AI workshop for tegnestuer
En god AI-workshop for tegnestuer skal ende i konkrete arbejdsgange, ikke inspiration alene. FT hjælper med at finde 2-3 opgaver, hvor AI-agenter realistisk kan spare tid, styrke kvaliteten eller forbedre vidensdeling uden at svække den arkitektfaglige dømmekraft.
En god AI-workshop for tegnestuer skal ende i konkrete arbejdsgange, ikke inspiration alene. FT hjælper med at finde 2-3 opgaver, hvor AI-agenter realistisk kan spare tid, styrke kvaliteten eller forbedre vidensdeling uden at svække den arkitektfaglige dømmekraft.
AI kan forberede, sammenstille og markere usikkerhed. Arkitekten validerer konsekvensen.
Her betyder arkitektur ikke softwarearkitektur. Vi taler om arkitektur som bygget miljø: tegnestuer, renovering, lokalplaner, BR18, materialer, bygningsdata og arkitektfaglige beslutninger.
Hvad skal et brugbart output indeholde?
Siden er ikke et løfte om automatisering. Den beskriver et konkret kvalitetsniveau for det forarbejde, agenten skal levere, før en arkitekt kan bruge det.
Kildefast udtræk
Et brugbart output for AI workshop for tegnestuer skal vise, hvilke oplysninger der kommer fra tegnestuens egne sager, anonymiserede projektforløb, offentlige danske datakilder, tegnestuens videnslag, og hvilke punkter der bygger på projektets egne antagelser.
Faglig sortering
Agenten skal ikke bare gengive tekst. Den skal hjælpe tegnestuen med at sortere, hvad der er relevant for sagen, hvad der kan vente, og hvad der kræver menneskelig vurdering.
Valideringsspor
Outputtet skal pege på, hvem der skal kontrollere næste skridt. I dette workflow betyder det især, at ledelsen vælger de use cases, der passer til tegnestuens risikoprofil.
Beslutningslog
Alle vigtige fund bør kunne føres tilbage til kilde, status og næste handling. Minimumskravet er, at teamet kan se, hvorfor en anbefaling blev taget med eller afvist.
Sådan tester man uden at gøre AI til facit.
Det første mål er at lade agenten kortlægge hvor tegnestuen bruger tid på gentagen research og dokumentation, mens tegnestuen kontrollerer, om outputtet faktisk forbedrer arbejdsgangen.
- 01
Start med en rigtig sag, hvor tegnestuen allerede kender facit nok til at vurdere kvaliteten.
- 02
Sammenlign agentens første output med jeres manuelle arbejdsgang, og noter hvor den sparer tid, hvor den overser noget, og hvor den bliver for sikker.
- 03
Hold pilotens scope smalt: workshoppen bør bruge tegnestuens egne arbejdsgange som materiale.
- 04
Afslut testen med en beslutning om, hvor workflowet skal indgå i praksis, og hvilke dele der stadig skal ejes af arkitekt, rådgiver eller ledelse.
Hvor opstår behovet i tegnestuen?
Mange tegnestuer har allerede prøvet ChatGPT, Midjourney eller interne eksperimenter. Problemet er sjældent interesse. Problemet er at omsætte interessen til ansvarlige, gentagelige arbejdsgange.
Hvad kan agenten forberede?
- check_circle Kortlægge hvor tegnestuen bruger tid på gentagen research og dokumentation.
- check_circle Vurdere hvilke workflows der egner sig til agentisk forarbejde.
- check_circle Lave en prioriteret roadmap for første pilot, data og ansvar.
- check_circle Udarbejde en enkel beslutningslog for brug, test og kvalitetssikring.
Hvad skal arkitekten validere?
- verified Ledelsen vælger de use cases, der passer til tegnestuens risikoprofil.
- verified Arkitekter tester output på rigtige projekter og siger fra ved svage konklusioner.
- verified Datasikkerhed, fortrolighed og kundemateriale afklares før værktøjsbrug.
Datakilder og usikkerhed
Kildegrundlaget skal være synligt, så tegnestuen kan se forskel på data, fortolkning og beslutning.
Data der kan indgå
- tegnestuens egne sager
- anonymiserede projektforløb
- offentlige danske datakilder
- tegnestuens videnslag
Arbejdsmåde
- Workshoppen bør bruge tegnestuens egne arbejdsgange som materiale.
- Deltagerne skal skelne mellem prompt, agent, datalag og beslutningsproces.
- Outputtet bør være en lille pilot, ikke en stor transformationserklæring.
Usikkerhed og ansvar
Workshoppen kan pege på realistiske spor, men den kan ikke afgøre den fulde forretningsværdi uden test på konkrete projekter.
Synligt kildegrundlag
Vi citerer ikke kilder som pynt. De er en del af agentens kvalitetsarbejde.
Danske Arkitektvirksomheder: Brugen af AI vinder frem i arkitektvirksomhederne
Ekstern kilde åbner i nyt vindue.
open_in_newDanske Arkitektvirksomheder: Anbefalinger til AI-praksis
Ekstern kilde åbner i nyt vindue.
open_in_newMolio / ConTech Lab: AI i byggeriet
Ekstern kilde åbner i nyt vindue.
open_in_newDatatilsynet: Kunstig intelligens
Ekstern kilde åbner i nyt vindue.
Start med én konkret sag.
Et godt første resultat er en prioriteret liste med 2-3 agentpiloter, datakrav, ansvarspunkter og næste beslutning.
Ofte stillede spørgsmål
Er workshoppen et generelt AI-kursus?
add
Nej. Den kan indeholde grundlæggende AI-forståelse, men pointen er at finde konkrete arbejdsgange i tegnestuens egne projekter.
Skal vi have data klar på forhånd?
add
Det hjælper, men er ikke et krav. Første del kan netop være at afklare, hvilke data og dokumenter der må bruges.
Agentafklaring for tegnestuer
Agentafklaring for tegnestuer kortlægger friktion, data, ansvar og første realistiske pilot før der bygges AI-løsninger.
PositionTegnestuens digitale bagland
Tegnestuens digitale bagland samler offentlige data, intern erfaring og konkrete agent-workflows omkring arkitektens ansvar.
StrategiAI strategi for tegnestuer
En AI-strategi for tegnestuer bør starte i konkrete opgaver, datagrundlag, pilotvalg, governance og tydeligt fagligt ansvar.
GovernanceAI-politik for tegnestuer
En AI-politik for tegnestuer definerer data, værktøjer, kundemateriale, menneskelig kontrol, dokumentation og ansvar i praksis.
Relateret viden