Az ingatlanszektor más idővonalon működik, mint a legtöbb ágazat. Egy épület tervezése, megépítése, bérbeadása, kezelése és végül fenntarthatóvá tétele vagy újrafejlesztése évtizedeken átívelő folyamat. Egy objektumról szóló adatok fázisokban keletkeznek, amelyek gyakran egymástól elkülönülten vannak megszervezve: a fejlesztő, az építő, a kezelő és az investor mindegyike a saját rendszerét vezeti, saját definíciókkal arra vonatkozóan, hogy egy négyzetméter, egy bérleti szerződés vagy egy karbantartási státusz pontosan mit is jelent. Míg egy olyan szektor, mint a nagykereskedelem, gyorsan változó tranzakciós adatokkal dolgozik, az ingatlanszektor lassú, szétaprózott adatokkal küzd, amelyeket ritkán állítanak újra össze, ha egy fázis lezárult.
Ez a fragmentáltság az, ahol az AI-érettség ebben a szektorban elakad. Nem azért, mert a szektor konzervatív lenne, hanem mert a munka szerkezete — tulajdonost váltó objektumok, átadott szerződések, szerepkör szerint eltérő rendszerek — megnehezíti, hogy egyetlen összefüggő képet kapjunk egy portfólióról. Egy AI-alkalmazás, amely előrejelzéseket készít a karbantartásról vagy az üresedésről, csak annyira jó, amennyire jók az alapjául szolgáló adatok, és ezek az adatok az ingatlanszektorban gyakrabban szétszórtak, mint teljesek.
A hybridresourcing érettségmérése öt szinttel dolgozik: baseline, foundation, activation, insight és intelligence, hét dimenzió mentén mérve. Az ingatlancégeknél gyakran feltűnő, hogy az alapvető dimenziók — szervezet, IT-infrastruktúra és adatmenedzsment — elmaradnak azoktól az ambícióktól, amelyeket a vezetői szinten kifejeznek az AI-ról a taxálásban, a kezelésben vagy az energiateljesítményben. Intelligens alkalmazásokról beszélnek, míg az alapul szolgáló rendszerek még telephelyenként, objektumtípusonként vagy kezelőnként eltérnek.
Ez nem olyan sorrend kérdése, amelyet meg lehetne fordítani. Azok a dimenziók, amelyek függenek másoktól — ahol a szervezet valójában AI-t alkalmaz — nem juthatnak tovább annál, mint amit az alapvető dimenziók megengednek. Egy szervezet, amely activation szinten szeretné AI-t használni a bérlőkkel való kommunikációhoz, de foundation szinten megreked az adatmenedzsmentben, elakad abban a pillanatban, amikor az alkalmazásnak több kellene, mint amit egy pilot nyújtani tud. Hogy miért fix ez a sorrend, és miért nem tárgyalható, arról az alapvető dimenziók elsőbbségéről szóló oldalon olvashat bővebben.
A mérés egyik eleme egy plot-kör: a szervezeten belül több ember pontozza a hét dimenziót külön-külön, egymás válaszainak ismerete nélkül. Az ingatlancégeknél ez gyakran nagyobb szórást eredményez, mint azokban a szektorokban, ahol a működés központosítottabban van irányítva. Az asset manager magasra pontozza az adatmenedzsment dimenziót, mert a portfólió-információ a saját rendszerében rendben van; a facility manager alacsonyra pontoz, mert a külső partnerektől érkező karbantartási adatok soha nincsenek megfelelően összekapcsolva. Mindkét kép igaz a szervezet azon részére vonatkozóan, amelyet ők látnak, és pontosan ez a szórás az első diagnózis: nem az átlagos szint, hanem a közös kép hiánya.
Ez a szórás funkcionálisan összevethető azzal, amit [az ingatlanszektorban](#) láthatunk más tőkeintenzív szektorok mellett, mint az építőipar és a gépészeti szakágazat, ahol a munka szintúgy több szereplő és fázis között van megosztva. Mindegyik szektorban a legnagyobb kockázat nem az ambíció hiányából ered, hanem abból, hogy nincs közös kép arról, hol áll valójában a szervezet, mielőtt a bevezetésről beszélnének.
Ez a mérés semmit nem mond arról, hogy egy ingatlancégen belül mely feladatokat veheti át az AI. A teherviselő képességről van szó: képes-e a szervezet AI-t hordozni, tekintve az alapjai állapotát. Ez más kérdés, mint az, hogy mit vehet át az AI a taxálási munkából, a szerződéskezelésből vagy a jelentéskészítésből. Aki ez utóbbi választ keresi, azt nem ebben a mérésben, hanem egy másik eszközben találja meg.
A hybridresourcing érettségmérése jelenleg épül. Még nincs olyan eszköz, amelyet ma végig lehetne járni. Aki használni szeretné a mérést, amint elérhető lesz, feliratkozhat a várólistára; nincs ígéret dátumra vonatkozóan, csak annyi, hogy aki feliratkozik, elsőként kap értesítést.
Amint kiderül, hogy egy ingatlancég alapjai képesek-e AI-t hordozni, felmerül a következő kérdés: a tényleges munka mely része — objektumkezelés, bérlői kapcsolattartás, jelentéskészítés, taxálási támogatás — vehető át AI-val. Erre a kérdésre nem ez az oldalon szereplő mérés ad választ; azt a FTE TO AI munkaszkennere számolja ki feladatonként. Jó kiindulópont ehhez a kalkulációhoz egy áttekintés a munkafolyamaton belül hozott döntésekről, amelyhez a döntési leltárban szereplő elemekről szóló oldal ad kezdő útmutatást, csakúgy mint a hasonló kérdések az egészségügyi szektorban, ahol ugyanez a szétválasztás érvényes a teherviselő képesség és a feladatátvétel között.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.