Gemini y búsqueda semántica: una IA elige muebles a partir de planos con un 87% de precisión

Elegir muebles a partir de un plano arquitectónico es una tarea que en la construcción y el diseño de interiores aún se hace a mano. El especialista toma el plano, abre el catálogo del proveedor y va repasando las opciones de forma metódica: compara dimensiones, materiales y estilo. Solo esta fase consume entre 20 y 40 horas-persona por proyecto. Cuando hay varios proyectos, el coste se multiplica. Un equipo ruso de desarrolladores decidió cerrar esta brecha con un sistema de IA que automatiza todo el proceso de selección y ofrece recomendaciones con un 87% de precisión.

El problema se sitúa en la intersección entre la visión por computador y la recuperación de información. Un plano arquitectónico es un documento especializado, con notaciones, símbolos, cuadrículas de escala y múltiples capas. No basta con reconocer un objeto en una imagen: hay que entender la distribución en su conjunto, identificar las zonas funcionales, localizar los puntos donde caben categorías concretas de muebles y tener en cuenta las limitaciones reales del espacio.

El núcleo del sistema es una arquitectura multimodelo con Gemini como coordinador principal. Este modelo se encarga de interpretar el plano: reconoce la distribución, identifica las estancias, determina dónde está el dormitorio y dónde el salón, cuáles son las zonas de paso y dónde hay límites de altura, iluminación o configuración de las paredes. No es solo OCR ni un simple reconocimiento de objetos: Gemini trabaja con la semántica del documento arquitectónico y extrae datos estructurados para la siguiente capa del sistema.

Una vez que el plano se descompone en unidades de significado, entra en juego la búsqueda semántica sobre el catálogo. Cada artículo se ha vectorizado de antemano: sus características (dimensiones, material, estilo, gama cromática y segmento de precio) se convierten en embeddings vectoriales. El sistema compara los requisitos del plano con esta representación vectorial y encuentra las coincidencias más cercanas. El resultado no es solo una lista de cientos de artículos adecuados, sino una selección ordenada con la explicación de por qué se recomienda ese modelo para un lugar concreto del plano.

La arquitectura técnica no se limita a dos componentes. Además de Gemini y la búsqueda semántica, el pipeline incluye modelos de preprocesamiento de planos: normalización de escala, separación de capas y limpieza de artefactos de escaneo. Los planos reales de las oficinas de proyectos llegan en estados muy distintos, desde exportaciones CAD limpias hasta documentos de papel escaneados con roturas y manchas. El sistema debe funcionar de forma estable en todo ese rango sin preprocesamiento manual.

Llegar al 87% de precisión no fue cuestión de un primer intento. El equipo iteró sobre varios elementos clave: la calidad del análisis de planos en distintos formatos, la estrategia de vectorización de los datos del catálogo y el mecanismo de ranking final. Las distribuciones atípicas supusieron una dificultad aparte, por ejemplo cuando el arquitecto usa notaciones no estándar o el plano muestra solo un fragmento de la estancia. Para estos casos límite se añadieron lógica de respaldo (fallback) y una capa adicional de validación del resultado.

El valor práctico del desarrollo está en multiplicar el tiempo de trabajo de los especialistas. Si antes un diseñador podía trabajar en detalle 2–3 proyectos por semana, con el sistema de IA revisa y corrige recomendaciones ya preparadas en lugar de crearlas desde cero. Para las constructoras que trabajan con complejos residenciales tipo, esto significa poder llevar decenas de obras en paralelo sin aumentar la plantilla en la misma proporción.

El proyecto muestra cómo los sistemas de IA multimodelo empiezan a automatizar tareas operativas que durante mucho tiempo se consideraron demasiado especializadas para el procesamiento automático. Los planos arquitectónicos son un tipo complejo de datos no estructurados, y que Gemini consiga analizar su semántica abre el camino a soluciones similares en áreas afines: esquemas de ingeniería, planos estructurales y especificaciones técnicas. El siguiente paso lógico es la integración con plataformas BIM y la exportación directa de las recomendaciones a la documentación del proyecto.