В строительстве и девелопменте ИИ пробуют многие, а доводят до масштаба единицы. По отраслевым оценкам, которые приводятся в кейсах, большинство девелоперов уже тестируют ИИ, но лишь небольшая часть умеет посчитать экономический эффект. Управленческий вопрос – как выбрать задачи, где результат измерим в деньгах и сроках, и не утонуть в разрозненных данных. Ниже – обобщение открытых кейсов российских застройщиков, проектных и эксплуатирующих организаций.
Где ИИ в строительстве уже даёт результат
В базе кейсов ИИ на platforms.su больше 50 кейсов из строительства и девелопмента, и большинство из них затрагивает ещё и эксплуатацию недвижимости. Повторяются пять сценариев.
1. Контроль качества и объёмов на площадке
Задача: ручные замеры и обходы медленные, скрытые дефекты и отклонения находят поздно, когда исправление стоит в разы дороже. Что делает ИИ: анализирует данные лазерного сканирования, фото и видео с объекта, сравнивает факт с информационной моделью, автоматически фиксирует замечания и отклонения геометрии. Результат: сканирование квартиры занимает минуты; на крупных объектах точная геометрия монолита даёт экономию на отделочных материалах в десятки миллионов рублей, а в отдельных кейсах экономия оценивается в несколько процентов от стоимости проекта.
2. Охрана труда
Задача: большая часть несчастных случаев связана с нарушением правил безопасности, а наблюдатель видит нарушение с задержкой. Что делает ИИ: видеоаналитика распознаёт людей без касок и жилетов, нахождение в опасных зонах, технику, и сразу передаёт сигнал ответственному. Результат: реакция за секунды вместо минут, точность распознавания в кейсах выше 90%, охват всех контролируемых зон вместо выборочных проверок.
3. Предпроектная работа и проектирование
Задача: оценка участка, градостроительный анализ, проверка документации и нормоконтроль занимают недели работы специалистов. Что делает ИИ: автоматически рассчитывает потенциал участка, генерирует варианты планировок, проверяет проектную документацию на типовые замечания, помогает экспертам находить места возможных ошибок. Результат: оценка участка сокращается с недель до минут, значительная доля расчётов градостроительного анализа автоматизируется, сроки предпроектной подготовки уменьшаются.
4. Знания, документы и тендеры
Задача: проектировщики и сотрудники продаж тратят десятки минут на поиск ответа в регламентах и стандартах, тендерная документация содержит десятки тысяч позиций. Что делает ИИ: LLM-ассистенты отвечают по внутренней базе знаний, подбирают материалы для исполнительной документации, разбирают позиции тендеров. Результат: время поиска ответа сокращается в 3–6 раз, адаптация новых сотрудников – с недель до нескольких дней, ожидаемое снижение нагрузки на службы поддержки – 30–40%.
5. Продажи, обслуживание клиентов и эксплуатация
Задача: поток звонков и сообщений покупателей и жителей растёт, часть обращений теряется, заявки в управляющую компанию маршрутизируются вручную. Что делает ИИ: голосовой ассистент принимает звонки, текстовый – заявки жителей в свободной форме и показания счётчиков; модели оценивают стоимость объектов и модерируют объявления. Результат: в кейсах автоматизируется до 40% звонков, время разговора сокращается вдвое, около трети заявок жителей проходит через ассистента без оператора.
Что отличает удачные проекты
- Есть цифровая модель объекта. Контроль качества, объёмов и графика работает, когда есть с чем сравнивать факт – информационная модель и график в цифре.
- Данные собираются регулярно. Сканирование и съёмка по графику, а не разово. Удачные компании встраивают сбор данных в работу строительного контроля.
- Эффект считается в деньгах объекта. Экономия материалов, сокращение переделок, сроки ввода, затраты на контакт-центр. Это позволяет защитить бюджет на тиражирование.
- Единая среда данных. У одного застройщика данных часто мало для обучения моделей. Лидеры консолидируют ИТ-системы и участвуют в отраслевых платформах данных.
- Быстрый старт на готовых решениях. Для типовых задач – видеоаналитика безопасности, ассистент жителя, база знаний – готовые решения внедряются за недели. Собственная разработка оправдана там, где есть уникальные данные.
Типовые ошибки руководителей
- Пилоты без расчёта эффекта. Десяток пилотов на разных объектах, ни один не доходит до масштаба, потому что никто не посчитал, сколько он экономит.
- Недооценка данных. Модели строятся на разрозненных таблицах и неполных моделях, точность разочаровывает, проект закрывают.
- Сопротивление на площадке. Видеоаналитику и автоматический контроль воспринимают как слежку. Без участия прорабов и стройконтроля в настройке система вызывает саботаж.
- Сигналы без реакции. Нарушение зафиксировано, но не превратилось в предписание с ответственным и сроком.
- Зависимость от зарубежных платформ. Часть компаний столкнулась с прекращением поддержки инструментов работы с информационными моделями. Замещаемость решения нужно проверять заранее.
- Генеративный ИИ в проектировании как первый проект. Это перспективное, но долгое направление. Для первого эффекта лучше подходят контроль, документы и обслуживание.
Как начать: план на 6–8 недель
- Недели 1–2. Карта потерь по жизненному циклу. Предпроект, проектирование, строительство, продажи, эксплуатация. Где больше всего денег теряется на переделках, простоях, ручном труде.
- Недели 2–3. Аудит данных. Какие информационные модели, графики, журналы, записи звонков и обращений уже есть в цифре, насколько они полные.
- Неделя 4. Выбор одного-двух сценариев. Один с быстрым эффектом (обращения, база знаний, охрана труда) и один с крупным эффектом (контроль качества и объёмов).
- Недели 4–5. Формат реализации. Готовое решение или разработка, требования к хранению данных, правам на модели и интеграции с системами компании.
- Недели 5–8. Пилот на одном объекте. Базовая линия до старта, метрики, ответственный со стороны строительства, критерии решения о тиражировании на портфель.
Вопросы команде или подрядчику
- Какой показатель объекта изменится – материалы, сроки, переделки, затраты на персонал – и как его измерить?
- Какие данные нужны и кто будет их собирать на площадке после окончания пилота?
- Как результат попадает в процесс: в предписания стройконтроля, в график, в систему управляющей компании?
- На каких объектах похожего масштаба решение уже работает в эксплуатации, а не в пилоте?
- Сколько стоит подключение следующего объекта и сколько времени оно занимает?
- Где хранятся данные и модели, сможем ли мы забрать их при смене подрядчика?
- Зависит ли решение от зарубежного ПО или облака?
Итог
В строительстве ИИ быстрее всего окупается в контроле качества и объёмов, охране труда, работе с документами и обслуживании покупателей и жителей. Главные условия – цифровая модель объекта, регулярный сбор данных и расчёт эффекта в деньгах до старта пилота. Центр компетенций ИИ проводит экспресс-диагностику таких задач и независимую оценку пилотов.
Разобрать вашу задачу
За 30 минут оценим, где ИИ даст эффект в вашей компании и с чего начать.