האם בינה מלאכותית היא העתיד של ענף הבנייה בישראל?
ענף הבנייה בישראל, עמוד השדרה של המשק, ניצב בפני אתגרים אדירים. על פי נתוני הלמ"ס, אוכלוסיית ישראל צפויה להגיע לכ-15 מיליון תושבים עד שנת 2048, והביקוש לדיור צפוי לזנק בהתאם. למרות זאת, הענף מתאפיין בפריון עבודה נמוך, עיכובים כרוניים בפרויקטים וחריגות תקציב תכופות. בזמן שתעשיות אחרות עברו מהפכות טכנולוגיות, נראה שענף הבנייה נשאר מאחור. אבל ייתכן שהשינוי הגדול כבר כאן, והוא מונע על ידי מהפכת הבינה המלאכותית (AI) ולמידת המכונה (ML).
בדצמבר 2024, פרסם המכון הלאומי לחקר הבנייה בטכניון, בהזמנת משרד הבינוי והשיכון, מחקר מקיף שצלל לעומק הנושא: "בינה מלאכותית ככלי עבור ענף הבניה הישראלי: היתכנות, כדאיות, אפשרויות ומכשולים". המחקר, שכלל סקירה אקדמית, ניתוח של מאות חברות טכנולוגיה, שאלונים ופאנל מומחים, משרטט תמונה מרתקת של ההווה ומפה דרכים לעתיד. עמוד זה מציג בפניכם את תמצית הממצאים, ההזדמנויות והחסמים שעומדים בפנינו בדרך לעתיד בנייה חכם, יעיל ובטוח יותר.
מה זה בעצם אומר, "בינה מלאכותית בבנייה"?
כדי להבין את הפוטנציאל, חשוב להכיר שני מושגי מפתח שפועלים יחד:
למידת מכונה (Machine Learning): זהו המנוע של המהפכה. מדובר בתת-תחום בבינה מלאכותית שמאפשר למחשבים ללמוד מתוך כמויות אדירות של נתונים, לזהות דפוסים מורכבים ולהפיק תחזיות ותובנות, וכל זאת מבלי שתוכנתו באופן מפורש לכל משימה. במקום לתת למחשב הוראות מדויקות, אנחנו מראים לו אלפי דוגמאות, והוא לומד לבד.
מודלים של מידע בניין (BIM – Building Information Modeling): זהו הדלק למנוע. טכנולוגיית BIM מאפשרת יצירת מודלים תלת-ממדיים "חכמים" של מבנים. המודלים האלה אינם רק שרטוטים ויזואליים – הם מאגרי מידע עשירים ומובנים (מסד נתונים גיאומטרי וסמנטי) המכילים את כל פרטי המבנה: מחומרים, עלויות ולוחות זמנים, ועד מידע על יצרנים, עמידות באש ותחזוקה עתידית.
השילוב המנצח: כאשר "מאכילים" את אלגוריתמי למידת המכונה בנתונים המפורטים והאיכותיים ממודלי BIM, קורים דברים מדהימים. המערכות לומדות לנתח, לחזות ולייעל תהליכים מורכבים לאורך כל חיי הפרויקט, באופן שבני אדם לבדם יתקשו לבצע.
ממצאים עיקריים: איך AI יכולה לשנות כל שלב בפרויקט?
המחקר מראה כי לבינה מלאכותית יש פוטנציאל אדיר לשנות מהיסוד כל אחד משלבי מחזור החיים של המבנה. הנה כמה דוגמאות קונקרטיות:
1. שלב התכנון (Design)
בשלב זה, שבו טעויות קטנות יכולות להפוך לבעיות של מיליונים בהמשך, AI יכולה להיות משנה משחק:
אופטימיזציה של תכנון: אלגוריתמים יכולים לנתח אלפי אפשרויות תכנון באופן אוטומטי כדי למצוא את התכנון האופטימלי. דוגמה: חישוב המיקום והגודל האידיאלי של חלונות כדי למקסם אור טבעי ולמזער את צריכת האנרגיה לקירור וחימום.
תמיכה בקבלת החלטות: המערכת יכולה לספק למתכננים תובנות מבוססות נתונים בזמן אמת על השלכות כל החלטה תכנונית – מבחינת עלויות, חומרים, קיימות ועמידה בתקנים.
בקרת תכנון אוטומטית: אחד התחומים המבטיחים ביותר. AI יכולה לסרוק מודלי BIM ולזהות אוטומטית התנגשויות בין מערכות שונות (למשל, צינור מים שעובר דרך קורת בטון) או אי-עמידה בתקנות בנייה, ובכך למנוע טעויות יקרות שמתגלות בדרך כלל רק בשלב הביצוע.
2. שלב הביצוע (Construction)
באתר הבנייה עצמו, סביבה כאוטית ודינמית, AI יכולה להביא סדר ויעילות:
ניהול וניטור האתר: שימוש ברחפנים ומצלמות כדי לצלם את האתר, וניתוח אוטומטי של התמונות והשוואתן למודל ה-BIM. כך ניתן לעקוב אחר קצב ההתקדמות, לזהות חריגות מהתכנון ולנהל את לוחות הזמנים בצורה מדויקת.
בטיחות – הצלת חיים: ניתוח צילומי וידאו מהאתר בזמן אמת כדי לזהות מצבים מסוכנים, כמו עובדים ללא קסדה או קרבה מסוכנת לציוד כבד, ושליחת התראה מיידית למנהל העבודה. זהו תחום שזוכה לדגש מיוחד בחברות הטכנולוגיה הישראליות.
הפחתת עלויות וחיזוי בעיות: ניתוח נתונים היסטוריים ונתונים מהשטח כדי לחזות עיכובים, בעיות לוגיסטיות או צווארי בקבוק, המאפשר היערכות מוקדמת וחיסכון משמעותי במשאבים.
3. שלב התפעול והתחזוקה (Post-Construction)
לאחר שהבניין מאוכלס, עלויות התפעול לאורך שנים עולות לעתים קרובות על עלות הבנייה עצמה. כאן AI יכולה לחסוך הון:
תחזוקה חזויה (Predictive Maintenance): במקום לתקן דברים אחרי שהם מתקלקלים, AI מזהה תקלות לפני שהן קורות. דוגמה: ניתוח נתוני רעידות ולחץ מחיישנים (IoT) במערכת מיזוג אוויר כדי לחזות כשל צפוי במדחס ולהזמין טכנאי מראש.
יצירת "תאום דיגיטלי" (Digital Twin): זהו העתק וירטואלי חי ונושם של המבנה הפיזי, שמתעדכן בזמן אמת מנתוני חיישנים. התאום הדיגיטלי מאפשר לדמות תרחישים, לבחון השפעות של שינויים ולנהל את הנכס בצורה החכמה והחסכונית ביותר.
אופטימיזציה של ביצועים: המערכת לומדת את דפוסי השימוש בבניין ומתאימה את המערכות (תאורה, מיזוג) באופן דינמי כדי למקסם את נוחות הדיירים ולמזער את צריכת האנרגיה.
מה קורה בישראל? האתגרים והחסמים בדרך למהפכה
למרות הפוטנציאל העצום, הדרך לאימוץ מלא של AI בענף הבנייה הישראלי רצופה מכשולים. המחקר זיהה מספר חסמים מרכזיים שמעכבים את ההתקדמות:
המחסור בנתונים (החסם הגדול מכולם): הבעיה המרכזית והקריטית ביותר היא היעדר מאגרי מידע גדולים, איכותיים וזמינים של פרויקטים ישראליים. מודלי AI זקוקים לדוגמאות רבות כדי ללמוד, ובלי מאגר מידע לאומי מבוסס BIM (שיכלול אלמנטים ייחודיים לישראל כמו ממ"דים, שאינם קיימים במאגרים בינלאומיים), חברות טכנולוגיה מתקשות לפתח פתרונות מדויקים המותאמים לשוק המקומי. המחקר מצא נתון מדאיג: רק כ-40% מחברות הטכנולוגיה בתחום מחזיקות בסיס נתונים שימושי לאימון מודלים. בנוסף, חברות בנייה ותכנון חוששות לשתף את מודלי ה-BIM שלהן מחשש לפגיעה בקניין רוחני.
חסמים רגולטוריים ומבניים: התקנים ותהליכי הרישוי בישראל מיושנים ומבוססים על הגשת תכניות בפורמטים שאינם דיגיטליים ומובנים (כמו PDF), מה שמונע ניתוח ממוחשב יעיל. אין כיום מסלול רשמי לאישור כלים טכנולוגיים מבוססי AI, מה שמקשה על שילובם בתהליכים מחייבים.
פערי ידע ותרבות: קיים נתק עמוק בין ענף הבנייה, שנתפס כשמרני, לבין עולם הטכנולוגיה הדינמי. סקר המומחים הראה תפיסות מנוגדות: אנשי הבנייה חוששים שהטכנולוגיה אינה בשלה מספיק ואינה מותאמת לבעיות המקומיות. מנגד, אנשי הטכנולוגיה חשים שענף הבנייה "תקוע", חסר אמון ואינו פתוח לשינויים הנדרשים.
המלצות: המפתח לעתיד נמצא בשיתוף פעולה
כדי לממש את ההבטחה הגדולה של הבינה המלאכותית, המחקר ממליץ על גישה אסטרטגית ומשולבת הכוללת מספר צעדים קריטיים:
הקמת מאגרי מידע ציבוריים ומרכזיים: זוהי ההמלצה הדחופה והחשובה ביותר. על המדינה ליזום הקמת מאגר מידע לאומי שיאפשר איסוף נתונים מפרויקטים בישראל. המאגר צריך להיות בנוי במודל של שתי שכבות: שכבה פנימית מאובטחת המכילה את מודלי ה-BIM המלאים, ושכבה חיצונית ציבורית המנגישה נתונים אנונימיים ומעובדים לחוקרים ולחברות טכנולוגיה, תוך שמירה קפדנית על סודיות וקניין רוחני.
רגולציה תומכת חדשנות: יש לקדם חובה הדרגתית להגשת מודלי BIM בפרויקטים ציבוריים, ולעדכן את התקנים כך שיאפשרו ויעודדו שימוש בכלים טכנולוגיים מתקדמים לבקרת תכנון ובטיחות.
השקעה בהכשרות מקצועיות: יש לצמצם את פערי הידע על ידי פיתוח תוכניות הכשרה ייעודיות למהנדסים, אדריכלים ומנהלי פרויקטים, עם דגש על יצירת מודלים עשירים במידע ושימוש בכלים החדשים.
עידוד שיתופי פעולה בין-תחומיים: חיוני ליצור גשרים ופלטפורמות לשיתוף פעולה בין ענף הבנייה, חברות טכנולוגיה, האקדמיה וגופים ממשלתיים, למשל באמצעות מימון פרויקטים משותפים וקיום כנסים מקצועיים.
לסיכום, המהפכה כבר כאן, והפוטנציאל שלה לשנות את פני ענף הבנייה בישראל הוא אדיר. אימוץ טכנולוגיות של בינה מלאכותית אינו עוד מדע בדיוני, אלא צורך אסטרטגי חיוני להתמודדות עם אתגרי העתיד. מימוש הפוטנציאל הזה תלוי ביכולת שלנו, כענף וכמדינה, להתגבר על החסמים, לשתף פעולה, ובראש ובראשונה – להבין שהנכס החשוב ביותר שלנו בעתיד הוא הנתונים.
ממצאים ונתונים ממחקר הבינה המלאכותית בענף הבנייה
כאן נשווה את נוף טכנולוגיות הבנייה בישראל לעומת המגמות בעולם. הגרפים מראים היכן ישראל דומה לשוק הגלובלי והיכן היא שונה, במיוחד בתחומי הפעילות ובקצב אימוץ החדשנות.
פילוח חברות טכנולוגיה לפי תחום פעילות
השוואה בין ישראל לעולם. ניתן לראות דומיננטיות בתחום הביצוע (Construction) בשני האזורים.
תובנה מרכזית: בעוד שתחום הביצוע הוא המרכזי ביותר, סקר החברות המלא מגלה שבישראל יש דגש חזק יותר על בטיחות וניטור אתרים, בעוד שבעולם מתמקדים יותר בקיימות ואומדן עלויות.
שנת הקמת חברות טכנולוגיות בנייה
גל ההקמה העיקרי בעולם החל מ-2013, בעוד שבישראל ההתעוררות הגיעה מאוחר יותר, סביב 2017.
תובנה מרכזית: ישראל נכנסה למשחק טכנולוגיות הבנייה באיחור יחסי, מה שיכול להסביר את גודלן הקטן יותר של החברות המקומיות ואת ההתמקדות שלהן בבעיות נקודתיות יותר.
לשונית זו חושפת את הפערים בתפיסות בין שני העולמות: ענף הבנייה המסורתי וחברות הטכנולוגיה החדשניות. נראה מהם החסמים העיקריים מכל נקודת מבט, והיכן יש הסכמה או אי-הסכמה לגבי הפוטנציאל של AI.
חסמים להטמעת AI: פער התפיסות
ענף הבנייה מאשים את הרגולציה וחוסר בשלות הטכנולוגיה, בעוד שחברות הטכנולוגיה מצביעות על חוסר הרצון של הענף להשתנות.
תובנה מרכזית: קיים "שיח חירשים" בין הענפים. כדי להתקדם, יש לגשר על פער התפיסות הזה: חברות הטכנולוגיה צריכות להבין את מגבלות הרגולציה, וענף הבנייה צריך להיפתח יותר לשינוי.
הלימה בין צרכי הענף ליכולות הטכנולוגיה
הגרף מציג את רמת ההסכמה בין הענפים לגבי הפוטנציאל של AI במשימות שונות. ציון גבוה מצביע על הסכמה רחבה.
תובנה מרכזית: יש הסכמה גבוהה על הפוטנציאל במשימות טכניות ומובנות (כמו עבודה ב-BIM), אך הסכמה נמוכה יותר לגבי משימות "רכות" יותר כמו תכנון אדריכלי, שם האמון ב-AI עדיין נמוך.
כאן נצלול לנתונים נוספים המאפיינים את תעשיית טכנולוגיות הבנייה, בדגש על גודל החברות הפועלות בתחום.
גודל חברות טכנולוגיות הבנייה
בישראל רוב החברות קטנות מאוד (עד 50 עובדים), בעוד שבעולם יש נתח משמעותי גם לחברות ענק.
תובנה מרכזית: האקוסיסטם הישראלי מורכב בעיקר מסטארטאפים קטנים וזריזים, בניגוד לשוק העולמי בו פועלות חברות ותיקות וענקיות. זהו גם יתרון (גמישות) וגם חיסרון (מחסור במשאבים).
גילוי נאות והבהרה משפטית: המידע המוצג בעמוד זה מבוסס על ניתוח ועיבוד של מחקר שהוזמן על ידי משרד הבינוי והשיכון. יובהר כי תוכן זה מובא להמחשה ולצרכי מידע כללי בלבד, ואינו מהווה פרסום רשמי. הנתונים המחייבים והמלאים הם אלו המפורסמים באופן רשמי באתר משרד הבינוי והשיכון, וכל הסתמכות על מידע תיעשה על בסיסם בלבד.
