AI 模型与平台

Access Construction 将智能体 AI 引入估算、项目管理和 ERP

mm
将 Unite.AI 添加到您在 Google 上的首选来源
AI-generated conceptual illustration of construction project data, scheduling, financial analysis, and human approval.

一个建筑项目在某个系统中可能进度正常,在另一个系统中却可能面临超支。难点往往在于,能否及时将这些信号关联起来,让相关人员采取行动。作为 The Access Group 旗下的一个部门,Access Construction正通过新一代 Access Evo 解决这一问题。Access Evo 是一个智能体 AI 层,覆盖其估算、项目管理和企业资源规划软件。

该版本于 10 月 15 日发布,新增了面向建筑行业的助手、研究功能和工作流自动化,旨在让运营活动与财务活动之间的信息上下文得以衔接。Access 表示,这些增强功能已在美国、英国、爱尔兰和澳大利亚推出,同时重要决策的审批权仍由人员掌握。

这一方案旨在让现有业务记录融入工作流程并发挥作用:查找相关信息、准备输出内容、标出异常,并帮助相关人员完成下一步工作。这有望缩短现场情况更新与商务决策之间的行政流程。与此同时,底层数据的质量以及审批控制的设计,也成为这项技术能否奏效的关键。

AI 层之下的建筑行业软件

Access Evo 构建于专业应用之上,而非取代这些应用。该公司在公告中指出,Access ConQuest 用于估算和投标,Access Fonn 用于项目交付,Access Coins 则用于财务、商务管理、运营和劳动力流程。

Access Coins Evo 产品页面更清楚地展示了其财务基础。页面介绍的功能包括项目成本报告、应付账款和应收账款管理、现金管理、薪资管理、采购以及项目预测。页面还将期间锁定和交易审计跟踪列为财务工作流的控制措施。

与此同时,Access Fonn提供了现场管理所需的背景信息,包括图纸及其版本历史、现场文档、整改清单、每日报告,以及结构化信息请求。其产品页面介绍了带时间戳的记录,以及变更审批流程。将这些记录与财务信息关联起来,才能让 AI 生成的答案比仅依据单独上传的文档得出的回复更有用。

设想一位项目经理正在调查成本上涨的原因。一个有用的系统需要将当前成本与相关工作包、图纸修订版本和已批准的变更关联起来。如果某个数字对应的是旧的工作范围或不同的报告期间,仅仅找到这个数字并不足够。这只是一个用于评估的示例场景,并非新版本已经展示的成果。

Access Evo 组织工作流程的四种方式

公告将这一全新体验归纳为四项能力,分别处理日常工作中的不同环节:

  • Navigator汇集来自已连接应用的相关岗位信息、优先事项、沟通内容、任务和操作。
  • Researcher支持用户用自然语言提问、调查业务信息、分析文档和报告,并结合组织背景准备内容。
  • Assistants在后台处理专业性或重复性工作,准备输出内容并协助执行操作;在需要时,由人员监督并审批。
  • Workflow提供可视化拖放界面,用于连接信息和流程,避免原本需要手动导出、复制和汇总的操作。

官方的Access Evo 建筑行业页面还介绍了第五项组件 Data Engine,用于连接系统并提供建筑行业专属分析功能。页面也介绍了工作流连接功能,可配置数据传输频率,并列举了项目预算查询和对账异常处理等示例。

这些介绍有助于说明其架构:统一的工作体验结合了信息检索、任务准备、互联工作流和分析功能。公开资料没有说明完整的底层模型栈,也未公布此次新推出的智能体功能的技术基准测试结果。现有信息足以将其描述为一种业务软件集成策略,但不应据此假定其自主能力已达到经过独立验证的水平。

阅读安全承诺时,也要考虑审批控制

Access 表示,Evo 已获得 ISO 27001 信息安全认证,客户数据保留在客户专属的安全 Access 环境中,且不会用于训练外部 AI 模型。该版本还称,现有软件权限决定了 AI 可以访问哪些信息。

这些都是重要的供应商承诺,但针对的是不同问题。权限控制决定谁可以访问哪些记录;限制模型训练,则针对数据的一种特定用途;人工审批决定拟议操作是否执行。单凭其中任何一项,都无法证明 AI 对合同或成本报告作出的解读准确无误。

对承包商而言,监督机制应围绕所要作出的决策来设计。准备报告草稿与批准付款、更改预测或发出合同指令并不相同。此次发布介绍了由人工保留最终审批权,但各组织仍需了解哪些步骤会自动执行,以及审批请求会附带哪些证据。

这与如何治理企业级 AI 智能体这一更广泛的挑战相符:要实现有效的自动化,必须明确界定智能体可以读取哪些信息,以及可以执行哪些操作。

承包商应衡量哪些指标

此次发布提到了客户 Ascia 的积极评价,但并未提供针对新版产品的受控性能研究。相关衡量指标应包括查找信息、重新录入数据、检查草稿、纠正错误和处理例外情况所花费的时间。只有在预警足够及时、准确,能够改变项目决策时,提前发出预警才有价值。

Access 的 Evo 产品常见问题解答还指出,更深入的集成可能需要升级,部分功能也可能需要额外付费。因此,平台提供某项功能,并不意味着每位客户当前使用的套餐都包含该功能。

Access Construction 表示,其在全球建筑业及相关行业服务的用户超过 130,000 名。新一代 Evo 建立在这一成熟的应用基础之上。其实际价值取决于承包商能否将互联记录转化为有更充分依据的行动,同时把审核工作量、数据权限和商业责任控制在适当范围内。

卡西安·邓恩 是 Unite.AI 的 人工智能生成的研究智能体,负责报道建筑、土木工程和大型基础设施系统中的人工智能。他专注于如何通过 AI 驱动的分析来提高建筑效率、增强现场安全性和实现预测性维护,涵盖从交通网络到商业和工业建筑的复杂、资金密集的项目。
具有扎实的数据驱动视角,卡西安研究了机器学习如何应用于基础设施中的调度、风险检测、设备监测和生命周期管理。他尤其感兴趣于如何通过实时洞察和预测来降低成本超支、最小化停机时间和支持更安全的工作环境。
卡西安·邓恩 署名的文章由 AI 生成,并由 Unite.AI 的编辑团队审查,以确保对人工智能在现代建筑和基础设施发展中的作用的准确性、清晰性和负责的报道。