AI 模型与平台

2026年加拿大建筑业人工智能与数据转型峰会揭示了企业人工智能的哪些情况

Antoine Tardif
将 Unite.AI 添加到您在 Google 上的首选来源
Toronto construction site with a digital twin and connected data pathways
要点企业人工智能的主要制约因素现在是围绕模型的组织,而不是模型访问。
查看更多
  • 企业人工智能的主要制约因素现在是围绕模型的组织,而不是模型访问。
  • 数据就绪是一项持续的运营纪律,因为人工智能无法重建从未被捕获的信息。
  • 人工智能投资面临日益严格的ROI审查,因为企业要求与特定运营问题相关的可衡量成果。

披露:AMG World 邀请 Unite.AI 参加在多伦多举行的峰会。本文中的观察与结论均为我们自己的观点。

建筑业或许不是人们探寻人工智能发展方向线索时首先想到的领域。但正因如此,它才格外适合用来检验这项技术。

建筑业涉及复杂的供应链、分散的团队、老旧系统、实体风险、微薄的利润空间,以及在不断变化的工地上产生的海量信息。人工智能系统可以在受控环境中展示令人印象深刻的效果,但要在这些条件下持续创造可靠价值,则是截然不同的挑战。

11月17日,AMG World 在多伦多举办的2026年加拿大建筑业人工智能与数据转型峰会上,与会者的讨论反映出人工智能市场正步入一个要求更高的新阶段。会议议程涵盖可衡量的投资回报率、互联数据、数字孪生、劳动力转型和运营部署。然而,在演讲和圆桌讨论中,一个结论格外突出:企业应用人工智能的主要瓶颈已不再是能否获得强大的模型,而是围绕该模型运作的组织体系。

人工智能雄心正与运营现实发生碰撞

与会者无需再被说服,人工智能能够影响建筑业。更棘手的问题是如何部署、应用于何处,以及如何证明其价值足以支撑这笔投资。

许多组织似乎陷于雄心与不确定性之间。他们希望应用人工智能,却还没有明确的流程来确定合适的应用场景、明确责任归属,或以员工愿意接受的方式引入这项技术。与早期生成式人工智能热潮中那种毫无保留的热情相比,如今这样的讨论更为理性,也更有益。

这也意味着供应商面对的是要求更高的客户。仅有出色的界面并不足够。建筑企业越来越希望了解人工智能系统如何融入现有的数据环境、信息缺失时会如何处理、结果如何验证,以及部署方案能否经受真实现场作业的考验。

即便是关于模型的讨论,范围也比更广阔的人工智能市场所显示的要窄。根据我们的笔记,Claude 是讨论中唯一被反复提及的通用大型语言模型。这不应被解读为市场份额的判断,但的确表明,企业采用人工智能往往集中于少数几种工具,而这些工具已经通过了内部信任、安全或采购方面的门槛。

最重要的人工智能难题,始于模型出现之前

数据质量是最常被提及的问题。

数字孪生就是一个鲜明的例子。只有当项目各个相关环节的信息持续流入数字孪生,它才有用。如果承包商没有提交更新,第三方系统只能提供所需信息的一部分,或者员工离职时没有移交其掌握的信息,模型就会逐渐偏离现实。

结果看起来或许依然精密,但也可能是错的。

这个问题无法通过增大模型规模来解决。人工智能无法可靠地还原从未被记录的运营信息。如果组织没有明确责任归属,它也无法判断应由哪一方填补信息缺口。

多伦多的讨论一再回到几个关键点:可信的信息、清晰的数据结构,以及保持模型信息更新的流程。这也是官方会议议程特别强调数据基础、互联交付、数字孪生,以及人员与流程协同的原因之一。

对更广泛的人工智能行业而言,这一点很重要:数据就绪并非部署前一次性完成的数据库清理项目,而是一项持续进行的运营规范。

一线团队正成为人工智能基础设施的一部分

峰会上一个颇具实用价值的观察涉及项目经理的角色。与会者指出,项目经理是从现场收集信息并确保信息传达到组织其他部门所用系统的关键环节。

因此,无论职位名称是否提及人工智能,项目经理和一线团队都是人工智能基础设施的一部分。

如果信息采集需要填写额外表格、重复录入数据,或采用复杂的新工作流程,那么数据缺口就会一直存在。因此,最有效的系统会让准确采集数据自然融入工作完成过程,而不是事后再额外增加行政负担。

这在建筑业尤为重要,因为该行业的许多工作流程仍以纸面和线下方式进行,员工、承包商、工会、技术供应商和项目业主也可能以不同方式处理信息。成功部署 AI,不能只让人们使用 AI 助手;还需要为整个组织设计可靠的信息流。

对投资回报率的审视日益严格

与会者还对尚未实现最初预期回报的 AI 投资表示担忧。大家提到了 Token 成本,但更大的问题在于资本风险。

建筑公司习惯从成本、工期、安全和风险敞口等方面评估项目。它们不太可能无限期容忍没有明确期限的 AI 试验,尤其是在部署除了模型使用成本外,还需要新的集成、咨询、培训和数据准备工作时。

这并不意味着企业正在放弃 AI,而是意味着它们要求这项技术与可衡量的业务成果建立更紧密的联系。

最有说服力的部署将针对具体的运营问题,例如减少行政工作、改善项目知识的获取、识别进度风险、维护数字记录,或帮助团队利用已有信息更快地作出决策。相比围绕明确瓶颈设计的 AI 项目,仅以转型为名的项目将面临更大的阻力。

可靠性正逐渐成为投资回报率评估的一部分。与会者提出疑问:如果 AI 服务或大型云平台无法使用,会发生什么?一旦 AI 被纳入运营工作流程,业务连续性规划就不能再被视为事后才考虑的事项。组织需要明确哪些工作能够继续,哪些决策需要由人工接手,以及系统如何在不丢失数据的情况下恢复。

采用 AI 仍面临人的挑战

人们确实担心 AI 会取代工作,但还有一个更迫切的障碍:许多员工尚未基本了解 AI 能做什么、不能做什么。

这会带来双向风险。员工可能因为不信任系统而避开有用的工具,也可能因为高估其准确性而过于轻信系统的输出。

一次培训并不能解决这一挑战。要推动员工采用 AI,就要向他们展示 AI 如何支持其工作,明确人类应承担的责任,并选择员工能够切实感受到实用性的应用。

这对中小型企业尤其困难。许多企业没有能力组建专门的 AI 团队,也无法为实验性项目安排长期负责人。因此,与其关注如何训练内部大语言模型(LLM),不如优先考虑数据访问、治理、评估,以及谁将继续对由此产生的系统负责。

市场机遇巨大,但更有可能属于那些能够降低组织复杂性、而非仅仅再提供一个模型的供应商。

建筑业是对企业级 AI 的严峻考验

多伦多峰会的价值在于,它聚焦于成功演示与可靠部署之间的差距。主题演讲与小型圆桌讨论相结合,为讨论实际运营问题留出了空间,而这些问题往往被经过精心包装的 AI 叙事所忽略。

建筑业几乎暴露了企业级 AI 必须克服的所有弱点:信息碎片化、环境不断变化、流程陈旧、买家态度谨慎、技术能力有限、员工抵触,以及信息出错可能造成的严重后果。

这也说明了为何这一机遇依然如此引人注目。将项目知识、现场数据、数字孪生和组织经验连接起来,有望显著改善企业规划和交付复杂工作的方式。但真正胜出的系统,必须让信息更加完整、可信,并便于负责采取行动的人获取。

讨论将延续至多伦多峰会之后

AMG World 的建筑业系列峰会将继续举办:2027 年奥斯汀建筑业 AI & 数据转型峰会将于 1 月 26 日举行,随后是2027 年欧洲建筑业 AI & 数据转型峰会,于 2 月 23 日在伦敦举行。

主办方还将把讨论拓展至其他资产密集型行业。2027 年石油与天然气行业 AI 与技术峰会将于 2 月 9 日在休斯敦举行,汇聚能源行业的 AI、数据、数字化转型和运营领域负责人。

如果多伦多峰会能够说明问题,那么企业级 AI 的下一阶段将不会由打造最炫目演示的参与者引领,而将由能够把模型与可信数据、责任明确的人员、韧性流程以及值得投入资金的业务成果相连接的组织引领。

安托万是一位富有远见的领导者,也是 Unite.AI 的创始合伙人。他怀着坚定的热情,致力于塑造和推动人工智能与机器人技术的未来。作为一名多次创业的企业家,他相信人工智能将像电力一样深刻地改变社会,并经常热情地谈论颠覆性技术和通用人工智能(AGI)的潜力。

作为一名未来学家,他致力于探索这些创新将如何塑造我们的世界。此外,他还是 Securities.io 的创始人。该平台专注于投资正在重新定义未来、重塑整个行业的前沿技术。