Η παρούσα διπλωματική εργασία διερευνά τη δυνατότητα αξιοποίησης εργαλείων παραγωγικής
Τεχνητής Νοημοσύνης ως μέσων υποστήριξης της προκαταρκτικής λήψης αποφάσεων για τον
βιώσιμο και βιοκλιματικό επανασχεδιασμό σχολικών κτιρίων. Το θεωρητικό μέρος εξετάζει τις
αρχές της βιώσιμης σχολικής αρχιτεκτονικής, την ποιότητα του εσωτερικού και υπαίθριου
περιβάλλοντος, τη μικροκλιματική και παιδαγωγική λειτουργία των σχολικών αυλών, καθώς και τις
εφαρμογές, τους περιορισμούς και τις ηθικές διαστάσεις της Τεχνητής Νοημοσύνης στον
αρχιτεκτονικό και κατασκευαστικό κλάδο.
Το ερευνητικό μέρος οργανώθηκε ως συγκριτική μελέτη περίπτωσης με αντικείμενο τη νότια ζώνη
του Παπαστρατείου Δημοτικού Σχολείου Αγρινίου. Στο ChatGPT και στο Gemini χορηγήθηκε
κοινό πληροφοριακό πακέτο, το οποίο περιλάμβανε αρχιτεκτονικά σχέδια, φωτογραφίες, τεχνικές
περιγραφές και στοιχεία της υφιστάμενης κατάστασης. Κάθε εργαλείο κλήθηκε να αναλύσει το
πρόβλημα και να διαμορφώσει δύο σενάρια: ένα ελάχιστης και άμεσα εφαρμόσιμης παρέμβασης
και ένα ολοκληρωμένης βιοκλιματικής αναβάθμισης. Τα τέσσερα σενάρια αξιολογήθηκαν ως προς
την αξιοποίηση του διαθέσιμου υλικού, τη βιοκλιματική καταλληλότητα, την τεχνική
εφαρμοσιμότητα, την αρχιτεκτονική συμβατότητα και την τεκμηρίωση και αναγνώριση των
περιορισμών.
Τα αποτελέσματα έδειξαν ότι και τα δύο μοντέλα εντόπισαν κοινά πεδία παρέμβασης, όπως η
ηλιοπροστασία, ο αερισμός, τα κουφώματα, η ενεργητική ψύξη και το μικροκλίμα της αυλής. Το
ChatGPT παρουσίασε περισσότερο σταδιακή και επιφυλακτική προσέγγιση, με συστηματικότερη
διάκριση μεταξύ δεδομένων και υποθέσεων, ενώ το Gemini παρήγαγε πιο συγκεκριμένες και
εύκολα οπτικοποιήσιμες προτάσεις, οι οποίες όμως εξαρτώνταν περισσότερο από μη
επιβεβαιωμένες παραδοχές. Οι συνολικές βαθμολογίες ήταν 23/25 και 22/25 για τα δύο σενάρια
του ChatGPT και 19/25 και 17/25 για τα αντίστοιχα σενάρια του Gemini.
Συμπερασματικά, η παραγωγική Τεχνητή Νοημοσύνη μπορεί να επιταχύνει την οργάνωση του
σχεδιαστικού προβλήματος, να διευρύνει το πεδίο των εναλλακτικών λύσεων και να υποστηρίξει
τον προγραμματισμό περαιτέρω ελέγχων. Δεν μπορεί, ωστόσο, να υποκαταστήσει την αυτοψία, τις
μετρήσεις, τις προσομοιώσεις και την τελική κρίση των αρμόδιων επαγγελματιών.

This thesis investigates the potential use of generative Artificial Intelligence tools to support
preliminary decision-making in the sustainable and bioclimatic redesign of school buildings. The
theoretical part examines the principles of sustainable school architecture, the quality of indoor and
outdoor environments, the microclimatic and educational role of schoolyards, and the applications,
limitations, and ethical dimensions of Artificial Intelligence in architecture, engineering, and
construction.
The empirical part was structured as a comparative case study focusing on the southern zone of the
Papastrateio Primary School in Agrinio, Greece. ChatGPT and Gemini received the same
information package, including architectural drawings, photographs, technical descriptions, and
information on the existing condition of the building. Each tool was asked to analyze the problem
and develop two scenarios: a minimum and readily applicable intervention scenario and a
comprehensive bioclimatic upgrading scenario. The four scenarios were assessed according to five
criteria: use of the available information, bioclimatic suitability, technical feasibility, architectural
compatibility, and documentation and recognition of limitations.
The findings showed that both models identified common areas of intervention, including solar
protection, ventilation, window systems, active cooling, and the schoolyard microclimate. ChatGPT
adopted a more gradual and cautious approach and distinguished more systematically between
documented information and assumptions. Gemini generated more specific and readily visualized
proposals, but these depended to a greater extent on unverified assumptions. The two ChatGPT
scenarios received overall scores of 23/25 and 22/25, while the corresponding Gemini scenarios
received 19/25 and 17/25.
The study concludes that generative Artificial Intelligence can accelerate the initial organisation of
a design problem, broaden the range of alternatives considered, and help define the inspections,
measurements, and specialized studies required at later stages. However, it cannot replace on-site
investigation, environmental and energy measurements, simulation, or the professional judgement of architects, engineers, and other specialists. Its responsible use therefore requires clearly
structured input data, a transparent evaluation protocol, explicit recognition of uncertainty, and
continuous human oversight.