Das Interessante an Autodesks Neural-CAD-Ankündigung ist nicht die Demo. Es ist dieser eine Satz in Mike Haleys AEC-Magazine-Piece: Kunden, schreibt er, „wollen nicht Software-Profis sein, sondern Designer-Profis.” Wir kennen diesen Wunsch von jedem Praktikanten, der am ersten Tag auf Archicads Befehlspalette starrte. Das Versprechen – „Midjourney für CAD, aber mit vollständig editierbaren Ergebnissen” – wirkt anders, wenn du das Büro bist, das die Arbeit gewinnen, sie modellieren, koordinieren und abrechnen muss.

Fang mit dem an, was wirklich neu ist – und es ist real. Ein Language Model raisonniert über Text-Token; ein Bildmodell über ein 2D-Pixel-Gitter. Keines kann zuverlässig über Kanten, Flächen oder Topologie raisonnieren. Der Transformer-Attention-Operator – jedes Token wiegt alle anderen in einer Matrixmultiplikation, derselbe Mechanismus, den AlphaFold auf Residue-Paare anwendete, um 3D-Protein-Geometrie vorherzusagen – wird jetzt auf präzise CAD-Primitive gelenkt. Das ist der System-Beat: Neural CAD ist 2026 plausibel und war 2019 nicht plausibel, weil die gleiche Attention-Mathematik, die einen IFC-Element-Graph zur Clash-Detection liest, mit genug Training auch strukturierte Geometrie emittieren kann. Autodesk sagt, es arbeitet seit fünfzehn Jahren daran. Wir glauben ihnen; das ist wirklich schwer.

Jetzt die Street. Haleys Framing ist ehrlich über den Trade-off, und wir auch: Parametrisches CAD ist „starr und deterministisch – nicht ideal zur Erkundung eines unscharfen Konzepts”, Neural CAD ist absichtlich unscharf. Wenn du in Fusion „2,5 Zoll” eintippst, bekommst du 2,5 Zoll. Wenn du „macht es 3D” sagst, bekommst du eine sichere Vermutung. In der Woche, in der wir einen Wettbewerb in der Ausführungsplanung fast verloren hätten, war das Problem nie das Konzeptmodell – es waren die 400 Downstream-Entscheidungen, die den Sprung vom Wettbewerbsmodell ins Ausführungsmodell überstehen mussten. Ein Tool, das früh erste-Klasse, bearbeitbare Geometrie generiert, ist genau dann nützlich, wenn die Geometrie ihre Design-Absicht bewahrt, wenn das Generalplaner-Mandat landet und zwölf Trades auf das IFC einschlagen.

←HEUTE: Autodesks Neural-CAD-Grundmodelle, dokumentiert in AEC Magazine im Juni 2026, generieren aus Sprache, Skizze oder Bild bearbeitbare 2D/3D-CAD-Geometrie. →3012: Wenn es zur Haustechnik geht, ist die knappe Ressource nicht die Geometrie-Erzeugung, sondern das Beurteilen. Fulcrum: Ein Büro, das dokumentiert hat, warum es etwas auf eine bestimmte Art modellierte, wird länger bestehen als eines, das nur weiss, wie – Generation macht das „Warum” zum Asset.

Atelier: Für ein 14-Personen-Büro ist die echte Frage nicht „designen wir schneller”, sondern „wer trägt die Verantwortung”. Ein Neural-CAD-Konzept muss noch immer Forma oder Fusion durchlaufen und ein koordiniertes openBIM-Modell werden, und jemand im Büro wartet diese Brücke, das BEP und die LOIN-Disziplin. Das Tool ändert die Vorderseite des Trichters; es ändert nicht, wer am Freitag für das Modell verantwortlich ist.

Hack: Dieser Hack zeigt dir, wie du verifizierst, dass KI-generierte Geometrie einen IFC-Roundtrip überstanden hat, bevor du sie vertraust – der Workflow-Schritt, den wir auf jedem importierten Modell fahren. Nicht anschauen; zählen. Mit IfcOpenShell:

import ifcopenshell
m = ifcopenshell.open("neural_concept.ifc")
for t in ("IfcWall", "IfcSlab", "IfcColumn", "IfcBeam"):
    print(t, len(m.by_type(t)))
print("no-geometry elements:",
      sum(1 for e in m.by_type("IfcElement") if not e.Representation))

Wenn „no-geometry elements” irgendetwas anderes als null ist, hat der Roundtrip Geometrie-Bodies gelöscht und deine Mengenaufstellung wird dir lügen. Eine Regel: Rechne nie von einem Modell ab, das du nicht gezählt hast.

Die Sache, die keiner bewirbt: Ein Foundation Model ist ein Abonnement auf jemand anderes Raisonnement. Das Risiko ist nicht, dass es schlecht designt – es ist, dass es konsistent designt, und ein Büro, das sich vollständig einem Generator ausliefert, ohne seine eigene Logik zu dokumentieren, verliert das eine, das es besitzt. Engineering.com’s Realitätslesen – „sieht auf dem Papier gut aus” – ist der richtige Ton. Papier ist auch, wo der Neural-CAD-Blog-Post von Autodesk Research veröffentlicht ist; der Anspruch der editierbaren Befehlshistorie ist der Teil, den wir gegen ein echtes Koordinationsmodell prüfen, nicht gegen einen Render.

PAZ Takeaway: Die Fähigkeit, die es wert ist, neben einem Tool wie diesem zu bauen, ist eine dokumentierte Grasshopper↔Archicad-Brücke mit einer versionierten Script-und-Detail-Bibliothek – die PAZ Grasshopper↔Archicad Library existiert genau dafür, dass ein generiertes Konzept in ein koordiniertes Ausführungsmodell überlebt, ohne dass die Expertise mit dem nächsten Praktikanten verloren geht. Generation hebt die Decke; Wiederholbarkeit ist das, was ein kleines Büro darunter hält.

Also der Zug: Bevor du dich für die Beta anmeldest, schreib auf, wie dein Büro heute ein Konzeptmodell in ein Ausführungsmodell verwandelt – die echten Schritte, wer jeden verantwortet. Miss, was Neural CAD dir zurückbringt gegen diese Baseline, nicht gegen die Demo.

Quelle: AEC Magazine — BIM / computational / AI tooling