The construction industry is among the least digitized major sectors globally, with productivity growth lagging manufacturing and services by decades. Three technologies—Building Information Modeling (BIM), artificial intelligence, and digital twins—are converging to change this. BIM provides the 3D digital model of a building's physical and functional characteristics. AI adds intelligence—predicting issues, optimizing schedules, automating analysis. Digital twins add dynamism—connecting the BIM model to real-time sensor data from the physical building. Together, they promise to address construction's persistent problems: frequent cost overruns and schedule delays (McKinsey reports that the vast majority of megaprojects exceed budgets by 30% or more and experience significant delays), and information silos between design, construction, and operations teams.

The Research Landscape

Digital Twins Across the Project Lifecycle

Adebiyi and Zhang (2024), with 9 citations, provide the most comprehensive mapping of digital twin technology across civil engineering phases: planning, design, construction, operations, and decommission. Their review reveals that adoption is concentrated in the operations phase (building management systems, energy optimization) with much less penetration in earlier phases (design optimization, construction monitoring).

The asymmetry makes sense technically—operations generate continuous sensor data that digital twins can consume, while design and construction involve more varied, less sensor-amenable activities. But the asymmetry is problematic practically: decisions made during design and construction have the largest impact on lifecycle cost and performance. If digital twins only become useful during operations, they miss the phase where the most value can be created.

The paper proposes a "reorientation strategy" that shifts digital twin adoption upstream—from operations-first to design-first. This requires:

• Design-phase simulation: Using digital twins during design to simulate building performance under various conditions before construction begins.
• Construction-phase monitoring: Real-time comparison of as-built conditions with the design model, detecting deviations before they become costly rework.
• Handover continuity: Ensuring that the digital twin created during design and enriched during construction transitions seamlessly into the operations phase—rather than building a new operations-phase twin from scratch.

AI-Enhanced BIM

Aleke, Usang, and Obi-obuoha (2024), with 2 citations, examine how AI enhances BIM capabilities. Traditional BIM is essentially a database with a 3D visualization layer—it stores and displays building information but does not analyze or predict. AI adds four capabilities:

• Clash detection automation: AI can identify conflicts between building systems (structural, mechanical, electrical) faster and more completely than manual review.
• Cost estimation: ML models trained on historical project data can predict construction costs from BIM models with 85-90% accuracy.
• Schedule optimization: AI algorithms can generate construction sequences that minimize resource conflicts and idle time.
• Quality prediction: Models trained on defect data from previous projects can flag high-risk elements in new designs before construction begins.

Large-Scale Project Integration

Tian (2025) proposes a synergistic management framework for large-scale complex projects (airports, hospitals, stadiums) that integrates BIM and digital twins. The framework addresses a specific problem: in large projects, information silos between design, structural, MEP, and construction teams cause coordination failures that account for a substantial share of cost overruns.

The proposed solution uses the BIM model as a "single source of truth" that all teams access, with the digital twin providing real-time construction progress data that keeps the model current. When a change occurs (design modification, construction delay, material substitution), the impact propagates automatically through the integrated model—enabling all teams to see the consequences immediately.

Industry 5.0 in Construction

Simionov, Dolchinkov, and Seymenliyski (2025) examine the broader digital transformation of construction through the lens of Industry 5.0—which adds human-centricity, sustainability, and resilience to Industry 4.0's automation focus. For construction, Industry 5.0 means:

• Human-centric AI: AI tools that augment rather than replace construction workers—providing decision support, safety monitoring, and skills training rather than full automation.
• Sustainable construction: Digital tools that optimize material use, minimize waste, and track the environmental impact of construction activities.
• Resilient infrastructure: Buildings designed with digital twins that enable adaptive management in response to changing climate, use patterns, and maintenance needs.

Critical Analysis: Claims and Evidence

Open Questions

What This Means for Your Research

For construction engineers, the upstream shift proposed by Adebiyi et al. is the actionable insight: digital twins create the most value when adopted during design, not just during operations.

For construction technology developers, the interoperability challenge is the primary technical barrier to widespread adoption.

Explore related work through ORAA ResearchBrain.

면책 조항: 이 게시물은 정보 제공을 위한 연구 동향 개요이다. 특정 연구 결과, 통계 및 주장은 학술 연구에서 인용하기 전에 원본 논문을 통해 검증해야 한다.

BIM + AI + 디지털 트윈: 건설 산업의 디지털 융합

건설 산업은 전 세계적으로 디지털화가 가장 덜 진행된 주요 산업 중 하나로, 생산성 성장이 제조업과 서비스업에 비해 수십 년 뒤처져 있다. 건축 정보 모델링(Building Information Modeling, BIM), 인공지능(AI), 디지털 트윈이라는 세 가지 기술이 융합되어 이러한 상황을 변화시키고 있다. BIM은 건물의 물리적·기능적 특성을 담은 3D 디지털 모델을 제공한다. AI는 지능을 더하여 문제를 예측하고, 일정을 최적화하며, 분석을 자동화한다. 디지털 트윈은 역동성을 추가하여 BIM 모델을 실제 건물의 실시간 센서 데이터와 연결한다. 이 세 기술이 결합되면 건설 산업이 지속적으로 안고 있는 문제들, 즉 빈번한 비용 초과 및 일정 지연(McKinsey는 대형 프로젝트의 대다수가 예산을 30% 이상 초과하고 상당한 지연을 겪는다고 보고한다)과 설계, 시공, 운영 팀 간의 정보 사일로(silo) 문제를 해결할 것으로 기대된다.

연구 동향

프로젝트 생애주기 전반에 걸친 디지털 트윈

9회 인용을 기록한 Adebiyi와 Zhang(2024)은 계획, 설계, 시공, 운영, 폐기의 토목공학 단계 전반에 걸쳐 디지털 트윈 기술을 가장 포괄적으로 정리하였다. 이들의 검토에 따르면, 디지털 트윈의 도입은 운영 단계(빌딩 관리 시스템, 에너지 최적화)에 집중되어 있으며, 초기 단계(설계 최적화, 시공 모니터링)에서는 도입이 훨씬 저조한 것으로 나타났다.

이러한 비대칭성은 기술적으로 이해할 수 있다. 운영 단계에서는 디지털 트윈이 활용할 수 있는 연속적인 센서 데이터가 생성되는 반면, 설계 및 시공 단계는 더 다양하고 센서 적용이 용이하지 않은 활동을 포함하기 때문이다. 그러나 이 비대칭성은 실무적으로 문제가 된다. 생애주기 비용과 성능에 가장 큰 영향을 미치는 결정이 설계 및 시공 단계에서 이루어지기 때문이다. 디지털 트윈이 운영 단계에서만 유용하다면, 가장 큰 가치를 창출할 수 있는 단계를 놓치게 된다.

이 논문은 디지털 트윈 도입을 운영 우선에서 설계 우선으로 전환하는 "재정향 전략(reorientation strategy)"을 제안한다. 이를 위해서는 다음이 필요하다:

• 설계 단계 시뮬레이션: 시공 시작 전, 다양한 조건에서 건물 성능을 시뮬레이션하기 위해 설계 단계에서 디지털 트윈을 활용한다.
• 시공 단계 모니터링: 시공된 실제 상태와 설계 모델을 실시간으로 비교하여 비용이 많이 드는 재작업이 발생하기 전에 편차를 감지한다.
• 인계(handover) 연속성: 설계 단계에서 생성되고 시공 단계에서 보강된 디지털 트윈이 운영 단계에서 처음부터 새로운 트윈을 구축하는 것이 아니라, 운영 단계로 원활하게 전환될 수 있도록 보장한다.

AI 기반 BIM

2회 인용을 기록한 Aleke, Usang, Obi-obuoha(2024)는 AI가 BIM의 역량을 어떻게 향상시키는지를 고찰한다. 기존 BIM은 본질적으로 3D 시각화 레이어를 갖춘 데이터베이스로, 건물 정보를 저장하고 표시하지만 분석하거나 예측하지는 않는다. AI는 다음 네 가지 역량을 추가한다:

• 충돌 감지 자동화: AI는 건물 시스템(구조, 기계, 전기) 간의 충돌을 수동 검토보다 더 빠르고 완전하게 식별할 수 있다.
• 비용 추정: 과거 프로젝트 데이터로 학습된 ML 모델은 BIM 모델을 기반으로 85~90%의 정확도로 시공 비용을 예측할 수 있다.
• 일정 최적화: AI 알고리즘은 자원 충돌과 유휴 시간을 최소화하는 시공 순서를 생성할 수 있다.
• 품질 예측: 이전 프로젝트의 결함 데이터로 학습된 모델은 시공 시작 전 새로운 설계에서 위험도가 높은 요소를 표시할 수 있다.

대규모 프로젝트 통합

제안된 솔루션은 BIM 모델을 모든 팀이 접근하는 "단일 진실 공급원(single source of truth)"으로 활용하며, 디지털 트윈은 실시간 시공 진행 데이터를 제공하여 모델을 최신 상태로 유지한다. 변경 사항이 발생할 경우(설계 수정, 시공 지연, 자재 대체), 그 영향은 통합 모델을 통해 자동으로 전파되어 모든 팀이 결과를 즉시 확인할 수 있다.

건설 분야의 Industry 5.0

Simionov, Dolchinkov, Seymenliyski (2025)는 Industry 5.0의 관점에서 건설의 광범위한 디지털 전환을 검토한다. Industry 5.0은 Industry 4.0의 자동화 중심에 인간 중심성, 지속가능성, 회복탄력성을 추가한 개념이다. 건설 분야에서 Industry 5.0은 다음을 의미한다.

• 인간 중심 AI: 건설 노동자를 대체하기보다 보완하는 AI 도구로, 완전 자동화 대신 의사결정 지원, 안전 모니터링, 기술 훈련을 제공한다.
• 지속가능한 건설: 자재 사용을 최적화하고 폐기물을 최소화하며 시공 활동의 환경적 영향을 추적하는 디지털 도구이다.
• 회복탄력적 인프라: 변화하는 기후, 사용 패턴, 유지보수 필요에 대응하는 적응적 관리를 가능하게 하는 디지털 트윈으로 설계된 건물이다.

비판적 분석: 주장과 근거

미해결 과제

연구에 대한 시사점

건설 엔지니어에게 있어 Adebiyi et al.이 제안하는 상류 이동(upstream shift)은 실행 가능한 통찰이다. 디지털 트윈은 운영 단계만이 아닌 설계 단계에서 도입될 때 가장 큰 가치를 창출한다.

건설 기술 개발자에게 있어 상호운용성 과제는 광범위한 도입을 가로막는 주요 기술적 장벽이다.

관련 연구는 ORAA ResearchBrain을 통해 탐색할 수 있다.