Автор: Анна Позняк-Ибатулина
Слово редакции
Разговор об искусственном интеллекте в архитектуре и градостроительстве сегодня всё чаще выходит за рамки обсуждения отдельных инструментов. В центре оказываются вопросы о качестве данных, проверке результата, профессиональной ответственности и границах автоматизации.
На круглом столе «Искусственный интеллект в архитектурно-градостроительном проектировании: новые инструменты, профессиональные практики и ответственность» прозвучали семь докладов – от цифрового моделирования и корпоративных систем проектирования до климатологии, экологического контроля и права. Эти темы рассматривались с разных профессиональных позиций, а наиболее содержательные вопросы возникали именно на стыке дисциплин.
Модераторы круглого стола
Дарья Толовенкова — архитектор-градостроитель, эксперт по территориальному планированию, мастер-планированию и комплексному развитию городской среды, член редакционной коллегии журнала «Экоурбанист», член Рабочей группы по совершенствованию правового регулирования формирования и развития водно-зелёных городских каркасов в рамках реализации федерального проекта «Формирование комфортной городской среды» Экспертного совета при Министерстве строительства и жилищно-коммунального хозяйства Российской Федерации.
Анна Позняк-Ибатулина — продюсер журнала и школы «Экоурбанист», преподаватель кафедры массовых коммуникаций РУДН, медиаисследователь, автор-составитель учебно-методического пособия «Журналист и искусственный интеллект: как писать тексты с использованием нейросетей, сохранять авторство и профессиональную ответственность».
Для «Экоурбаниста» этот разговор продолжает тему того, как цифровые инструменты меняют работу с городом – и где при этом по-прежнему необходимы профессиональный опыт, междисциплинарное знание и ответственность человека за принятое решение.
Татьяна Чурякова: две минуты против полутора месяцев — что на самом деле рассчитала машина?
Татьяна Чурякова, преподаватель Института дизайна и урбанистики и инженер Института искусственного интеллекта Университета ИТМО, рассказала о BlocksNet – открытой библиотеке для построения цифровых моделей города. Её квартально-сетевая модель позволяет сопоставлять обеспеченность территории объектами инфраструктуры и искать дефициты, от которых можно отталкиваться в предпроектном анализе. На следующем этапе ИИ-агент использует рассчитанные показатели, а не просто генерирует универсальные советы по запросу «сделай хороший мастер-план».
В одном из примеров расчёт, выполненный за две минуты, совпал по потребности в школах и детских садах с параметрами проекта, который архитекторы разрабатывали значительно дольше. Павел Константинов сразу уточнил: означает ли это, что машина действительно заменила полуторамесячную работу? Чурякова пояснила, что совпали показатели обеспеченности, а не готовые архитектурные решения. Система оценивает численность будущих жителей и дефицит мест в инфраструктуре; размещать объекты, учитывать контекст и собирать итоговый проект всё равно предстоит специалистам.
«Опытный специалист должен уметь отличать убедительное объяснение от обоснованного решения»
Татьяна Чурякова, Университет ИТМО
Отсюда принципиальное требование – прослеживаемость: проектировщик должен видеть путь от источника данных и допущений через расчёт к рекомендации агента. В представленном кейсе Гатчины система не ограничивалась общими фразами об озеленении и велодорожках, а искала территории с конкретными дефицитами и предлагала варианты их устранения.
Вопрос ботаника Марии Лебедевой из Уфы расширил обсуждение. Может ли цифровой сценарий учитывать не только жителей, но и биоразнообразие – например, достаточно ли шмелям кормовой базы? Пока модель оперирует зелёными пространствами преимущественно через обеспеченность площадью. Количество озеленения само по себе ещё не описывает его экологическое качество: для такой оценки потребуется более детальная информация о характеристиках зелёных пространств.
Артемий Смелков: «Кульман» — как «Брусника» превращает корпоративный стандарт в рабочий инструмент архитектора
Артемий Смелков, руководитель подразделения автоматизации проектирования компании «Брусника», представил не гипотетический сценарий будущего, а конкретный корпоративный продукт – платформу «Кульман» для моделирования жилых кварталов на ранних стадиях. Задача инструмента – дать архитектору возможность собирать экономически обоснованные варианты объекта в единой среде, не переходя между несколькими разрозненными программами.
Логика работы начинается со стандарта девелопера. В систему заложены морфотипы застройки, типовые этажи, зонирование и квартирные модули. Архитектор выбирает участок и конфигурацию квартала, формирует секции, добавляет объёмы и балконы, меняет параметры и оценивает, как эти действия влияют на модель. «Типовой» при этом не означает «неизменяемый»: пользователь может редактировать предложенные решения.
Внутри той же среды доступны расчёт инсоляции, контроль квартирографии и оценка экономических параметров. После проработки предварительного варианта система позволяет выгрузить документацию и модель в формате Revit для последующего проектирования. По представленным компанией данным, на проектах «Кульмана» сроки программирования объекта сократились на 20%, а выработка в квадратных метрах за час увеличилась на 30% относительно ручного процесса. Это показатели компании, а не независимая оценка технологии.
Почему здесь не поручили всё большой языковой модели? Смелков назвал основу платформы rule-based AI – систему правил и алгоритмов, которая сохраняет заданную последовательность действий, связи между этапами и обязательные ограничения. Для проектирования это особенно важно: математически проверяемая геометрия не должна зависеть от того, насколько убедительно нейросеть формулирует ответ.
«Инновации не заменяют профессию, они заменяют блоки работы»
Артемий Смелков, компания «Брусника»
В совокупности показанные Смелковым инструменты демонстрируют разделение задач между разными типами автоматизации. В «Кульмане» детерминированные проектные операции строятся на rule-based подходе, тогда как генеративные модели в корпоративной среде используются для других классов задач – поиска и обработки материалов, генерации изображений и работы с кодом.
Ольга Ромзайкина: красивый парк, которого нельзя построить
Ольга Ромзайкина, научный сотрудник РУДН и руководитель отдела ландшафтного планирования SUNlab, предложила оценить искусственный интеллект через ежедневные задачи ландшафтного архитектора. Она показала, где генеративные инструменты уже помогают: анализируют предоставленные документы, структурируют сведения, ищут противоречия, готовят таблицы и предлагают первоначальные направления концепции. Но возможность создать изображение не равна умению профессионально проектировать.
В ходе эксперимента Ольга попросила нейросеть представить территорию РУДН как большой пейзажный парк. Результат выглядел убедительно – только существующие дорога и фонтан в нём исчезли. Проектная задача включала контекст, который короткий запрос не передавал.
«Но с моим запросом, который я поставила очень кратко, он справился, но не справился с контекстом»
Ольга Ромзайкина, SUNlab
После доклада прозвучал вопрос о цене исправления ошибки: сколько времени займут сбор исходных данных, уточнение запроса и верификация картинки? Экономия времени возникает не в момент генерации, а после проверки всего цикла работы. Ольга подчеркнула и другую границу возможностей модели: переговоры с заказчиком, авторский надзор, подбор посадочного материала и оперативные решения на объекте требуют присутствия, опыта и ответственности человека.
Предложенная ею модель работы со стажёрами также заслуживает внимания. Если передать ИИ часть рутины, молодой архитектор сможет раньше заниматься содержательными задачами, а старший специалист – уделять больше времени наставничеству. Но автоматизация должна усиливать обучение профессии, а не устранять возможность приобрести собственный опыт.
Владимир Доманский: от парковочной модели Тюмени до вопроса о безопасности проектных данных
Владимир Доманский, начальник управления Единой информационной среды Тюменского индустриального университета, предложил историческую перспективу. Искусственный интеллект в городском планировании не начинается с чат-ботов: графовые модели, системный анализ и алгоритмы оптимизации давно помогают формализовать транспортные и пространственные задачи.
В качестве прикладного примера он представил разработанную в 2018 году концепцию управления транспортным спросом Тюмени. Исходными данными были парковочные места, пешеходная сеть, регулируемые и нерегулируемые переходы, социально значимые объекты. Система рассчитывала маршруты и временные расстояния, группировала парковки и искала места размещения паркоматов. В представленном расчёте ориентиром служили пешеходная доступность до 120 секунд и нагрузка до 60 машиномест на один паркомат. Так анализ потоков и связности территории превращался в обоснование конкретного инфраструктурного решения.
Доманский отдельно остановился на различии между математической моделью и большой языковой моделью. Генеративный сервис может успешно обрабатывать текст и объяснять варианты, но не обязан надёжно сохранять геометрические масштабы и числовые ограничения без подходящих инструментов и исходных данных. Даже способность модели принять большой документ не означает, что она правильно учла каждую его часть.
Практический вопрос – где обрабатываются материалы, которые пользователь загрузил в сервис? Доманский призвал архитекторов учитывать режим проектной документации и не передавать чувствительные сведения во внешние системы без проверки условий обработки. Он рассказал, что университет разворачивает небольшие модели в собственном контуре: в таком варианте инфраструктуру хранения и доступа можно контролировать организационно и технически.
«Архитектору нужно задуматься: не нарушает ли он федеральный закон, передавая планы, генпланы?»
Владимир Доманский, Тюменский индустриальный университет
Этот доклад связал две темы круглого стола: качество анализа определяется устройством данных, а допустимость работы с ними – не только удобством программы, но и правилами информационной безопасности. Сам по себе иностранный или отечественный адрес сервиса не даёт полного ответа: значение имеют договор, настройки хранения, режим передаваемых документов и принятые в организации процедуры.
Михаил Ушаков: от обнаружения нарушений к профилактике и экологическому проектированию
Михаил Ушаков, заместитель руководителя Департамента природопользования и охраны окружающей среды города Москвы, показал, как ИИ работает в контрольно-надзорной практике. В отличие от генерации проектной картинки здесь важна вся цепочка: получить сигнал, сопоставить его с эталоном, выявить признак риска, передать инспектору и подтвердить результат.
По данным представленной презентации, в Комплексе контроля Москвы рассматривается 31 ИИ-решение по пяти направлениям: анализ изображений и видео, интеллектуальные ассистенты, мониторинг информации, обработка речи, работа с текстами и документами. Для контроля строительных площадок используются снимки городских камер и беспилотников. Михаил привёл данные за 2025 год: свыше 2,1 млн поступивших изображений, более 80 тыс. выявленных признаков потенциальных нарушений и заявленное сокращение трудозатрат на обработку на 96%. Эти цифры относятся к представленному докладчиком кейсу, а не ко всем направлениям работы департамента.
Особенно нагляден КИНС – комплекс искусственной нейронной сети, установленный на автомобилях. Во время планового объезда камеры фиксируют городскую среду, а алгоритмы анализируют видеопоток: повреждения бордюров, переполненные урны, загрязнённые остановки, недостатки содержания цветников, захламление территории и заросли инвазивных растений, включая борщевик. В презентации указано более 20 типов детектируемых нарушений и признаков неблагополучия.
В другом сценарии фотоловушки, данные дистанционного зондирования, снимки с беспилотников и обращения жителей помогают находить места незаконного размещения отходов. Система может сопоставлять наблюдения во времени, строить карты риска и направлять инспектора туда, где необходима проверка. При контроле перевозки строительных отходов анализируются изображения транспорта и его маршрут по данным ГЛОНАСС. Идея – не заменить инспектора, а сократить путь от наблюдения к обоснованному действию.
«Искусственный интеллект – помощник инспектора, а не «последняя инстанция»»
Михаил Ушаков, Департамент природопользования и охраны окружающей среды Москвы
Отдельный сюжет – генеративное проектирование озеленения, которое Ушаков представил как перспективное направление развития, а не как повсеместно внедрённый готовый продукт. Для подбора растений и размещения зелёных объектов требуется объединять сведения о почвах, свете, климате, подземных коммуникациях, биоразнообразии и микроклиматических эффектах. Здесь цифровые инструменты могли бы перейти от фиксации проблем к сравнению сценариев и профилактике рисков ещё до реализации проекта.
Михаил пригласил участников обратить внимание на хакатон Мэра Москвы «Лидеры цифровой трансформации». Среди задач конкурса 2026 года – сервис автоматического проектирования озеленения с учётом подземных коммуникаций и особенностей городской среды. Этот конкурсный кейс напрямую продолжает дискуссию круглого стола: какие сведения должен получить алгоритм, чтобы предлагаемое озеленение было не только эффектным, но и реализуемым?
Павел Константинов: климат не всегда повторяет прошлое
Павел Константинов, климатолог МГУ имени М. В. Ломоносова, напомнил: в метеорологии расчётные модели работают десятилетиями, но даже качественный прогноз остаётся инструментом поддержки решения синоптика. Показателен опыт авиационной метеорологии, где применение вычислительных моделей сочетается с установленной профессиональной ответственностью.
Ключевое ограничение машинного обучения связано с редкими и экстремальными явлениями. Городской перегрев, особенности осадков и другие опасные события при изменении климата могут выходить за пределы накопленных данных.
«То, что происходило редко или то, чего не было, мы с помощью пока ещё систем машинного обучения прогнозируем очень плохо и ненадёжно»
Павел Константинов, МГУ имени М. В. Ломоносова
Павел рассказал об исследовательской задаче: прежде чем ускорять подбор оптимальных конфигураций городской застройки и озеленения с помощью ИИ, нужно получить базу результатов физического моделирования теплового комфорта для разных сценариев. Машинное обучение здесь не отменяет научный расчёт – оно может помочь быстрее ориентироваться в результатах дорогих вычислительных экспериментов.
Татьяна Кикоть-Глуходедова: проект может быть сгенерирован, но ответственность остаётся у людей
Правовой разговор, начатый вопросом Дарьи Толовенковой о границах авторства, продолжила Татьяна Кикоть-Глуходедова – доктор юридических наук, директор Института кибербезопасности Факультета искусственного интеллекта РУДН. Её выступление было важным противовесом технологическим примерам: проект – это не только интеллектуальный продукт, но и основание для строительства реального объекта, влияющего на безопасность людей.
Татьяна напомнила, что использование ИИ не создаёт отдельной правовой реальности. В работе проектировщика сохраняют значение Гражданский и Градостроительный кодексы РФ, Федеральный закон № 384-ФЗ «Технический регламент о безопасности зданий и сооружений», № 152-ФЗ «О персональных данных» и № 258-ФЗ «Об экспериментальных правовых режимах в сфере цифровых и технологических инноваций в Российской Федерации». Последний предусматривает возможность апробации инновационных решений в специальном регулируемом режиме.
Главный вопрос авторского права сформулирован не как «может ли ИИ быть автором», а иначе: достаточен ли творческий вклад архитектора в конкретный результат? Статья 1228 ГК РФ связывает авторство результата интеллектуальной деятельности с творческим трудом гражданина. Поэтому ни объём написанного промпта, ни сам факт использования программы автоматически не отвечают на вопрос о правах на итоговый результат.
«ИИ способен генерировать вариант, но юридически значимое проектное решение должно оставаться результатом профессионального выбора, проверки и подтверждения компетентного специалиста»
Татьяна Кикоть-Глуходедова, РУДН
Специальное регулирование в сфере ИИ в России уже развивается. С 1 сентября 2026 года вступил в силу Федеральный закон № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации», регулирующий прежде всего разработку, внедрение и применение больших фундаментальных моделей ИИ; для отдельных его положений установлен более поздний срок вступления в силу. При этом специальные ответы на все вопросы применения генеративных моделей непосредственно в архитектуре и градостроительстве пока не сформированы. В частности, отрасли предстоит уточнять процедуры фиксации творческого вклада, раскрытия применения ИИ, проверки сгенерированных вариантов и ответственности за принятые решения.
После доклада развернулся спор о внешних сервисах. Артемий Смелков предложил разделять данные по степени чувствительности: одни задачи можно решать внешними инструментами, другие – только в закрытом корпоративном контуре. Татьяна уточнила суть своего предостережения:
«Здесь же не в ограничении использования, а вопрос, что грузить туда?»
Татьяна Кикоть-Глуходедова, РУДН
Так вопрос безопасности перешёл из плоскости общего запрета в профессиональную: какие именно сведения мы передаём, есть ли право на их обработку и кто отвечает за результат? Ушаков добавил ещё одну дилемму: открытые городские данные, соединённые с особым профессиональным запросом, способны превратиться в ценное экспертное знание. Где проходит его граница – отдельная тема для дальнейшего разговора.
Где заканчивается профессионал и начинается алгоритм?
В обсуждении образования прозвучали разные позиции. Одни участники опасались, что студенты, слишком рано передав нейросети вычисления и поиск ответов, не сформируют навыков самостоятельного мышления. Другие видели в ИИ способ освободить время для содержательной работы и быстрее ввести начинающего специалиста в профессию. Студентка географического факультета МГУ заметила, что новый навык состоит не только в запросе информации, но и в критической оценке того, что можно использовать, а что следует отбросить.
Размышляя об итогах круглого стола, Дарья Толовенкова вернулась к вопросу о границе между профессиональным творчеством и алгоритмом: где заканчивается работа архитектора – его замысел, опыт, эстетическое решение и личное авторское высказывание – и начинается формализованный протокол? Этот вопрос можно продолжить шире. Если исследователь предоставляет системе накопленные знания и данные, а она формулирует вывод, к которому человек самостоятельно не пришёл, как определить его интеллектуальный вклад? Если цифровая модель предлагает убедительное пространственное решение, но оно противоречит реальным условиям территории, кто способен распознать ошибку и отказаться от формально корректного результата?
Для редакции из этой дискуссии следует ещё один важный вопрос: осваивая ИИ, как не утратить способность самостоятельно считать, проектировать, проверять и придумывать – не потому, что человек должен выполнять всю работу вручную, а потому, что без этих способностей он рискует перестать понимать и оценивать работу алгоритма?
Как модератор круглого стола и автор этой статьи, я хочу вернуться к мысли, прозвучавшей во время дискуссии:
«Если человек специалист и профессионал, то искусственный интеллект его в этом вопросе усилит. За несколькими минутами работы с нейросетью могут стоять годы профессионального опыта, образования и самостоятельного поиска решений. Именно этот интеллектуальный труд позволяет специалисту правильно сформулировать задачу, оценить предложенные варианты и заметить ошибку там, где алгоритм выдаёт убедительный, но неверный результат. Профессиональная компетенция не сводится к умению составлять запросы – она проявляется прежде всего в способности понимать и проверять полученное.»
Анна Позняк-Ибатулина, продюсер «Экоурбаниста», преподаватель РУДН, медиаисследователь
В качестве продолжения круглого стола участники предложили исследовать саму структуру работы архитектора и междисциплинарной команды: какие операции формализуемы, где требуются знания биологов и климатологов, а где остаются творческий выбор, коммуникация и ответственность.
Продолжение следует
Круглый стол SSC-2026 получился действительно содержательным. Семь выступлений и развернувшиеся после них профессиональные дискуссии помогли увидеть не абстрактный «ИИ будущего», а конкретные процессы, уже меняющиеся в проектировании, исследованиях и городском управлении. Участники не во всём согласились друг с другом – и именно это сделало разговор полезным.
Обсуждение затронуло гораздо больше тем, чем удалось подробно разобрать в одном обзорном материале: от кормовой базы для городских опылителей и цифровых двойников до авторства, корпоративных данных, новых требований к выпускникам университетов и организации работы проектных команд.
К этим вопросам «Экоурбанист» ещё не раз вернётся. Впереди – отдельные истории о разработках, практических экспериментах и профессиональных ситуациях, которыми участники поделились за круглым столом. Некоторые из этих кейсов заслуживают самостоятельной публикации и нового разговора с авторами. Продолжим знакомить читателей с теми, кто проверяет возможности искусственного интеллекта в реальной работе и принимает ответственность за созданную с его помощью городскую среду.
Блиц с ИИ: что важно знать об искусственном интеллекте в городском проектировании
Краткие ответы подготовлены с использованием генеративной модели искусственного интеллекта на основе материалов статьи. Перед публикацией текст прошёл редакционную проверку, фактчекинг и содержательную доработку. Ответственность за точность формулировок и достоверность представленной информации несёт редакция журнала.
Может ли ИИ самостоятельно разработать мастер-план?
ИИ может выполнять отдельные аналитические и проектные операции: рассчитывать обеспеченность территории инфраструктурой, анализировать данные, сравнивать варианты и предлагать решения. Но итоговый проект требует учёта контекста территории, нормативных ограничений и профессионального выбора специалиста.
Что именно ИИ может ускорить в работе архитектора и градостроителя?
Прежде всего – обработку данных, расчёты, поиск дефицитов, сравнение сценариев, подготовку таблиц и предварительных вариантов решений. При этом оценивать экономию времени корректно только с учётом последующей проверки и доработки результата.
Почему для работы ИИ так важны исходные данные?
Алгоритм может учитывать только ту информацию, которая доступна ему в подходящем для анализа виде. Например, площадь озеленения сама по себе не позволяет оценить его экологическое качество – для такой оценки потребуется более детальная информация о характеристиках зелёных пространств.
Как проверить решение, предложенное ИИ?
Важно понимать, на каких исходных данных, допущениях и расчётах основана рекомендация. Поэтому одним из ключевых требований становится прослеживаемость – возможность восстановить путь от исходной информации до полученного результата.
Можно ли загружать проектную документацию во внешние ИИ-сервисы?
Не любую. Перед использованием внешнего сервиса необходимо учитывать режим конкретных документов, условия хранения и обработки данных, а также принятые в организации требования информационной безопасности.
Кто отвечает за решение, если при его подготовке использовался ИИ?
Использование ИИ само по себе не снимает ответственность с участников проекта. Алгоритм может предложить вариант или помочь с анализом, но юридически значимое проектное решение требует профессиональной проверки и подтверждения. Конкретное распределение ответственности зависит от роли участников проекта, применимых норм и договорных обязанностей.
Источники
- V Международная конференция «Умные и устойчивые города» (SSC-2026).
- Хакатон Мэра Москвы «Лидеры цифровой трансформации».
- Федеральный закон от 26.07.2026 № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации».
- Презентации и материалы докладов участников круглого стола «Искусственный интеллект в архитектурно-градостроительном проектировании: новые инструменты, профессиональные практики и ответственность», SSC-2026, 11 сентября 2026 года.
