Modele i platformy AI

Co ujawnił szczyt AI i transformacji danych w budownictwie Canada 2026 na temat AI w przedsiębiorstwach

Antoine Tardif
Dodaj Unite.AI do preferowanych źródeł w Google
Toronto construction site with a digital twin and connected data pathways
Kluczowe punktyGłównym ograniczeniem sztucznej inteligencji w przedsiębiorstwach jest teraz…
Zobacz więcej
  • Głównym ograniczeniem sztucznej inteligencji w przedsiębiorstwach jest teraz organizacja wokół modelu, a nie dostęp do modelu.
  • Gotowość danych to ciągła dyscyplina operacyjna, ponieważ AI nie może odtworzyć informacji, które nigdy nie zostały zebrane.
  • Inwestycje w AI podlegają rosnącej kontroli ROI, ponieważ firmy wymagają mierzalnych wyników powiązanych z konkretnymi problemami operacyjnymi.

Informacja: AMG World gościło Unite.AI podczas szczytu w Toronto. Spostrzeżenia i wnioski zawarte w tym artykule są naszymi własnymi.

Branża budowlana może nie być pierwszym miejscem, w którym szuka się wskazówek dotyczących kierunku rozwoju sztucznej inteligencji. Właśnie dlatego stanowi tak użyteczny sprawdzian tej technologii.

Budownictwo łączy złożone łańcuchy dostaw, zdecentralizowane zespoły, przestarzałe systemy, zagrożenia fizyczne, niskie marże i ogromne ilości informacji generowanych na zmieniających się placach budowy. System AI może robić imponujące wrażenie podczas prezentacji w kontrolowanym środowisku, ale zapewnienie niezawodnej wartości w takich warunkach to zupełnie inne wyzwanie.

Podczas szczytu AI i transformacji danych w budownictwie Canada 2026, zorganizowanego przez AMG World 17 listopada w Toronto, dyskusje odzwierciedlały wejście rynku AI w bardziej wymagającą fazę. Program konferencji obejmował mierzalny zwrot z inwestycji, zintegrowane dane, cyfrowe bliźniaki, transformację pracowników i wdrażanie rozwiązań w działalności operacyjnej. Jednak podczas prezentacji i dyskusji przy okrągłym stole wyraźnie wyłonił się jeden wniosek: głównym ograniczeniem dla AI w przedsiębiorstwach nie jest już dostęp do zaawansowanego modelu. Jest nim organizacja, która ten model otacza.

Ambicje związane z AI zderzają się z rzeczywistością operacyjną

Nie trzeba było przekonywać uczestników, że AI może wpłynąć na budownictwo. Trudniejsze pytania dotyczyły tego, jak ją wdrażać, gdzie ją stosować i jak wykazać wystarczającą wartość, by uzasadnić inwestycję.

Wiele organizacji wydaje się tkwić między ambicjami a niepewnością. Chcą wdrażać AI, ale wciąż nie mają jasnego procesu identyfikowania odpowiednich zastosowań, przypisywania odpowiedzialności ani wprowadzania tej technologii w sposób, który spotka się z akceptacją pracowników. To zdrowsza dyskusja niż bezwarunkowy entuzjazm, który charakteryzował początkowy boom na generatywną AI.

Oznacza to również, że dostawcy mają do czynienia z bardziej wymagającymi klientami. Atrakcyjny interfejs to za mało. Firmy budowlane coraz częściej chcą wiedzieć, jak system AI wpisuje się w ich istniejące środowisko danych, co się dzieje, gdy brakuje informacji, jak można zweryfikować wyniki oraz czy rozwiązanie sprawdzi się w zetknięciu z rzeczywistymi działaniami w terenie.

Dyskusja o modelach wydawała się zawężona w porównaniu z tym, czego można by oczekiwać, patrząc na szerszy rynek AI. Claude był jedynym dużym modelem językowym ogólnego przeznaczenia, który wielokrotnie wymieniano w rozmowach odnotowanych w naszych notatkach. Nie należy interpretować tego jako danych o udziałach w rynku. Sugeruje to jednak, że wdrażanie AI w przedsiębiorstwach często koncentruje się wokół niewielkiej liczby narzędzi, które przekroczyły już wewnętrzne progi zaufania, bezpieczeństwa lub zamówień.

Najważniejszy problem związany z AI pojawia się, zanim jeszcze powstanie model

Jakość danych była najczęściej powracającym problemem.

Cyfrowe bliźniaki były tego wyraźnym przykładem. Cyfrowy bliźniak jest użyteczny tylko wtedy, gdy nieustannie napływają do niego informacje z każdej istotnej części projektu. Jeśli wykonawca nie przekaże aktualizacji, system zewnętrzny udostępni tylko część wymaganych informacji albo pracownik odejdzie, nie przekazując swojej wiedzy, model stopniowo przestaje odzwierciedlać rzeczywistość.

Rezultat może nadal wyglądać na zaawansowany. Może też być błędny.

Nie da się rozwiązać tego problemu przez zwiększenie rozmiaru modelu. AI nie jest w stanie wiarygodnie odtworzyć informacji operacyjnych, których nigdy nie zebrano. Nie może też ustalić, kto odpowiadał za uzupełnienie braków, jeśli organizacja wcześniej nie przypisała tej odpowiedzialności.

Podczas dyskusji w Toronto wielokrotnie powracano do potrzeby zapewnienia wiarygodnych informacji, przejrzystych struktur danych i procesów aktualizowania modeli. To jeden z powodów, dla których w oficjalnym programie konferencji tak duży nacisk położono na fundamenty danych, zintegrowaną realizację projektów, cyfrowe bliźniaki oraz zgranie ludzi i procesów.

Dla szeroko rozumianej branży AI płynie stąd ważna nauka: gotowość danych to nie tylko projekt porządkowania baz danych, który kończy się przed wdrożeniem. To nieustanna dyscyplina operacyjna.

Zespoły terenowe stają się częścią infrastruktury AI

Jedna z najbardziej praktycznych obserwacji z konferencji dotyczyła roli kierowników projektów. Wskazano ich jako kluczowe ogniwo w pozyskiwaniu informacji z terenu i dbaniu o to, by trafiały one do systemów wykorzystywanych w całej organizacji.

Oznacza to, że kierownicy projektów i zespoły pracujące na pierwszej linii stają się częścią infrastruktury AI, niezależnie od tego, czy w nazwach ich stanowisk pojawia się sztuczna inteligencja.

Jeśli zbieranie informacji wymaga wypełniania dodatkowych formularzy, wielokrotnego wprowadzania tych samych danych lub stosowania skomplikowanego, nowego obiegu pracy, problem braków danych będzie się utrzymywał. Najskuteczniejsze systemy będą więc takie, które sprawiają, że dokładne gromadzenie danych staje się naturalną częścią wykonywania pracy, a nie dodatkowym obciążeniem administracyjnym nakładanym po jej zakończeniu.

Ma to szczególne znaczenie w branży, w której wiele procesów nadal przebiega analogowo, a pracownicy, podwykonawcy, związki zawodowe, dostawcy technologii i właściciele projektów mogą w różny sposób korzystać z informacji. Skuteczne wdrożenie wymaga czegoś więcej niż zapewnienia ludziom dostępu do asystenta AI. Konieczne jest zaprojektowanie niezawodnego przepływu informacji w całej organizacji.

Coraz większa presja na wykazanie zwrotu z inwestycji

Uczestnicy poruszyli również kwestię inwestycji w AI, które nie przyniosły jeszcze oczekiwanych początkowo korzyści. Wspomniano o kosztach tokenów, ale większym problemem było ryzyko kapitałowe.

Firmy budowlane przywykły do oceny projektów pod kątem kosztów, harmonogramu, bezpieczeństwa i poziomu ryzyka. Trudno oczekiwać, że będą bezterminowo tolerować eksperymenty z AI bez jasno określonego zakresu, zwłaszcza gdy wdrożenie wymaga nowych integracji, konsultingu, szkoleń i przygotowania danych, a także korzystania z modeli.

Nie oznacza to, że firmy wycofują się z AI. Oznacza natomiast, że oczekują wyraźniejszego powiązania tej technologii z mierzalnymi wynikami biznesowymi.

Najbardziej wiarygodne wdrożenia będą odpowiadać na konkretne problemy operacyjne: ograniczać pracę administracyjną, ułatwiać dostęp do wiedzy o projektach, identyfikować zagrożenia dla harmonogramu, prowadzić dokumentację cyfrową lub pomagać zespołom szybciej podejmować decyzje na podstawie posiadanych już informacji. Inicjatywa AI przedstawiana wyłącznie jako transformacja spotka się z większym oporem niż projekt skoncentrowany na rozpoznanym wąskim gardle.

Niezawodność staje się częścią kalkulacji zwrotu z inwestycji. Uczestnicy zastanawiali się, co by się stało, gdyby usługa AI lub jedna z głównych platform chmurowych przestała być dostępna. Gdy AI staje się elementem procesu operacyjnego, planowanie ciągłości działania nie może już być kwestią drugorzędną. Organizacje muszą wiedzieć, które prace mogą być kontynuowane, w przypadku których decyzji potrzebna jest alternatywa z udziałem człowieka oraz jak systemy odzyskają sprawność bez utraty danych.

Wdrożenie AI nadal zależy od ludzi

Obawy przed zastąpieniem pracowników były obecne, ale pojawiła się też bardziej bezpośrednia przeszkoda: wielu z nich nie ma jeszcze podstawowej wiedzy o tym, co AI potrafi, a czego nie potrafi.

Stwarza to ryzyko w obu kierunkach. Pracownicy mogą unikać przydatnych narzędzi, bo im nie ufają, albo zbyt łatwo polegać na wynikach, przeceniając ich dokładność.

Nie wystarczy przeprowadzić jednego szkolenia. Wdrożenie zależy od pokazania pracownikom, jak AI wspiera ich pracę, jasnego określenia zakresu odpowiedzialności człowieka oraz wyboru zastosowań, których przydatność pracownicy dostrzegają.

Jest to szczególnie trudne dla małych i średnich firm. Wiele z nich nie ma możliwości utworzenia dedykowanego zespołu ds. AI ani powierzenia długoterminowej odpowiedzialności za eksperymentalną inicjatywę. Dlatego pytania o trenowanie wewnętrznego dużego modelu językowego (LLM) mogą być mniej istotne niż kwestie dostępu do danych, zarządzania nimi, oceny systemu oraz tego, kto ponosi odpowiedzialność za jego działanie.

Możliwości rynkowe są znaczne, ale mogą na nich skorzystać przede wszystkim dostawcy, którzy potrafią ograniczyć złożoność organizacyjną, zamiast po prostu dostarczać kolejny model.

Budownictwo to próba wytrzymałościowa dla AI w przedsiębiorstwach

Wartość szczytu w Toronto wynikała z tego, że skupiał się na różnicy między udaną demonstracją a niezawodnym wdrożeniem. Połączenie prezentacji z kameralnymi dyskusjami w formule okrągłego stołu stworzyło przestrzeń do rozmowy o problemach operacyjnych, które często pomijają dopracowane, optymistyczne narracje o AI.

Budownictwo ujawnia niemal wszystkie słabości, które AI w przedsiębiorstwach musi przezwyciężyć: rozproszenie informacji, zmienne warunki, przestarzałe procesy, ostrożność nabywców, ograniczone możliwości techniczne, opór pracowników oraz poważne konsekwencje błędnych informacji.

Pokazuje również, dlaczego potencjał tej technologii jest tak duży. Połączenie wiedzy o projektach, danych terenowych, cyfrowych bliźniaków i doświadczenia organizacyjnego mogłoby znacząco usprawnić planowanie i realizację złożonych prac. Wygrają jednak te systemy, które zapewnią osobom odpowiedzialnym za działanie dostęp do pełniejszych, wiarygodnych i łatwiej dostępnych informacji.

Dyskusja będzie kontynuowana poza Toronto

Cykl wydarzeń AMG World poświęconych budownictwu będzie kontynuowany podczas Szczytu transformacji AI i danych w budownictwie w Austin 2027, który odbędzie się 26 stycznia, a następnie podczas Szczytu transformacji AI i danych w budownictwie w Europie 2027 w Londynie, 23 lutego.

Organizator przenosi również dyskusję do innych branż opartych na aktywach. Szczyt AI i technologii w sektorze naftowo-gazowym 2027 odbędzie się w Houston 9 lutego i zgromadzi liderów ds. AI, danych, transformacji cyfrowej oraz operacji z sektora energetycznego.

Jeśli Toronto jest jakąkolwiek wskazówką, kolejnego etapu rozwoju AI w przedsiębiorstwach nie wyznaczą ci, którzy przygotują najbardziej efektowną demonstrację. Poprowadzą go organizacje potrafiące połączyć modele z wiarygodnymi danymi, odpowiedzialnymi ludźmi, odpornymi procesami i wynikami biznesowymi wartymi finansowania.

Antoine jest wizjonerskim liderem i partnerem założycielem Unite.AI. Kieruje nim niezachwiana pasja do kształtowania i rozwijania przyszłości sztucznej inteligencji i robotyki. Jako przedsiębiorca, który założył wiele firm, wierzy, że AI zmieni społeczeństwo równie głęboko jak elektryczność, i często z entuzjazmem mówi o potencjale przełomowych technologii oraz ogólnej sztucznej inteligencji (AGI).

Jako futurolog poświęca się badaniu tego, jak te innowacje ukształtują nasz świat. Jest także założycielem Securities.io, platformy skupionej na inwestowaniu w najnowocześniejsze technologie, które na nowo definiują przyszłość i przekształcają całe branże.