Введение
Строительная отрасль остается одной из наиболее ресурсоемких сфер экономики, поэтому любое снижение потерь здесь имеет прямой практический эффект. Объем работ по виду деятельности «Строительство» в России в 2021 г. составил 10 791,6 млрд руб., за 8 месяцев 2022 г. прирост достиг 17,9 %, а материальные затраты в структуре издержек доходят до 57-58 %; при этом серьезной проблемой остаются несвоевременные поставки, качество материалов и сложность управления большой номенклатурой ресурсов [1]. В зарубежных исследованиях искусственный интеллект рассматривается уже не как локальный цифровой инструмент, а как сквозной механизм поддержки проектирования, строительного мониторинга, контроля дефектов, энергоэффективности и эксплуатации объекта; особенно выделяются рекуррентные нейронные сети и сверточные нейронные сети, то есть Recurrent Neural Network (рекуррентная нейронная сеть, RNN) и Convolutional Neural Network (сверточная нейронная сеть, CNN) [2].
Степень изученности проблемы можно считать достаточно высокой: в научной литературе уже систематизированы такие направления, как Building Information Modeling (информационное моделирование зданий), дроны, 3D-печать, цифровые двойники, автоматизация строительных работ и алгоритмы распределения ресурсов; вместе с этим фиксируются и риски внедрения, включая высокую стоимость, зависимость от специалистов и вероятность технических сбоев [3]. Предмет настоящего исследования связан с особенностями применения интеллектуальных методов в проектировании, строительстве и эксплуатации зданий, где особое значение имеют генетические алгоритмы поиска оптимальных решений по критериям энергоэффективности, устойчивости, эстетики и стоимости, а также роботизированные системы и модели предиктивного управления энергопотреблением и ремонтом [4].
Цель статьи состоит в выявлении ключевых направлений имплементации искусственного интеллекта в строительстве и оценке их прикладного эффекта; для ее достижения необходимо проанализировать текущее состояние технологий, их использование в проектировании, управлении строительными процессами и контроле качества, а также определить ограничения и перспективы дальнейшего внедрения. Рабочая гипотеза заключается в том, что искусственный интеллект способен повысить не только технологическую, но и экономическую результативность строительных проектов: по оценке Deloitte, его применение позволяет сократить бюджетные и временные отклонения на 10-20 %, а трудозатраты инженерного персонала - на 10-30 % [5].
Материалы и методы
Материалами исследования послужили научные публикации, посвященные применению искусственного интеллекта в строительстве, цифровизации строительных процессов, проектированию, управлению ресурсами, контролю качества и безопасности. В качестве исследовательской базы использовались русскоязычные и англоязычные статьи, отобранные по тематической релевантности теме работы.
Методическую основу исследования составили анализ, синтез, сравнение, индукция, дедукция, обобщение и моделирование. Схема исследования включала последовательный отбор источников, выделение в них ключевых направлений внедрения искусственного интеллекта в строительстве, сопоставление полученных данных и их систематизацию по этапам жизненного цикла строительного объекта. Условия исследования определялись задачей содержательного выявления практических эффектов, ограничений и наиболее перспективных областей применения искусственного интеллекта в строительной отрасли.
Результаты
Наиболее наглядный результат имплементации искусственного интеллекта в строительстве проявляется на уровне самой строительной площадки, где цифровизация уже переходит в физическую автоматизацию работ. Роботизированная кладка кирпича и блоков позволяет ускорить выполнение однотипных операций и уменьшить зависимость от ручного труда, автоматизированная сварка и резка металла повышают повторяемость и точность соединений, 3D-печать делает возможным изготовление конструкций сложной формы, а дроны дают непрерывную аэросъёмку площадки для оперативного контроля. Важен не сам набор технологий, а их общий эффект: рутинные и опасные операции выводятся из зоны максимального человеческого риска, а управление проектом начинает опираться не на разрозненные наблюдения, а на постоянный поток данных, который искусственный интеллект способен обрабатывать в режиме принятия решений [6].
Дальнейшее смещение эффекта происходит на стадии проектирования и организационного управления. Поскольку в строительстве занято около 7 % мировых трудовых ресурсов, даже частичное сокращение проектных ошибок и дублирования функций дает масштабный отраслевой результат. Генеративное проектирование, усиленное искусственным интеллектом, работает не как простая 3D-визуализация, а как система перебора и проверки проектных решений с учетом больших массивов исходных данных и риск-факторов. BIM, то есть Building Information Modeling, в этой логике становится не электронной копией чертежа, а интеллектуальной средой, где можно заранее выявлять коллизии между разделами проекта, исключать повторную разработку уже созданных элементов и моделировать работу объекта еще до начала строительства. На практике это означает перенос части ошибок из дорогой стадии строительно-монтажных работ в дешевую стадию цифровой проверки [7].
На уровне управления проектом искусственный интеллект показывает результат прежде всего как инструмент предиктивного, то есть прогнозного, управления. При анализе исторических данных по проектам, текущих отчетов о ходе работ и внешних факторов система способна заранее прогнозировать задержки по графику, отклонения бюджета, дефицит рабочей силы и неэффективную загрузку техники. Практический смысл этого сдвига состоит в том, что проект перестает управляться постфактум: руководитель получает возможность вмешиваться до того, как отклонение превратится в срыв срока, перерасход или простой. Дополнительный эффект дают интеллектуальные панели мониторинга и автоматизированная отчетность, поскольку они сокращают время между появлением проблемы и управленческой реакцией на нее [8].
Особенно заметен результат там, где искусственный интеллект включается в сметное дело и бюджетное планирование. Традиционные методы оценки стоимости опираются на ручной подсчет объемов, сравнение с аналогами и экспертное суждение, поэтому плохо учитывают нелинейные связи между изменением проекта, логистикой, ценами на материалы, производительностью труда и внешними ограничениями. При использовании «Artificial Neural Networks» (искусственные нейронные сети), «Support Vector Machines» (метод опорных векторов) и гибридных алгоритмов оптимизации финансовая модель начинает учитывать именно такие скрытые зависимости. В результате стоимость проекта рассчитывается не как статичная предварительная цифра, а как динамический прогноз, который можно уточнять по мере поступления новых данных из BIM-модели, закупок, журналов техники и рыночных баз цен. Это позволяет раньше замечать риск перерасхода и переводит бюджетный контроль из режима констатации в режим предупреждения [9].
Количественно наиболее убедимые результаты получены там, где использование BIM и искусственного интеллекта сопоставлялось с параметрами устойчивого планирования строительства. В выборке компаний из Словакии, Словении и Хорватии при N = 49 выявлены очень сильные положительные связи между интенсивностью использования цифровых инструментов и качеством планирования затрат, ресурсов и сроков: для BIM коэффициенты корреляции составили 0,9834 по затратам, 0,9638 по ресурсам и 0,8669 по срокам, для искусственного интеллекта - 0,9245, 0,8088 и 0,8646 соответственно при p < 0,00001. Значения, близкие к 1, означают, что чем активнее компания применяет эти инструменты, тем выше оценивает их вклад в устойчивое планирование проекта. При этом цифровые технологии сильнее всего влияют на стоимость и календарное планирование, а слабее - на материальную устойчивость: в Словении средние оценки составили 3,52 по затратам, 3,51 по срокам и только 2,49 по материалам; в Словакии - 3,02, 3,03 и 1,34; в Хорватии - 2,99, 2,80 и 2,21. Это показывает важную закономерность: сегодня BIM и искусственный интеллект лучше работают там, где нужно быстрее считать, согласовывать и прогнозировать, чем там, где требуется глубокая прослеживаемость жизненного цикла материалов [10].
Экономический результат имплементации искусственного интеллекта в строительстве становится еще нагляднее при переходе от отдельных функций к инвестиционной модели цифровой трансформации. Совокупный вклад технологий искусственного интеллекта в валовой внутренний продукт России оценивается в 11,6 трлн руб. к 2030 г. и в 46,5 трлн руб. к 2035 г., причем строительство входит в число шести крупнейших отраслей-получателей эффекта с ожидаемым результатом около 4,0 трлн руб. к 2035 г. На уровне строительной компании максимальный практический эффект сосредоточен в планировании, снабжении, контроле качества и промышленной безопасности (см. табл. 1): длительность планирования может сокращаться на 20-30 %, затраты в снабжении и логистике - на 10-15 %, объем переделок после автоматической детекции дефектов - на 10-12 %, инциденты в зоне промышленной безопасности - на 20-25 %, а простой техники при предиктивном обслуживании - до 15 %. По сути, искусственный интеллект начинает давать экономически значимый результат только тогда, когда он встроен в полную архитектуру «данные - модели - процессы - управление изменениями» и работает в связке с BIM/ТИМ, ERP/MES, датчиками и видеопотоками [11].
Таблица 1
Внедрение ИИ в производственные процессы и его эффекты
|
Процесс |
Применение ИИ |
Ожидаемый эффект |
Условия реализации |
|
1 |
2 |
3 |
4 |
|
Календарное планирование |
Прогнозирование сроков, корректировка графика, распределение ресурсов |
Сокращение времени планирования на 20–30 % |
Необходимы накопленные проектные данные и интеграция с BIM/ТИМ |
|
Снабжение и логистика |
Прогноз потребности, оптимизация поставок и складских запасов |
Снижение затрат на 10–15 %, уменьшение простоев техники |
Эффект выше при интеграции с ERP/MES |
|
Контроль качества |
Автоматическое выявление дефектов по фото- и видеоданным |
Снижение объема переделок на 10–12 % |
Требуются стандартизированные фото- и видеоматериалы, а также размеченные данные |
|
Промышленная безопасность |
Контроль СИЗ и опасных зон с помощью CV-алгоритмов |
Снижение числа инцидентов на 20–25 % |
Нужны регламенты по видеоаналитике и защите данных |
|
Управление строительной техникой |
Предиктивное техническое обслуживание |
Сокращение простоев до 15 % |
Требуются телематические датчики и массив исторических данных |
|
Проектирование |
Генеративное проектирование, автоматическая проверка коллизий |
Снижение числа ошибок на стадии проектирования и рабочей документации |
Эффективность возрастает при связке с BIM/ТИМ и цифровым двойником |
Вместе с тем проведенный анализ показывает, что высокий вычислительный потенциал искусственного интеллекта еще не означает готовности к автономному принятию строительных решений там, где требуется правовая и оценочная дискреция. В моделировании санкций по строительным правонарушениям ни один из протестированных сервисов не вышел за законный максимум в 15 000 евро, однако устойчивость решений оказалась различной. ChatGPT тестировался 30 раз и показал наименьшую стабильность: за одинаково описанный менее тяжкий случай штраф для Карола менялся от 1000 до 5000 евро, а разница между санкциями для более тяжкого и менее тяжкого деяния колебалась слишком сильно; в одном из сравнений за более тяжкий проступок назначалось 1750 евро, тогда как за менее тяжкий в других прогонах - 5000 евро. При добавлении в промпт усредненного ориентира 2783,34 евро модель начала почти механически подстраиваться под эту цифру. Google Gemini при 15 прогонах был строже: в трех случаях штраф для более тяжкого деяния составил около 10 000 евро, в одном - 12 000 евро, но один раз модель вообще отказалась назначать санкцию. Microsoft Copilot оказался наиболее стабильным: в 10 из 15 случаев он назначал Каролу ровно 3000 евро, а в остальных - 2500 или 4000 евро. Для строительной отрасли этот результат важен как граница применимости: искусственный интеллект уже помогает структурировать аргументацию, но без проверенных массивов данных и без устойчивой модели прошлой практики не может надежно заменить человека там, где требуется индивидуализированное решение [12].
Реальная готовность рынка к внедрению искусственного интеллекта пока заметно ниже его функциональных возможностей. В обследовании строительных фирм Лагоса было роздано 83 анкеты, из которых для анализа пригодны 62; только 22 компании, то есть 35,48 %, сообщили о фактическом внедрении Artificial Intelligence Technology (технологии искусственного интеллекта, AIT), тогда как 64,52 % еще не используют такие решения. Уровень осведомленности остается в основном умеренным: так ответили 61,29 % респондентов. Наиболее сильными факторами внедрения признаны технологическая готовность фирмы (MIS = 4,71), стоимость покупки и внедрения (MIS = 4,66) и совместимость с действующей стратегией (MIS = 4,52). В то же время ожидаемые выгоды оценены очень высоко: рост производительности труда (MIS = 4,77), предотвращение перерасхода средств (MIS = 4,68), оптимизация ресурсов и отходов на площадке и вне ее (MIS = 4,57). Это означает, что основной барьер лежит уже не в понимании полезности технологии, а в стоимости входа, кадровом дефиците и организационной готовности компаний к изменению процессов [13].
Наиболее прикладной и проверяемый результат дает компьютерное зрение в задачах контроля безопасности. При существующей отраслевой проблеме, когда более 55 % несчастных случаев связаны с некачественной организацией труда, а фактические сроки выполнения работ могут отклоняться от плановых более чем на 30 %, автоматизация видеонаблюдения позволяет перевести контроль техники безопасности из эпизодического в непрерывный. В натурном эксперименте для подсчета людей на проходной анализировалось видео длительностью около 5 часов с частотой 15 кадр/с; через проходную прошло 531 человек, и только алгоритм (см. рис. 1) BoT-SORT дал точное совпадение с фактическим числом, тогда как StrongSORT показал 542, Deep OC-SORT - 541, ByteTrack - 538. Для распознавания касок использовалась модель Yolov8s, обученная на выборке из 11 849 изображений и проверенная на 732 тестовых изображениях; решение принималось, если человек присутствовал более чем на 50 % кадров разреженного видеопотока 4 кадр/с длительностью не менее 4 с. В результате была получена 100 %-ная точность детекции людей и направления их движения через проходную, то есть искусственный интеллект здесь уже не просто «помогает», а воспроизводимо выполняет конкретную контрольную функцию лучше ряда альтернативных трекинговых моделей [14].
Рис. 1. Архитектура ИИ-системы для подсчёта людей в видеопотоке
Завершающий блок результатов показывает, что оценка рисков становится одной из ключевых зон, где искусственный интеллект объединяет практически все предыдущие функции - обработку больших данных, прогнозирование, мониторинг и поддержку решений. В анализ включаются не только внутренние параметры проекта, такие как ошибки проектирования, задержки поставок и недооценка затрат, но и внешние факторы - экономическая нестабильность, погодные условия, изменения законодательства. Искусственный интеллект работает здесь не как электронный архив, а как динамическая модель, которая в реальном времени сопоставляет информацию о финансовом состоянии заказчика, свойствах материалов, погодных прогнозах и истории предыдущих проектов, после чего строит более полную картину угроз и предлагает варианты их минимизации. Практический результат выражается в трех связанных эффектах: снижение затрат, повышение безопасности и повышение качества работ. Иначе говоря, управление рисками перестает быть отдельной экспертной процедурой и становится постоянно действующим цифровым контуром управления проектом [15].
Обсуждение
Полученные данные показывают, что оценивать внедрение искусственного интеллекта в строительстве только через классические инвестиционные показатели пока преждевременно: для значительной части решений отсутствуют открытые отчетные данные по норме доходности, сроку окупаемости и совокупной стоимости владения. Более надежным на ранней стадии оказывается комплексный подход, где технологии сначала распределяются по четырем уровням зрелости - от идеи до активного практического применения, а затем оцениваются по баллам с учетом реализуемости, полезности и экономической целесообразности. Это согласуется с выдвинутой гипотезой: эффект искусственного интеллекта действительно проявляется в строительстве, но его следует рассматривать не как единичный программный продукт, а как стратегический проект с цепочкой причинно-следственных решений; ограничением остается преобладание качественной, а не строгой количественной оценки [16].
Широкая применимость таких решений объясняется самим состоянием отрасли. При занятости около 7 % мировой рабочей силы строительство за последние десятилетия прибавляло лишь около 1 % в год, тогда как обрабатывающая промышленность росла на 3,6 %, мировая экономика - на 2,8 %, а производительность в ряде других отраслей с 1945 г. увеличилась примерно на 1500 %. На этом фоне искусственный интеллект выглядит не просто технологическим обновлением, а ответом на системное отставание строительства по цифровизации, управлению данными и производительности; в этом смысле результаты подтверждают гипотезу о компенсаторной роли интеллектуальных технологий для отрасли с хронически низкой операционной эффективностью [17].
Практические эффекты распределяются по всему жизненному циклу объекта. На стадии проектирования искусственный интеллект ускоряет генеративный дизайн, автоматическую проверку соответствия нормам и оптимизацию конструкций, на стадии строительства - улучшает планирование сроков и ресурсов, повышает безопасность и производительность труда, на стадии эксплуатации - позволяет управлять системами «умного здания» и прогнозировать отказы оборудования. Одновременно именно здесь отчетливо видны пределы интерпретации результатов: высокая стоимость внедрения и сопровождения, дефицит специалистов, уязвимость к сбоям и киберугрозам, а также риск вытеснения части работников не позволяют считать эффект универсальным и одинаково достижимым для всех компаний; гипотеза подтверждается, но только при сохранении баланса между автоматизацией и инженерным контролем человека [18].
Рыночные и организационные показатели делают эту зависимость еще заметнее. С одной стороны, рынок искусственного интеллекта в строительстве вырос до 1,1 млрд долл. в 2023 г. и прогнозируется на уровне 4,5 млрд долл. к 2028 г., что указывает на высокую инвестиционную привлекательность направления. С другой стороны, 45 % компаний называют главным барьером нехватку квалифицированных кадров, 60 % - высокие затраты на внедрение, хотя отдельные кейсы уже показывают сокращение расходов на 15 %, а ожидаемый прирост производительности оценивается в 20-30 %. Это означает, что основное ограничение носит не технический, а институциональный характер: гипотеза о результативности искусственного интеллекта подтверждается, однако ее реализация зависит от кадровой базы, облачной инфраструктуры, междисциплинарных команд и готовности отрасли к организационным изменениям [19].
Наиболее полно эта логика раскрывается в стратегической перспективе. При анализе более 40 программных решений и платформ показано, что наибольший организационно-экономический эффект возникает при сквозном применении искусственного интеллекта - от BIM-проверок и предиктивного проектирования до цифровых двойников в эксплуатации: бюджеты и временные отклонения могут сокращаться на 10-20 %, экономия энергоресурсов достигает 15-20 %, а трудозатраты инженеров на рутинные операции уменьшаются на 10-30 %. Вместе с тем более 36 % респондентов считают центральным барьером стоимость решений и дефицит кадров, в 64 % случаев после 3-6 месяцев разработки системы требуют постоянной донастройки, для обучения даже узкоспециализированной модели нужно не менее 3000 качественных датасетов, а в 4 % случаев компании вообще запрещают такие технологии из-за правовых и киберрисков. Это в целом подтверждает гипотезу исследования: искусственный интеллект действительно способен повысить эффективность строительства на всех этапах жизненного цикла объекта, но пределы применимости задаются качеством данных, зрелостью управления, нормативной средой и доступностью долгосрочных инвестиций, поэтому переход к адаптивной отраслевой экосистеме реалистичен лишь при поэтапной цифровизации с горизонтом до 2035 г. [20].
Заключение
Проведенное исследование показало, что имплементация искусственного интеллекта в строительстве уже перестала быть частной технологической инициативой и постепенно превращается в один из ключевых факторов отраслевой модернизации. Наибольшая ценность этих решений проявляется не в изолированном использовании отдельных алгоритмов, а в их включении в единую систему управления жизненным циклом объекта - от предпроектного анализа и интеллектуального проектирования до строительного мониторинга, оценки рисков, контроля качества и эксплуатации. Искусственный интеллект позволяет обрабатывать большие массивы разнородных данных, повышать точность управленческих решений, раньше выявлять отклонения по срокам, стоимости и безопасности, а также снижать зависимость результата от человеческого фактора в рутинных и повторяющихся операциях. Это особенно важно для строительной отрасли, где цена ошибки высока, а последствия задержек, перерасхода и дефектов прямо отражаются на финансовой устойчивости проекта.
Вместе с этим исследование подтвердило, что эффективность внедрения искусственного интеллекта определяется не только техническими возможностями самих систем, но и зрелостью организационной среды, качеством исходных данных, доступностью инвестиций, кадровой обеспеченностью и нормативной готовностью отрасли к цифровой трансформации. Перспективность искусственного интеллекта в строительстве не вызывает сомнений, однако практический эффект достигается там, где цифровые инструменты сопровождаются перестройкой бизнес-процессов, развитием компетенций и поэтапным расширением сферы применения. В этом состоит главная особенность его имплементации: строительная отрасль нуждается не просто в новых программах или алгоритмах, а в переходе к более связанной, предиктивной и управляемой модели работы. Именно такой подход позволяет рассматривать искусственный интеллект не как вспомогательную инновацию, а как основу дальнейшего повышения производительности, безопасности и экономической устойчивости строительного комплекса.
