Construction AI Leaderboard: Claude Opus 5.5 lidera em 5 eixos

O resultado importa porque a maioria dos benchmarks de modelos avalia código ou raciocínio genérico. Este tenta medir o que acontece quando a IA precisa ler plantas, editar modelos BIM, responder a perguntas de orçamento e gerar especificações de infraestrutura digital. São tarefas em que um erro de interpretação custa caro e atrasa obra.

O que é o Construction AI Leaderboard

O Construction AI Leaderboard foi criado pela ONESTRUCTION para responder a uma pergunta prática: qual modelo de IA funciona melhor em trabalho de construção? A proposta não é medir conhecimento geral, mas simular atividades que equipes de engenharia, arquitetura e planejamento executam todos os dias.

O ranking combina cinco benchmarks existentes e próprios, cada um representando uma categoria de tarefa. O score geral é a média dos cinco eixos, convertida para uma escala de 100 pontos. São 20 modelos avaliados, entre proprietários e open-weight, com inferência rodando em OpenRouter para os proprietários e em GPUs H200 próprias para os modelos abertos.

A avaliação foi feita em outubro de 2026 e publicada em 7 de novembro. O conjunto de modelos inclui GPT-6 Astra, GPT-6.1 Sol, Claude Opus 5 e 5.5, Claude Sonnet 5 e 5.5, Gemini 3.1 Pro, Gemini 3.7 Flash, Gemini 4 Argon, Grok 4.7, Muse Spark 1.3, além de modelos open-weight como Qwen3.8-27B, GLM-5.3-Flash, DeepSeek V4.1 Flash, Kimi K3, Gemma 4 31B IT e outros.

Os cinco eixos de avaliação

Cada eixo usa um benchmark com método próprio e score convertido para 100 pontos. A média dos cinco forma o score geral.

• Desenhos e documentos (AEC-Bench): perguntas e detecção de conflitos em plantas e documentos de construção. O agente converte PDFs em imagens, extrai texto e roda código para chegar a uma resposta em JSONL.
• Edição de BIM (BIM-Edit): editar modelos IFC seguindo instruções em linguagem natural.
• Compreensão de BIM (IFC-Bench-V2): explorar modelos IFC e responder perguntas sobre eles.
• Perguntas de orçamento (CEQuest): conhecimento de estimativa e leitura de plantas.
• Geração de IDS (Ishigaki-IDS-Bench): gerar especificações IDS em XML a partir de requisitos de informação BIM.

A escolha dos eixos reflete o que a ONESTRUCTION considera essencial em obra: ler documentos, entender e modificar modelos digitais, estimar custos e gerar especificações. Nenhum dos cinco cobre todo o trabalho de construção, e a empresa afirma estar desenvolvendo um benchmark próprio chamado BIMGenBench para geração de modelos BIM a partir de plantas.

Resultados gerais: Claude Opus 5.5 na frente

Claude Opus 5.5 liderou com 73,7 pontos, apenas 0,1 ponto à frente de Gemini 4 Argon com 73,6. Claude Opus 5 ficou em terceiro com 72,7. GPT-6 Astra marcou 70,1, quase empatado com GPT-6.1 Sol com 70,2. Entre os modelos open-weight, DeepSeek V4.1 Flash (versão de 17 de outubro) atingiu 67,6 em desenhos e documentos, superando GPT-6 Astra com 66,2 nesse eixo.

A proximidade entre Opus 5.5 e Gemini 4 Argon mostra que a liderança não é folgada. Diferenças de décimos de ponto podem mudar com ajuste de prompt, versão do modelo ou configuração de inferência. O ranking é um retrato, não uma verdade absoluta.

Líderes por eixo de avaliação

Os primeiros lugares se dividiram entre quatro modelos, o que reforça a ideia de que não existe um modelo universalmente melhor.

• Desenhos e documentos: Claude Opus 5.5 com 70,2 pontos.
• Geração de IDS: Claude Opus 5.5 com 63,0 pontos.
• Compreensão de BIM: Claude Opus 5 com 79,7 pontos.
• Edição de BIM: Gemini 4 Argon com 78,9 pontos.
• Perguntas de orçamento: Gemini 3.7 Flash com 95,5 pontos.

Claude Opus 5.5 foi o único a liderar dois eixos. Gemini 4 Argon ficou em primeiro em edição de BIM e em segundo no geral. Gemini 3.7 Flash, embora tenha marcado 95,5 em orçamento, não aparece entre os três primeiros no score geral, o que mostra como um eixo isolado pode distorcer a escolha se não for visto no conjunto.

Modelos open-weight que surpreendem

O ranking incluiu modelos open-weight e alguns deles superaram proprietários em eixos específicos.

• DeepSeek V4.1 Flash (17 de outubro) marcou 67,6 em desenhos e documentos, contra 66,2 de GPT-6 Astra. É um resultado expressivo para um modelo que pode ser rodado em infraestrutura própria.
• GLM-5.3-Flash marcou 61,9 em desenhos e documentos, superando Claude Sonnet 5.5 com 58,6, e 78,9 em edição de BIM, quase empatado com Claude Fable 5 com 79,7.

Esses resultados mostram que modelos abertos já competem em tarefas de domínio específico, desde que a equipe tenha capacidade de hospedagem e ajuste. A diferença de custo pode ser decisiva para empresas que processam grandes volumes de plantas e modelos BIM.

Custo e tempo: o que o número não diz

O Construction AI Leaderboard também registrou custo por tarefa e tempo de processamento, o que ajuda a separar desempenho de viabilidade econômica.

• Claude Opus 5.5 custou cerca de 0,33 dólar por tarefa e levou 1,7 minuto, contra 1,80 dólar e 5,0 minutos da geração anterior. Ou seja, melhorou sete pontos em desenhos e documentos com um quinto do custo e um terço do tempo.
• GPT-6.1 Sol ficou em quarto lugar geral com 70,2 pontos, quase igual a GPT-6 Astra com 70,1, mas a um sexto do custo por tarefa (0,12 dólar contra 0,78).
• Claude Sonnet 5.5 marcou 66,9 pontos gerais com custo de 0,14 dólar, aparecendo como opção entre os modelos proprietários de baixo custo.

O custo por tarefa não é preço de API. É o custo medido na execução do benchmark, incluindo tokens e tempo. Para uma empresa que processa milhares de plantas, a diferença entre 0,12 e 1,80 dólar por tarefa pode definir qual modelo entra em produção, mesmo que o mais caro tenha pontuação um pouco maior.