Co doopravdy brání využití AI ve stavebnitcí?

Sta­veb­ní de­ní­ky a evi­den­ce závad v di­gi­tál­ní po­do­bě, mo­bil­ní kon­t­ro­ly nebo fo­to­do­ku­men­ta­ce po­stu­pu prací dnes patří k za­ve­de­né praxi na čes­kých stav­bách. Di­gi­ta­li­za­ce do­ku­men­ta­ce je při­ro­ze­ným vý­vo­jem – veš­ke­ré ak­ti­vi­ty na sta­ve­niš­ti totiž stojí na in­for­ma­cích, které muse­jí před­chá­zet sa­mot­né re­a­li­za­ci. Z vlast­ní zku­še­nos­ti ale vidím, že i na pro­jek­tech, které jsou po­va­žo­vá­ny za di­gi­ta­li­zo­va­né, zů­stá­va­jí data často roz­tříš­tě­ná mezi různé ná­stro­je, for­má­ty a verze re­a­li­ty.

Právě v tomto kon­tex­tu se dnes stále čas­tě­ji mluví o vy­u­ži­tí umělé in­te­li­gen­ce ve sta­veb­nic­tví. Týmy řeší, co všech­no by AI mohla na stav­bě zjed­no­du­šit nebo zau­to­ma­ti­zo­vat. Méně často ale za­zní­vá zá­klad­ní otáz­ka: máme vůbec k dis­po­zi­ci ta­ko­vá data, ze kte­rých se může umělá in­te­li­gen­ce spo­leh­li­vě učit a se kte­rý­mi může re­ál­ně pra­co­vat Při de­ba­tách s pro­jek­to­vý­mi týmy se k této otáz­ce vra­cí­me opa­ko­va­ně – a velmi často se ukáže, že pro­blém není v ab­sen­ci tech­no­lo­gií, ale v kva­li­tě a jed­not­nos­ti vstup­ních dat ze stav­by.

Proč „více tech­no­lo­gií“ au­to­ma­tic­ky ne­zna­me­ná méně kom­pli­ka­cí

Přes­to­že je dnes di­gi­tál­ních ná­stro­jů více než kdy dřív, na sku­teč­ných pro­jek­tech se opa­ku­jí stej­né pro­blémy:

• Roz­tříš­tě­nost dat – kon­t­rol­ní se­zna­my jsou v jedné apli­ka­ci, fotky v jiné, zá­va­dy v ta­bul­kách a schva­lo­vá­ní pro­bí­há v e­‑mai­lech.
• Ne­kon­zis­tent­ní do­ku­men­ta­ce – způ­sob zá­pi­su se liší podle člo­vě­ka, pro­fe­se i mo­men­tál­ní vy­tí­že­nos­ti, což vede k me­ze­rám v in­for­ma­cích.
• Pře­tí­že­ní in­for­ma­ce­mi – množ­ství dat roste rych­le­ji, než je týmy do­ká­žou tří­dit, ově­řo­vat a efek­tiv­ně vy­u­ží­vat.

Vý­sled­kem je pa­ra­dox­ní si­tu­a­ce: di­gi­tál­ních ná­stro­jů při­bý­vá, ale ne­pro­duk­tiv­ní práce ni­ko­li. Od­ha­dy uka­zu­jí, že až tře­ti­na pra­cov­ní doby ve sta­veb­nic­tví se spo­tře­bu­je na pře­pra­co­vá­vá­ní, ře­še­ní sporů a do­hle­dá­vá­ní in­for­ma­cí. Tento pro­blém se pro­mí­tá i do dlou­ho­do­bě dis­ku­to­va­né nízké pro­duk­ti­vi­ty ce­lé­ho od­vět­ví. Ana­lý­zy kon­zul­tač­ní spo­leč­nos­ti Mc­Kin­sey opa­ko­va­ně upo­zor­ňují, že jed­nou z hlav­ních pří­čin je ne­rov­no­měr­ný tok in­for­ma­cí mezi týmy a sys­témy – a to i na pro­jek­tech, které jsou jinak ří­ze­ny velmi dobře. V praxi to zna­me­ná, že velká část ener­gie týmů nejde do ří­ze­ní stav­by, ale do sla­ďo­vá­ní in­for­ma­cí z růz­ných zdro­jů.

Pokud na pro­jek­tu exis­tu­je více „pravd“, umělá in­te­li­gen­ce je ne­do­ká­že sjed­no­tit. Z po­hle­du di­gi­ta­li­za­ce je to jeden z nej­vět­ších li­mi­tů dneš­ních sta­veb­ních pro­jek­tů – tech­no­lo­gie pra­cu­je s tím, co jí do­dá­me, ni­ko­li s tím, co bychom si přáli mít zdo­ku­men­to­va­né.

Dat přibývá, jejich využitelnost ale kolísá

Na stav­bách se dnes za­zna­me­ná­vá ob­rov­ské množ­ství in­for­ma­cí. Mo­bil­ní apli­ka­ce slou­ží ke kon­t­ro­lám, zá­pi­sům z te­ré­nu, hlá­še­ní závad i fo­to­do­ku­men­ta­ci. Sa­mot­ný velký objem dat ale ještě au­to­ma­tic­ky ne­zna­me­ná pří­nos. Na pro­jek­tech často vi­dí­me, že čím více se in­for­ma­cí za­zna­me­ná­vá bez jas­ných pra­vi­del, tím méně jsou ve vý­sled­ku sku­teč­ně vy­u­ži­tel­né.

Pokud každý evi­du­je in­for­ma­ce jiným způ­so­bem, stá­va­jí se data ob­tíž­ně po­rov­na­tel­ná, špat­ně do­hle­da­tel­ná a po­stup­ně i méně dů­vě­ry­hod­ná. Týmy pak místo práce s in­for­ma­ce­mi tráví čas je­jich do­da­teč­ným ově­řo­vá­ním. V ta­ko­vé chví­li pře­stá­vá být roz­tříš­tě­nost jen ne­pří­jem­nos­tí, ale stává se sku­teč­nou pře­káž­kou další di­gi­ta­li­za­ce.

Často při­tom nejde o ne­do­sta­tek ná­stro­jů, ale o chy­bě­jí­cí zá­klad­ní pra­vi­dla. Pro­jek­ty na­rá­že­jí na ne­jed­not­ný způ­sob evi­den­ce stej­ných typů udá­los­tí, na pro­ce­sy, které ne­fun­gu­jí pod ča­so­vým tla­kem, a na ab­sen­ci jed­no­ho spo­leč­né­ho zdro­je prav­dy pro zá­va­dy, dů­kaz­ní ma­te­ri­á­ly a do­kon­čo­vá­ní prací. Zku­še­nost z praxe uka­zu­je, že právě ve chví­li, kdy se pro­jekt do­sta­ne pod tlak, se nej­rych­le­ji ukáže, zda jsou pro­ce­sy sku­teč­ně funkč­ní, nebo jen for­mál­ně na­sta­ve­né.

Kdy dává umělá inteligence skutečný smysl

Umělá in­te­li­gen­ce již dnes na­chá­zí ve sta­veb­nic­tví prak­tic­ké uplat­ně­ní – zejmé­na tam, kde se pra­cu­je s opa­ku­jí­cí­mi se a ča­so­vě cit­li­vý­mi in­for­ma­ce­mi. Do­ká­že po­mo­ci se shr­nu­tím den­ních zá­zna­mů pro pře­dá­ní mezi jed­not­li­vý­mi smě­na­mi, upo­zorňovat na opa­ku­jí­cí se vady, vy­hod­no­co­vat bez­peč­nost­ní ri­zi­ka nebo hlí­dat ne­u­za­vře­né po­lož­ky bez po­třeb­ných pod­kla­dů. Při správ­ně struk­tu­ro­va­ných da­tech umí také pra­co­vat s fo­to­do­ku­men­ta­cí a od­ha­lo­vat vzor­ce, které by lid­ské­mu oku snad­no unik­ly.

Zá­sad­ní pod­mín­ka je ale stále stej­ná: kva­li­ta a jed­not­nost vstup­ních dat. Na stav­bě ne­zna­me­na­jí „struk­tu­ro­va­ná data“ pře­nést kan­ce­lář do te­ré­nu. Jde o velmi jed­no­du­chou věc – aby různí lidé za­pi­so­va­li stej­ný typ in­for­ma­ce stej­ným způ­so­bem, a to i ve stre­su, spě­chu nebo na konci směny. Pokud tyto zá­kla­dy chybí nebo se liší pro­jekt od pro­jek­tu, musí AI od­ha­do­vat. A právě od­ha­dy jsou mís­tem, kde se rych­le vy­trá­cí dů­vě­ra, zejmé­na u roz­hod­nu­tí, která mají dopad na har­mo­no­gram, ná­kla­dy nebo bez­peč­nost.

Opakovatelné pracovní postupy jako základ

Sta­ve­niš­tě při­pra­ve­ná na vy­u­ži­tí umělé in­te­li­gen­ce ne­vzni­ka­jí při­dá­vá­ním dal­ších apli­ka­cí a soft­wa­rů, ale dů­sled­ným po­u­ží­vá­ním těch stá­va­jí­cích. Úspěš­né pro­jek­ty se vy­zna­ču­jí tím, že se klí­čo­ví pra­cov­ní­ci na stav­bách hned na za­čát­ku do­hod­nou na ně­ko­li­ka jed­no­du­chých prin­ci­pech a dlou­ho­do­bě je do­dr­žu­jí: mají jasně daný po­stup pro evi­den­ci a uza­ví­rá­ní závad, jeden sdí­le­ný zdroj ak­tu­ál­ní do­ku­men­ta­ce, sro­zu­mi­tel­ná pra­vi­dla ná­zvoslo­ví a mi­ni­mum po­vin­ných údajů, díky čemuž se te­rén­ní týmy zby­teč­ně ne­za­tě­žu­jí.

Tyto prin­ci­py nejsou nijak oká­za­lé – a právě proto fun­gu­jí i ve chví­li, kdy se har­mo­no­gram začne zpřísňovat. Z dlou­ho­do­bé práce s pro­jek­ty je zřej­mé, že jed­no­du­chá a opa­ko­va­tel­ná work­flow po­má­ha­jí týmům udr­žet dis­ci­plí­nu i v ná­roč­ných fá­zích stav­by.

V praxi se­hrá­va­jí dů­le­ži­tou roli di­gi­tál­ní plat­for­my, které umožňují za­zna­me­ná­vat in­for­ma­ce přímo na stav­bě, jed­no­znač­ně je při­řa­zo­vat ke kon­krét­ním mís­tům, doplňovat o fo­to­do­ku­men­ta­ci a uza­ví­rat podle jed­not­né­ho stan­dar­du v jed­nom kon­krét­ním sys­té­mu. Týmy pak tráví méně času po­rov­ná­vá­ním růz­ných verzí a více času sa­mot­ným vý­ko­nem práce. Zá­ro­veň vzni­ká kon­zis­tent­ní da­to­vý zá­klad, se kte­rým lze dále pra­co­vat a který má hod­no­tu i do bu­douc­na.

Pořádek na stavbě: Základ AI, která skutečně funguje

Méně cha­o­su na stav­bě zna­me­ná méně zby­teč­ných pře­kva­pe­ní a méně času ztra­ce­né­ho do­hle­dá­vá­ním in­for­ma­cí. Umělá in­te­li­gen­ce k tomu může vý­raz­ně při­spět, ale pouze tehdy, pokud stojí na spo­leh­li­vých a jed­not­ně za­zna­me­na­ných da­tech – a to od sa­mé­ho za­čát­ku pro­jek­tu.

Di­gi­tál­ní plat­for­my dnes po­má­ha­jí týmům za­vá­dět kon­zis­tent­ní do­ku­men­ta­ci pro­střed­nic­tvím jed­no­du­chých, opa­ko­va­tel­ných a snad­no za­zna­me­na­tel­ných“ work­flow”. Pro­jek­ty, které si dnes dají práci se stan­dar­di­za­cí evi­den­ce závad, dů­kaz­ních ma­te­ri­á­lů a do­kon­čo­vá­ní prací, budou zítra těmi, které do­ká­žou z umělé in­te­li­gen­ce vy­tě­žit sku­teč­nou hod­no­tu – ni­ko­li jen tech­no­lo­gií, která ne­na­pl­ní svůj po­ten­ci­ál.

Adam Heres Vostarek

Autor člán­ku je od­bor­ný kon­zul­tant a re­gi­o­nál­ní ma­na­žer tech­no­lo­gic­ké spo­leč­nos­ti Pla­nRa­dar (www.​planradar.​com), ev­rop­ské­ho po­sky­to­va­te­le soft­wa­ru pro di­gi­tál­ní do­ku­men­ta­ci a ko­mu­ni­ka­ci pro sta­veb­ní prů­my­sl.