Budownictwo

Dlaczego budownictwo jest specyficzne dla AI

Branża budowlana globalnie od dwóch dekad jest opisywana jako jedna z najmniej cyfryzowanych. McKinsey Global Institute „Reinventing Construction" z 2017 roku (aktualizacja 2024) konsekwentnie wskazuje, że tempo wzrostu produktywności w budownictwie wynosi około jedną trzecią tempa w przemyśle wytwórczym. Połowa wartości projektów budowlanych ginie w nieefektywnościach: ponowna praca, przestoje, błędy projektowe, opóźnienia.

To paradoksalnie czyni budownictwo branżą o jednym z najwyższych teoretycznych potencjałów AI. Modele uczone na danych projektowych mogą dostarczyć przewagę większą niż w branżach już zoptymalizowanych.

World Economic Forum „Shaping the Future of Construction" raportuje od kilku lat o tej samej tezie: technologia istnieje, blokerami są organizacja, kultura zmiany, jakość danych.

Pięć obszarów wdrożeń AI z udokumentowanym potencjałem ROI

Synteza z McKinsey 2024, BCG 2025, WEF 2025.

Estymacja kosztów ofertowych. AI uczony na historycznych projektach (kosztorysy, oferty, kontrakty zrealizowane) skraca czas przygotowania oferty z tygodni do dni. McKinsey wskazuje, że firmy budowlane tracą od 30 do 60 procent szans ofertowych z powodu tempa odpowiedzi. Szybsza estymacja to bezpośrednio wyższy win rate.

Predykcja opóźnień w harmonogramach. Modele uczone na historycznych harmonogramach przewidują, które zadania w bieżącym projekcie są zagrożone opóźnieniem. Daje czas na interwencję przed problemem operacyjnym, nie po. BCG cytuje przykłady globalnych firm budowlanych, w których ten use case dał najszybsze, najtańsze ROI.

Klasyfikacja dokumentów projektowych i BIM. Building Information Modeling plus AI: automatyczne tagowanie rysunków, ekstrakcja parametrów technicznych z PDF, weryfikacja zgodności z normami. Wymaga uporządkowanego BIM Common Data Environment, którego znaczna część polskich firm nie ma. Tu mocna luka: bez CDE jako fundamentu, narzędzia AI dla BIM nie mają na czym pracować.

Predictive maintenance maszyn budowlanych. Klasyczny use case Industry 4.0. Wymaga jakości danych z telematyki maszyn, w polskiej flocie ograniczonej dla starszych pojazdów. To powód, dla którego w praktyce nie jest to dobry pierwszy projekt AI, mimo że często sugerują go vendorzy.

Bezpieczeństwo pracy oparte na computer vision. Kamery na budowie wykrywają naruszenia BHP (brak kasku, niewłaściwy strój, zachowania ryzykowne). Krótkie technologiczne ROI, ale wymaga rozmowy z radą pracowniczą, zgodności z RODO art. 6 ust. 1 lit. f, polityki retencji nagrań. Pierwsze pilotaże w polskich firmach budowlanych już są.

Specyfika regulacyjna w polskim kontekście

Trzy obszary regulacyjne, których w innych branżach nie ma w tej intensywności.

Prawo budowlane wymaga dokumentacji projektowej w określonej formie i zatwierdzeń przez osoby z uprawnieniami budowlanymi. Modele AI generujące fragmenty dokumentacji muszą być traktowane jako narzędzie pomocnicze, nie zastępujące podpisu uprawnionej osoby.

AI Act z lutego 2026 klasyfikuje systemy decyzyjne w infrastrukturze krytycznej (mosty, drogi, energetyka, systemy wodne) jako wysokiego ryzyka. Wdrożenie AI w generalnym wykonawstwie projektów infrastrukturalnych wymaga oceny ryzyka, dokumentacji technicznej, human oversight, log retention przez minimum sześć miesięcy.

BHP. Wprowadzenie computer vision na budowie wymaga zgody pracowników, polityki retencji nagrań, dokumentacji oceny ryzyka. Naruszenie ścieżki konsultacji ze związkami zawodowymi może spowodować wstrzymanie wdrożenia przez Inspekcję Pracy.

Dlaczego większość projektów AI w budownictwie nie skaluje się

RAND Corporation w raporcie RRA2680-1 z 2024 roku wymienia siedem przyczyn niepowodzeń projektów AI niezależnie od branży. W kontekście budownictwa najczęstsze są trzy.

Brak metryk sukcesu zdefiniowanych przed startem. Projekt rusza, bo na konferencji ktoś mówił o AI, albo bo zarząd nie chce zostać z tyłu. Nikt nie zapisał na piśmie, co konkretnie ma się zmienić w liczbach. Po dwóch kwartałach CFO żąda raportu, nikt nie umie odpowiedzieć.

Dane nie są AI-ready. ERP wdrożony lata temu z niekompletnymi master data. CRM nie integruje się z systemem ofertowym. Telematyka maszyn w trzech różnych formatach. Modele AI uczone na takich danych zwracają wyniki niegodne zaufania.

Brak capability transfer. Vendor wdraża, klient płaci, vendor wychodzi. Po roku każda zmiana wymaga ponownego zamówienia konsultanta, koszt utrzymania osiąga 30-50 procent kosztu pierwotnego wdrożenia rocznie. To wzorzec, który BCG opisuje jako jedną z najczęstszych pułapek w branży.

Jak wygląda audyt yesfor.ai dla firmy budowlanej

Standardowy audyt to czterotygodniowy proces.

Tydzień 1. Warsztaty strategiczne z zarządem. Cel: zdefiniować, w którym obszarze firma najbardziej traci pieniądze, gdzie procesy są najsłabiej zmapowane, jakie KPI są aktualnie mierzone.

Tydzień 2. Wywiady z dyrektorem ofertowym, kierownikiem przygotowania produkcji, kierownikami kluczowych budów, kierownikiem działu IT. Mapowanie procesów AS-IS. Identyfikacja punktów bólu.

Tydzień 3. Analiza danych: jakie systemy są zintegrowane, gdzie są silosy, jaki jest realny stan jakości master data. Sprawdzenie AI Readiness Score w ośmiu obszarach.

Tydzień 4. Pisemny raport: wynik AI Readiness Score, lista trzech do pięciu quick wins z business case'ami, mapa drogowa na osiemnaście miesięcy, rekomendacja czy iść w pilot teraz, czy najpierw porządkować fundament.

Pierwszą referencją yesfor.ai z polskiej budowlanki jest szkolenie executive dla zarządu jednego z wiodących generalnych wykonawców (maj 2026).