Montás-Laracuente, NelsonDelgado Martos, EmilioDelgado-Martos, EmilioPesqueira Calvo, CarlosPesqueira-Calvo, CarlosIntra Sidola, GiovanniIntra Sidola, GiovanniMaitín, Ana MaríaMaitín, Ana M.García Tejedor, Álvaro JoséGarcía-Tejedor, Álvaro J.Nogales Moyano, AlbertoNogales, Alberto2026-01-122026-01-122025-11-01Montás-Laracuente, N, Delgado-Martos, E, Pesqueira-Calvo, C, Intra Sidola, G, Maitín, A M, García-Tejedor, Á J & Nogales, A 2025, 'A systematic review of artificial intelligence for capturing real-world structures into building information modelling', Journal of Building Engineering, vol. 113, 114093. https://doi.org/10.1016/j.jobe.2025.1140932352-7102https://hdl.handle.net/10641/7162Publisher Copyright: © 2025 The AuthorsEl campo de la arquitectura afronta una presión creciente por digitalizar estructuras complejas del mundo real, y sin embargo los flujos de trabajo tradicionales de Scan-to-Building Information Modelling (Sc2BIM) siguen siendo lentos y requieren numerosos recursos. Esta investigación aborda el reto de cómo la Inteligencia Artificial (IA) puede mejorar el proceso Sc2BIM automatizando tareas críticas como la segmentación de nubes de puntos y la generación de modelos, esenciales para producir Building Information Models (BIM) precisos y eficientes. Para abordar este problema, llevamos a cabo una revisión sistemática siguiendo una metodología estructurada de cuatro etapas: formulamos preguntas de investigación para definir el alcance del estudio, aplicamos criterios claros de inclusión y exclusión para identificar y cribar artículos relevantes de las principales fuentes científicas, realizamos un análisis estadístico detallado de los estudios seleccionados, y sintetizamos los resultados para poner de relieve las tendencias actuales y las lagunas de investigación. Nuestros hallazgos indican que PointNet++ es el modelo más frecuentemente utilizado para la segmentación de nubes de puntos 3D, mientras que las Redes Neuronales Convolucionales (CNN) siguen siendo la arquitectura dominante en general; los modelos híbridos y basados en transformers están ganando popularidad, y algunos estudios demuestran reconstrucciones BIM 3D completas y exitosas a partir de escaneos en bruto. Estos resultados subrayan el papel creciente de la IA en la optimización del flujo de trabajo Sc2BIM, con potencial para reducir el esfuerzo manual y mejorar la precisión de los modelos. La implicación clave de esta investigación es una visión de conjunto exhaustiva de cómo se aplican las técnicas de IA en Sc2BIM, ofreciendo información valiosa para investigadores y profesionales que buscan avanzar en la automatización y la eficiencia de la digitalización del entorno construido. [Traducción automática al español; idioma original: inglés.]The architecture field faces increasing pressure to digitize complex real-world structures, yet traditional Scan-to-Building Information Modelling (Sc2BIM) workflows remain time-consuming and require many resources. This research addresses the challenge of how Artificial Intelligence (AI) can enhance the Sc2BIM process by automating critical tasks such as point cloud segmentation and model generation, which are essential for producing accurate and efficient Building Information Models (BIM). To tackle this problem, we conducted a systematic review following a structured four-stage methodology: we formulated research questions to define the study's scope, applied clear inclusion and exclusion criteria to identify and screen relevant papers from main scientific resources, performed a detailed statistical analysis of selected studies, and synthesized the results to highlight current trends and research gaps. Our findings indicate that PointNet++ is the most frequently used model for 3D point cloud segmentation, while Convolutional Neural Networks (CNNs) remain the dominant architecture overall; hybrid and transformer-based models are getting popular, and some studies demonstrate successful full 3D BIM reconstructions from raw scans. These results underline the growing role of AI in streamlining the Sc2BIM pipeline, potentially reducing manual effort and improving model accuracy. The key research implication is a comprehensive overview of how AI techniques are applied in Sc2BIM, providing valuable insights for researchers and practitioners seeking to advance automation and efficiency in the digitization of the built environment.4867536enghttp://creativecommons.org/licenses/by-nc-nd/4.0/Artificial intelligenceScan to building information modellingSystematic reviewArchitectureCivil and Structural EngineeringBuilding and ConstructionSafety, Risk, Reliability and QualityMechanics of MaterialsYesyesreview articleopen access10.1016/j.jobe.2025.114093https://www.scopus.com/pages/publications/105015997221https://www.scopus.com/pages/publications/105015997221#tab=citedBy