Modely a platformy AI
Co odhalil summit o transformaci AI a dat ve stavebnictví Canada 2026 o podnikové AI

Klíčové bodyHlavním omezením podnikové AI je nyní organizace obklopující model, nikoli přístup k…
Zobrazit více
- Hlavním omezením podnikové AI je nyní organizace obklopující model, nikoli přístup k modelu.
- Připravenost dat je trvalá provozní disciplína, protože AI nedokáže rekonstruovat informace, které nebyly nikdy zachyceny.
- Investice do AI čelí rostoucímu zkoumání návratnosti, protože firmy požadují měřitelné výsledky spojené s konkrétními provozními problémy.
Upozornění: AMG World uspořádala účast Unite.AI na summitu v Torontu. Pozorování a závěry v tomto článku jsou naše vlastní.
Stavebnictví možná není prvním odvětvím, v němž by lidé hledali náznaky dalšího směřování umělé inteligence. Právě proto však představuje tak užitečnou zkoušku této technologie.
Stavebnictví se vyznačuje složitými dodavatelskými řetězci, decentralizovanými týmy, zastaralými systémy, fyzickými riziky, nízkými maržemi a obrovským množstvím informací vznikajících na proměnlivých staveništích. Systém AI může v kontrolovaném prostředí předvést působivé výsledky, ale zajistit za těchto podmínek spolehlivý přínos je úplně jiná výzva.
Na summitu o transformaci AI a dat ve stavebnictví v Kanadě 2026, který AMG World pořádala 17. listopadu v Torontu, se odráželo, že trh s AI vstupuje do náročnější fáze. Program konference se věnoval měřitelné návratnosti investic, propojeným datům, digitálním dvojčatům, transformaci pracovních sil a provoznímu nasazení. V prezentacích a diskusích u kulatých stolů však opakovaně zazníval jeden závěr: hlavní překážkou podnikové AI už není přístup k výkonnému modelu. Je jí organizace, která tento model obklopuje.
Ambice v oblasti AI narážejí na provozní realitu
Účastníky nebylo třeba přesvědčovat, že AI může stavebnictví ovlivnit. Náročnější otázky se týkaly toho, jak ji nasadit, kde ji využít a jak prokázat dostatečný přínos, aby se investice vyplatila.
Mnoho organizací se zřejmě ocitá mezi ambicemi a nejistotou. Chtějí AI zavádět, ale dosud nemají jasný postup, jak určit vhodné případy použití, přidělit odpovědnost nebo technologii zavést tak, aby ji zaměstnanci přijali. Jde o zdravější přístup než bezvýhradné nadšení, které provázelo počáteční boom generativní AI.
To zároveň znamená, že dodavatelé čelí náročnějším zákazníkům. Působivé uživatelské rozhraní nestačí. Stavební firmy stále častěji chtějí vědět, jak systém AI zapadne do jejich stávajícího datového prostředí, co se stane, když některé informace chybějí, jak lze ověřit výsledky a zda nasazení obstojí při střetu se skutečným provozem v terénu.
I diskuse o modelech působila užším dojmem, než by naznačoval širší trh s AI. Claude byl jediným univerzálním velkým jazykovým modelem, který se opakovaně objevil v rozhovorech zachycených v našich poznámkách. Nelze to chápat jako zjištění o podílu na trhu. Naznačuje to však, že zavádění AI ve firmách se často soustředí na malý počet nástrojů, které již překonaly interní překážky v oblasti důvěry, bezpečnosti nebo nákupního schvalování.
Nejdůležitější problém AI začíná ještě před modelem
Nejčastěji se opakovala obava o kvalitu dat.
Digitální dvojčata byla názorným příkladem. Digitální dvojče je užitečné pouze tehdy, pokud do něj ze všech relevantních částí projektu průběžně proudí informace. Pokud dodavatel neodešle aktualizaci, systém třetí strany zpřístupňuje jen část potřebných informací nebo zaměstnanec odejde, aniž by předal své znalosti, model se postupně odtrhává od reality.
Výsledek může stále působit sofistikovaně. Může však být také nesprávný.
Tento problém nelze vyřešit zvětšením modelu. AI nedokáže spolehlivě rekonstruovat provozní informace, které nikdy nebyly zaznamenány. Nemůže také určit, kdo měl za doplnění chybějících údajů odpovídat, pokud organizace tuto odpovědnost předem nestanovila.
V torontských diskusích se opakovaně vracela potřeba důvěryhodných informací, jasných datových struktur a postupů, které udržují modely aktuální. I proto se v oficiálním programu konference kladl tak velký důraz na datové základy, propojené procesy realizace, digitální dvojčata a sladění lidí a procesů.
Pro širší odvětví AI z toho plyne důležité poučení: připravenost dat není jen jednorázové vyčištění databáze před nasazením. Jde o průběžnou provozní disciplínu.
Terénní týmy se stávají součástí infrastruktury AI
Jedno z nejpraktičtějších zjištění konference se týkalo role projektových manažerů. Byli označeni za klíčový článek při získávání informací z terénu a zajišťování toho, aby se dostaly do systémů využívaných širší organizací.
Projektoví manažeři a pracovníci v první linii se tak stávají součástí infrastruktury AI, ať už jejich pracovní pozice umělou inteligenci zmiňuje, nebo ne.
Pokud shromažďování informací vyžaduje vyplňování dalších formulářů, dvojí zadávání údajů nebo zavedení složitého nového pracovního postupu, mezery v datech přetrvají. Nejúčinnější systémy proto budou ty, které začlení přesný sběr dat do samotného plnění pracovních úkolů, místo aby jej následně ukládaly jako další administrativní zátěž.
To je důležité zejména v odvětví, kde řada pracovních postupů stále probíhá analogově a kde zaměstnanci, dodavatelé, odbory, poskytovatelé technologií i vlastníci projektů mohou s informacemi pracovat různými způsoby. Úspěšné nasazení vyžaduje víc než jen zpřístupnit lidem asistenta AI. Je třeba navrhnout spolehlivý tok informací napříč celou organizací.
Návratnost investic se posuzuje stále přísněji
Účastníci také upozornili na obavy z investic do AI, které zatím nepřinesly původně očekávanou návratnost. Zmínili náklady na tokeny, větším problémem však bylo riziko pro investovaný kapitál.
Stavební společnosti jsou zvyklé hodnotit projekty z hlediska nákladů, harmonogramu, bezpečnosti a míry rizika. Je nepravděpodobné, že budou neomezeně tolerovat experimentování s AI bez jasně stanovených hranic, zejména pokud nasazení kromě využívání modelů vyžaduje nové integrace, poradenství, školení a přípravu dat.
To neznamená, že firmy od AI ustupují. Znamená to, že požadují těsnější propojení této technologie s měřitelným obchodním výsledkem.
Nejvěrohodnější nasazení budou řešit konkrétní provozní problémy: omezovat administrativní práci, zlepšovat přístup ke znalostem o projektech, odhalovat rizika pro harmonogram, udržovat digitální záznamy nebo pomáhat týmům rozhodovat se rychleji na základě informací, které už mají k dispozici. Iniciativa v oblasti AI popisovaná pouze jako transformace narazí na větší odpor než iniciativa zaměřená na konkrétní úzké místo.
Spolehlivost se stává součástí výpočtu návratnosti investic. Účastníci se ptali, co by se stalo, kdyby služba AI nebo významná cloudová platforma přestala být dostupná. Jakmile se AI začlení do provozního pracovního postupu, nelze plánování kontinuity provozu dál odkládat. Organizace musí vědět, které činnosti mohou pokračovat, která rozhodnutí vyžadují náhradní postup s účastí člověka a jak se systémy obnoví, aniž by došlo ke ztrátě dat.
Zavádění naráží na lidské překážky
Objevovaly se obavy z nahrazení pracovních míst, ale také bezprostřednější překážka: mnozí zaměstnanci zatím nemají ani základní představu o tom, co AI dokáže a co ne.
To vytváří riziko oběma směry. Zaměstnanci se mohou užitečným systémům vyhýbat, protože jim nedůvěřují, nebo se na jejich výstupy spoléhat příliš snadno, protože přeceňují jejich přesnost.
Tuto výzvu nevyřeší jediné školení. Přijetí AI závisí na tom, zda zaměstnancům ukážeme, jak jim pomáhá při práci, jasně stanovíme odpovědnost člověka a zvolíme aplikace, jejichž užitečnost zaměstnanci sami rozpoznají.
Pro malé a středně velké firmy je to obzvlášť obtížné. Mnohé nemají kapacitu vytvořit specializovaný tým pro AI ani svěřit dlouhodobou odpovědnost za experimentální iniciativu. Otázky týkající se trénování vlastního LLM proto mohou být méně důležité než otázky přístupu k datům, správy a řízení, vyhodnocování a toho, kdo ponese odpovědnost za výsledný systém.
Tržní příležitost je značná, ale mohou z ní těžit především poskytovatelé, kteří dokážou snížit organizační složitost, místo aby pouze dodali další model.
Stavebnictví je zátěžovou zkouškou podnikové AI
Hodnota summitu v Torontu spočívala v tom, že se zaměřil na rozdíl mezi úspěšnou ukázkou a spolehlivým nasazením. Kombinace prezentací a menších diskusí u kulatých stolů poskytla prostor provozním otázkám, které uhlazené příběhy o AI často opomíjejí.
Stavebnictví odhaluje téměř všechny slabiny, s nimiž se podniková AI musí vypořádat: roztříštěné informace, proměnlivé prostředí, zastaralé procesy, opatrné zákazníky, omezené technické kapacity, odpor pracovníků a závažné důsledky chybných informací.
Zároveň ukazuje, proč je tato příležitost tak lákavá. Propojení znalostí o projektech, dat z terénu, digitálních dvojčat a zkušeností organizace by mohlo výrazně zlepšit způsob, jakým firmy plánují a realizují složité projekty. Uspějí však systémy, díky nimž budou informace úplnější, důvěryhodnější a dostupnější lidem odpovědným za jejich využití.
Diskuse pokračuje i mimo Toronto
Série akcí AMG World zaměřená na stavebnictví pokračuje summitem o AI a datové transformaci ve stavebnictví v Austinu 2027 dne 26. ledna a poté summitem o AI a datové transformaci ve stavebnictví v Evropě 2027 v Londýně dne 23. února.
Pořadatel rozšiřuje diskusi také do dalších odvětví náročných na správu majetku. Jeho summit o AI a technologiích v ropném a plynárenském průmyslu 2027 se uskuteční 9. února v Houstonu a setkají se na něm odborníci na AI, data, digitální transformaci a provozní řízení z energetického sektoru.
Pokud lze soudit podle Toronta, další fázi podnikové AI nepovede ten, kdo předvede nejpůsobivější ukázku. V čele budou organizace, které dokážou propojit model s důvěryhodnými daty, lidmi nesoucími odpovědnost, odolnými procesy a obchodním výsledkem, do něhož stojí za to investovat.












