MIT SuffolkのAI建設調査、大幅な削減効果を示すも「方向性を示すもの」と位置付け
MITとSuffolk Constructionは共同でAI建設調査を発表し、注目すべき推定値を示した。協調的な導入により、プロジェクトコストを17〜20％削減できる可能性があるという。モデルはさらに、工期を22〜25％短縮できると予測している。ただし研究者らは、これらの数値を実証済みの業界ベンチマークと呼ぶことは明確に控えている。
この留保こそが、本件の中心的な緊張関係だ。MIT Suffolk AI construction studyは、人工知能がプロジェクト遂行を改善し得る6つの領域を特定している。しかし最大の削減効果は、AIを活用した数百件の開発を測定した結果ではなく、完了済みの集合住宅プロジェクト1件をモデル化したものだ。
そのため本レポートは、建設テクノロジーでよく見られる2つの戦略に疑問を投げかける。個別のAIツールを購入するだけでは、モデルで示された成果は得られない。一方で、すべてのアプリケーションがそれぞれ独立して成熟するのを待つことも、設計、許認可、調達、工程管理、現場施工が相互に影響し合う現実を見落としている。
本来の主張はさらに広い。AIがプロジェクトの経済性を変えるには、建設企業が分断されたデータと意思決定をつなげなければならない。これは、従来は契約によって分離されてきたワークフローを、発注者、設計者、請負業者、下請業者、規制当局、ソフトウェア提供者が連携して構築するよう求めるものだ。
MIT Suffolk AI Construction Studyが実際に明らかにしたこと
本レポートが描くのは、独立したAI製品の一覧ではなく、つながったプロジェクト遂行システムだ。
Suffolkは、MIT Center for Real EstateおよびMIT Media Lab City Science groupとともに、2026年9月16日に本調査を公表した。研究は2025年10月に始まり、2026年3月には業界ラウンドテーブルが実施された。
この業界ラウンドテーブルには、40人を超える発注者、建設会社、設計者、テクノロジーリーダーが参加した。その後のホワイトペーパーは、より幅広い調査回答、インタビュー、ケーススタディ、学術研究に基づいている。
研究者らは178件の情報源を検討し、活用可能性を次の6つの優先領域に整理した。
設計自動化
オフサイト製造
許認可
工程管理
熟練労働者と下請契約
サプライチェーンと調達
設計自動化には、選択肢を生成し、図面をレビューし、干渉を検出し、設計を予算や生産要件と結び付けるシステムが含まれる。BIM（Building Information Modeling）は、こうした多くの作業に必要な構造化されたデジタル表現を提供する。
オフサイト製造では、反復可能な建築部材を管理された生産環境へ移す。AIは、適したアセンブリの特定、設計上の制約の調整、施工開始前の物流計画を通じて、このプロセスを支援できる。
許認可向けの活用例には、自動化された法規チェックと申請書類の準備が含まれる。こうしたシステムは提出前に不整合を特定できる可能性があるが、承認と地域ごとの解釈は引き続き規制当局が担う。
工程管理システムは、プロジェクト履歴、作業順序、労働力、現在の状況を分析する。遅延やスコープ変更により当初計画が現実的でなくなった場合、代替案をモデル化できる。
労働力・下請契約向けツールは、人員計画、職種間の調整、パフォーマンス情報、知識移転に焦点を当てる。サプライチェーン向けアプリケーションは、リードタイムを予測し、購買を整理し、資材リスクを早期に警告する。
個別領域について、本調査は15〜40％の時間短縮または効率改善の可能性を報告している。ワークフローに応じて、8〜21％のコスト削減が可能とする見方も引用している。
これらの数値は、プロジェクト全体の削減効果を表すものではない。大半は初期パイロット、選定されたケーススタディ、隣接業界、または参加者の推定に基づく。研究者らは繰り返し、これらを方向性を示す数値と表現している。
Suffolkはその後、2021年から2024年にかけてSan Franciscoで完了した集合住宅プロジェクトに、6つのレバーを適用した。統合モデルでは、総コストを17〜20％、工期を22〜25％削減できると推定された。
またモデルは、レバレッジなしの内部収益率が5〜6ポイント上昇すると予測した。このシナリオでは、コスト利回りも1〜2ポイント上昇した。
こうした財務上の変化は重要だ。開発判断はしばしば、厳しい実現可能性の閾値に左右されるためである。工期短縮は資金調達リスクへのエクスポージャーを減らし、完成した不動産をより早く稼働させる。不確実性の低下は、投資家がプロジェクトへの資金提供に安心感を持つことにもつながり得る。
とはいえ、このモデルは、提案された完全なシステムを通じて引き渡された建物を記録したものではない。ツールはそれぞれ異なる成熟度にあるが、単一の統合されたプロジェクト遂行プロセスとして連携して稼働したわけではない。
この違いにより、楽観的な見出しは研究課題へと変わる。本調査は、接続されたAI支援型建設が達成し得ることを示し、その証拠を業界が生み出すよう求めている。
建設業の生産性ギャップが重要性を高める理由
AIが導入されつつあるのは、建設業が限られた労働力と根強い調整上の問題を抱えながら、より多くの仕事を遂行しなければならないからだ。
本レポートは、生産性の伸びが弱く、情報が分断され、テクノロジー投資が限られている業界を描いている。プロジェクトデータはしばしば、図面、契約書、工程表、メール、現場報告書、企業ごとに分かれたシステムに散在している。
この分断は、反復的な事務作業を生む。チームは数量を手作業で転記し、情報照会に回答し、進捗を工程表と照合し、調達変更を調整する。引き継ぎのたびに、文脈が失われる機会が生じる。
生産性ギャップは、単にソフトウェアを購入しなかったことの問題ではない。発注者、建築家、元請業者、専門工事業者、サプライヤー、行政機関は、それぞれ別の責任の下で活動している。各システムには、こうした契約上の境界が反映されている。
経済的な圧力はより明白になっている。McKinseyの推計では、建設業の生産性は2000年から2022年の間にわずか10％しか上昇していない。同じ期間に製造業の生産性は90％上昇した。
2026年7月のAEC analysisでは、25の領域にまたがる150超のワークフローについて、さまざまな自動化の可能性が示されている。この分析は、既存工程にアシスタントを追加するのではなく、ワークフロー全体を再設計することで価値が生まれると論じている。
労働力も別の制約を加える。Associated Builders and Contractorsは、米国では2026年に34万9,000人の建設労働者が追加で必要になると推定した。同団体のworkforce analysisは、支出の伸びが再開する2027年には45万6,000人の労働者が必要になると予測している。
AIは、構造システム、電気設備、配管、仕上げを施工するために必要な現場の専門職を代替できない。一方で、情報、資材、承認を待たせることでこうした労働者の手を止める調整上の失敗は減らせる。
このため工程管理は、単なる事務機能ではなくなる。工程表は、設計の準備状況、調達日程、職種の稼働可能性、現場へのアクセス、検査、資金調達を結び付ける。他の要素を更新せずに一つの入力だけを改善しても、魅力的だが実用できない計画になり得る。
MIT Suffolk AI construction studyは、工程最適化を中心的な接続点として扱っている。研究者らが、専門家が自身の専門領域を支持する傾向を調整した際には、最も強いグループ横断的な支持を得た。
圧力は複数の段階を管理する組織に最も重くのしかかる。発注者は共有データ標準を求めるべきか判断しなければならない。元請業者は、現場情報を設計・調達システムと結び付ける必要がある。設計者は、後工程の自動化に適したモデルを作成しなければならない。
下請業者は別の課題に直面する。設計を効率的に施工できるかを判断するために必要な実務知識の多くを持っているためだ。しかし、重要な設計判断がすでに行われた後にプロジェクトへ参加することが少なくない。
ソフトウェア企業にも圧力がかかる。AIアプリケーションは、別の孤立したインターフェースを増やすのではなく、利用可能なプロジェクトデータを相互にやり取りできなければならない。一つの製品内で説得力あるデモを示すだけでは、その結果が他者の業務を導けない限り不十分だ。
規制当局は商用テクノロジースタックの外側にいるが、許認可は依然として重要である。地域の行政機関に互換性のある記録、規則、審査システムがなければ、自動化された申請準備の価値は限定的となる。
したがって本レポートは、建設AIを調整の問題として捉え直している。モデルの品質は重要だが、正確なプロジェクト文脈へのアクセスはさらに重要である。プロジェクトチームが明確に記録していない意思決定を、システムが最適化することはできない。
真の仕組みはポイントツールではなく、接続されたワークフローにある
モデル化された削減効果は、プロジェクトの段階をまたいで情報が引き継ぎのたびに再構築されることなく移動することに依存する。
設計システムは多くの構造上の選択肢を生成できる。それらの選択肢が有用になるのは、数量、製作ルール、施工順序、地域法規、調達上の制約、目標収益を評価できる場合に限られる。
同じ原則は許認可にも当てはまる。AI法規チェッカーは、申請前に潜在的な不整合を特定できる。承認済みの変更が設計、見積、調達計画、工程表へ自動的に反映されるなら、その出力の価値はさらに高まる。
工程管理も別の例を示す。機械学習システムは、現在の進捗を計画された作業順序と比較できる。ただし、そのためには信頼できる現場観測、最新の設計情報、職種ごとの確約、資材の納入予定日が必要となる。
コンピュータビジョンは現場情報の収集を支援できる。カメラ、ドローン、モバイルデバイスにより、施工済みの作業を記録し、プロジェクト計画と比較できる。ソフトウェアは逸脱を警告できるが、その重要性は依然としてプロジェクトチームが確認しなければならない。
その確認は、複数の接続された行動を引き起こし得る。チームは工程表を更新し、代替資材についてサプライヤーに問い合わせ、予測を修正し、または設計に関する質問を送るかもしれない。価値は、この意思決定ループ全体を短縮することから生まれる。
この仕組みは、6つの削減推定値を合算できない理由を説明する。一部は重複する。設計の迅速化は調達を早め、調達の改善は工程リスクを減らし得る。各効果を独立して数えれば、合計は過大になる。
Suffolkは代わりに、こうした相互作用を調整する統合モデルを作成した。このアプローチは単純な足し算よりも信頼性が高いが、ワークフローがどれほど効果的につながるかについての仮定に依然として依存している。
したがって本レポートの最も強い主張は組織的なものだ。AIが企業の境界を越えて業務を調整するには、チームが共有の定義、データ構造、意思決定権限を整備しなければならない。
建設記録はこれを困難にする。建物は、図面、仕様書、提出書類、会議メモ、契約書、変更指示書、写真、検査記録、設備文書を生み出す可能性がある。こうした資料の多くは非構造化のまま残る。
検索可能なナレッジベースを作成すれば、技術的な文脈を探す時間を短縮できる。しかし検索だけでは、基礎となる情報が完全かつ一貫したものになるわけではない。
生成AIは条項を検索したり、報告書を要約したりできる。しかし、古い図面を施工の基準にすべきかどうかは判断できない。それには改訂管理、責任分担のルール、承認履歴が必要になる。
報告書は、データ管理を設計自動化の前提条件と位置付けている。生成ツールには、数量、システム、施工時間、プロジェクト成果に関する、クリーンで一元化され構造化された情報が必要だ。
多くの企業にはその基盤がない。建設データは、目下のプロジェクトを引き渡すために生成されるからだ。チームは建物を完成させ、クレームを解決し、検査に合格することに集中する。将来の機械学習に備えて、あらゆる意思決定を構造化することはめったにない。
契約上のインセンティブは、この問題を深刻化させる可能性がある。詳細なパフォーマンスデータを共有すれば、ミスが露呈したり、交渉上の立場が弱まったり、商業的に機微な情報が明らかになったりする恐れがある。参加者には、所有権、アクセス、セキュリティ、許容される再利用を定める明確なルールが必要だ。
相互運用性も別の障害となる。請負業者は社内アプリケーションを接続できても、各専門工事業者は異なるプラットフォームを使っている場合がある。規制当局は管轄区域ごとに別々の提出フォーマットを維持していることがある。発注者はプロジェクト完了時にしか情報を受け取れない場合もある。
報告書は、これらの障壁には業界全体の協力が必要だと論じる。そのモデル化された成果は、単一の組織がネットワーク全体を管理していないにもかかわらず、施工・引き渡しのための接続されたオペレーティングシステムに近いものを前提としている。
このことは、特定用途向けツールを補助的な役割に位置付ける。図面レビューや請求書処理のような限定的なワークフローでは価値を示せる。しかし、それだけで調査が示す総コストと工期の成果を生み出すことはできない。
6つのAIレバーは一体となって動かなければならない
各レバーは認識しやすい問題を解決するが、最大の効果は、一つの改善が後続の意思決定を変えるときに現れる。
設計自動化は連鎖の先頭に位置する。AIは、チームがまだ材料、構造レイアウト、プレファブ化の選択、建築設備を調整できる余地がある早い段階で、代替案を比較できる。
この調査では、設計サイクル時間を最大39％短縮できると報告している。また、設計・エンジニアリングコストの中で最大21％の削減可能性も示している。
これらはフェーズごとの推計だ。設計自動化だけで開発総コストを21％削減できるという意味ではない。統合モデルは、プロジェクト全体に対してより保守的な前提を適用している。
オフサイト製造は設計と生産を結び付ける。標準化された組立品は、変動の大きい現場条件から作業を移せるが、チームはより早い段階で意思決定しなければならない。後期の変更は工場の効率を損ない、高コストの手戻りを生む可能性がある。
AIは反復可能な部品を特定し、建築情報を製作可能な指示へ変換するのに役立つ。また、生産能力、納入時期、施工順序を調整することもできる。
このアプローチはカスタマイズをなくすものではない。カスタマイズを、構成可能なシステムや反復可能な部品へと移すものだ。完全なモジュール建築よりも、機械室、設備ポッド、廊下ラック、部品アセンブリのほうが、実用的な出発点になる。
許認可は、もう一つの不確実性の源に対応する。報告書によれば、米国には2万を超える独立した許認可管轄区域がある。それぞれが独自のルール、提出要件、審査手順を維持している場合がある。
テキストから意味を抽出する自然言語処理は、チームが建築基準法規や申請要件を読み解く助けになる。自動レビューは、正式な申請前に想定される衝突や不整合を明らかにできる。
ただし、地域の方針を文書検索に還元することはできない。法規には解釈、例外、プロジェクト固有の判断が含まれる。公共機関にも、ソフトウェアが安全に関する判断へ影響を与える場合の説明責任が必要だ。
スケジューリングは、計画された建物と実際の作業を結び付ける。AIシステムは多数の施工順序の選択肢を評価し、天候、労働力、調達、設計条件が変わった際に計画を修正できる。
この機能は、スケジュールが最新の現場データを受け取るときに、より有用になる。信頼できる進捗情報がなければ、最適化は不正確な状況認識に対する詳細な回答を生み出すだけだ。
労働力と下請け管理は5番目のレバーを構成する。AIは人員需要の予測、調整、パフォーマンス分析を支援できる。また、熟練労働者の引退時に実務知識を維持することにも役立つ。
報告書は、AIを熟練工の代替として提示していない。むしろ、待機時間の削減、準備の改善、今後の作業と作業員の適切なマッチングに焦点を当てている。
この区別は労働力不足の時期に重要だ。事務作業時間の削減にも価値はあるが、クルー全体の非生産的な一日を回避することは、プロジェクトにより大きな影響を与える。
サプライチェーンと調達がシステムを完成させる。予測ツールはリードタイムを監視し、リスクを特定し、購買文書を準備し、納入の選択肢を比較できる。
調達の意思決定は設計の確実性に左右される。早期購入はスケジュールを守るが、時期尚早なコミットメントは、設計変更時に無駄を生む可能性がある。より良い調整により、チームは同じ水準のリスクを引き受けずに早く行動できる。
現実的なユースケースは、6つの領域すべてを結び付ける。設計ツールが反復可能な機械設備アセンブリを特定する。法規レビューがその構成を確認し、調達が適切なサプライヤーを確認する。
次にスケジュールが工場と施工の能力を確保する。現場モニタリングが進捗を確認し、労働力計画が関連する専門工事を整合させる。設計変更は接続された各計画を更新する。
この一連の流れは、建設におけるAIの影響が一般的なオフィス自動化とどう異なるかを示している。最も価値の高い成果は、より速い要約やメールではない。より良い根拠に基づき、より早く行われる物理的なプロジェクト判断だ。
同時に、誰が影響力を失う可能性があるかも明らかにする。孤立した記録を中心に構築されたベンダーは、オープンな統合への需要に直面するかもしれない。情報の非対称性から利益を得る企業は、共有標準に抵抗する可能性がある。
逆に、大規模で整理されたプロジェクト履歴を持つ請負業者には優位性がある。品質、権限、一貫しない過去の慣行に対処することを前提に、その記録は予測やベンチマークを支えられる。
したがって競争上の分断は、単純に早期導入者と後発導入者の間にあるわけではない。接続された施工・引き渡しネットワークと、孤立したツールや契約の集合体との間にある。
見出しを飾る削減額は、実証済みの結果ではなくモデルである
報告書が自らの限界を率直に示していることは、その最も印象的な数値を解釈するうえで不可欠だ。
ホワイトペーパーは自らを「決定的な因果分析ではなく、方法論に関する声明」と説明している。著者らは、現時点の証拠では大規模なAI導入について統計的に有意な結論を裏付けられないとしている。
この警告は、17～20％のコスト推計に言及するたびに添えるべきだ。予測される22～25％の工期短縮についても同様である。
Suffolkの財務モデルは、完了済みのサンフランシスコの集合住宅プロジェクト1件を基準としている。研究者は、現代のAI能力が取得から完成までの施工・引き渡しをどのように変え得たかを評価した。
これは実測比較ではなく、管理されたシナリオを生み出す。このプロジェクトはAIありで一度、AIなしでもう一度施工されたわけではない。モデル化された能力の一部は、依然としてパイロット段階または個別アプリケーションにとどまっている。
プロジェクトの種類も重要だ。集合住宅建設には、標準化を支えられる反復可能な住戸やアセンブリが含まれる。病院、研究所、空港、改修プロジェクトでは、異なる規制や調整上の制約が生じる可能性がある。
地理的条件も結果を変える。許認可の遅延、労働力の確保、労働組合の慣行、資金調達条件、資材市場、地域の法規は大きく異なる。
発注・施工方式も別の変数となる。設計施工一括方式は、設計契約と建設契約を分ける従来のプロセスより早期の協働を支えられる。接続されたAIワークフローの価値は、こうした法的・商業的な取り決めを反映する。
研究者らによれば、次のフェーズには少なくとも数百件のプロジェクトから得られる構造化データが必要だ。それらのプロジェクトは、地域、資産タイプ、施工・引き渡しモデル、さまざまな複雑性の水準にまたがるべきである。
また、AI支援プロジェクトと従来型管理プロジェクトの間で、統制比較または準統制比較を行う必要があるとしている。こうした比較では、プロジェクト規模、発注者タイプ、地域、施工・引き渡し方式を考慮しなければならない。
導入にはコストが伴うため、縦断的研究が重要になる。企業は、生産性向上が可視化される前に、データを整理し、システムを統合し、労働者を訓練し、プロセスを変更し、出力を監視する必要がある。
選択バイアスも別のリスクだ。初期のAI研究への参加を望む企業は、すでにより強力な技術チーム、よりクリーンなデータ、またはより協調的な施工・引き渡し慣行を持っている可能性がある。
ベンダーの証拠も慎重に扱う必要がある。成功したパイロットは、選ばれた環境でアプリケーションが機能することを示せる。しかし、すべての請負業者が同じ成果を達成することを証明するものではない。
調査は、専門家投票における自己選択も認めている。参加者は自らの専門領域を高く評価する傾向があった。設計自動化は、設計に最も近い分野で働く専門家から大きな支持を得た。
これは調査結果を無効にするものではない。なぜ研究ロードマップが、より広範なデータセットと再現可能な測定を重視するのかを説明するものだ。
独立した業界の証拠も、慎重な解釈を支持している。建設企業は長年にわたり、クラウドプラットフォーム、BIM、リアリティキャプチャ、予測分析を導入してきた。実装の質が異なるため、成果には依然としてばらつきがある。
重要な問いは、AI機能が作業を実行できるかどうかではない。統合コスト、誤検知、人間によるレビュー、プロセス変更を加味した後、その機能が最終的なプロジェクト成果を改善するかどうかだ。
精度基準はワークフローごとに異なる。会議メモの下書きでは許容される誤りも、法規適合、構造設計、安全監視、支払い承認では許容されない。
ソフトウェアが行動を推奨する場合でも、責任は人間に残る。契約、専門資格、保険、公共安全のルールが、AIシステムにどこまでの権限を与えるかを形作る。
サイバーセキュリティと機密性も、さらなる制約を加える。プロジェクト記録には、建物システム、現場へのアクセス、商業条件、個人情報、セキュリティ上機微なインフラが含まれる可能性がある。
チームには、データアクセス、保持、モデル訓練、第三者処理のための統制が必要となる。接続されたワークフローは潜在的な価値を拡大する一方、ガバナンスが脆弱であることの影響も拡大する。
したがって、この調査の削減額は検証可能な仮説として扱うべきだ。それらは潜在的な到達点を定義し、研究の優先順位付けを助ける。建設AIソフトウェアを購入すれば投資回収が保証される、という意味ではない。
建設業者が今後18カ月で注視すべきこと
次の試金石は、業界がモデル化された可能性を比較可能なプロジェクトの証拠に置き換えられるかどうかだ。
最初のシグナルは、次の研究フェーズを支えるデータセットである。MITとSuffolkは、18カ月のロードマップの中で数百件のプロジェクトから情報を収集することを提案している。
有用な結果は、プロジェクトタイプ、地域、施工・引き渡し方式、AIアプリケーションを区別するものになる。また、研究者が従来型のベースラインをどのように設定し、プロジェクトの複雑性をどのように統制するかも開示すべきだ。
接続されたワークフローが孤立した導入を一貫して上回れば、広範なデータセットはこの調査の中心的な主張を強化する。弱い、または一貫しない結果は、見出しを飾る削減額への信頼を低下させるだろう。
2番目のシグナルは相互運用性の証拠だ。発注者と請負業者は、設計、調達、スケジューリング、許認可、現場システムが、実際に進行中のプロジェクトで構造化情報を交換しているかを注視すべきである。
意味のある実証は、同期されたダッシュボード以上のものを示すべきだ。設計変更のような実際のイベントを、コスト、スケジュール、購買、専門工事の調整、現場実行にわたって追跡できる必要がある。
共有データガバナンスの基準があれば、このシグナルはさらに強まる。所有権、権限、改訂履歴、モデル学習に関する明確なルールは、プロジェクト参加者間の抵抗を減らす可能性がある。
第3のシグナルは、慎重に選定されたパイロットの外での導入だ。最も強い証拠となるのは、ベンダーの専門家が管理するデモンストレーションではなく、複数チームにまたがる反復的な利用である。
建設事業者は、設計サイクル時間、許可申請の再提出、調達遅延、工程差異、手戻り、作業員の待機時間といった測定可能な成果を検証すべきだ。財務結果には、統合およびトレーニングのコストも含める必要がある。
また、誰が価値を獲得するのかにも注目すべきだ。請負業者が統合に資金を拠出する一方で、所有者が資金調達上の便益を得る場合がある。下請け業者が、元請け業者の予測を改善するデータを提供する可能性もある。
便益とコストが異なる組織に帰属すれば、導入は停滞する。より優れたモデルと同じくらい、新たな契約形態や所有者側の要件が重要になる可能性がある。
規制当局の参加にも同等の注意を払うべきだ。許認可業務の自動化は、請負業者向けソフトウェアだけでは拡大できない。公的機関は記録を標準化し、自動化されたチェックを公式審査にどのように組み込むかを決めなければならない。
MIT Suffolk AI construction studyは、協調的な実験を進めるべきだという説得力のある論拠を示している。最も重要な貢献は、すべてのプロジェクトのコストが5分の1削減されるという約束ではない。
AIが実際の建設成果をどこで変えるのかを検証するための枠組みを提供している点にある。また、その枠組みが業界のベンチマークとなる前に、なお不足している証拠も明示している。
デベロッパー、請負業者、テクノロジー購入者にとって、実践的な次の一歩は、つながったワークフローを1つ選び、測定可能なベースラインを確立することだ。人によるレビューや統合作業を含め、意思決定チェーン全体で何が変わるかを追跡する。そして、その結果が次のプロジェクトでも再現されるかを問う。その証拠によって、AI建設が有望なパイロットの寄せ集めにとどまるのか、それとも建設のための異なる運営モデルになるのかが決まる。
