Byggbranschen pumpar in pengar i AI – men felet sitter inte i tekniken

Problemet är inte AI:n – det är röran runt den

Det finns ett mönster som återkommer gång på gång när branscher börjar digitalisera på allvar: man köper in smarta verktyg, sätter upp piloter, presenterar imponerande demos – och sedan händer det liksom inte så mycket. Byggbranschen är just nu mitt inne i den fasen.

Enligt Construction Dive är artificiell intelligens på väg att förändra byggsektorn i grunden, men tekniken når sin fulla potential först när den används för att länka samman information och beslut genom hela projektets livscykel. Det låter självklart när man väl läser det. Ändå är det just här de flesta satsningar havererar.

Som systemutvecklare känner jag igen mönstret direkt. Det är samma grundproblem som dyker upp i bransch efter bransch: man börjar med att automatisera enskilda delar, men glömmer att de delarna sitter i ett sammanhang. En AI-modell som optimerar schemaläggning i projekteringsfasen men inte kan läsa av vad som händer på byggarbetsplatsen är som ett navigeringssystem som inte vet var du befinner dig.

Livscykeln som helhet – eller ingenting

Byggprojekt är komplexa till sin natur. De sträcker sig över lång tid, involverar många aktörer och genererar enorma mängder data – från tidiga kalkyler och ritningar till inköpsorder, avvikelserapporter och slutbesiktningar. Problemet är att denna information traditionellt har levt i silos: projektledningsverktyget pratar inte med kalkylsystemet, driftsdatabasen är frånkopplad från projekteringen, och när bygget väl överlämnas till förvaltaren försvinner hälften av kunskapen i pappershögar och mejlkorgar.

I det läget hjälper det inte att stoppa in en AI-modell i ett av lagren. Modellen ser bara sin liten del av verkligheten och kan inte göra rimliga slutledningar om helheten.

Det Construction Dive lyfter fram är att det verkliga värdet uppstår när systemen kommunicerar med varandra och ger en helhetsbild – från planering och projektering till genomförande och förvaltning. Sammankopplad data möjliggör bättre beslutsunderlag, minskar risken för kostsamma misstag och bidrar till effektivare resursanvändning längs hela kedjan.

Detta är inte bara en teknisk insikt – det är en organisatorisk och arkitekturmässig utmaning. Det kräver att man bestämmer sig för gemensamma dataformat, tydliga gränssnitt mellan system och, kanske viktigast av allt, en vilja att dela information mellan de olika aktörer som är inblandade i ett projekt.

Varför detta är svårare än det verkar

Att koppla samman data låter enkelt i teorin. I praktiken stöter man på flera hinder:

• Ägarskap och incitament: Olika aktörer i ett byggprojekt – beställare, totalentreprenör, underentreprenörer, konsulter – har inte alltid samma intresse av att dela sina data med varandra.
• Teknisk skuld: Många företag har system som är år eller decennier gamla, byggda utan tanke på öppna programmeringsgränssnitt eller datautbyte.
• Standardisering: Branschen saknar i stor utsträckning gemensamma datanormer, vilket gör att integration kräver skräddarsydda lösningar för varje koppling.

Det är alltså inte så att byggbolagen är ointresserade eller okunniga – det är att infrastrukturen för sammankoppling helt enkelt inte finns på plats ännu.

Möjligheten är precis lika stor som utmaningen

Men här är det lätt att fastna i ett negativt narrativ, och det vore orättvist. Den positiva läsningen av situationen är att grundproblemet är känt och möjligt att lösa. Det handlar inte om att uppfinna ny teknik – det handlar om att bygga rätt grund.

När sammankopplad data väl finns på plats kan AI-verktyg göra saker som verkligen förändrar branschen: förutsäga förseningar innan de inträffar, flagga för kostnadsöverskridanden tidigt, optimera materialflöden i realtid och skapa ett levande kunskapsbibliotek som följer med från ett projekt till nästa.

Detta är en bransch där marginaler är pressade och där förseningar och fördyringar är normen snarare än undantaget. Potentialen för att AI ska göra verklig skillnad – inte som ett buzzword utan som ett faktiskt verktyg – är enorm. Men det börjar inte med att köpa en AI-plattform. Det börjar med att städa upp i sina datastrukturer.