Разобрали на четырёх рабочих сценариях: техническое задание, проверка документации, еженедельный отчёт и нормативный анализ.
Нейросети в строительстве уже не выглядят экзотикой. Ими пробуют писать технические задания, проверять рабочую документацию, собирать отчёты, формировать чек-листы, объяснять требования СП и ГОСТ. Но главный вопрос не в том, «можно ли использовать ИИ». Можно. Вопрос в другом: где он действительно ускоряет работу, а где создаёт красивый текст с опасными ошибками.
Мы сравнили ChatGPT, Claude и DeepSeek на четырёх типовых задачах из строительной практики. Это не лабораторный рейтинг и не попытка объявить одну модель «лучшей навсегда». Версии моделей меняются, качество ответов зависит от промпта, исходных данных и доступа к файлам. Поэтому правильнее смотреть не на абсолютный пьедестал, а на рабочие роли: какая модель лучше пишет, какая глубже анализирует риски, а какая быстрее помогает собрать техническую и нормативную основу.
Как мы сравнивали модели
Для проверки взяли четыре сценария, близкие к реальной работе проектировщика, инженера ПТО, производителя работ и руководителя проекта: подготовка технического задания на вентилируемый фасад, поиск противоречий в рабочей документации по кровле, формирование еженедельного отчёта и сопоставление требований строительных норм.
Промпты были одинаковыми для всех моделей. Мы смотрели не только на красоту текста, но и на три практических критерия: насколько ответ пригоден для дальнейшей работы, насколько логично выстроена инженерная аргументация и насколько аккуратно модель обращается с нормативными ссылками.
Важно: любые результаты такого теста нужно воспринимать как ориентир, а не как готовый регламент. Нейросети могут ошибаться в номерах пунктов, смешивать редакции документов, уверенно подставлять усреднённые значения и не понимать условий конкретного объекта. Именно поэтому в строительстве ИИ должен работать внутри цепочки «черновик – проверка – корректировка – выпуск», а не вместо неё.
1. Техническое задание на устройство вентилируемого фасада
Первая задача – составить структурированное техническое задание на монтаж вентилируемого фасада для 25-этажного жилого здания. Вводные включали СП 71.13330.2017, требования к подсистеме, утеплителю, облицовочным материалам, монтажным допускам, приёмке работ и охране труда.
Промпт: Составь структурированное техническое задание на монтаж вентилируемого фасада для жилого дома 25 этажей. Учти требования СП 71.13330.2017. Включи разделы: требования к подсистеме, утеплителю, облицовочным материалам, монтажным допускам, процедуре приёмки работ и охране труда. Предоставь таблицу допусков и чёткие критерии оценки качества работ.
ChatGPT дал самый аккуратный и читабельный документ. Его удобно переносить в редактор, он быстро собирает структуру, подзаголовки, таблицы и деловой тон. Но при детальном разборе проявился типичный риск: часть технических параметров звучала слишком усреднённо, без привязки к ветровому району, проектным решениям и конкретной подсистеме. Для первичного черновика – хорошо. Для передачи субподрядчику без доработки – опасно.
Claude оказался сильнее в инженерной логике документа. Он добавил входной контроль материалов, условия складирования, распределение ответственности, приёмку скрытых работ, лабораторные проверки и более осторожные формулировки. Такой текст объёмнее, но ближе к документу, который можно обсуждать с техническим заказчиком, генподрядчиком или внутренним нормоконтролем.
DeepSeek лучше проявил себя как инструмент технического скрининга. Он увереннее работал с нормативными ссылками и добавил блоки, которые легко потерять в черновом ТЗ: пожарная безопасность, несущая способность анкеров, требования к ветровым воздействиям. Но оформление было менее «редакционным»: таблицы и нумерацию пришлось бы чистить вручную.
2. Проверка рабочей документации по кровле
Вторая задача была ближе к нормоконтролю: проанализировать комплект рабочей документации по устройству кровли, найти противоречия между листами, проверить кровельный пирог, водоотведение, спецификации материалов и наличие узлов примыканий.
Промпт: Проанализируй рабочую документацию по кровле на предмет противоречий между отметками на планах и в узлах, корректности организации водоотведения, соответствия кровельного пирога СП 17.13330.2017, полноты спецификаций материалов и наличия необходимых узлов примыканий. Выяви критические ошибки, которые могут привести к протечкам или нарушению несущей способности. Предложи конкретные формулировки для устранения замечаний.
DeepSeek в этом сценарии показал сильную техническую сторону. Он хорошо ищет несостыковки в составе материалов, обращает внимание на спорные решения в кровельном пироге, выделяет недостающие узлы и старается привязать замечания к нормативной логике. Такой ответ полезен как первый слой проверки: быстро подсветить места, куда инженеру нужно посмотреть внимательнее.
Claude оказался сильнее там, где важны последствия. Он не просто перечислял замечания, а связывал их с эксплуатационными рисками: протечки, промерзание парапетов, спорные гарантийные обязательства, необходимость переработки узлов. Для руководителя проекта это часто полезнее сухого списка нарушений, потому что помогает понять, что именно может случиться на объекте и почему замечание нельзя отложить «на потом».
ChatGPT быстро нашёл очевидные несоответствия и оформил их в удобный для отчёта вид. Но в нормативной части требовалась более жёсткая проверка: модель иногда даёт общие формулировки там, где нужен конкретный пункт, конкретный узел и конкретное техническое решение.
3. Еженедельная отчётность производителя работ
Третья задача была не столько нормативной, сколько коммуникационной: подготовить еженедельный отчёт производителя работ. Вводные включали выполненные объёмы, отставание от графика, причины, риски, план на следующую неделю и потребность в материалах.
Промпт: Сформируй еженедельный отчёт производителя работ по объекту. Включи выполненные объёмы работ в процентах от плана, отставание от графика с указанием причин, выявленные риски и проблемы, план работ на следующую неделю, таблицу потребности в материалах с плановым и фактическим количеством. Стиль – деловой, документ должен быть готов к отправке руководству проекта.
Здесь лучше всего проявился ChatGPT. Он быстро превращает набор фактов в понятный управленческий текст: разделы, таблицы, нейтральный деловой тон, аккуратные формулировки. Для отчётов, писем, пояснительных записок и коммуникации с заказчиком это сильная сторона модели.
Claude добавил больше аналитики: причины отставаний, организационные меры, связь между рисками и графиком. Это полезно для внутреннего управления, когда отчёт нужен не просто «для отправки», а для принятия решений. Минус – текст может получиться более длинным, чем нужно для оперативного отчёта.
DeepSeek вёл себя более технически: разделял работы по этапам, добавлял показатели расхода, смотрел на связку с учётом и сметной логикой. Но для руководителя или заказчика такой стиль может быть суховатым.
4. Сопоставление нормативных требований
Четвёртый сценарий – самый рискованный: сравнить требования СП 48.13330.2019 и СП 45.13330.2017 в части организации строительной площадки, выделить различия, частые нарушения подрядчиков и собрать чек-лист проверки перед началом работ.
Промпт: Проведи сопоставительный анализ требований СП 48.13330.2019 «Организация строительства» и СП 45.13330.2017 «Земляные сооружения, основания и фундаменты» в части организации строительной площадки. Выдели ключевые различия, наиболее часто нарушаемые подрядчиками пункты и сформируй чек-лист готовности площадки перед началом работ. Укажи ссылки на конкретные пункты нормативных документов.
ChatGPT дал понятный обзор и нормальный черновой чек-лист, но именно в нормативном анализе этого недостаточно. Если модель перепутает редакцию документа или сослётся на устаревший пункт, красивый текст превращается в риск для проверки, переписки и управленческого решения.
Claude был осторожнее: разделял сферы действия документов, отмечал зоны пересечения, добавлял предупреждения о региональных и объектовых особенностях. Для подготовки внутреннего чек-листа такой подход полезен, потому что снижает соблазн выдать универсальную рекомендацию там, где нужно смотреть конкретный объект.
DeepSeek в этом сценарии снова был полезен как инструмент поиска технических опорных точек. Но даже если модель уверенно пишет номера пунктов, это не освобождает от проверки по официальному тексту нормативного документа. В строительстве уверенный тон нейросети не равен юридической значимости.
Что получилось по итогам сравнения
Если свести результаты к рабочей логике, картина получается не «кто победил», а «кто для чего нужен».
Такой подход ближе к реальной работе. Один инструмент помогает быстро собрать основу, второй – проверить логику, третий – оформить текст. Но финальное решение принимает не алгоритм, а специалист.
Как безопасно встроить ИИ в строительный процесс
Самая большая ошибка – использовать нейросеть как самостоятельного исполнителя. В строительстве это особенно опасно: модель не знает всей истории объекта, не отвечает за последствия, не видит скрытые ограничения и не несёт юридической ответственности.
Гораздо надёжнее воспринимать ИИ как часть технологической цепочки. На входе – проверенные исходные данные. Затем – генерация черновика. После этого – инженерная проверка, нормативная сверка, корректировка формулировок и только потом выпуск документа или отправка заказчику.
Отдельное внимание нужно уделить информационной безопасности. В публичные интерфейсы нельзя бездумно загружать полные комплекты проектной документации, коммерческие условия, персональные данные, координаты объектов, внутренние переписки и материалы с режимом коммерческой тайны. Для корпоративного применения нужны правила: что можно загружать, кто проверяет результат, где хранится версия промпта и кто отвечает за выпуск документа.
Кому особенно полезен такой подход
Проектировщикам ИИ помогает быстрее собирать структуру технических решений и проверять логику документа. Инженерам ПТО – готовить акты, письма, замечания и отчёты. Производителям работ – превращать факты участка в понятную еженедельную отчётность. Руководителям проектов – видеть риски, отставания, спорные решения и точки контроля.
Но польза появляется только после перехода от разовых экспериментов к понятному процессу. Пока сотрудник просто спрашивает нейросеть «напиши мне ТЗ», результат будет нестабильным. Когда у компании есть шаблоны промптов, база внутренних требований, порядок проверки и ответственные специалисты, ИИ начинает экономить время системно.
Где здесь место обучению
Именно поэтому в курсе «ИИ: от базовых инструментов до автономных агентов» мы делаем акцент не на абстрактной теории, а на практическом применении: как формулировать запросы, как проверять ответы, как использовать ИИ для документов, аналитики, таблиц, изображений, автоматизации и строительных сценариев.
Отдельный модуль посвящён строительству с ИИ: проектированию, проверке расчётов, документации, контролю, управлению, ограничениям в РФ и реальным сервисам для строителей и проектировщиков. Смысл не в том, чтобы заменить инженера нейросетью, а в том, чтобы дать специалисту управляемый инструмент для ускорения рутинной и аналитической работы.
Заключение
ChatGPT, Claude и DeepSeek – не конкуренты в стиле «оставить только одного». В строительной практике они скорее закрывают разные участки одной цепочки. ChatGPT удобен для ясного текста и коммуникации. Claude силён в логике, рисках и аккуратной аргументации. DeepSeek полезен для технического и нормативного скрининга.
Но ни одна модель не отменяет профессиональную ответственность. В строительстве скорость без проверки создаёт риски, а нормативная точность без оперативности тормозит процесс. Поэтому лучший результат даёт не вера в конкретную нейросеть, а грамотная методика: точные вводные, понятная роль модели, обязательная проверка и фиксированный порядок выпуска материалов.
ИИ уже можно использовать в строительных задачах. Вопрос только в том, будет ли он случайным помощником «на удачу» или частью нормального рабочего процесса. Разница между этими двумя подходами – как раз и определяет, получите вы ускорение работы или ещё один источник ошибок.