Cuando los dibujos 2D no están disponibles o difieren significativamente del sitio real, se emplea la tecnología de escaneo a BIM (Modelado de Información de Construcción) para generar modelos 3D a partir de datos de nube de puntos. Este proceso es predominantemente manual, pero la investigación en curso tiene como objetivo automatizarlo. Sin embargo, en comparación con los datos de imagen 2D, las nubes de puntos 3D enfrentan una escasez persistente de datos, lo que limita la capacidad de los modelos de aprendizaje profundo para aprender diversas características de datos y reduce su rendimiento de generalización. Para abordar la escasez de datos, este documento propone un marco semiautomatizado para generar conjuntos de datos para segmentación semántica utilizando nubes de puntos 3D y modelos de Modelado de Información de Construcción (BIM). El marco incluye un método de preprocesamiento para segmentar espacialmente conjuntos de datos de edificios completos y aplica representaciones de límites de objetos BIM para detectar intersecciones con datos de nube de puntos, lo que permite el etiquetado automatizado. Utilizando este marco, se procesaron datos de cinco edificios para crear 10 áreas. Además, se construyeron seis conjuntos de datos combinando datos del Conjunto de Escenas Interiores 3D de Stanford (S3DIS) con los datos recién generados, y se realizaron evaluaciones cuantitativas y cualitativas en diversas áreas. Los modelos entrenados en conjuntos de datos que incorporan dominios diversos lograron consistentemente el mejor rendimiento en la mayoría de las áreas, demostrando que los datos de dominios diversos mejoran significativamente la generalización del modelo. El marco propuesto facilita la generación de conjuntos de datos de nube de puntos 3D de alta calidad de diversos dominios, apoyando la mejora de la generalización del modelo de aprendizaje profundo.