástrojů. Jiné nechávají AI psát skripty nad API programu, podobně jako skript v Dynamu nebo Grasshopperu, jen ho píše AI. Dosah závisí na tom, co server zpřístupní a jaká oprávnění za ním stojí. Úzce zaměřené nástroje dávají všem bezpečné výchozí nastavení; skriptování dává pokročilým uživatelům větší dosah za cenu kontroly a testování kódu, který AI napíše. Můj vlastní server jednoznačně patří k těm úzce zaměřeným.

Dlouho běžící úlohy, jako rozsáhlý výpočet nebo náročná kontrola modelu, mají v MCP vlastní mechanismus: Tasks. Tasks začínaly jako experimentální funkce a specifikace z července 2026 je přesunula do oficiálního rozšíření. Pomohou jen tehdy, když je implementuje AI aplikace i server.

MCP odstraňuje tření mezi inženýrským úsudkem a jeho provedením. Úsudek nenahrazuje a přináší i pár vlastních nových rizik.

• Odpovědnost zůstává, kde byla. Použití AI inženýra nezbavuje povinnosti výsledek zkontrolovat. AI výkresy nerazítkuje. Jak se rozdělí odpovědnost, je otázka pro vaše smlouvy a právní poradce.
• Co do systému vložíte, to z něj dostanete, jen rychleji. MCP automatizuje chaotický proces stejně věrně jako uspořádaný. Nejednotné parametry a chybějící klasifikační kódy (UniFormat, OmniClass) vyplavou na povrch dřív, ale nezmizí.
• Kód napsaný AI je potřeba zkontrolovat. Když server spouští skripty, které píše AI, může AI napsat i chybný skript. Kód zkontrolujte, otestujte na kopii modelu a výsledky výpočtů držte ve správě verzí.
• Mějte přehled, kam data odcházejí. Lokální server drží model ve vašem počítači, ale AI host pořád vidí vše, co nástroje vrátí, a přístup jen pro čtení na tom nic nemění. Než připojíte živé projekty, ověřte si podmínky uchovávání dat a jejich využití k trénování u svého poskytovatele AI.
• Data modelu mohou nést pokyny. Hodnota vlastnosti nebo komentář v dokumentu může obsahovat text, který se snaží AI navést. Přístup jen pro čtení omezuje změny v modelu; nezabrání zavádějícím odpovědím ani úniku dat. Začněte s důvěryhodným serverem, omezeným přístupem a testovacím modelem, který vaše firma schválila.
• Není to zadarmo. Počítejte s předplatným AI, přístupem k API nebo doplňkovými licencemi na straně softwaru a s dostatečně výkonnými pracovními stanicemi.

Jak začít v pondělí

Začněte v malém: jeden projekt, jedna úloha jen pro čtení, jeden zvědavý člověk. Předtím položte svým dodavatelům softwaru pět otázek:

Pak spusťte pilotní projekt. Vyberte jednu opakující se úlohu, třeba kontrolu revize modelu podle informačních požadavků projektu, a testovací model, který vaše firma schválila. Porovnejte svůj současný postup, včetně kontrolního nástroje, který už používáte, s verzí s podporou AI. Kromě ušetřeného času započítejte i čas strávený kontrolou, přehlédnuté problémy a falešné poplachy. Před rozhodnutím srovnání zopakujte na další revizi. Takové srovnání vám řekne víc než jakékoli demo dodavatele.

MCP budovu nenavrhne. Umožní ale AI dosáhnout na nástroje, které inženýrskou práci už dělají, takže se zkrátí čas mezi otázkou a odpovědí.

Představte si další krok. Jedna zásuvka najde prvky, které se v poslední revizi modelu změnily. Druhá je předá dalšímu nástroji, třeba výpočetnímu programu nebo koordinační platformě, pokud jsou modely a ID jejich prvků propojené, což je pořád jedna z nejtěžších částí práce. AI propojí jednotlivé kroky a výsledek předloží člověku, který rozhoduje. Jednotlivé díly už dnes existují; každý krok ale pořád potřebuje někoho, kdo výsledek zkontroluje.

Stavební software, na který spoléháme, vyniká v inženýrských výpočtech. AI platformy vynikají v práci s jazykem a v uvažování. MCP je zásuvka mezi nimi a vyplatí se pochopit, jak funguje, dřív než vaše konkurence.

Můj pohled: přístup ke kvalitním stavebním datům umožňuje AI lépe odpovídat na otázky o konkrétním projektu. Velkým americkým poskytovatelům je svěřuji bez obav. Jaká pravidla pro projekt platí, ale dál určují vaše smlouvy. Za pár let bude dotaz na model přes AI stejně běžný jako hledání na Googlu.

Raději posloucháte? K tomuto článku patří díl podcastu Insights (v angličtině), který vychází ze stejného testu.

Podcast Insights · EP 02 · 14:05

Poslechněte si rozhovor

Martin a spolumoderátorka Sarah rozebírají tento článek na praktickém případu, v angličtině.

Přehrát díl Všechny díly →

Kapitoly

1. 0:00The doors that don't exist
2. 0:21Welcome
3. 0:57An outlet, not a brain
4. 2:19Guessing vs. checking
5. 3:49"Have you actually tried it?"
6. 5:36Thirteen elements, three doors
7. 6:52One server, two AI apps
8. 8:03"Why give our data to big tech?"
9. 9:25The weekend GitHub server
10. 10:50Who's actually shipping this?
11. 11:43What do I tell my boss?
12. 13:09Close

PřepisSynchronizováno se zvukem

MartinImagine asking an AI which doors are missing a fire rating. It gives you a perfect table. There's just one problem: none of those doors exist in your model.0:00 SarahThen how do you get an answer you can actually check?0:11 MartinWelcome back to Insights. I'm Martin Motlík. I work where software meets structural engineering. Today we're looking at the Model Context Protocol, or MCP, through a model-review test I built myself.0:21 MartinSarah is back as our fictional marketing lead at an engineering firm in Portland. Her boss has a question.0:36 SarahHe's forwarded another vendor email: "Should we be doing this MCP thing?" I need an answer I can take back to the team.0:43 MartinLet's work through it. What can it do, what still needs checking, and where would you start?0:51 SarahOkay, start from zero. What is it?0:57 MartinMCP is an open standard that lets AI apps connect to the software and data you already use. It doesn't make the AI smarter. It gives it a way to reach things outside itself. Your models, your analysis software, your project data.1:00 SarahSo, a plug.1:17 MartinPretty much. Picture the temporary power spider box on a jobsite. It doesn't care if you plug in a saw, a grinder or a work light, because every tool has the same plug. Before MCP, connecting an AI to a program meant custom wiring for every single pair.1:18 SarahAnd now?1:35 MartinNow software can expose its tools through an MCP server, and compatible AI apps can connect to it. You still need the right connection and permissions. Anthropic introduced the standard in late 2024.1:36 SarahWe pay for Copilot. So in that picture, Copilot is...1:49 MartinThe host. The app you type into. On the other side, a small server sits next to Revit, or next to the tool that reads your IFC files, and tells the AI what it can do.1:54 SarahTells it how?2:05 MartinEach tool has a description and a structured definition of its inputs. The AI uses those to choose a tool and supply the information it needs. The application controls which tools are available.2:06 SarahSo back to the doors. What would have been different?2:19 MartinThe AI would have a way to query the actual model. A tool can open the IFC file, find the doors and return their properties. We can check those results. The AI can still choose the wrong filter or misread an answer, so the connection alone doesn't make it reliable.2:22 SarahSo the AI is more of a coordinator.2:41 MartinExactly. Like a good BIM coordinator, actually. It doesn't author the model. It knows where to look, and it brings back the answer.2:44 SarahBut here's the thing. Copilot already reads our documents. Our BIM Execution Plan, our standards. Isn't that the same?2:53 MartinThat's a different tool, and a good one. The AI searches documents and quotes them. It answers "what does the BIM Execution Plan say?"3:01 SarahAnd MCP?3:10 MartinMCP can connect both kinds of tools. One searches your documents; another queries the model or runs a check. The useful difference is what the tool can do. Most serious workflows will use both.3:12 SarahGive me something real. What would our team actually ask?3:25 MartinFind the doors on level two with a missing fire-rating property, and show me where they are. Or total the concrete quantities in the slabs, floor by floor, if the model contains reliable quantities. Those are questions the connected tools can answer.3:29 SarahAnd the doors would have been real doors.3:45 SarahCan I be honest? Everything I read about this is a vendor demo. Have you actually tried it yourself?3:49 MartinI have. I'm building a model-review prototype, a web app for IFC models. It already checks models against information requirements and compares versions. So I wrote a small MCP server for it. Six tools, all read-only.3:56 SarahRead-only meaning...4:13 MartinIt can look, it can't touch. List elements, read their properties, run a check, compare two revisions, and hand me a link into the 3D viewer. That's it.4:15 SarahBut couldn't your model checker already do that without AI?4:26 MartinYes. The checker already did the validation. What I added was a way to ask follow-up questions, connect the steps, and jump straight to the affected elements.4:29 SarahAnd what did you test it on?4:39 MartinA real model. A residential building in Prague, a concept model with a garage, three apartment floors and an attic. Plus an IDS file with the project's data requirements.4:41 SarahIDS. Remind me?4:53 MartinIDS is a buildingSMART standard for expressing selected information requirements in a machine-checkable form. You specify which elements need which data. A checker then tests the model against those rules. It checks the information, not whether the building is correctly designed.4:56 SarahOh. That's literally what our BIM coordinator does every Friday before a submittal. By hand.5:14 MartinThen she'll like this part. I asked: check the model against the IDS file. Which requirements fail, and which elements are affected? Two requirements failed. Thirteen elements, mostly doors without a fire rating.5:21 SarahDoors with no fire rating. That sounds bad.5:36 MartinThe door names said the fire rating would be set in the fire safety design. That explained why the value was missing. It didn't actually provide a fire rating.5:40 SarahSo the check found a real gap, but it didn't tell you whether the design was wrong.5:50 MartinExactly. You also need to know whether that information is required at this project stage. The check flags the missing value. A person decides what it means.5:55 SarahThen what?6:06 MartinThen I prepared a second revision for the test, with some of the gaps filled in. And I asked the question every team asks after a revision: what got fixed, and what's still missing? Show me the rest in the model.6:07 SarahAnd?6:21 MartinThe AI called the comparison and validation tools, and the results were matched by element ID. Ten of thirteen fixed. Three doors on residential level three still without a fire rating. Then it gave me a link that opened the model, and there they were. Three doors highlighted, the rest of the building dimmed.6:22 SarahSo the doors in the chat and the doors on screen are the same doors.6:41 MartinSame element IDs. That's the part I'd show any project team first.6:46 SarahOkay, but which AI did you use? We're a Copilot shop.6:52 MartinI tested the same server with ChatGPT and with Gemini in Google Antigravity. In that test, both reached the same findings. That doesn't mean every AI app connects in the same way. With Copilot, you need to check the specific product and your company's setup.6:57 SarahWas building the server the hard part?7:15 MartinWriting the code wasn't the hard part.7:17 SarahWhat was?7:19 MartinThree things. First, the tool descriptions. The AI picks tools by reading them, so they're really the user interface. They deserve the same care as button labels.7:20 SarahCopywriting. Finally something in my lane.7:31 MartinHonestly, yes. Second, summaries beat data dumps. Return counts and the top results, with details on request. Send an AI a whole model and you overload its working memory. The answers get worse.7:35 SarahAnd third?7:50 MartinUnits and IDs, always. Every number carries its unit, every element its ID. Ambiguity is exactly where the AI starts guessing again.7:51 SarahHere's where I push back a bit. Why would we connect our projects to OpenAI or Google or Microsoft? Wouldn't it be safer to build our own chatbot?8:03 MartinFair question. Let me separate two things: where the model lives, and where the answers go. A local server keeps the model file on your machine. Only what the tools return goes to the AI.8:13 SarahWhich can still be a lot.8:27 MartinIt can. So check your provider's terms on data retention and training before you connect live projects. And some clients and contracts don't allow commercial AI services at all. Then you don't.8:29 SarahOkay. And the chatbot idea?8:43 MartinBuilding your own chatbot doesn't mean building your own language model. You can use the same commercial models behind a custom interface. The question is whether that interface solves a real problem for your team. MCP lets you reuse the engineering tools either way.8:45 SarahAnd my engineers already have Copilot open all day.9:03 MartinThen it makes sense to start with the interface they already use, if it supports the connection you need. A custom assistant may still be useful for a specific workflow.9:07 SarahSo it's not either-or.9:17 MartinNo. Keep the engineering tools reusable, then choose the interface that works for your team.9:19 SarahOkay, confession number two. One of our younger engineers found a community Revit server on GitHub and hooked it up to ChatGPT over the weekend. On a live project.9:25 MartinOf course he did.9:38 SarahOur IT guy is not amused.9:39 MartinYour IT guy has a point. I separate three kinds of access. First, reading: querying the model and pulling properties. That limits changes to the model, but the information can still be sensitive.9:42 SarahAnd the second?9:56 MartinChecking: IDS checks, clash reports, comparisons between revisions. People need to review the findings because they inform decisions. Third is writing: changing parameters or moving and creating elements. That needs controlled permissions and a way to review and undo changes.9:57 SarahAnd the GitHub server?10:16 MartinYou need to inspect what that particular server can do and what access it has. Autodesk now offers separate read, write and experimental server options as technical previews. The capabilities and permissions matter more than the label.10:18 SarahAnything else I should tell IT?10:32 MartinModel data can contain text that tries to steer the AI. Read-only limits changes to the model; it doesn't prevent misleading answers or data exposure. Start with a trusted server, restricted access and a test model your firm has approved.10:34 SarahWho is actually shipping this in our industry?10:50 MartinAutodesk has Revit servers in technical preview. Bluebeam connects Revu with Claude. Trimble has a SketchUp connector, and Dlubal provides access to its analysis applications. The capabilities, supported clients and licenses differ. But these are actual products you can evaluate.10:53 SarahDo they all give the AI the same kind of access?11:14 MartinNo. Some expose a few defined actions. Others let the AI write scripts against an API. The reach depends on what the server exposes and the permissions behind it.11:17 SarahWhich would you start with?11:29 MartinA small set of read-only tools for one task. Scripting can go further, but you need to review and test the code. I've linked the product details in the article, because those are changing quickly.11:31 SarahOkay. That email from my boss. And our senior engineer asked me to ask you one thing: who's liable if the AI gets it wrong?11:43 MartinUsing AI doesn't remove the engineer's responsibility to review the result. The AI doesn't stamp drawings. How liability is allocated is a separate question for the firm's contracts and legal advice.11:53 SarahSo we still need a review process. What else do I write back?12:07 MartinThat it won't clean up your data. It automates a messy process just as faithfully as a clean one. If your parameters are inconsistent, you'll just find out faster. And that it isn't free. AI subscriptions, and sometimes API access or add-on licenses on the software side.12:12 SarahAnd then?12:30 MartinThen a few questions for every vendor. Do you ship an MCP server, official or community? Is it read-only, and are read and write separated? Where does project data go? The full list is in the article.12:31 SarahAnd how do we know if it's worth it?12:44 MartinChoose one recurring task and a test model your firm has approved. Compare your current workflow, including any checker you already use, with the AI-assisted version. Count the review time, missed issues and false alarms as well as the time saved. Repeat it on another revision before deciding.12:46 SarahThat's our Friday model check.13:04 MartinThat's your Friday model check.13:06 SarahIf you had to sum it up in one sentence?13:09 MartinMCP lets AI reach the engineering tools we already use. We still need to verify the result.13:12 SarahAnd personally? Would you share your own models with these AI companies?13:20 MartinI would. Sharing building data with AI models is how they get better at our work, and I trust the large U.S. providers with it. Your contracts still set the rules for each project. In a few years, asking an AI about a model will be as ordinary as searching Google.13:24 SarahAnd the first question to take back to the office?13:41 MartinPick one question you ask about a model every week. Check whether your existing software can expose the answer, and how your team would verify it.13:44 SarahIn the article, you can see the tool result and the same three doors highlighted in the model. It's on martinmotlik.com, under Insights.13:53 MartinThanks for listening. See you in the next one.14:01

Díl vznikl z tohoto článku s hlasy generovanými AI. Scénář zkontroloval Martin.

Martin Motlík

Nezávislý digitální stratég pro AEC a vedoucí oddělení webového obsahu ve společnosti Dlubal Software. Píše o AI, BIM a marketingu inženýrského softwaru.

Čtěte dál

AI ve stavebnictví Buďte zdrojem: jak připravit data AEC firem pro vyhledávání s AI 6. října 2026 · 8 min čtení · Podcast 14 min

Všechny články →