WRITING
パラメトリック設計の次を担うのはAIだ——自動化の射程を設計提案まで延ばす
パラメトリックツールは「形の民主化」を実現したが、判断はまだ設計者に委ねられている
スパン6,000mm・高さ6,000mm・全長24,000mmの鉄骨倉庫を設計するとき、パラメトリックツールを使えばスパンを4,000mmに変えるだけでモデル全体が自動更新される。ブレース配置をXブレースから門型に変更しても、屋根勾配を15°から30°に変えても、数秒で新しい3Dモデルが生成される。この「形の量産化」は建設BIMの生産性を大きく引き上げた。
しかし、「スパンは何mmに設定すべきか」「4つのバリエーションのうちどれが最も優れているか」という判断は、依然として設計者の経験と直感に委ねられている。
- スパン・高さの決定
- 構造形式の選択
- コスト制約の確認
- 寸法値の入力
- 部材断面の選択
- 勾配・配置の指定
- 3Dモデル更新
- バリエーション展開
- 数量・重量集計
- 構造性能の確認
- コスト比較
- 最終案の決定
分かれ目 パラメトリックが得意なのは「条件を変えたら形がどう変わるか」の高速探索だ。「何を条件にすれば最良か」を決める判断はまだ人の仕事のままであり、そこにAIが入り込む余地がある。
よくある誤解 「バリエーションが増えると設計が速くなる」は半分正しい。10案を1秒で生成できても、その10案を比較・評価・選択する工数が残れば、全体の作業時間はあまり変わらない。ボトルネックは生成ではなく評価にある。
ルールを3本の数値に変えると1,000通りの部材が自動で生まれる——ガセットプレート事例
パラメトリックの本質は「設計ルールを数値として定義すること」にある。中間梁と柱の接合部に使うガセットプレートは、次の3つのルールだけで配置が決まる。
- 配置位置 ——梁の下側ウェブ面に配置する
- 配置距離 ——梁端部から200mmの位置とする
- プレート厚さ ——12mmとする
この3つのルールをパラメータ化すると、梁サイズや柱サイズがどう変わっても、ガセットプレートが自動でモデリングされる。設計変更のたびに手作業で配置し直す必要がなくなり、入力条件が変わっても即座に対応できる。
目安 「同じ条件を100回入力したら毎回同じ答えが出るか」と問いかける。出るならパラメトリック化できる。設計者が「経験的に決めていた数値」を「明文化したルール」に変換できるかどうか、これがパラメータ化の第一関門になる。
見分け方 ガセットプレートの事例が示すのは「暗黙知の形式化」だ。社内標準や設計要領に書いてある数値は、ほぼすべてパラメータ化の候補だ。逆に「現場の状況を見ながら判断する」項目は、AIの支援領域になる。
AIが4つの局面でパラメトリックを変える——提案から施工データまで
「自然光を取り込み、開放感のある木質屋根架構を作ってほしい」——この自然言語の要件をAIが受け取り、スパン12m・高さ5.5m・部材ピッチ1.2m・屋根勾配15°・材質CLT・開口率0.35という具体的なパラメータを提案する。その後AIがバリエーションを自動生成し、構造安全性・採光・コスト・環境負荷・意匠性の5軸で評価して最適解を絞り込み、BIMモデルと図面・CNC加工データに展開する。
これが「パラメトリック×AI」の統合フローだ。
従来型
- –設計者がパラメータを手入力
- –手動でバリエーションを試す
- –目視・経験で最良案を選択
- –BIMモデル → 図面作成（手作業）
AI統合後
- –自然言語の要件からAIがパラメータを提案
- –AIが評価条件に基づき自動でバリエーション生成
- –構造・コスト・意匠性などをAIがスコアリングして提示
- –BIMモデル → 図面 → CNC加工データへ自動展開
配分 AIが担うのは「要件→パラメータへの変換」と「性能評価・最適化」の2局面だ。バリエーション生成と詳細化はパラメトリックツール側の仕事であり、AIはその前後に挟まる形で機能する。ツールとAIの役割分担を明確にすることが実装の前提になる。
注意 AIによる性能評価を設計判断の「自動決定」に使うのは時期尚早だ。構造安全性の最終判断は設計者が行い、AIは「候補の絞り込み」と「根拠の可視化」に使う。レーダーチャートで3候補を比較するのはAIだが、最適案に承認を与えるのは設計者でなければならない。
段階的に進める3つのフェーズ——どこから着手すべきか
パラメトリック×AI統合を一気に実現しようとすると、ツール選定・AIモデル開発・ワークフロー設計が同時に絡み合い、プロジェクトが止まる。現場で成功しているケースは、3つのフェーズを順番に積み上げている。
- 設計ルールの棚卸し（社内標準・設計要領の確認）
- 「同じ条件→同じ結果」になる判断の識別
- Grasshopper / Dynamo でのパラメトリックモデル作成
- ガセットプレート・梁継手など接合部の自動化
- 要件→パラメータ変換のAI実装（自然言語入力）
- パラメータ空間の自動探索（スパン・高さ・ピッチの組み合わせ）
- 評価指標の定義（構造・コスト・意匠の数値化）
- 候補案の自動絞り込みと比較表示
- AI評価スコアと設計者判断の組み合わせによる最適案選択
- BIMモデルから図面・数量・仕様書の自動生成
- CNC加工データ・施工図への自動展開
- 継続改善のための設計データ蓄積
分かれ目 Phase 1のルール明文化はAIなしで始められる。「設計者の判断ルールを文書化してパラメータに変換する」作業はツール選定より先に進められる。この工程を飛ばして Phase 2から始めたプロジェクトは、ほぼ例外なく「パラメータが定まらない」問題で止まる。
注意 Phase 2以降は建築・構造分野によって適用範囲が大きく異なる。木質架構や自由曲面ではAIバリエーション探索が有効だが、RC造実施設計では規制・基準の制約でAIの裁量が限られる。まず「この分野のどの判断がAI化できるか」を整理してからフェーズ設計を行う。
まとめ
パラメトリックツールが実現した「形の自動更新」は、建設設計の生産性に革命をもたらした。しかし、どのパラメータを選ぶか、どのバリエーションが最良かという判断は、まだ設計者の頭の中にある。
AIとの統合は、この判断の部分を機械に委ねる試みだ。ガセットプレートのように「ルールが明文化できる判断」からパラメータ化を始め、その上にAIによる提案・評価・最適化を積み上げていく3段階のアプローチが、現場で実現可能な進め方になる。
パラメトリックが「形を速く生成する」ならば、AI統合後は「最良の形を提案する」まで自動化の射程が延びる。この延長線上に、BIMモデルから施工データ・加工指示まで一気通貫で展開する未来がある。