Innlegg: Hvorfor «AI-modenhet»-tenkning bremser byggebransjen

Den virkelige barrieren handler om noe annet: å bruke AI til å forbedre hvordan organisasjonen lærer og opererer på tvers av prosjekter. Å la AI analysere mønstre, identifisere risikoer før de materialiserer seg, og gi beslutningstakere innsikt de ellers aldri ville fått.

Det er her mange stopper opp — og begrunnelsen er gjenkjennelig:

«Vi må standardisere prosessene våre, rydde opp i dataene og få orden på systemene — så kan vi begynne.»

I teorien høres det fornuftig ut. I praksis viser det seg ofte vanskelig å få til. For tenk etter: hvor mye av erfaringen fra ditt siste prosjekt — hva som gikk galt, hva som fungerte, hvor risikoen egentlig lå — er i dag tilgjengelig for neste prosjektleder? For de fleste er svaret: Nesten ingenting.

Det er det vi må snakke om.

Byggebransjen er ikke laget for å vente

Bygg og anlegg er i sin natur desentralisert, prosjektdrevet og full av variasjon. Hvert prosjekt er unikt. Organisasjoner opererer på tvers av prosjekter, regioner og team — med ulike verktøy, ulike prosesser og ulike mennesker.

Standardisering er viktig. Men det er også vanskelig. Det tar tid. Og det blir altfor ofte et endeløst arbeid uten tydelig slutt. For hva er den riktige balansen mellom standardisering og nødvendig fleksibilitet?

Hvis AI-implementering forutsetter at man er «klar» først, risikerer man at progresjonen stopper opp — eller aldri egentlig starter.

Slik ser virkeligheten ut på ekte prosjekter

På de fleste prosjekter er data ufullstendige, inkonsistente og spredt over flere systemer. De samme dataene har ulikt format og ligger i forskjellige mappestrukturer. Planer og status på framdrift lages i ulike systemer. Prosjektering og avklaringer mellom fag dokumenteres ulikt, og endringsorder håndteres ulikt. Det samme avviket registreres og kategoriseres på forskjellige måter fra prosjekt til prosjekt. Kvalitets- og kontrollplaner er forskjellige for hvert prosjekt og sjekklister fylles ut ulikt.

Men samtidig: Det er her - i disse dokumentene viktig erfaring og kunnskap er begravet. Og det er her vi kan finne innsikt som gjør at neste prosjekt blir bedre enn det forrige, og neste uke i prosjektet blir mer effektiv enn de foregående.

Å vente på perfekt struktur betyr å ignorere de signalene som faktisk kan drive forbedring. Det betyr at innsikt som kunne redusert risiko, forsinkelser, feil og kostnader forblir usynlig.

AI som oppdagelsesverktøy

Det er riktig at AI fungerer best når den bygger på gode data og veldefinerte prosesser. Det er sant at skalering krever en grad av standardisering. Men dette er bare halve bildet.

Det som ofte overses, er at AI kan hjelpe deg å forstå hva som faktisk bør standardiseres. Når man tar i bruk AI på ekte, ufullkomne data begynner mønstre å bli synlige som ellers aldri ville blitt oppdaget: Hvilke faggrensesnitt som systematisk skaper forsinkelser, hvilke faser der risikoen konsekvent undervurderes, og hvor variasjon faktisk betyr noe. Denne innsikten finnes allerede i organisasjonens data. Den er bare aldri blitt sett i sammenheng før. Og når den først blir synlig, kan selv enkle tiltak spare prosjekter for betydelige beløp.

Med andre ord: AI skalerer ikke bare disiplin — det hjelper deg å skape den.

Det egentlige problemet: manglende læring på tvers av prosjekter

Utfordringen i byggebransjen er ikke mangel på data. Det genereres enorme mengder data på hvert eneste prosjekt: Samspillsdokumenter, RFI’er, avklaringer, endringer, framdriftsplaner, møtereferater, budsjetter og regnskap, HMS hendelser, kvalitetsavvik - listen er lang.

Utfordringen er manglende læring på tvers av prosjekter.

Hvert prosjekt produserer erfaring: hva som gikk galt, hva som fungerte, hvor risikoen materialiserte seg. Men svært lite av dette blir systematisk fanget opp, strukturert og gjenbrukt i neste prosjekt. Organisasjonen starter på nytt. Og de samme feilene gjentar seg.

En mer praktisk vei fremover

Spørsmålet «Er vi klare for AI?» er ikke feil. Men det leder altfor ofte til analyser, utredninger og forberedelsesprogrammer som forsinker handling.

Et bedre spørsmål er: «Hvor kan AI hjelpe oss å lære raskere?»

Det skiftet endrer alt.

For mange kan første steg være å ta utgangspunkt i noen få datatyper fra et begrenset antall prosjekter – for eksempel avvik og fremdriftsdata – og bruke dette til å identifisere mønstre som ellers ikke er synlige i enkeltprosjekter.

Det flytter samtalen fra transformasjonsprogrammer til konkrete bruksområder. Fra perfekt struktur til brukbar innsikt. Og fra en tilstand man må oppnå — til en prosess man kan starte i dag.

I praksis handler det om å begynne tidlig, hente ut innsikt fra det man allerede har av data, og bruke dette til å forbedre struktur og arbeidsmåter før man skalerer videre.

Dette er ikke en snarvei rundt standardisering. Det er en smartere rekkefølge. AI blir verktøyet som forteller deg hva som er verdt å standardisere — basert på mønstre i prosjektene, ikke basert på antakelser gjort i forkant.

En oppfordring til bransjen

Byggebransjen må tenke annerledes om dette. I en tid der oppdragene er færre, kostnadene er høye og konkurransen er knallhard, er det ikke tid for å vente og se.

De som lykkes fremover er ikke nødvendigvis de som er mest “klare”. Det er de som begynner tidligere – og lærer raskere enn andre.

“AI-modenhet” er ikke en tilstand du oppnår. Det er en retning du beveger deg i. Og den bevegelsen bør starte nå.

Dette er et leserinnlegg og meninger i innlegget står for forfatterens regning.