Automatize a leitura de plantas baixas.
Uma plataforma de IA que lê plantas baixas japonesas, identifica especialidades, gera desenhos técnicos e monta o orçamento completo por planta — substituindo um processo hoje manual. Explore o escopo, veja a arquitetura e simule prazo e custo com as alavancas abaixo.
A proposta em uma página
Uma plataforma de IA para automatizar a leitura de plantas baixas no mercado japonês — com um núcleo mínimo definido para viabilizar o menor prazo e custo possível, e módulos opcionais que podem ser ativados conforme o valor é validado.
- Núcleo enxuto e não-negociável: upload, IA de leitura (Claude Vision) e canvas de desenho — o suficiente para validar o produto com clientes reais.
- Diferencial vai além do BOM: a plataforma já monta automaticamente o orçamento completo por planta avaliada (material + serviço/mão de obra + overhead/margem/imposto) — incluso no escopo padrão, não é opcional.
- Tudo o que aumenta custo é opcional e visível: suporte a CAD/DWG, detecção de símbolos JIS por visão computacional, exportação DWG e colaboração em tempo real podem ser adiados sem comprometer o produto.
- Orçamento da proposta transparente: o trabalho é horas-pessoa × diária mista da equipe, mais contingência explícita e custos fixos — nenhuma caixa-preta.
Por que agora
Ler plantas baixas para extrair quantitativos e gerar desenhos por especialidade ainda é, hoje, um processo manual e lento.
Engenheiros analisam plantas baixas à mão para identificar especialidades (elétrica, hidráulica, incêndio, estrutural), extrair cômodos e quantitativos, desenhar camadas técnicas sobrepostas e, por fim, montar manualmente o orçamento (material + mão de obra + impostos) fora de qualquer sistema — um trabalho repetitivo e propenso a erro. No Japão, dois produtos (Nakashima Systems e H2Corporation, esta com sua própria ferramenta de orçamentação AISekisan) já provam que existe demanda por automatizar esse fluxo, mas a adoção entre construtoras ainda é baixa.
O gráfico abaixo é uma estimativa interna do tempo de engenharia por planta em cada estágio do pipeline proposto — da leitura manual até a versão otimizada com detecção automática de símbolos. Estimativa interna, sujeita a validação com piloto real.
| Hoje (manual) | 100 |
|---|---|
| Com IA (Claude Vision) | 55 |
| + Detecção de símbolos (YOLOv8) | 30 |
| Meta de produto | 18 |
Fonte: V-Labo internal estimate (requirements.md, delivery-blocks.md, risks.md — v2) · 2026A verificar
O que será entregue
O trabalho é dividido em módulos independentes. O núcleo é fixo; o restante pode ser ativado ou adiado — experimente no simulador abaixo.
| Infraestrutura & setup | 15 PD |
|---|---|
| Fundação & autenticação | 35 PD |
| Pipeline de documentos (PDF) | 22.5 PD |
| Suporte a CAD (DWG/RVT/IFC) | 25 PD |
| Motor de análise por IA (Claude Vision) | 56.25 PD |
| Detecção de símbolos JIS (YOLOv8) | 18.75 PD |
| Canvas de desenho & biblioteca JIS | 62.5 PD |
| Exportação para DWG | 10 PD |
| Lista de materiais (BOM) | 43.75 PD |
| Motor de orçamento & cotação | 17.5 PD |
| Colaboração em tempo real | 32.5 PD |
| Observabilidade & produção | 30 PD |
Barras destacadas são o núcleo não-negociável; o restante é padrão ou opcional.
Infraestrutura & setup
Monorepo, Docker local, CI/CD e infraestrutura como código na AWS.
Fundação & autenticação
Login, OAuth, multi-tenancy, organizações/projetos e upload básico de documentos.
Pipeline de documentos (PDF)
Upload, conversão PDF → imagem, versionamento e visualizador PDF no navegador.
Suporte a CAD (DWG/RVT/IFC)
Integração com Autodesk Platform Services para visualizar e converter arquivos CAD — o PDF já cobre o fluxo principal sem isso.
Motor de análise por IA (Claude Vision)
Identificação de especialidades, cômodos e dimensões a partir da planta, com OCR japonês.
Detecção de símbolos JIS (YOLOv8)
Modelo de visão computacional treinado para reconhecer símbolos normativos japoneses — exige dataset próprio; pode entrar em fase separada.
Canvas de desenho & biblioteca JIS
Editor técnico com camadas por especialidade, ferramentas de desenho e geração automática a partir da análise de IA.
Exportação para DWG
Geração de arquivo DWG nativo via Autodesk Design Automation — PDF/SVG/PNG já cobrem a maioria dos casos.
Lista de materiais (BOM)
Extração automática de quantitativos, editor de BOM e exportação em Excel/PDF/CSV.
Motor de orçamento & cotação
A partir do BOM, monta o orçamento completo por planta (material + serviço/mão de obra + overhead/margem/imposto), com disclaimer de estimativa não vinculante — o diferencial central da plataforma.
Colaboração em tempo real
Cursores, edição simultânea, comentários e notificações — útil para equipes grandes, não para validar o produto.
Observabilidade & produção
Logs, métricas, tracing, segurança e testes de carga para operar com confiança.
Arquitetura da solução (visão geral)
Visão de alto nível, suficiente para entender forma e dependências — o detalhamento técnico completo fica nos documentos de engenharia.
Componentes
Microserviços com responsabilidade única: documentos, análise por IA, desenho técnico e BOM.
Infraestrutura
Containers gerenciados (AWS ECS Fargate), banco gerenciado e storage de objetos — operável por uma equipe pequena.
Integrações
Claude API para visão computacional e Autodesk Platform Services para arquivos CAD, ambos sob contrato externo.
Um modelo de custo transparente
Sem caixas-pretas. O preço é ¥8.000/hora por desenvolvedor, ajustado por um fator de overhead de equipe, mais QA, gestão de projeto e uma contingência declarada — e tudo recalcula conforme você muda o plano.
Mão de obra = esforço × diária efetiva (diária base × fator de overhead da equipe), mais QA (10%) e gestão de projeto (5%), mais 15% de contingência de risco sobre o subtotal e custos de setup pontuais. Ajuste o escopo acima e a equipe no painel fixo abaixo; os números atualizam ao vivo em toda a apresentação.
Ajuste o escopo
Ative ou desative módulos para ver o impacto no custo e no prazo.
- Mão de obra72%
- QA7%
- Gestão de projeto4%
- Contingência12%
- Custos fixos5%
Como o número é construído
A diária base é ¥8.000/hora × 8h. Como equipes maiores custam mais para coordenar, cada dev adicional aumenta a diária efetiva em 10%.
| Função | Diária | Qtd. | Subtotal/dia |
|---|---|---|---|
| Dev sênior | ￥64,000 | 2 | ￥128,000 |
Σ(rate·n) ÷ 2￥64,000 / dia1 + 0.1 × (2 − 1)× 1.10Diária base × Fator de overhead da equipe￥70,400 / dia282.5 PD × diária efetiva￥19,888,000Mão de obra × 0.1￥1,988,800Mão de obra × 0.05￥994,400Subtotal × 0.15￥3,430,680mão de obra + contingência + fixos￥27,801,880Cronograma de entrega
Nove fases do setup ao lançamento, com leve sobreposição entre blocos para reduzir o prazo total.
- Infraestrutura0.4 meses
- Fundação & auth0.9 meses
- Pipeline de documentos0.6 meses
- Motor de IA1.5 meses
- Motor de desenho1.6 meses
- BOM & Orçamento1.6 meses
- Observabilidade0.8 meses
- Lançamento0.5 meses
Riscos & mitigações
Os riscos que mais importam, pontuados por impacto e probabilidade, cada um com uma mitigação concreta.
- R1
Dataset de símbolos JIS insuficiente
Mitigação: Lançar com Claude Vision apenas; construir o dataset gradualmente com correções dos usuários; YOLOv8 entra como fase separada.
- R2
Qualidade de plantas escaneadas
Mitigação: Pipeline obrigatório de pré-processamento (deskew, binarização, realce) e aviso de qualidade ao usuário antes da análise.
- R3
Tabela de produtividade de mão de obra (歩掛) imprecisa ou desatualizada
Mitigação: Campos obrigatórios de ano/região, aviso de referência com mais de 12 meses, importação por organização e orçamento apenas com material quando a tabela não cobrir a especialidade.
- R4
Equipe pequena (1–2 devs)
Mitigação: Serviços totalmente gerenciados na AWS (Fargate, RDS, MongoDB Atlas) e runbooks para reduzir o overhead operacional.
- R5
Orçamento automático usado como cotação vinculante
Mitigação: Disclaimer obrigatório de estimativa não vinculante em todo export, status 'rascunho' por padrão até aprovação explícita e rastreabilidade até a versão do BOM/desenho de origem.
- R6
Custo crescente da API de IA
Mitigação: Cache por hash de imagem, análise seletiva por especialidade e cotas por plano de assinatura.
- R7
Fidelidade da exportação DWG
Mitigação: Validar reimportando o DWG gerado no visualizador; documentar como 'equivalente funcional', não idêntico.
Fontes & método
Cada número é uma referência citada ou uma estimativa interna claramente identificada.
- 1
V-Labo internal estimate (requirements.md, delivery-blocks.md, risks.md — v2)· 2026
Estimativa interna derivada da decomposição de tarefas em requirements.md/delivery-blocks.md e da matriz de riscos (v2).
Necessita verificação - 2
Nakashima Systems & H2Corporation — established competitors validating the market· 2026
ROI projetado com base na existência de dois concorrentes diretos operando no Japão e na economia de horas de engenharia estimada no contexto.
Necessita verificação - 3
V-Labo what-if assumption — AI-assisted delivery productivity discount· 2026
Premissa hipotética da V-Labo: redução de 40% no esforço de desenvolvimento com uso efetivo e avançado de IA. Não é um compromisso contratual — é um cenário de simulação a validar durante a execução.
Necessita verificação - 4
Nakashima Systems — AI + CAD quantity takeoff· 2025
Concorrente direto: leitura de plantas e extração de quantitativos via IA + CAD.
- 5
H2Corporation — AISekisan (estimating) / AISakuzu (digitisation)· 2025
Concorrente direto: orçamentação (AISekisan) — referência de mercado para o motor de orçamento da plataforma — e digitalização de vistorias (AISakuzu).
- 6
MLIT — 公共建築工事積算基準 (public construction cost reference)· 2026
Referência oficial de preços e produtividade de mão de obra para obras públicas no Japão, usada para validar o BOM e o motor de orçamento.