La segmentación semántica de nubes de puntos es de suma importancia en aplicaciones prácticas. Sin embargo, la mayoría de los métodos existentes han evolucionado para ser increíblemente intrincados, lo que ha llevado a un aumento en la complejidad que los ha hecho cada vez más imprácticos para su utilización en el mundo real. La creciente complejidad de estos métodos ha resultado en una disminución en su eficiencia y facilidad de implementación, lo que los hace menos adecuados para su uso en entornos sensibles al tiempo y con recursos limitados. Frente a este problema, proponemos un método de segmentación eficiente y ligero, capaz de lograr un rendimiento notable en términos de precisión de segmentación, velocidad de entrenamiento y consumo de espacio. Específicamente, proponemos primero adoptar un muestreo aleatorio para reemplazar el original y obtener mayor eficiencia. Además, se desarrolla un módulo de decodificación ligero y un módulo de mejora bilateral mejorado (BAE) para mejorar aún más el rendimiento. El método propuesto logró un 73.6% y un 60.7% de mIoU en los conjuntos de datos S3DIS y Semantickitti, respectivamente. En el futuro, el muestreo aleatorio y el módulo BAE propuesto pueden ser adoptados en una red más concisa y ligera para lograr una segmentación de nubes de puntos más rápida y precisa.