90 小时省在一份标书上

一家德国总承包商接一个项目，销售、报价、采购和现场管理团队，有大约一半的时间花在一件事上：翻项目文档，搞清楚哪些数据说的是什么。图纸和规范对不上、招标清单和投标报价对不上、上一个项目踩过的坑这个项目又踩一遍——这些不算新问题，但一直没人用软件系统性地解决。

10 月初，柏林初创公司 Kuro Technology 宣布拿到 1000 万欧元融资，由慕尼黑与柏林的风投 UVC Partners 领投，Foundamental、Realyze Ventures、helloworld 参与。这家公司 2024 年 11 月成立，只有 16 个人，但它已经拿下了德语区最大的几家总承包商——Goldbeck、Köster、Implenia、Geiger、Riedel、Hochtief Infrastructure，12 家客户里有 6 家属于德语区前二十大总承包商。

它解决的不是"看得快"，是"记得住"

Kuro 的做法可以拆成两层。底层是把项目文档——图纸、规范书、招标清单、投标报价、合同——统一处理，链接进一个数据模型，让原本散落在几十个文件里的信息可以互相对照。上层是一本"客户专属规则手册"：它记录这家总承包商自己的构件分类方式、审核标准、工作包划分。

这套结构里最值得注意的动作发生在比对环节。平台会把图纸内容和规范书做交叉核对，把矛盾点标出来——比如图纸标注的耐火等级和规范书要求不一致，或者招标清单里少了本该有的工作项。这在承包商内部本来就要靠人反复对照，出错成本很高：等到施工阶段才发现，返工、变更、工期索赔全跟着来。

真正的差异在"学习"这一环。当报价人员修正了一次错误，这个修正会被写回规则手册。下一个项目遇到同类问题，平台直接按上次的判断处理。也就是说，Kuro 试图把总承包商脑子里那些不写在任何文件里的经验——"我们公司碰到这种情况一般怎么处理"——变成可复用的系统资产。

为什么是总承包商，而不是设计院或施工队

总承包商在项目里处于一个特殊位置：它同时对接业主、设计方、分包商和材料商，所有信息都要在它这里汇总。承担了这个"汇总"角色，也就承担了信息不一致带来的全部风险。Kuro 把问题定义得很准——不是帮某个人更快地画图，而是让整个后台的文档处理不再依赖"某个很懂行的老员工"。

公司 CEO Lea Scherer 把这层意思说得更直接：能把知识变成产品的总承包商，将来对个人经验的依赖会更少。

The general contractors that manage to turn their knowledge into a product will depend less on individual people as they grow.Lea Scherer，Kuro Technology 联合创始人兼 CEO

这条路线和过去一年建筑 AI 的主流叙事不太一样。2026 年最热的是现场端的视觉识别和机器人，但 Kuro 和同期拿到 4000 万美元的 Miter（做施工劳动力与工资管理，约 2% 的美国建筑工人通过其系统发薪）一样，盯的是后台：报价、采购、财务、合规这些不产生视觉冲击、却决定了项目能不能赚钱的环节。Kuro 的融资用途也说得很清楚——从报价起步，逐步扩到采购、财务和合规。

规则手册模式，对国内团队有什么用

Kuro 的"规则手册"思路，本质上是把企业的隐性经验显性化、结构化，再交给软件复用。这个思路不依赖国外产品，国内团队完全可以借鉴。对 BIM 和造价工程师来说，有几点值得试：

判断

Kuro 拿到的钱不算多，1000 万欧元在建筑科技里只是早期规模。但它的价值在于给出了一个清晰的产品定义：不追热点、不做通用模型，而是把总承包商最核心的后台流程拆开，用"数据模型 + 企业规则手册"的方式逐个击破，并且让系统随项目数量增长而变强。

这个模式的天花板取决于两件事：一是规则手册能否跨项目真正复用而不产生错误积累；二是总承包商是否愿意把内部经验交给外部系统。前者是技术问题，后者是信任问题——而这恰恰是所有建筑 AI 公司都要面对的同一道题。Kuro 用"90 小时"和"70% 漏检率"这两个数字，至少证明了自己在这个方向上已经跑出了可信的结果。