فراتر از آزمایش‌های هوش مصنوعی: ایجاد یک استراتژی سازمانی برای هوش مصنوعی در املاک و مستغلات و ساخت‌وساز

هوش مصنوعی به سرعت از یک ابزار بهره وری فردی به یک استراتژی در سطح سازمانی برای شرکت های املاک و مستغلات و ساخت و ساز در حال حرکت است. اما با تسریع پذیرش، این سوال از آنچه که هوش مصنوعی می‌تواند انجام دهد تغییر می‌کند به اینکه چگونه شرکت‌ها می‌توانند آن را به طور موثر اجرا کنند، ارزش آن را اندازه‌گیری کنند و اطمینان حاصل کنند که از کارهایی که بیشترین اهمیت را دارد پشتیبانی می‌کند.

ویل میچل، مدیر عامل Rabbet، یک پنل را در کنفرانس CREDA با حضور مت بوراس، مدیر عامل RXR Arden Digital Ventures، Ethan Argov، مدیر عامل، بازار سرمایه و سرمایه گذاری در Trailbreak Partners، و داستی ووفورد، رئیس جهانی استراتژی دیجیتال و فناوری برای Trammell C اداره کرد. اعضای پانل در مورد چگونگی استفاده سازمان‌هایشان از هوش مصنوعی، جایی که بازده قابل اندازه‌گیری را مشاهده می‌کنند، و آنچه برای حرکت فراتر از آزمایش‌های پراکنده لازم است، بحث کردند.

از آزمایش فردی تا استراتژی شرکتی

در RXR، یک مالک، اپراتور و توسعه‌دهنده املاک و مستغلات یکپارچه عمودی مستقر در نیویورک با تقریباً 30 میلیون فوت مربع املاک تجاری، پذیرش هوش مصنوعی توسط یک آزمایشگاه دیجیتال تقریباً 10 نفره پشتیبانی می‌شود که با مدیریت املاک، مدیریت سرمایه‌گذاری و تیم‌های توسعه برای شناسایی مشکلات تجاری که فناوری می‌تواند حل کند، همکاری می‌کند.

بوراس گفت: «ما چندین راه را به طور همزمان دنبال می کنیم، از جمله دسترسی و آموزش در سطح سازمانی، مشاوره در سطح بخش و شناسایی کارهایی که هوش مصنوعی می تواند انجام دهد و قبلاً زمان زیادی می برد.

Trailbreak Partners مستقر در دنور یک پلت فرم مدیریت دارایی را از ابتدا ایجاد کرد که اطلاعات از چندین سیستم مدیریت دارایی را در یک داشبورد واحد که مجموعه توسعه و عملیات آن را پوشش می دهد، ادغام می کند.

آرگوف گفت: «دو سال پیش، این شرکت از نظر کارمندان و هزینه‌های سربار بسیار متفاوت به نظر می‌رسید و این نتیجه مستقیم ادغام هوش مصنوعی در تجارت است.

برای Trammell Crow، چالش مقیاس‌پذیری آزمایش‌ها است. ووفورد گفت که این شرکت در ابتدا تمرین‌کنندگان را تشویق می‌کرد تا با هوش مصنوعی «بازی» کنند و کاربردهای بالقوه را در محل کار خود شناسایی کنند. این امر باعث ایجاد حجم قابل توجهی از ایده‌ها شد، اما محدودیت‌های ابزارها و عوامل از هم گسیخته را نیز آشکار کرد.

ووفورد می‌گوید: «داشتن مجموعه‌ای از نمایندگانی که به‌طور مستقل کار می‌کنند و استراتژی را در شرکت شما تکرار نمی‌کنند، شما را به این نتیجه می‌رساند. امروز تمرکز ما بیشتر بر چارچوب هوش مصنوعی سازمانی است.

او اشاره کرد که 80 درصد از اثربخشی هوش مصنوعی شامل انجام همان کار است، در حالی که تمایز از 20 درصد پیچیده تر ناشی می شود. او گفت: «وقتی به استراتژی هوش مصنوعی خود فکر می‌کنید، به چیزهایی که واقعاً می‌توانید تغییر دهید، متمایل شوید، اما این 20 درصد را فراموش نکنید، زیرا این چیزی است که به شرکت شما کمک می‌کند.

اندازه گیری بازگشت سرمایه

در Trailbreak، Argov تخمین زد که هوش مصنوعی در توابع توسعه و عملیات تقریباً 25٪ تا 30٪ توان عملیاتی را افزایش داده است، و به شرکت اجازه می دهد تا اطلاعات و پروژه های بیشتری را بدون افزایش متناسب کارکنان مدیریت کند.

ووفورد با اشاره به پتانسیل هوش مصنوعی برای دادن زمان بیشتری به کارمندان برای بستن معاملات، امنیت فرصت ها و تمرکز بر فعالیت های درآمدزا، گفت: “بهره وری هزینه یک چیز است. اما این در مورد ایجاد درآمد است.”

او یک مثال ساده از ROI را ذکر می‌کند: یک مدیر تحقیقاتی که از ابزار بهره‌وری هوش مصنوعی برای انجام کارهایی استفاده می‌کند که در غیر این صورت مستلزم استخدام یک تحلیل‌گر سطح بالا است، که حتی پس از هزینه‌های فناوری، اقتصاد را قانع‌کننده می‌کند.

برای RXR، بوراس گفت که ارزش همچنین در فعال کردن کارهایی است که قبلاً عملی نبودند. برای مثال، هوش مصنوعی می‌تواند مدیران دارایی را قادر سازد تا با جمع‌آوری و تفسیر اطلاعاتی که قبلاً به تلاش دستی بیش از حد نیاز داشت، ویژگی‌ها را مرتباً مجدداً فهرست کنند.

با کاری که زمان می برد شروع کنید

برای Trammell Crow، تجزیه و تحلیل قرارداد یک فرصت مهم است. هوش مصنوعی می تواند به شناسایی بدهی ها و خطرات احتمالی در قراردادهای فروش، قراردادهای سرمایه گذاری مشترک و قراردادهای ساخت و ساز کمک کند. ووفورد همچنین برنامه‌ای را توضیح داد که رمزگذاری فاکتورها را پس از راه‌اندازی اولیه خودکار می‌کند.

Trailbreak به شدت بر گزارش‌های مدیریت دارایی، نقشه‌های انطباق و ساخت و ساز، استفاده از هوش مصنوعی برای نشان دادن انحرافات مالی غیرمعمول و اطمینان از گنجاندن اسناد لازم قبل از دسترسی به وام دهندگان، تمرکز کرده است.

آرگوف گفت، شاید ارزشمندترین آنها، توانایی جستجوی سریع اسناد حقوقی و معاملاتی موجود شرکت و تأیید اطلاعات پیشینه است.

او گفت: «این باعث صرفه جویی در وقت ما شد.

بوراس همچنین برنامه‌های بینایی رایانه‌ای را که اسناد ساخت و ساز را بررسی می‌کنند، خطاهای احتمالی را شناسایی می‌کنند و پیشرفت ساخت و ساز را برای جلوگیری از دوباره کاری و تغییر سفارشات نظارت می‌کنند، برجسته کرد.

انعطاف پذیری بسیار مهم است

از آنجایی که مدل‌های هوش مصنوعی به سرعت تغییر می‌کنند، شرکت کنندگان در جلسه نسبت به ایجاد یک استراتژی بلندمدت حول یک فروشنده یا مدل هشدار دادند.

ووفورد استدلال می‌کند که شرکت‌ها باید یک چارچوب هوش مصنوعی سازمانی ایجاد کنند که به مدل‌های مختلف اجازه می‌دهد تا برای کارهای مختلف استفاده شوند و با تغییر عملکرد و قیمت‌ها، آن را مبادله کنند.

به طور مشابه، بوراس خاطرنشان کرد که صنعت هنوز در حال بررسی چگونگی قیمت گذاری هوش مصنوعی است، به خصوص که هزینه های مبتنی بر توکن هزینه های فناوری متغیر را معرفی می کند. قیمت‌گذاری مبتنی بر نتایج ممکن است در نهایت رایج‌تر شود و شرکت‌ها به‌جای استفاده از مدل، برای یک سرویس کامل یا محصول کاری پرداخت می‌کنند.

مزیت انسان

علیرغم تمرکز تکنولوژیک، این هیئت بارها به اهمیت قضاوت انسان بازگشته است.

هوش مصنوعی ممکن است کارهای تکراری را حذف کند، اما املاک و مستغلات اساساً یک تجارت رابطه است. آرگوف خاطرنشان کرد که انجام معامله، توسعه کسب و کار، مذاکره و توانایی درک افراد به سادگی نمی تواند خودکار باشد.

ووفورد موافقت کرد: «مردم چنین بخش پیچیده‌ای را به ایجاد روابط اضافه می‌کنند که تماماً املاک و مستغلات است.

پیام اصلی این پنل این نبود که هوش مصنوعی جایگزین متخصصان املاک و مستغلات می شود، بلکه شرکت هایی که از هوش مصنوعی به طور موثر استفاده می کنند می توانند سازمان هایی ایجاد کنند که در آن افراد زمان کمتری را برای جستجو، جمع آوری و تأیید اطلاعات و زمان بیشتری برای تصمیم گیری، پیگیری فرصت ها و ایجاد روابط صرف کنند.