Byggsektorn står inför ökade krav på hållbarhet, effektivitet och digitalisering, särskilt i projekteringsskedet där tekniska system ofta hanteras manuellt trots användning av Building Information Modeling (BIM). Samtidigt har generativ artificiell intelligens (AI) visat potential att automatisera designprocesser i andra branscher. Syftet med detta examensarbete är att undersöka hur generativ AI, i kombination med parametrisk design, kan användas för att effektivisera systemprojektering inom BIM baserade byggprojekt. Studien genomförs som en kvalitativ fallstudie med Skanska som exempel, och baseras på en kombination av litteraturstudier och intervjuer med nyckelpersoner inom företaget. Resultatet visar att generativ AI har potential att skapa, utvärdera och optimera tekniska lösningar, men att praktisk tillämpning är beroende av en rad förutsättningar. Det krävs hög datakvalitet, strukturerad metadata, standardiserad klassificering samt organisatoriska åtgärder som rollförtydligande, kompetensutveckling och etablerade granskningsrutiner. Slutsatsen är att generativ AI kan bidra till mer effektiv och tillförlitlig systemprojektering, men att tekniken inte är en "plug and play" lösning. För att implementeringen ska lyckas krävs en stegvis strategi där tekniska, organisatoriska och metodologiska komponenter utvecklas samtidigt. Studien bidrar med både akademisk förståelse och praktiska insikter om hur digitalisering kan driva innovation inom byggbranschens projekteringsarbete.

The construction sector is facing increasing demands for sustainability, efficiency, and digital transformation particularly in the design phase, where technical systems are often modeled manually despite the widespread use of Building Information Modeling (BIM). At the same time, generative artificial intelligence (AI) has shown promising capabilities for automating complex design processes in other industries. This thesis aims to explore how generative AI, in combination with parametric design, can be applied to improve and automate systems engineering in BIM based building projects. A qualitative case study was conducted using Skanska as an example, combining a theoretical framework with semi structured interviews. The findings indicate that generative AI can automatically generate, evaluate, and optimize technical design solutions, but successful implementation requires several preconditions. These include structured metadata, standardized model classification and organizational factors such as clearly defined roles, digital competencies, and established review procedures. The conclusion is that generative AI has the potential to enhance both the efficiency and reliability of systems engineering in construction projects. However, it is not a plug and play solution. A gradual implementation strategy is required, where technical development, organizational adaptation, and methodological restructuring evolve in parallel. This study contributes both to academic discourse and to practical insights for future digital transformation within the construction sector.