A digitalização está entre os conceitos proeminentes na indústria de AEC no âmbito da Construção 4.0. A gestão de dados eficaz é essencial para permitir a digitalização da construção. O processo de conversão de dados sem tratamento em conhecimento requer a capacidade de converter estes dados em informações, dando-lhes sentido num determinado contexto. Só então, a informação pode ser convertida em conhecimento por humanos e máquinas. Assim, este trabalho adota uma perspectiva de aprendizagem em que as máquinas aprendem a partir de dados armazenados em Modelos de Modelação de Informação na Construção (BIM), os modernos repositórios de gestão de informação do setor.Este estudo sugere que os Modelos BIM representam uma oportunidade para explorar grandes conjuntos de dados, podendo melhorar a gestão do conhecimento e o desempenho da indústria. O Aprendizagem de Máquina (ML) é um domínio científico que inclui várias técnicas computacionais, que abre novos horizontes no processo de aprendizagem, que se estendem à descoberta de padrões, eventualmente difíceis de serem descobertos pelo olho humano e que podem desafiar de modo perspicaz a construção atual de AEC.A metodologia da dissertação incluiu uma revisão da literatura e um estudo de caso. Foi realizada uma revisão da literatura do estado da arte das aplicações de ML em BIM e de ML ao desenho de espaços. Tem-se observado uma falta de trabalhos amplos focados na aplicação de ML ao desenho de espaços através de modelos BIM. Essa lacuna foi considerada uma oportunidade de investigação, levando ao desenvolvimento de um estudo de caso. O estudo de caso pretendeu testar uma proposta estruturada na aplicação de ML para modelos BIM. As etapas de implementação do estudo de caso incluíram: (i) extração de dados de modelos BIM; (ii) modificar, filtrar e mesclar os dados; (iii) treinar e testar o modelo de ML. Os algoritmos de Rede Neural Convolucional e de Rede Neural de Gráfico foram usados para este estudo de caso.O estudo conclui que a aplicação de ML a partir de modelos BIM exige o cumprimento de critérios específicos que ainda se revelaram um desafio no contexto do setor. Em primeiro lugar, a Aprendizagem de Máquina necessita de uma grande quantidade de dados de entrada para operar. Em segundo lugar, os dados também precisam ser adequadamente recolhidos, filtrados e armazenados. Em terceiro lugar, os dados devem ser convertidos em informação para facilitar o processo de aprendizagem. No estudo de caso apresentado, a técnica de Sintaxe Espacial foi identificada como uma ferramenta de ligação para conversão de dados de modelos BIM em informação a ser processada por algoritmos de ML.Apesar dos obstáculos esperados a serem superados no AEC, este estudo sugere que os modelos BIM, juntamente com a introdução de medidas de interoperabilidade adequadas, podem mudar o paradigma da indústria. A capacidade de manipular grandes quantidades de informação pode facilitar o discernimento e desafiar os mecanismos atuais de gestão da informação e do conhecimento na indústria.