AI-modeller og plattformer

Hva toppmøtet om AI- og datatransformasjon i bygg- og anleggsbransjen i Canada 2026 avdekket om kunstig intelligens i virksomheter

Antoine Tardif
Legg til Unite.AI blant dine foretrukne kilder på Google
Toronto construction site with a digital twin and connected data pathways
Viktige punkterHovedbegrensningen for bedrifts-AI er nå organisasjonen rundt modellen snarere enn…
Vis mer
  • Hovedbegrensningen for bedrifts-AI er nå organisasjonen rundt modellen snarere enn tilgang til modellen.
  • Dataklarhet er en kontinuerlig operasjonell disiplin fordi AI ikke kan rekonstruere informasjon som aldri ble fanget opp.
  • AI-investeringer møter økende ROI-gransking ettersom selskaper krever målbare resultater knyttet til spesifikke operasjonelle problemer.

Opplysning: AMG World var vertskap for Unite.AI under toppmøtet i Toronto. Observasjonene og konklusjonene i denne artikkelen står vi selv ansvarlige for.

Bygg- og anleggsbransjen er kanskje ikke det første stedet folk ser etter tegn på hvilken retning kunstig intelligens tar. Nettopp derfor er bransjen en så nyttig testarena for teknologien.

Bygg- og anleggsbransjen omfatter komplekse forsyningskjeder, desentraliserte team, eldre systemer, fysisk risiko, små marginer og enorme mengder informasjon som genereres på byggeplasser i stadig endring. Et AI-system kan levere en imponerende demonstrasjon under kontrollerte forhold, men å skape pålitelig verdi under slike forhold er en helt annen utfordring.

På AMG Worlds toppmøte om AI- og datatransformasjon i bygg- og anleggsbransjen i Canada 2026 i Toronto 17. november gjenspeilet samtalene et AI-marked som går inn i en mer krevende fase. Konferanseprogrammet tok for seg målbar avkastning på investeringer, sammenkoblede data, digitale tvillinger, omstilling av arbeidsstyrken og operasjonell utrulling. Likevel var det én konklusjon som skilte seg ut på tvers av presentasjonene og rundebordssamtalene: Den største begrensningen for AI i virksomheter er ikke lenger tilgangen på en kraftig modell. Det er organisasjonen rundt modellen.

AI-ambisjoner møter den operasjonelle virkeligheten

Det var liten grunn til å overbevise deltakerne om at AI kunne påvirke bygg- og anleggsbransjen. De vanskeligere spørsmålene var hvordan teknologien skulle tas i bruk, hvor den skulle anvendes, og hvordan man kunne dokumentere tilstrekkelig verdi til å forsvare investeringen.

Mange organisasjoner ser ut til å være fanget mellom ambisjoner og usikkerhet. De ønsker å ta i bruk AI, men har ennå ingen tydelig prosess for å identifisere de rette bruksområdene, plassere ansvaret eller innføre teknologien på en måte de ansatte vil akseptere. Dette er en sunnere samtale enn den ukritiske begeistringen som preget den tidlige boomen innen generativ AI.

Det betyr også at leverandørene møter mer krevende kunder. Et tiltalende grensesnitt er ikke nok. Bygg- og anleggsfirmaer vil i økende grad vite hvordan et AI-system passer inn i det eksisterende datamiljøet deres, hva som skjer når informasjon mangler, hvordan resultatene kan valideres, og om løsningen vil fungere i møte med den faktiske driften ute på byggeplassen.

Samtalene om modeller virket også smalere enn det det bredere AI-markedet kanskje skulle tilsi. Claude var den eneste generelle store språkmodellen som gjentatte ganger ble nevnt i samtalene vi dokumenterte i notatene våre. Dette bør ikke tolkes som en konklusjon om markedsandeler. Det tyder likevel på at innføringen i virksomheter ofte konsentreres rundt et lite antall verktøy som allerede har passert tersklene for intern tillit, sikkerhet eller innkjøp.

Det viktigste AI-problemet oppstår før modellen

Datakvalitet var den mest vedvarende bekymringen.

Digitale tvillinger var et tydelig eksempel. En digital tvilling er bare nyttig hvis informasjonen fortsetter å strømme inn fra alle relevante deler av et prosjekt. Hvis en entreprenør ikke sender inn en oppdatering, et tredjepartssystem bare viser deler av den nødvendige informasjonen, eller en ansatt slutter uten å overføre kunnskapen sin, vil modellen gradvis komme på avstand fra virkeligheten.

Resultatet kan fortsatt se avansert ut. Det kan også være feil.

Dette er ikke et problem som kan løses ved å øke modellstørrelsen. AI kan ikke pålitelig rekonstruere operasjonell informasjon som aldri ble registrert. Teknologien kan heller ikke fastslå hvem som hadde ansvaret for å fylle et tomrom, med mindre organisasjonen har tydelig plassert dette ansvaret.

Samtalene i Toronto vendte stadig tilbake til behovet for pålitelig informasjon, tydelige datastrukturer og prosesser som holder modellene oppdaterte. Dette er en av grunnene til at den offisielle konferanseagendaen la så stor vekt på datagrunnlag, sammenhengende gjennomføring, digitale tvillinger og samordning av mennesker og prosesser.

For den bredere AI-bransjen er lærdommen viktig: Datamodenhet er ikke bare et prosjekt for å rydde opp i databaser før utrulling. Det er en kontinuerlig operasjonell disiplin.

Arbeidslagene ute på byggeplassen blir en del av AI-infrastrukturen

En av konferansens mest praktiske observasjoner gjaldt prosjektledernes rolle. De ble utpekt som et avgjørende ledd i innhentingen av informasjon fra byggeplassen og i arbeidet med å sørge for at den når systemene som brukes av resten av organisasjonen.

Dermed er prosjektledere og teamene ute i førstelinjen en del av AI-infrastrukturen, enten stillingstitlene deres nevner kunstig intelligens eller ikke.

Hvis det kreves ekstra skjemaer, dobbeltregistrering eller en komplisert ny arbeidsflyt for å registrere informasjon, vil mangelen på data vedvare. De mest effektive systemene vil derfor være de som gjør nøyaktig dataregistrering til en naturlig del av arbeidet, i stedet for en ekstra administrativ byrde som pålegges etterpå.

Dette er særlig viktig i en bransje der mange arbeidsflyter fortsatt er analoge, og der ansatte, underleverandører, fagforeninger, teknologileverandører og prosjekteiere kan forholde seg til informasjon på ulike måter. Vellykket innføring krever mer enn å gi folk tilgang til en KI-assistent. Det krever at man utformer en pålitelig informasjonsflyt gjennom hele organisasjonen.

Avkastningen på investeringene granskes stadig nøyere

Deltakerne tok også opp bekymringer knyttet til KI-investeringer som ennå ikke hadde gitt den avkastningen man opprinnelig forventet. Tokenkostnader ble nevnt, men den større bekymringen var kapitalrisiko.

Bygg- og anleggsbedrifter er vant til å vurdere prosjekter ut fra kostnader, tidsplaner, sikkerhet og eksponering. De vil neppe godta KI-eksperimentering uten klare tidsrammer på ubestemt tid, særlig når innføringen krever nye integrasjoner, konsulentbistand, opplæring og klargjøring av data i tillegg til bruk av modeller.

Det betyr ikke at selskapene trekker seg tilbake fra KI. Det betyr at de krever en tydeligere sammenheng mellom teknologien og et målbart forretningsresultat.

De mest troverdige implementeringene vil være knyttet til konkrete driftsproblemer: å redusere administrativt arbeid, gjøre prosjektkunnskap lettere tilgjengelig, avdekke risiko for forsinkelser, vedlikeholde digitale registre eller hjelpe team med å ta raskere beslutninger på grunnlag av informasjon de allerede har. Et KI-initiativ som bare beskrives som transformasjon, vil møte større motstand enn et initiativ som er utformet for å løse en tydelig flaskehals.

Pålitelighet blir en stadig viktigere del av beregningen av avkastningen på investeringene. Deltakerne stilte spørsmål om hva som ville skje dersom en KI-tjeneste eller en større skyplattform ble utilgjengelig. Når KI først er integrert i en operativ arbeidsflyt, kan planlegging for kontinuitet ikke lenger være noe man tar stilling til i etterkant. Organisasjoner må vite hvilke arbeidsoppgaver som kan fortsette, hvilke beslutninger som krever en menneskelig reserveordning, og hvordan systemene skal gjenopprettes uten at data går tapt.

Innføringen er fortsatt en menneskelig utfordring

Frykten for at KI skal erstatte arbeidsplasser var til stede, men det samme var en mer umiddelbar hindring: Mange ansatte har ennå ikke grunnleggende forståelse av hva KI kan og ikke kan gjøre.

Dette skaper risiko i begge retninger. Ansatte kan unngå nyttige systemer fordi de ikke stoler på dem, eller stole for mye på resultatene fordi de overvurderer hvor nøyaktige de er.

Utfordringen løses ikke med én enkelt opplæringsøkt. Innføringen avhenger av at man viser de ansatte hvordan KI støtter arbeidet deres, tydeliggjør ansvaret mennesker fortsatt har, og velger løsninger som de ansatte selv kan se nytten av.

Dette er særlig vanskelig for små og mellomstore bedrifter. Mange har ikke kapasitet til å opprette et eget KI-team eller gi et eksperimentelt initiativ et langsiktig ansvarlig eierskap. Spørsmål om opplæring av en intern stor språkmodell (LLM) kan derfor være mindre viktige enn spørsmål om datatilgang, styring, evaluering og hvem som fortsatt har ansvar for systemet som utvikles.

Markedsmuligheten er betydelig, men den kan tilfalle leverandører som bidrar til å redusere organisatorisk kompleksitet, snarere enn bare å levere enda en modell.

Bygg og anlegg setter KI for næringslivet på prøve

Det som gjorde toppmøtet i Toronto verdifullt, var fokuset på avstanden mellom en vellykket demonstrasjon og en pålitelig implementering. Kombinasjonen av presentasjoner og mindre rundebordsdiskusjoner ga rom for driftsutfordringene som glansede KI-fortellinger ofte utelater.

Bygg og anlegg synliggjør nesten alle svakhetene KI for næringslivet må overvinne: fragmentert informasjon, skiftende omgivelser, utdaterte prosesser, forsiktige kjøpere, begrenset teknisk kapasitet, motstand blant arbeidsstyrken og alvorlige konsekvenser dersom informasjonen er feil.

Det viser også hvorfor muligheten fortsatt er så lovende. Å koble sammen prosjektkunnskap, feltdata, digitale tvillinger og organisasjonens erfaring kan forbedre måten selskaper planlegger og gjennomfører komplekse arbeider på, i betydelig grad. Men vinnersystemene vil være dem som gjør informasjonen mer fullstendig, pålitelig og tilgjengelig for dem som skal handle på grunnlag av den.

Samtalen fortsetter etter Toronto

AMG Worlds serie om bygg og anlegg fortsetter med Toppmøtet om KI og datatransformasjon i bygg- og anleggsbransjen i Austin 2027 26. januar, etterfulgt av Toppmøtet om KI og datatransformasjon i bygg- og anleggsbransjen i Europa 2027 i London 23. februar.

Arrangøren tar også diskusjonen videre til andre anleggstunge bransjer. Toppmøtet om KI og teknologi i olje- og gassbransjen 2027 avholdes i Houston 9. februar og samler ledere innen KI, data, digital transformasjon og drift fra energisektoren.

Hvis Toronto er en pekepinn, vil ikke neste fase av KI for næringslivet bli ledet av den som lager den mest prangende demonstrasjonen. Den vil bli ledet av organisasjoner som kan koble modellen til pålitelige data, ansvarlige mennesker, robuste prosesser og et forretningsresultat det er verdt å finansiere.

Antoine er en visjonær leder og medgrunnlegger i Unite.AI, drevet av en urokkelig lidenskap for å forme og fremme fremtiden for AI og robotikk. Som seriegründer mener han at AI vil forandre samfunnet like grunnleggende som elektrisiteten, og han snakker ofte begeistret om potensialet i banebrytende teknologier og kunstig generell intelligens (AGI).

Som futurist er han opptatt av å utforske hvordan disse innovasjonene vil forme verden. Han er også grunnlegger av Securities.io, en plattform som fokuserer på investeringer i avanserte teknologier som omdefinerer fremtiden og omformer hele bransjer.