Badanie MIT i Suffolk dotyczące AI w budownictwie wskazuje na duże oszczędności, ale uznaje je za orientacyjne
MIT i Suffolk Construction opublikowały wspólne badanie dotyczące AI w budownictwie, zawierające uderzający szacunek: skoordynowane wdrożenie mogłoby obniżyć koszty projektu o 17–20 procent. Model przewiduje również skrócenie harmonogramu o 22–25 procent. Badacze wyraźnie zaznaczają jednak, że liczby te nie są jeszcze potwierdzonymi benchmarkami dla branży.
To zastrzeżenie stanowi główne napięcie tej historii. Badanie MIT i Suffolk dotyczące AI w budownictwie wskazuje sześć obszarów, w których sztuczna inteligencja mogłaby usprawnić realizację projektów. Największe oszczędności wynikają jednak z modelowania jednego ukończonego projektu mieszkaniowego wielorodzinnego, a nie z pomiarów setek inwestycji wykorzystujących AI.
Raport podważa zatem dwie znane strategie technologiczne w budownictwie. Kupowanie odizolowanych narzędzi AI nie przyniesie zamodelowanego rezultatu. Czekanie, aż każda aplikacja dojrzeje niezależnie, również pomija fakt, że projektowanie, uzyskiwanie pozwoleń, zaopatrzenie, harmonogramowanie i realizacja na placu budowy wzajemnie na siebie wpływają.
Jego zasadniczy argument jest szerszy. Firmy budowlane muszą połączyć rozproszone dane i decyzje, zanim AI będzie mogła zmienić ekonomię projektów. Wywiera to presję na inwestorów, projektantów, wykonawców, podwykonawców, regulatorów i dostawców oprogramowania, by koordynowali przepływy pracy, które ich umowy tradycyjnie rozdzielają.
Co faktycznie ustaliło badanie MIT i Suffolk dotyczące AI w budownictwie
Raport przedstawia połączony system realizacji projektów, a nie listę niezależnych produktów AI.
Suffolk opublikował badanie wraz z MIT Center for Real Estate i grupą MIT Media Lab City Science 16 września 2026 roku. Badania rozpoczęły się w październiku 2025 roku i obejmowały branżowy okrągły stół w marcu 2026 roku.
Branżowy okrągły stół zgromadził ponad 40 inwestorów, firm budowlanych, projektantów i liderów technologicznych. Późniejszy white paper oparto na szerszych odpowiedziach z ankiet, wywiadach, studiach przypadków i badaniach akademickich.
Badacze przeanalizowali 178 źródeł i uporządkowali potencjalne zastosowania w sześciu priorytetowych obszarach:
Automatyzacja projektowania
Produkcja poza placem budowy
Uzyskiwanie pozwoleń
Harmonogramowanie
Wykwalifikowana siła robocza i podwykonawstwo
Łańcuch dostaw i zaopatrzenie
Automatyzacja projektowania obejmuje systemy generujące warianty, analizujące rysunki, wykrywające kolizje i łączące projekty z budżetami lub wymaganiami produkcyjnymi. Modelowanie informacji o budynku, czyli BIM, zapewnia uporządkowaną reprezentację cyfrową potrzebną do realizacji wielu z tych zadań.
Produkcja poza placem budowy przenosi powtarzalne elementy budynku do kontrolowanych środowisk produkcyjnych. AI może wspierać ten proces, identyfikując odpowiednie zestawy elementów, koordynując ograniczenia projektowe i planując logistykę przed rozpoczęciem montażu.
Zastosowania związane z pozwoleniami obejmują automatyczne kontrole zgodności z przepisami i przygotowywanie wniosków. Systemy te mogłyby wykrywać konflikty przed złożeniem dokumentów, choć organy regulacyjne nadal zachowałyby kontrolę nad zatwierdzeniami i lokalnymi interpretacjami.
Systemy harmonogramowania analizują historię projektów, kolejność prac, siłę roboczą i bieżące warunki. Mogą modelować alternatywy, gdy opóźnienia lub zmiany zakresu sprawiają, że pierwotny plan staje się nierealistyczny.
Narzędzia dotyczące pracy i podwykonawstwa koncentrują się na planowaniu zatrudnienia, koordynacji branż, informacjach o wynikach i transferze wiedzy. Zastosowania w łańcuchu dostaw prognozują terminy realizacji, organizują zakupy i wcześniej sygnalizują ryzyka związane z materiałami.
Dla poszczególnych obszarów badanie wskazuje potencjalną poprawę czasu lub efektywności w zakresie od 15 do 40 procent. Przytacza możliwe oszczędności kosztowe od 8 do 21 procent, zależnie od przepływu pracy.
Liczby te nie opisują oszczędności dla całego projektu. Większość pochodzi z wczesnych pilotaży, wybranych studiów przypadków, branż pokrewnych lub szacunków uczestników. Badacze wielokrotnie określają je jako orientacyjne.
Suffolk zastosował następnie sześć dźwigni do projektu mieszkaniowego wielorodzinnego ukończonego w San Francisco między 2021 a 2024 rokiem. Zintegrowany model oszacował całkowite oszczędności kosztów na 17–20 procent oraz oszczędności harmonogramowe na 22–25 procent.
Model przewidział również wzrost nielewarowanej wewnętrznej stopy zwrotu o pięć do sześciu punktów procentowych. Rentowność kosztowa wzrosła w scenariuszu o jeden do dwóch punktów procentowych.
Te zmiany finansowe są istotne, ponieważ decyzje deweloperskie często zależą od wąskich progów wykonalności. Krótszy harmonogram ogranicza ekspozycję na finansowanie i pozwala szybciej oddać ukończoną nieruchomość do użytkowania. Niższa niepewność może również zwiększyć komfort inwestorów przy finansowaniu projektu.
Mimo to model nie dokumentuje budynku zrealizowanego z wykorzystaniem kompletnego proponowanego systemu. Narzędzia istnieją na różnych poziomach dojrzałości, lecz nie działały razem jako jeden zintegrowany proces realizacji.
To rozróżnienie zmienia optymistyczny nagłówek w program badań. Badanie opisuje, co mogłoby osiągnąć połączone budownictwo wspierane przez AI, a następnie wzywa branżę do przedstawienia dowodów.
Dlaczego luka produktywności w budownictwie podnosi stawkę
AI pojawia się, ponieważ budownictwo musi realizować więcej pracy przy ograniczonej dostępności pracowników i utrzymujących się problemach z koordynacją.
Raport opisuje sektor o słabym wzroście produktywności, rozproszonej informacji i ograniczonych inwestycjach technologicznych. Dane projektowe często są rozproszone między rysunkami, umowami, harmonogramami, e-mailami, raportami z placu budowy i oddzielnymi systemami firmowymi.
To rozproszenie tworzy powtarzalną pracę administracyjną. Zespoły ręcznie przenoszą ilości, odpowiadają na zapytania o informacje, porównują postęp z harmonogramami i uzgadniają zmiany w zaopatrzeniu. Każde przekazanie tworzy kolejną możliwość utraty kontekstu.
Luka produktywności nie jest po prostu skutkiem niekupowania oprogramowania. Inwestorzy, architekci, generalni wykonawcy, wyspecjalizowane firmy wykonawcze, dostawcy i agencje publiczne działają w ramach odrębnych odpowiedzialności. Ich systemy odzwierciedlają te granice kontraktowe.
Presja ekonomiczna stała się bardziej widoczna. McKinsey szacuje, że produktywność w budownictwie wzrosła zaledwie o 10 procent między 2000 a 2022 rokiem. Produktywność w produkcji przemysłowej wzrosła w tym samym okresie o 90 procent.
Jego analiza AEC z lipca 2026 roku wskazuje ponad 150 przepływów pracy w 25 obszarach o zróżnicowanym potencjale automatyzacji. Analiza przekonuje, że wartość będzie wynikać z przeprojektowania kompletnych przepływów pracy, a nie z dołączania asystentów do istniejących kroków.
Kolejnym ograniczeniem jest siła robocza. Associated Builders and Contractors oszacowało, że Stany Zjednoczone potrzebowały w 2026 roku dodatkowych 349 000 pracowników budowlanych. Jego analiza rynku pracy prognozuje zapotrzebowanie na 456 000 pracowników w 2027 roku, gdy wzrost wydatków ponownie przyspieszy.
AI nie może zastąpić pracowników fizycznych potrzebnych do montażu systemów konstrukcyjnych, urządzeń elektrycznych, instalacji rurowych czy wykończeń. Może ograniczyć błędy koordynacyjne, przez które ci pracownicy czekają na informacje, materiały lub zatwierdzenia.
Dlatego harmonogramowanie staje się czymś więcej niż funkcją administracyjną. Harmonogram łączy gotowość projektu, terminy zaopatrzenia, dostępność ekip, dostęp do placu budowy, inspekcje i finansowanie. Usprawnienie jednego elementu bez aktualizacji pozostałych może stworzyć atrakcyjny, ale niemożliwy do wykorzystania plan.
Badanie MIT i Suffolk dotyczące AI w budownictwie traktuje optymalizację harmonogramu jako centralny punkt połączenia. Otrzymała ona najsilniejsze poparcie między grupami, gdy badacze skorygowali wyniki pod kątem ekspertów faworyzujących własne specjalizacje.
Największa presja spada na organizacje kontrolujące wiele etapów. Inwestorzy muszą zdecydować, czy wymagać wspólnych standardów danych. Generalni wykonawcy muszą połączyć informacje z placu budowy z systemami projektowymi i zaopatrzeniowymi. Projektanci muszą tworzyć modele nadające się do automatyzacji na kolejnych etapach.
Podwykonawcy stają przed innym wyzwaniem. Dysponują znaczną częścią praktycznej wiedzy potrzebnej do ustalenia, czy projekt można sprawnie zrealizować. Często jednak dołączają do projektów po podjęciu kluczowych decyzji projektowych.
Firmy programistyczne także odczuwają presję. Ich aplikacje AI muszą wymieniać użyteczne dane projektowe, zamiast tworzyć kolejny odizolowany interfejs. Przekonująca demonstracja w obrębie jednego produktu nie wystarczy, jeśli wynik nie może kierować pracą innej strony.
Regulatorzy znajdują się poza komercyjnym stosem technologicznym, lecz uzyskiwanie pozwoleń pozostaje kluczowe. Automatyczne przygotowywanie wniosków ma ograniczoną wartość, gdy lokalne urzędy nie dysponują kompatybilnymi rejestrami, zasadami lub systemami oceny.
Raport ujmuje więc AI w budownictwie jako problem koordynacji. Jakość modelu ma znaczenie, ale dostęp do dokładnego kontekstu projektu ma większe. System nie może zoptymalizować decyzji, której zespół projektowy nigdy jasno nie udokumentował.
Rzeczywistym mechanizmem są połączone przepływy pracy, a nie pojedyncze narzędzia
Modelowane oszczędności zależą od przepływu informacji między fazami projektu bez konieczności odtwarzania jej przy każdym przekazaniu.
System projektowy może generować wiele wariantów konstrukcyjnych. Stają się one użyteczne tylko wtedy, gdy system potrafi ocenić ilości, zasady prefabrykacji, kolejność prac budowlanych, lokalne przepisy, ograniczenia zaopatrzeniowe i docelowe zwroty.
Ta sama zasada dotyczy pozwoleń. Kontroler zgodności z przepisami oparty na AI może wykryć potencjalne konflikty przed złożeniem wniosku. Jego wynik staje się bardziej wartościowy, gdy zatwierdzone zmiany automatycznie aktualizują projekt, kosztorys, plan zaopatrzenia i harmonogram.
Kolejny przykład stanowi harmonogramowanie. System uczenia maszynowego może porównywać bieżący postęp z planowaną sekwencją. Potrzebuje jednak wiarygodnych obserwacji z placu budowy, aktualnych informacji projektowych, zobowiązań ekip i terminów dostaw materiałów.
Wizja komputerowa może pomóc w zbieraniu informacji z placu budowy. Kamery, drony lub urządzenia mobilne mogą dokumentować wykonane prace i porównywać je z planami projektu. Oprogramowanie może oznaczać odchylenia, ale zespół projektowy nadal musi ocenić ich znaczenie.
Taka ocena może uruchomić kilka połączonych działań. Zespół może zaktualizować harmonogram, zapytać dostawcę o materiał zastępczy, skorygować prognozę lub wysłać pytanie projektowe. Wartość wynika ze skrócenia całej tej pętli decyzyjnej.
Mechanizm ten wyjaśnia, dlaczego sześciu szacunków oszczędności nie można po prostu zsumować. Niektóre z nich się pokrywają. Szybsze projektowanie może przyspieszyć zaopatrzenie, a lepsze zaopatrzenie może ograniczyć ryzyko dla harmonogramu. Liczenie każdego efektu niezależnie zawyżyłoby sumę.
Suffolk stworzył zamiast tego zintegrowany model uwzględniający te interakcje. Podejście jest bardziej wiarygodne niż proste dodawanie, lecz nadal zależy od założeń dotyczących skuteczności łączenia przepływów pracy.
Najmocniejsze twierdzenie raportu ma zatem charakter organizacyjny. Zespoły muszą stworzyć wspólne definicje, struktury danych i uprawnienia decyzyjne, zanim AI będzie mogła koordynować pracę ponad granicami firm.
Dokumentacja budowlana utrudnia to zadanie. Budynek może generować rysunki, specyfikacje, przedłożenia, notatki ze spotkań, umowy, zlecenia zmian, zdjęcia, protokoły inspekcji i dokumenty dotyczące wyposażenia. Znaczna część tych materiałów pozostaje nieustrukturyzowana.
Tworzenie przeszukiwalnej bazy wiedzy może skrócić czas potrzebny na znalezienie kontekstu technicznego. Samo wyszukiwanie nie sprawia jednak, że podstawowe informacje stają się kompletne lub spójne.
Generatywna AI może wyszukać klauzulę lub podsumować raport. Nie potrafi jednak określić, czy nieaktualny rysunek powinien stanowić podstawę montażu. Wymaga to kontroli wersji, zasad odpowiedzialności i historii zatwierdzeń.
Raport uznaje zarządzanie danymi za warunek wstępny automatyzacji projektowania. Narzędzia generatywne potrzebują czystych, scentralizowanych i ustrukturyzowanych informacji o ilościach, systemach, czasie montażu i wynikach projektów.
Wiele firm nie ma takiej podstawy, ponieważ dane budowlane są tworzone z myślą o bieżącej realizacji projektu. Zespoły koncentrują się na ukończeniu budynku, rozstrzygnięciu roszczenia lub przejściu inspekcji. Rzadko porządkują każdą decyzję pod kątem przyszłego uczenia maszynowego.
Zachęty kontraktowe mogą pogłębiać ten problem. Udostępnianie szczegółowych danych dotyczących wyników może ujawniać błędy, osłabiać pozycję negocjacyjną lub zdradzać informacje wrażliwe z punktu widzenia biznesu. Uczestnicy potrzebują jasnych zasad regulujących własność, dostęp, bezpieczeństwo i dozwolone ponowne wykorzystanie danych.
Interoperacyjność tworzy kolejną przeszkodę. Wykonawca może połączyć swoje wewnętrzne aplikacje, podczas gdy poszczególne branże korzystają z różnych platform. Organ regulacyjny może utrzymywać odrębne formaty zgłoszeń dla każdej jurysdykcji. Właściciel może otrzymywać informacje dopiero przy zamknięciu projektu.
Raport twierdzi, że bariery te wymagają współpracy całej branży. Modelowany rezultat zakłada coś bliższego połączonemu systemowi operacyjnemu realizacji projektów, mimo że żadna pojedyncza organizacja nie kontroluje całej sieci.
W tym układzie narzędzia punktowe pełnią rolę wspierającą. Mogą udowodnić swoją wartość w wąskich procesach, takich jak przegląd rysunków lub przetwarzanie faktur. Nie mogą samodzielnie zapewnić pełnego efektu kosztowego i harmonogramowego opisanego w badaniu.
Sześć dźwigni AI musi działać razem
Każda dźwignia rozwiązuje rozpoznawalny problem, ale największe korzyści pojawiają się wtedy, gdy jedna poprawa zmienia decyzje podejmowane dalej w procesie.
Automatyzacja projektowania znajduje się na początku tego łańcucha. AI może wcześniej porównywać alternatywy, gdy zespoły wciąż mają możliwość dostosowania materiałów, układów konstrukcyjnych, wyborów dotyczących prefabrykacji i systemów budynkowych.
Badanie wskazuje na możliwość skrócenia cyklu projektowego nawet o 39 procent. Identyfikuje również potencjalne oszczędności sięgające 21 procent w kosztach projektowania i inżynierii.
Są to szacunki dotyczące konkretnych faz. Nie oznaczają, że sama automatyzacja projektowania obniża całkowity koszt inwestycji o 21 procent. Zintegrowany model stosuje bardziej konserwatywne założenia dla całego projektu.
Produkcja poza placem budowy łączy projektowanie z produkcją. Standaryzowane zespoły mogą przenieść pracę poza zmienne warunki na budowie, ale zespoły muszą podejmować decyzje wcześniej. Późne zmiany mogą podważyć efektywność fabryki i prowadzić do kosztownych przeróbek.
AI może identyfikować powtarzalne komponenty i pomagać przekształcać informacje architektoniczne w instrukcje gotowe do produkcji. Może również koordynować zdolności produkcyjne, terminy dostaw i sekwencje montażu.
To podejście nie eliminuje dostosowywania do indywidualnych potrzeb. Przesuwa je w kierunku konfigurowalnych systemów i powtarzalnych części. Pomieszczenia techniczne, moduły instalacyjne, stelaże korytarzowe i zespoły komponentów oferują bardziej praktyczne punkty wyjścia niż kompletne budynki modułowe.
Pozwolenia dotyczą kolejnego źródła niepewności. Raport zauważa, że Stany Zjednoczone mają ponad 20 000 niezależnych jurysdykcji wydających pozwolenia. Każda z nich może utrzymywać własne zasady, wymagania dotyczące składanych dokumentów i kolejność przeglądu.
Przetwarzanie języka naturalnego, które wydobywa znaczenie z tekstu, może pomagać zespołom poruszać się po przepisach budowlanych i wymaganiach dotyczących wniosków. Zautomatyzowany przegląd może wskazywać prawdopodobne konflikty przed oficjalnym złożeniem dokumentów.
Lokalnej polityki nie da się jednak sprowadzić do wyszukiwania dokumentów. Przepisy zawierają interpretacje, wyjątki i oceny specyficzne dla danego projektu. Agencje publiczne potrzebują również rozliczalności, gdy oprogramowanie wpływa na decyzję dotyczącą bezpieczeństwa.
Harmonogramowanie łączy planowany budynek z faktycznymi pracami. Systemy AI mogą oceniać wiele opcji sekwencjonowania i aktualizować plany, gdy zmieniają się warunki pogodowe, dostępność pracy, zaopatrzenie lub warunki projektowe.
Funkcja ta staje się bardziej użyteczna, gdy harmonogram otrzymuje aktualne dane z placu budowy. Bez wiarygodnych informacji o postępach optymalizacja jedynie tworzy szczegółową odpowiedź na niedokładny obraz sytuacji.
Praca i podwykonawstwo stanowią piątą dźwignię. AI może wspierać prognozowanie zapotrzebowania na pracowników, koordynację i analizę wyników. Może również zachowywać praktyczną wiedzę, gdy doświadczeni pracownicy odchodzą na emeryturę.
Raport nie przedstawia AI jako substytutu wykwalifikowanych fachowców. Zamiast tego koncentruje się na ograniczaniu czasu oczekiwania, lepszym przygotowaniu i pomaganiu zespołom w dopasowywaniu pracowników do nadchodzących zadań.
To rozróżnienie ma znaczenie podczas niedoboru siły roboczej. Oszczędność godzin administracyjnych ma wartość, ale uniknięcie nieproduktywnego dnia całej ekipy ma znacznie większy wpływ na projekt.
Łańcuch dostaw i zakupy dopełniają system. Narzędzia predykcyjne mogą monitorować terminy realizacji, identyfikować ryzyka, przygotowywać dokumenty zakupowe i porównywać opcje dostaw.
Decyzje zakupowe zależą od pewności projektu. Wczesny zakup chroni harmonogram, lecz przedwczesne zobowiązania mogą prowadzić do marnotrawstwa, gdy projekt się zmienia. Lepsza koordynacja pozwala zespołom działać wcześniej bez akceptowania tego samego poziomu ryzyka.
Realistyczny przypadek użycia łączy wszystkie sześć obszarów. Narzędzie projektowe identyfikuje powtarzalny zespół mechaniczny. Przegląd zgodności z przepisami sprawdza konfigurację, a zakupy potwierdzają odpowiednich dostawców.
Następnie harmonogram rezerwuje moce produkcyjne i montażowe. Monitorowanie w terenie weryfikuje postępy, podczas gdy planowanie pracy synchronizuje odpowiednie branże. Zmiana projektu aktualizuje każdy połączony plan.
Ta sekwencja pokazuje, czym wpływ AI w budownictwie różni się od ogólnej automatyzacji biurowej. Najcenniejszym rezultatem nie jest szybsze podsumowanie ani e-mail. Jest nim fizyczna decyzja projektowa podjęta wcześniej na podstawie lepszych danych.
Ujawnia również, kto może stracić wpływy. Dostawcy działający wokół odizolowanych rejestrów mogą spotkać się z rosnącym popytem na otwarte integracje. Firmy korzystające z asymetrii informacyjnej mogą sprzeciwiać się wspólnym standardom.
Z kolei wykonawcy dysponujący dużymi, uporządkowanymi historiami projektów mają przewagę. Ich rejestry mogą wspierać prognozowanie i benchmarking, pod warunkiem że rozwiążą kwestie jakości, uprawnień i niespójnych praktyk historycznych.
Podział konkurencyjny nie przebiega zatem po prostu między wczesnymi a późnymi użytkownikami. Przebiega między połączonymi sieciami realizacji a zbiorami odizolowanych narzędzi i kontraktów.
Nagłośnione oszczędności są modelem, a nie potwierdzonym wynikiem
Szczerość raportu dotycząca jego ograniczeń jest kluczowa dla interpretacji jego najbardziej imponujących liczb.
Biała księga określa się jako „opis metodologii, a nie definitywna analiza przyczynowa”. Jej autorzy twierdzą, że obecne dowody nie pozwalają na wyciąganie statystycznie istotnych wniosków dotyczących wdrożenia AI na dużą skalę.
To zastrzeżenie powinno towarzyszyć każdemu odniesieniu do szacunku kosztów na poziomie 17–20 procent. To samo dotyczy prognozowanego skrócenia harmonogramu o 22–25 procent.
Model finansowy Suffolk wykorzystuje jako podstawę jeden ukończony projekt mieszkaniowy wielorodzinny w San Francisco. Badacze ocenili, jak nowoczesne możliwości AI mogłyby zmienić jego realizację między nabyciem a ukończeniem.
Tworzy to kontrolowany scenariusz, a nie zmierzone porównanie. Projekt nie został zrealizowany raz z AI, a następnie ponownie bez niej. Kilka modelowanych możliwości pozostaje pilotażami lub odrębnymi zastosowaniami.
Znaczenie ma również typ projektu. Budownictwo wielorodzinne obejmuje powtarzalne lokale i zespoły, które mogą wspierać standaryzację. Szpital, laboratorium, lotnisko lub renowacja mogą stwarzać inne ograniczenia regulacyjne i koordynacyjne.
Geografia również zmienia rezultat. Opóźnienia w uzyskiwaniu pozwoleń, dostępność pracowników, praktyki związkowe, warunki finansowania, rynki materiałowe i lokalne przepisy znacznie się różnią.
Metoda realizacji tworzy kolejną zmienną. Design-build może wspierać wcześniejszą współpracę lepiej niż konwencjonalny proces, który rozdziela kontrakty projektowe i budowlane. Wartość połączonych procesów AI będzie odzwierciedlać te ustalenia prawne i handlowe.
Badacze twierdzą, że kolejna faza wymaga ustrukturyzowanych danych z co najmniej kilkuset projektów. Projekty te powinny obejmować różne lokalizacje, typy aktywów, modele realizacji i poziomy złożoności.
Wzywają również do kontrolowanych lub quasi-kontrolowanych porównań projektów wspieranych przez AI z projektami zarządzanymi konwencjonalnie. Takie porównania muszą uwzględniać skalę projektu, typ właściciela, geografię i metodę realizacji.
Badania podłużne będą ważne, ponieważ wdrożenie wiąże się z kosztami. Firmy muszą oczyścić dane, integrować systemy, szkolić pracowników, zmieniać procesy i monitorować wyniki, zanim wzrost produktywności stanie się widoczny.
Kolejnym ryzykiem jest błąd selekcji. Firmy gotowe uczestniczyć we wczesnych badaniach nad AI mogą już mieć silniejsze zespoły technologiczne, czystsze dane lub bardziej współpracujące praktyki realizacji.
Dowody dostawców również wymagają ostrożnego traktowania. Udany pilotaż może pokazać, że aplikacja działa w wybranym środowisku. Nie dowodzi, że każdy wykonawca osiągnie taki sam wynik.
Badanie uznaje samoselekcję wśród ekspertów uczestniczących w głosowaniu. Uczestnicy często wysoko oceniali własne dziedziny. Automatyzacja projektowania otrzymała znaczne poparcie od specjalistów pracujących najbliżej projektowania.
Nie unieważnia to ustaleń. Wyjaśnia, dlaczego plan badań kładzie nacisk na szersze zbiory danych i powtarzalne pomiary.
Niezależne dowody branżowe również wspierają ostrożną interpretację. Firmy budowlane od lat wdrażają platformy chmurowe, BIM, rejestrację rzeczywistości i analitykę predykcyjną. Wyniki pozostają nierówne, ponieważ jakość wdrożenia jest zróżnicowana.
Istotne pytanie nie brzmi, czy funkcja AI wykonuje zadanie. Brzmi, czy funkcja ta poprawia końcowy wynik projektu po uwzględnieniu kosztów integracji, fałszywych alertów, przeglądu przez ludzi i zmian procesowych.
Standardy dokładności będą różnić się zależnie od procesu. Sporządzanie notatek ze spotkań toleruje błąd, którego nie można zaakceptować przy zgodności z przepisami, projekcie konstrukcyjnym, monitorowaniu bezpieczeństwa ani zatwierdzaniu płatności.
Odpowiedzialność pozostaje po stronie człowieka, nawet gdy oprogramowanie rekomenduje działanie. Kontrakty, licencje zawodowe, ubezpieczenia i zasady bezpieczeństwa publicznego będą kształtować zakres uprawnień systemu AI.
Cyberbezpieczeństwo i poufność nakładają dodatkowe ograniczenia. Dokumentacja projektu może obejmować systemy budynkowe, dostęp do terenu, warunki handlowe, informacje osobowe i infrastrukturę wrażliwą z punktu widzenia bezpieczeństwa.
Zespoły będą potrzebować mechanizmów kontroli dostępu do danych, ich przechowywania, trenowania modeli i przetwarzania przez strony trzecie. Połączony proces zwiększa potencjalną wartość, ale zwiększa też konsekwencje słabego zarządzania.
Oszczędności wskazane w badaniu należy zatem traktować jako hipotezę możliwą do przetestowania. Określają potencjalny cel i pomagają ustalać priorytety badawcze. Nie gwarantują zwrotu z zakupu oprogramowania AI dla budownictwa.
Na co wykonawcy powinni zwracać uwagę w ciągu najbliższych 18 miesięcy
Kolejnym testem będzie to, czy branża zdoła zastąpić modelowany potencjał porównywalnymi dowodami projektowymi.
Pierwszym sygnałem jest zbiór danych stojący za kolejną fazą badań. MIT i Suffolk proponują gromadzenie informacji z kilkuset projektów w ramach 18-miesięcznego planu działania.
Użyteczne wyniki będą rozróżniać typy projektów, lokalizacje, metody realizacji i zastosowania AI. Powinny także ujawniać, w jaki sposób badacze ustalają konwencjonalne wartości bazowe i kontrolują złożoność projektów.
Szeroki zbiór danych wzmocniłby centralny argument badania, gdyby połączone procesy konsekwentnie przewyższały odizolowane wdrożenia. Słabe lub niespójne wyniki zmniejszyłyby zaufanie do nagłośnionych oszczędności.
Drugim sygnałem są dowody interoperacyjności. Właściciele i wykonawcy powinni obserwować, czy systemy projektowania, zakupów, harmonogramowania, pozwoleń i prac terenowych wymieniają ustrukturyzowane informacje w realizowanych projektach.
Znacząca demonstracja powinna pokazywać więcej niż zsynchronizowane pulpity nawigacyjne. Powinna prześledzić rzeczywiste zdarzenie, takie jak zmiana projektu, poprzez koszty, harmonogram, zakupy, koordynację branż i realizację w terenie.
Wspólne standardy zarządzania danymi wzmocniłyby ten sygnał. Jasne zasady dotyczące własności, uprawnień, historii zmian i trenowania modeli mogłyby ograniczyć opór między uczestnikami projektów.
Trzecim sygnałem jest wdrażanie rozwiązań poza starannie dobranymi pilotażami. Najmocniejszym dowodem będzie powtarzalne wykorzystanie ich przez wiele zespołów, a nie prezentacja prowadzona przez specjalistów dostawcy.
Firmy realizujące projekty powinny analizować mierzalne rezultaty, takie jak czas cyklu projektowego, ponowne składanie wniosków o pozwolenia, opóźnienia w zakupach, odchylenia od harmonogramu, poprawki oraz czas oczekiwania pracowników. Wyniki finansowe powinny uwzględniać koszty integracji i szkoleń.
Powinny także obserwować, kto przechwytuje wartość. Wykonawca może finansować integrację, podczas gdy korzyść finansową otrzymuje właściciel. Podwykonawca może dostarczać dane, które poprawiają prognozy generalnego wykonawcy.
Wdrożenia utkną w miejscu, gdy korzyści i koszty będą przypadać różnym organizacjom. Nowe struktury umów lub wymagania właścicieli mogą okazać się równie istotne jak lepsze modele.
Na równą uwagę zasługuje udział organów regulacyjnych. Automatyzacja procesu wydawania pozwoleń nie może skalować się wyłącznie dzięki oprogramowaniu wykonawców. Instytucje publiczne muszą ujednolicić dokumentację i zdecydować, jak zautomatyzowane kontrole wpisują się w oficjalny proces oceny.
Badanie MIT Suffolk dotyczące AI w budownictwie przedstawia wiarygodne argumenty za skoordynowanymi eksperymentami. Jego najważniejszym wkładem nie jest obietnica, że każdy projekt stanie się o jedną piątą tańszy.
Oferuje ono ramy do testowania, w jakich obszarach AI zmienia rzeczywiste wyniki projektów budowlanych. Wskazuje też dowody, których wciąż brakuje, zanim te ramy staną się branżowym punktem odniesienia.
Dla deweloperów, wykonawców i nabywców technologii praktycznym kolejnym krokiem jest wybranie jednego połączonego przepływu pracy oraz ustalenie mierzalnej wartości bazowej. Należy śledzić zmiany w całym łańcuchu decyzyjnym, w tym pracę związaną z weryfikacją przez ludzi i integracją. Następnie warto zapytać, czy rezultat powtarza się w kolejnym projekcie. To właśnie te dowody zdecydują, czy AI w budownictwie pozostanie portfelem obiecujących pilotaży, czy stanie się odmiennym modelem operacyjnym wznoszenia budynków.
