AI e geomatica: automazione DXF per workflow AEC più efficienti e riduzione dei costi

L’intelligenza artificiale sta introducendo una trasformazione concreta nei settori AEC e della geomatica: non sostituisce il professionista ma modifica il modo in cui vengono costruiti strumenti e workflow. Attraverso casi applicativi reali — dalla generazione automatica di file DXF fino alla costruzione di piccole utility Python per elaborare coordinate topografiche — emerge un nuovo paradigma operativo. Il tecnico non deve più mantenere competenze di sviluppo costanti per ottenere strumenti funzionali, ma deve saper formulare requisiti, verificare risultati e integrare sistemi generativi nel proprio processo decisionale. Attraverso questo articolo su INGENIO proponiamo una lettura tecnica del fenomeno, orientata alla pratica professionale e alla costruzione di competenze operative trasferibili.

---

Automazione tecnica e geomatica: quando l’AI riduce il costo operativo

Perché l’impatto dell’AI in AEC e geomatica si misura nelle attività quotidiane

L’impatto dell’intelligenza artificiale sui professionisti dell’AEC, della geomatica e più in generale dei settori tecnico-progettuali non si manifesta solo nelle grandi innovazioni o nei cambiamenti di paradigma, ma anche - e forse soprattutto - nella trasformazione delle attività quotidiane.

Dall’automazione delle attività ripetitive alla riduzione della complessità operativa

È proprio nelle operazioni apparentemente semplici e ripetitive che l’AI sta dimostrando il suo potenziale più concreto: ridurre il tempo operativo, abbattere le barriere all’automazione e rendere accessibili processi che fino a poco tempo fa richiedevano competenze specifiche di programmazione.

Un esempio emblematico è rappresentato dalla necessità di tradurre dati tecnici in rappresentazioni grafiche: un’attività che, in un approccio tradizionale, avrebbe richiesto lo sviluppo di script o applicazioni dedicate (ad esempio per la generazione di file DXF), oggi invece può essere gestita in tempi estremamente ridotti attraverso strumenti di intelligenza artificiale, a partire da semplici input strutturati.

Questo passaggio non è solo tecnologico, ma culturale. L’AI introduce un nuovo modo di affrontare il problema: non più necessariamente costruire da zero lo strumento, ma orchestrare risorse intelligenti per ottenere rapidamente un risultato affidabile.

Perché cambia il ruolo del professionista tecnico

In questa prospettiva, il ruolo del professionista evolve: meno focalizzato sull’esecuzione operativa e sempre più orientato alla definizione del problema, alla verifica dei risultati e alla capacità di integrare strumenti avanzati nei propri flussi di lavoro.

È in questo contesto che si inserisce la riflessione proposta, come premessa a un approfondimento tecnico che esplora più da vicino le implicazioni, le opportunità e le criticità dell’adozione dell’AI nei processi professionali.

In questo modo non risolviamo soltanto l’esigenza immediata, ma costruiamo uno strumento riutilizzabile che riduce le ripetizioni operative future. È un approccio che, oltre a risparmiare tempo, mi permette di concentrarmi su ciò che conta davvero: l’innovazione e la creatività.

Un caso concreto: usare l’AI per generare rappresentazioni grafiche senza sviluppare software dedicato

Il problema operativo: confrontare 16 formati editoriali in modo visuale

Nel caso che raccontiamo, l’esigenza iniziale era molto semplice: rappresentare graficamente i 16 formati editoriali disponibili sul marketplace KDP di Amazon. Per il lavoro in corso non era sufficiente disporre dell’elenco delle dimensioni, già disponibili pubblicamente; avevamo bisogno di visualizzare il rapporto proporzionale reale tra i diversi formati, confrontandone in modo immediato geometrie e ingombri per individuare la soluzione più adatta alla pubblicazione del volume in fase di edizione.

Dall’idea di scrivere una routine Python alla generazione assistita del risultato

La necessità di trovare una soluzione operativa ci ha portato a valutare diverse strade. L’approccio più immediato è stato immaginare un semplice programma capace di leggere l’elenco dei dati relativi ai 16 formati disponibili e generare automaticamente un file DXF. L’output previsto era una rappresentazione grafica composta da un rettangolo per ciascun formato editoriale — corrispondente alla copertina del volume — accompagnato dal nome identificativo del layout e dalle relative dimensioni, così da consentire un confronto visivo immediato tra le diverse opzioni.

Si trattava di un’attività che avremmo potuto svolgere senza particolari difficoltà scrivendo una semplice routine in Python. Tuttavia, arrivati a circa il 20% dello sviluppo, è emersa una situazione familiare a molti professionisti tecnici: quando non si programma con continuità, anche attività relativamente semplici richiedono tempo per recuperare sintassi, librerie e modalità operative aggiornate. Tra le altre attività in corso, abbiamo quindi deciso di sperimentare un approccio diverso e delegare la scrittura del codice all’ambiente AI che utilizziamo abitualmente nel lavoro quotidiano, ovvero Le Chat di Mistral.

Abbiamo quindi predisposto una semplice tabella contenente i dati dei formati, organizzata in tre colonne: nome del layout, larghezza e altezza. Una volta caricato il file nell’ambiente AI e raffinata la richiesta attraverso alcune iterazioni di prompt, il sistema ha generato automaticamente l’output grafico desiderato, ottenendo una rappresentazione comparativa dei diversi formati come mostrato in fig. 1.

Scrivere piccole applicazioni con l’AI: il caso della generazione automatica di file DXF

L’aspetto più interessante non è la scrittura del codice in sé, ma il fatto che strumenti generativi permettono oggi di costruire utility operative senza mantenere una pratica quotidiana di sviluppo software.

L'esempio di cui sopra, rappresenta una applicazione tipica in cui l'AI ci può aiutare a semplificare il nostro lavoro, cosi come spesso capita ad esempio nella realizzazione di piccoli elaborati tecnici in cui sono coinvolte quantità e misure.

Generare un DXF da coordinate topografiche

Le occasioni di usare l'AI in ambito tecnico sono tante, soprattutto se si lavora con i numeri, con la geomatica e con la geometria. Tutte cose, che coincidono con la nostra esperienza professionale. Abbiamo quindi deciso di implementare due semplici casi d'uso, comuni ad esigenze operative ricorrenti tra i professionisti. Ovvero la generazione di due file grafici in formato DXF, a partire da un elenco di coordinate di punti topografici o comunque derivati.

Dal file ASCII al CAD in pochi passaggi

Consideriamo una semina di punti come quella riportata in fig. 2. In questo caso è sufficiente caricare nell’ambiente AI il file sorgente in formato Flat ASCII e descrivere il risultato atteso attraverso il prompt. Il sistema elabora così l’elenco delle coordinate e restituisce in output il file DXF generato automaticamente, pronto per essere importato e verificato all’interno dell’ambiente CAD utilizzato.

Cosa viene generato automaticamente e cosa deve essere verificato

In questo caso abbiamo formulato una richiesta molto diretta a ChatGPT: “Genera un file DXF utilizzando i dati contenuti nel file caricato, composto da cinque colonne: coordinata X, coordinata Y, coordinata Z, nome del punto e codice del punto”. Dopo il caricamento dell’elenco dei punti e l’esecuzione del prompt, il risultato è stato prodotto in una modalità poco abituale per chi è abituato allo sviluppo tradizionale: anziché restituire uno script da eseguire separatamente, il sistema ha generato direttamente il contenuto del file DXF, scrivendone la struttura in tempo reale come semplice testo strutturato. Una volta completata la generazione, è stato sufficiente salvare il file con estensione .dxf e importarlo in LibreCAD per verificarne immediatamente il risultato geometrico.

Quando il prompt diventa una specifica tecnica

La generazione del DXF rappresenta però solo il primo livello di utilizzo. Una volta verificata la possibilità di ottenere rapidamente un elaborato tecnico, il passaggio successivo è stato trasformare un’esigenza puntuale in uno strumento riutilizzabile nel tempo.

Trasformare una richiesta operativa in requisiti funzionali

Dopo aver ottenuto una prima soluzione funzionante, abbiamo deciso di spingerci un po’ oltre e provare a realizzare un vero e proprio programma da conservare in una cartella del PC e utilizzare quando necessario, anche in modalità autonoma e senza connessione a internet.

Abbiamo quindi chiesto all’AI di restituirci direttamente un file di codice Python con alcune specifiche funzionali ben definite:

1. consentire l’utilizzo stand alone sul PC;
2. permettere il caricamento del file di input;
3. offrire un’opzione per generare un file in formato DXF contenente la semina dei punti topografici;
4. offrire un’opzione per generare il medesimo file con la rappresentazione delle curve di livello.

L’obiettivo era costruire il primo nucleo di un piccolo strumento operativo per attività topografiche, da poter estendere progressivamente nel tempo con nuove funzionalità.

Dal prototipo al piccolo software riutilizzabile

Il lavoro è stato eseguito da ChatGPT restituendo un file .txt contenente il codice Python pronto per l’esecuzione in ambiente locale.

In questo caso la richiesta era semplicemente più strutturata, pur mantenendo una logica molto lineare. Abbiamo quindi formulato il seguente prompt: “vorrei tu mi scrivessi un codice con le seguenti opzioni: caricare un file ascii dei punti, generare il file DXF semplice, generare il file con curve di livello”.

ChatGPT disponeva già del contesto operativo costruito nelle fasi precedenti, poiché le elaborazioni che avevano portato ai risultati mostrati nelle fig. 3 e 4 erano già presenti nella sessione di lavoro.

Il ruolo delle librerie e dell’esecuzione locale

Al termine della generazione, l’ambiente AI ci ha inoltre indicato quali librerie Python erano state utilizzate e i passaggi necessari per l’esecuzione. È stato quindi sufficiente scaricare il file denominato ascii_to_dxf.py ed eseguirlo localmente richiamando il comando “python ascii_to_dxf.py” nella cartella in cui era stato salvato il file Python.

Il nuovo profilo del professionista: meno esecuzione, più orchestrazione

Il codice generato dall’AI è, nei principi di funzionamento, qualcosa che avremmo potuto scrivere anche autonomamente; probabilmente con un livello diverso di ordine, astrazione o generalizzazione rispetto alla soluzione restituita da ChatGPT. Tuttavia, per chi non sviluppa codice con continuità, mantenersi aggiornato su librerie, ambienti di sviluppo, dipendenze e modalità implementative richiede un investimento di tempo spesso superiore a quello necessario per risolvere il problema stesso.

Proprio per questo l’esperienza si è rivelata particolarmente interessante: ci ha consentito di ridurre il tempo operativo, ottenere rapidamente uno strumento funzionante e, allo stesso tempo, verificare sul campo quanto l’AI possa diventare un supporto concreto nella pratica professionale.

L’aspetto più rilevante non è stato tanto il codice generato, quanto il processo. La geomatica operativa continua a fondarsi su concetti, modelli matematici e algoritmi, ma oggi sempre più spesso questi elementi si traducono in implementazioni concrete e strumenti digitali utilizzabili nel lavoro quotidiano. È in questo spazio che prende forma quella che possiamo definire Geo-IT: l’integrazione tra scienze geospaziali e Information Technology, una convergenza che sta diventando sempre più centrale nell’evoluzione delle professioni tecniche.

Nella prossima uscita proseguiremo questo esercizio applicativo dedicato a geomatica e intelligenza artificiale, sviluppando ulteriormente il tema introdotto in questa prima nota editoriale e spostando il focus sul mondo GIS: un ambito che, per natura e scalabilità delle applicazioni, apre un campo applicativo che estende il paradigma della generazione assistita verso analisi spaziali, automazione dei processi e costruzione di strumenti geospaziali evoluti.

---

FAQ tecniche - Strumenti e dati per il rilievo digitale: Python, DXF e coordinate geospaziali

Che cos’è Python e come si usa nel settore tecnico e nella gestione dei dati?

Python è un linguaggio di programmazione ad alto livello progettato per essere leggibile, estensibile e facilmente integrabile con strumenti tecnici e scientifici. La sua sintassi semplice ne ha favorito la diffusione in numerosi ambiti professionali, dalla progettazione digitale all’automazione dei processi.

Nel settore delle costruzioni e della geomatica viene utilizzato per elaborazione dati, automazione CAD/BIM, gestione di database territoriali, analisi GIS, interoperabilità tra software e sviluppo di workflow personalizzati. Librerie come NumPy, Pandas, GeoPandas e strumenti di integrazione con ambienti CAD e BIM ne hanno consolidato il ruolo operativo.

Per iniziare è sufficiente installare un ambiente di sviluppo e comprendere alcuni concetti base: variabili, funzioni, strutture dati e gestione di file e librerie.

Che cos’è il formato DXF e dove viene utilizzato?

Il DXF (Drawing Exchange Format) è un formato di interscambio per grafica vettoriale sviluppato da Autodesk nel 1982 per facilitare lo scambio di dati tra sistemi CAD differenti.

Oggi rappresenta uno dei formati più diffusi per trasferire geometrie tecniche tra software di progettazione, rilievo, produzione industriale, GIS e modellazione digitale. Un file DXF può contenere entità geometriche (punti, linee, polilinee, testi, blocchi, layer e attributi) e mantenere informazioni utili alla rappresentazione tecnica.

Che cos’è una semina di punti e a cosa serve?

La semina di punti è un insieme organizzato di coordinate georeferenziate utilizzato per descrivere una distribuzione spaziale di elementi all’interno di un sistema di riferimento definito.

È un concetto ampiamente utilizzato in topografia, geomatica, GIS, rilievo digitale, fotogrammetria e modellazione territoriale. Ogni punto contiene generalmente coordinate spaziali (X, Y, Z oppure Est, Nord, Quota) e può essere associato a identificativi, codici topologici, attributi descrittivi e metadati.

Le semine di punti vengono normalmente archiviate in formati strutturati come CSV, TXT o database geospaziali e costituiscono il dato di partenza per:

• restituzioni cartografiche;
• modelli digitali del terreno (DTM);
• rilievi GNSS;
• elaborazioni GIS;
• generazione di superfici e modelli 3D.

Per garantire interoperabilità e corretto riutilizzo del dato è buona pratica documentare sempre sistema di riferimento, epoca del rilievo, unità di misura e origine dei dati.

Posso usare coordinate geografiche invece delle coordinate cartesiane?

Sì, ma occorre distinguere tra sistema di coordinate e sistema di rappresentazione.

Le coordinate geografiche (latitudine e longitudine) descrivono la posizione di un punto sulla superficie terrestre attraverso un modello ellissoidico o pseudo-sferico. Le coordinate cartesiane o piane (X,Y) rappresentano invece il punto su una superficie sviluppata e sono generalmente necessarie per disegno tecnico, restituzione cartografica e plotting.

Per passare da coordinate geografiche a coordinate piane è necessario applicare una trasformazione cartografica definita e conforme al sistema di riferimento adottato (ad esempio sistemi basati su proiezioni conformi o equivalenti).

In ambito tecnico e geospaziale è fondamentale documentare sempre:

• sistema geodetico di riferimento;
• proiezione cartografica;
• unità di misura;
• eventuale epoca del dato;
• parametri di trasformazione applicati.

L’assenza di queste informazioni può compromettere precisione, interoperabilità e affidabilità delle elaborazioni successive.