Built World AI - กลยุทธ์การเปลี่ยนผ่านสู่ AI ของอุตสาหกรรมก่อสร้างและอสังหาริมทรัพย์

• แม้ว่าอุตสาหกรรมก่อสร้างและอสังหาริมทรัพย์จะมีสัดส่วนขนาดใหญ่ใน GDP แต่การเปลี่ยนผ่านสู่ดิจิทัลยังค่อนข้างช้า ขณะนี้ได้มาถึงจุดที่ Multimodal AI ซึ่งจัดการงานร่วมกันที่ซับซ้อนซึ่งผสมทั้งภาษา ภาพ และวิดีโอเข้าด้วยกัน สามารถเปลี่ยนแปลงผลิตภาพ ความปลอดภัย และคุณภาพได้อย่างมีนัยสำคัญ
• ตั้งแต่การออกแบบ การประเมินราคา ความปลอดภัยหน้างาน การจัดการความรู้ ไปจนถึงหุ่นยนต์ ได้นำเสนอ 5 หมวดหมู่หลักใน Construction AI และตั้งแต่นายหน้า การค้นหา การดำเนินงาน ไปจนถึงการออกแบบ ได้นำเสนอ 4 หมวดหมู่หลักใน Real Estate AI เป็นพื้นที่โอกาสสำคัญ
• ในภาคก่อสร้าง พื้นที่ที่มีศักยภาพสูงเป็นพิเศษคือ การสร้างแบบอัตโนมัติ, ระบบอัตโนมัติสำหรับ takeoff·การประเมินราคา บนพื้นฐานแบบก่อสร้าง, การสื่อสารหน้างาน ด้วยเสียงและภาพ, การจัดการความรู้ ที่รวมเอกสารเข้าด้วยกัน, และ หุ่นยนต์ก่อสร้าง ที่ทำงานร่วมกับมนุษย์
• ในภาคอสังหาริมทรัพย์ โอกาสหลักได้แก่ การทำงานของนายหน้าและเอเจนต์ให้เป็นอัตโนมัติ, การค้นหา·ค้นพบรายการอสังหาฯ ด้วยภาษาธรรมชาติ, ระบบอัตโนมัติด้านปฏิบัติการ ที่ทำงานบนระบบ legacy, และ การออกแบบ·การแสดงภาพพื้นที่ ด้วย generative AI
• โดยภาพรวม ท่ามกลางการคาดการณ์ถึงการเปลี่ยนแปลงที่ก้าวไกลยิ่งกว่ายุคการนำ CAD และ SaaS มาใช้ ผู้ก่อตั้งที่เข้าใจความได้เปรียบด้านข้อมูล·การบูรณาการเวิร์กโฟลว์·ลักษณะของอุตสาหกรรมที่ขับเคลื่อนด้วยความสัมพันธ์ จะสามารถสร้างมูลค่าระยะยาวใน Built World AI ได้

---

ภาพรวมของ Built World และการเปลี่ยนผ่านสู่ AI

• Built World ซึ่งประกอบด้วยอาคารและโครงสร้างพื้นฐาน คือระบบความร่วมมือขนาดใหญ่ที่ผสานผู้คน เงินทุน และวัสดุเข้าไว้อย่างซับซ้อน และมีโครงสร้างที่ก่อให้เกิดงานด้านภาษาและเอกสารจำนวนมหาศาลตลอดทั้งกระบวนการออกแบบ–ก่อสร้าง–ปฏิบัติการ
  • ตั้งแต่เส้นขอบฟ้า ย่านชุมชน ไปจนถึงอาคารเพียงหลังเดียว ล้วนเป็นผลลัพธ์ของโครงการที่ครอบคลุมผู้มีส่วนร่วมจำนวนมาก ขั้นตอนที่ซับซ้อน กฎระเบียบ และการระดมทุน
  • การออกแบบต้องใช้จินตนาการ การก่อสร้างต้องใช้วินัยและทรัพยากร ส่วนการบำรุงรักษาต้องอาศัยความทนทานและความต่อเนื่องในระยะยาว
• ในเศรษฐกิจสหรัฐฯ มีขนาดอุตสาหกรรมระดับ ก่อสร้าง 1.3 ล้านล้านดอลลาร์สหรัฐ (4.4% ของ GDP), อสังหาริมทรัพย์·การเช่า·ลีสซิง 4.2 ล้านล้านดอลลาร์สหรัฐ แต่ที่ผ่านมาได้รับประโยชน์จากนวัตกรรม SaaS อย่างจำกัด
  • ทั้งสองอุตสาหกรรมต่างมีการประสานงานระหว่างหลายไซต์งานและผู้มีส่วนได้ส่วนเสียเป็นหัวใจสำคัญ และมีลักษณะเด่นคือการจัดการการตัดสินใจความเสี่ยงสูงที่ผสมทั้งข้อความ ภาพ และวิดีโอผ่านภาษา
  • แม้ในช่วง 20 ปีที่ผ่านมาเทคโนโลยีจะพัฒนาขึ้น แต่ก็ยังไม่เพียงพอที่จะแก้ปัญหาการประสานงานที่ซับซ้อนเหล่านี้ได้อย่างถึงราก
• โครงสร้างพื้นฐานทางกายภาพเป็นพื้นที่ที่ต้องรับผิดชอบอย่างมหาศาลในด้านต้นทุน คุณภาพ ความปลอดภัย และการปฏิบัติตามกฎระเบียบ และ Multimodal AI คือเครื่องมือที่จะออกแบบทุกแกนเหล่านี้ขึ้นใหม่
  • หากมองไปถึงปี 2030 จะสามารถสร้างโมเดลอาคารที่สมบูรณ์จากสเก็ตช์ได้ทันที ผู้ประเมินราคาจะปรับแต่งใบเสนอราคาที่สร้างจากแบบก่อสร้างโดยอัตโนมัติ และรายงานความปลอดภัยหน้างานจะถูกป้อนเข้าด้วยเสียงและภาพ
  • ในการค้นหาและซื้อที่อยู่อาศัย รวมถึงการบริหารอาคาร ก็จะเกิดสภาพแวดล้อมที่ค้นหาได้อย่างเป็นธรรมชาติมากขึ้นและมีการดำเนินงานแบบอัตโนมัติ
• Built World AI จะสร้างจุดเปลี่ยนเชิงโครงสร้างอีกครั้งหนึ่งต่อจาก CAD และ SaaS โดยมี multimodal LLM และ รูปแบบความร่วมมือมนุษย์–เครื่องจักรแบบใหม่ เป็นแกนหลัก
  • Bessemer มอง Vertical AI ในภาคก่อสร้างและอสังหาริมทรัพย์เป็นสองเซกเตอร์หลัก ต่อเนื่องจากพอร์ตเดิมอย่าง Procore, ServiceTitan

อินไซต์สำคัญ: โอกาสของ Built World AI

• ก่อสร้างและอสังหาริมทรัพย์คิดเป็นเกือบ 1/4 ของ GDP สหรัฐฯ แต่สัดส่วนการลงทุนด้านเทคโนโลยีและระดับการทำดิจิทัลยังต่ำกว่าหลายอุตสาหกรรมอย่างชัดเจน
  • ตามข้อมูลของ Deloitte สัดส่วนการลงทุนด้านเทคโนโลยีของธุรกิจก่อสร้างอยู่ที่เพียง 2.7% ของรายได้ ขณะที่การเงินและการผลิตลงทุนมากกว่า 5–10% เป็นเรื่องปกติ
  • ยิ่งเป็นอุตสาหกรรมที่ต้องการความแม่นยำและการประสานงานสูง การขาดโครงสร้างพื้นฐานดิจิทัลก็ยิ่งนำไปสู่การสูญเสียโอกาสมากขึ้น
  • เทคโนโลยี Multimodal AI ได้มาถึงจุดที่สามารถเปลี่ยนวิธีการทำงานอย่างรากฐานตลอดวงจรการออกแบบ–ก่อสร้าง–ปฏิบัติการ
• ในภาคก่อสร้าง มี 5 หมวดหมู่ที่เป็นเป้าหมายแรกของการประยุกต์ใช้ AI ได้แก่ การสร้างแบบ, การคำนวณปริมาณวัสดุ·การประเมินราคา, การประสานงานหน้างาน, การจัดการความรู้, หุ่นยนต์
  • Design generation: สร้างแบบและโมเดล 2D/3D โดยอัตโนมัติพร้อมสะท้อนการปฏิบัติตามข้อกำหนดและการเพิ่มประสิทธิภาพด้านต้นทุน เพื่อเปลี่ยนกระบวนการที่ยึด CAD เป็นศูนย์กลางไปสู่การออกแบบแบบ generative
  • Takeoff & estimation: ดึงปริมาณวัสดุและงานจากแบบก่อสร้างโดยอัตโนมัติ เพื่อให้ผู้รับผิดชอบการประเมินราคามุ่งเน้นที่การตั้งราคาและปรับ margin ให้เหมาะสม
  • On-site coordination: รวมเสียง ภาพ วิดีโอ และข้อความจากไซต์งานเข้าด้วยกัน เพื่อให้การสื่อสารและการจัดการความปลอดภัยรวดเร็วและเชิงรุกมากขึ้น
  • Knowledge management: รวมข้อมูลที่กระจัดกระจาย เช่น สัญญา แบบก่อสร้าง RFI และคำสั่งเปลี่ยนงาน ให้กลายเป็นแหล่งข้อมูลจริงหนึ่งเดียวที่สามารถตั้งคำถามค้นหาได้
  • Construction robotics: ไซต์งานที่ตั้งอยู่บนฐานของ ความร่วมมือมนุษย์–หุ่นยนต์ โดยควบคุมอุปกรณ์อัตโนมัติและกึ่งอัตโนมัติผ่านอินเทอร์เฟซภาษาธรรมชาติ
  • แต่ละด้านล้วนมีข้อมูลไหลเวียนที่ซับซ้อนซึ่งผสมทั้งภาษาและแบบก่อสร้าง เช่น แบบก่อสร้าง สัญญา RFIs ใบคำสั่งเปลี่ยนงาน และรายงานความปลอดภัย
  • multimodal LLM และโมเดลเฉพาะโดเมนได้มาถึงจุดที่สามารถทำงานเหล่านี้ให้เป็นอัตโนมัติและเสริมประสิทธิภาพได้
• ในภาคอสังหาริมทรัพย์ LLM และโมเดล generative กำลังขยายบทบาทโดยมีโอกาสหลัก 4 ด้านเป็นศูนย์กลาง
  • การทำงานของโบรกเกอร์และเอเจนต์ให้เป็นอัตโนมัติ, การค้นหาและค้นพบรายการอสังหาฯ ของลูกค้า, ระบบอัตโนมัติด้านปฏิบัติการบนระบบ legacy, และการออกแบบ·การแสดงภาพด้วย generative AI
  • เนื่องจากเป็นอุตสาหกรรมที่ขับเคลื่อนด้วยความสัมพันธ์และความรู้เฉพาะท้องถิ่น จึงเน้นแนวทางที่ยังคงโครงสร้างที่มีมนุษย์เป็นศูนย์กลางไว้ แต่ลดงานธุรการและงานซ้ำๆ ลงอย่างมาก
• โดยรวมทั้งก่อสร้างและอสังหาริมทรัพย์ ผลิตภัณฑ์ที่มีข้อมูลเฉพาะโดเมน, การบูรณาการเชิงลึก, การจัดแนวแรงจูงใจ, และความเข้าอกเข้าใจผู้ใช้ จะเป็นความสามารถในการแข่งขันหลักของบริษัท Vertical AI
  • สิ่งสำคัญไม่ใช่แค่ระบบอัตโนมัติ แต่คือการออกแบบเวิร์กโฟลว์ที่ช่วยปรับปรุงทั้งความสามารถในการทำกำไร (margin) ความเสี่ยง และความเชื่อถือไปพร้อมกัน

# [I. Construction AI: ทำไมต้องตอนนี้]

• ตลอดกว่า 60 ปีที่ผ่านมา ผลิตภาพแรงงานรวมของสหรัฐฯ เพิ่มขึ้นมากกว่า 290% แต่ผลิตภาพแรงงานในภาคก่อสร้างกลับลดลงเฉลี่ยราว 1% ต่อปีในช่วงปี 1970–2020
  • ภาคก่อสร้างจ้างงานมากกว่า 7 ล้านคน และสร้างมูลค่าปีละ 1.3 ล้านล้านดอลลาร์สหรัฐ แต่ภาวะผลิตภาพชะงักงันกำลังฉุดรั้งการเติบโต
  • ปัญหาไม่ได้อยู่ที่การขาดความพยายามหรือความเชี่ยวชาญ แต่อยู่ที่ความยากในการประสานงานระหว่างผู้มีส่วนได้ส่วนเสียและกระบวนการทำงานที่ซับซ้อน
• ระบบนิเวศก่อสร้างแบ่งเป็น 4 subsector คือ ที่อยู่อาศัย·เชิงพาณิชย์·อุตสาหกรรม·โครงสร้างพื้นฐาน โดยซอฟต์แวร์อย่าง Procore และ Autodesk ทำหน้าที่เป็นโครงสร้างพื้นฐานพื้นฐานที่เชื่อมสิ่งเหล่านี้เข้าด้วยกัน
  • ถึงกระนั้น ก็ยังต้องเผชิญแรงกดดันเชิงโครงสร้าง เช่น การขาดแคลนแรงงานอย่างต่อเนื่อง (มีการประเมินว่าต้องการคนเพิ่มอีกราว 500,000 คนในปี 2026 เพียงปีเดียวเพื่อให้ทันความต้องการ), อัตราดอกเบี้ยที่สูงขึ้น, ความผันผวนของราคาวัตถุดิบ, รวมถึงผลกระทบจากนโยบายและซัพพลายเชน
  • ตามข้อมูลของ Deloitte บริษัทก่อสร้างลงทุนด้านเทคโนโลยีเพียง 2.7% ของรายได้ต่อปี ซึ่งเป็นระดับต่ำที่สุดในบรรดาอุตสาหกรรมที่มีการสำรวจ
  • ตรงกันข้ามกับภาคการเงินหรือการผลิตที่มักใช้จ่ายด้านเทคโนโลยีมากกว่า 5~10%
• โครงการก่อสร้างคือการทำงานที่ขับเคลื่อนด้วย ข้อมูลแบบ multimodal ที่ผสมทั้งภาษาและแบบก่อสร้าง เช่น สัญญา แบบก่อสร้าง เอกสารงานก่อสร้าง แผนโครงการ รายงานความปลอดภัย ใบสั่งซื้อ ใบคำสั่งเปลี่ยนงาน และรายงานการตรวจสอบ
  • เป็นโครงสร้างที่ซับซ้อน โดยมี กลุ่มผู้มีส่วนได้ส่วนเสียมากกว่า 15 กลุ่ม เข้ามาเกี่ยวข้องในโครงการ เช่น ผู้รับเหมาทั่วไป ผู้รับเหมาช่วง วิศวกร หน่วยงานกำกับดูแล สถาบันการเงิน ประกันภัย และเจ้าของโครงการ
  • ในแต่ละขั้นตอนของการออกแบบ–pre-construction–การก่อสร้าง–closeout ล้วนเกิดแรงเสียดทานทั้งในด้านความรับผิดชอบและการไหลของข้อมูล
• เมื่อ แอปพลิเคชันเฉพาะทางด้าน Construction ที่ขับเคลื่อนด้วย multimodal LLM เริ่มปรากฏขึ้น รากฐานทางเทคโนโลยีในการแก้ปัญหาใหญ่ที่สุดอย่างปัญหาการประสานงานและปัญหาการไหลของความรู้ ก็เริ่มพร้อมแล้ว
  • แม้การออกแบบแบบพาราเมตริกและการประมวลผลเรขาคณิตยังคงเป็นหัวข้อวิจัยที่ยาก แต่แนวโน้มคือจำนวนบทความวิจัย AI/ML ชุมชนวิชาการ สถาบันเฉพาะทาง และคอนเฟอเรนซ์ที่เกี่ยวข้องกำลังเพิ่มขึ้นอย่างรวดเร็ว
  • กระแสดังกล่าวกำลังเชื่อมต่อไปสู่การก่อตั้งสตาร์ตอัป Construction AI และการขยายตัวของ accelerator cohort

5 หมวดหมู่หลักของ Construction AI

• 1. การสร้างแบบออกแบบ (Architecture & Design)

  • ปัจจุบันการออกแบบอาคารพึ่งพาเครื่องมือออกแบบดิจิทัลอย่าง AutoCAD, Revit แต่ระดับการทำงานอัตโนมัติที่แท้จริงยังต่ำ และยังต้องอาศัยความเชี่ยวชาญระดับสูง
    • ทุกครั้งที่มีการเปลี่ยนแบบหรืออัปเดตกฎหมาย/ข้อกำหนด จะมีภาระต้องแก้ไขแบบ 2D และโมเดล 3D ทั้งหมดด้วยตนเอง
    • เครื่องมือเหล่านี้เด่นด้านความแม่นยำ แต่ ไม่ถนัดเรื่องการวนซ้ำและการทดลองอย่างรวดเร็ว ทำให้การปรับเปลี่ยนแบบช้าและจำกัดความคิดสร้างสรรค์
  • หากมีระบบที่สามารถสร้างแบบออกแบบ แบบก่อสร้าง และเอกสารได้ทันที โดยครอบคลุมถึง การปฏิบัติตามข้อกำหนด การเพิ่มประสิทธิภาพต้นทุน และการสะท้อนความต้องการของลูกค้า ก็มีศักยภาพที่จะเร่งความเร็วการออกแบบได้สูงสุดถึง 10 เท่า
    • ทำให้สถาปนิก วิศวกรโครงสร้าง และนักออกแบบ MEP สามารถโฟกัสกับการตัดสินใจด้านการออกแบบระดับสูง แทนงานทำมือซ้ำ ๆ
  • หลายบริษัท เช่น Higharc, Finch, Augmenta กำลังสร้างแพลตฟอร์มออกแบบเชิงสร้างสรรค์ที่ผสานการสร้างแบบพาราเมตริกเข้ากับการให้เหตุผล
    • เนื่องจากการก่อสร้างโดยแก่นแท้คือการผสมผสานระหว่างเรขาคณิตและเงื่อนไขข้อจำกัด ความสามารถในการเข้าใจและสร้างความซับซ้อนทางเรขาคณิตอย่างลึกซึ้งจะเป็นปัจจัยสร้างความแตกต่างที่ยั่งยืน

• 2. Pre-construction: การถอดปริมาณและการประเมินราคา (Takeoff & Estimation)

  • ในสหรัฐฯ เพียงประเทศเดียว มี นักประเมินราคา (Estimator) มากกว่า 200,000 คน ที่ค้ำจุนฐานะทางการเงินของอุตสาหกรรมก่อสร้าง แต่ยังคงพึ่งพาเวิร์กโฟลว์ที่เป็นงานทำมือ ซ้ำซ้อน และมีโอกาสผิดพลาดสูง
    • คำว่า ‘Takeoff’ เองก็มีที่มาจากยุคที่ต้องวัดขนาดจากแบบกระดาษและนับวัสดุทีละชิ้นด้วยมือ
    • แม้จะใช้ซอฟต์แวร์แบบเดิม ก็ยังต้องกำหนด assembly ของแต่ละส่วนอย่างผนัง หน้าต่าง พื้น วัดปริมาณวัสดุ และสรุปค่าแรงกับค่าวัสดุทีละรายการ
  • ทุกครั้งที่มีการเปลี่ยนแบบหรือราคาต่อหน่วยผันผวน ก็ต้องคำนวณใหม่ ทำให้กระบวนการที่ควรขับเคลื่อนด้วยข้อมูล กลายสภาพไปใกล้เคียงกับ “การคาดเดาอย่างมีเหตุผล (educated guess)”
    • CFO ของผู้รับเหมาช่วงรายหนึ่งในนิวยอร์กถึงกับกล่าวว่า เมื่อทำ 365 โครงการต่อปี ก็เท่ากับ “พนัน 365 ครั้ง” ซึ่งสะท้อนโครงสร้างที่มีความเสี่ยงสูงมาก
  • Bild AI, Drawer AI, SketchDeck AI และรายอื่น ๆ กำลังพัฒนาผลิตภัณฑ์เพื่อทำให้การจัดการ assembly และการถอดปริมาณเป็นอัตโนมัติตามการเปลี่ยนแปลงของแบบ เพื่อให้นักประเมินราคามุ่งเน้นกับมาร์จินและกลยุทธ์ด้านราคาได้มากขึ้น
    • โมเดลมัลติโหมดที่ตีความได้แม้แต่ภาพและวิดีโอ กำลังวางรากฐานเพื่อเร่งการทำงานอัตโนมัติในพื้นที่นี้ ด้วยความสามารถในการทำความเข้าใจแบบ สเปก และข้อมูลหน้างานได้อย่างละเอียดแม่นยำยิ่งขึ้น

• 3. การสื่อสารและการประสานงานหน้างาน (On-site Communication & Coordination)

  • การสื่อสารหน้างานและการจัดการความปลอดภัยยังคงกระจัดกระจายอยู่บน ช่องทางที่แตกเป็นเสี่ยง ทั้ง อีเมล โทรศัพท์ ข้อความ บันทึกกระดาษ และสเปรดชีต
    • โปรแกรมความปลอดภัยเองก็ยังมีข้อจำกัดตรงที่เน้นการตรวจตามรอบและเช็กลิสต์ ทำให้หลายครั้งความเสี่ยงจะถูกมองเห็นก็ต่อเมื่อเกิดขึ้นแล้ว
    • แม้แต่แพลตฟอร์มชั้นนำก็ยังพึ่งพาการป้อนข้อมูลด้วยมือสูง และยังขาดความสามารถด้านการแปลแบบเรียลไทม์ การเข้าใจบริบท และการให้ข้อมูลเชิงลึก
  • ควรมีสภาพแวดล้อมที่หัวหน้าหน้างานและคนทำงานสามารถ ฝาก RFI หลายภาษา รายงานหน้างาน และข้อสังเกตด้านความปลอดภัยได้ด้วยเสียงเพียงอย่างเดียว แล้วระบบเชื่อมโยงกับเวลา หลายภาษา แบบ กำหนดการ และตำแหน่งโดยอัตโนมัติ
    • คำสั่งด้วยวาจา บันทึกความคืบหน้า และคำถามต่าง ๆ จะถูกสะสมเป็นบันทึกโครงการแบบมีโครงสร้างและค้นหาได้ ทำให้ผู้มีส่วนร่วมทุกฝ่ายแชร์ข้อมูลเดียวกันได้โดยไม่ขึ้นกับภาษา กะการทำงาน หรือขั้นตอนงาน
  • ผ่าน LLM แบบมัลติโหมดที่ผสานเสียง ภาพ วิดีโอ และข้อความ เครื่องมือที่ช่วยให้เกิด การประสานงานที่รวดเร็วขึ้น การแทรกแซงด้านความปลอดภัยเชิงรุก และหน้างานที่ตระหนักรู้ความเสี่ยงสูงขึ้น จะเป็น ลักษณะเด่นของซอฟต์แวร์ Construction รุ่นถัดไป

• 4. การจัดการความรู้ (Knowledge Management)

  • ผู้จัดการโครงการมักต้องสลับไปมาระหว่างหลายช่องทาง เช่น เครื่องมือบริหารโครงการ อีเมล และเมสเซนเจอร์ เพื่อค้นหาข้อมูลที่ต้องการหรือแก้ไขความขัดแย้ง
    • โครงสร้างเช่นนี้ทำให้ข้อมูลสำคัญถูกแยกตัวอยู่ตามแต่ละทีม หรือถูกฝังหายอยู่ในเธรดสนทนายาว ๆ จนนำไปสู่ความล่าช้าในการตัดสินใจและตารางงาน ตลอดจนความผิดพลาดและปัญหาการส่งมอบ
  • จำเป็นต้องมี ศูนย์กลางความรู้ ที่ผู้จัดการโครงการสามารถ ถามด้วยภาษาธรรมชาติแล้วค้นหาเอกสารที่ต้องการได้ทันที ได้รับ คำตอบสำหรับคำถามทางเทคนิคที่ซับซ้อน และ แก้ไขประเด็นการประสานงานก่อนจะกระทบต้นทุนและกำหนดการ ทั้งหมดนี้บน แพลตฟอร์มเดียว
    • ในรูปแบบที่สามารถสำรวจความสัมพันธ์ระหว่างแหล่งข้อมูลต่างชนิด เช่น RFI, change order, สัญญา และแบบ ด้วยการค้นถามแบบภาษาธรรมชาติ
  • Trunk Tools, TwinKnowledge และรายอื่น ๆ กำลังเชื่อมโยงเอกสารที่กระจัดกระจาย เช่น สัญญา แบบ RFI และ change order เพื่อประกอบกระแสความรู้ของโครงการขึ้นใหม่
    • และกำลังพยายามทำให้ การบริหารโครงการแบบถาม-ตอบด้วยภาษาธรรมชาติ เกิดขึ้นได้จริง

• 5. หุ่นยนต์ก่อสร้าง (Construction Robotics)

  • การขาดแคลนแรงงาน ความเสี่ยงด้านความปลอดภัย และต้นทุนวัสดุที่สูงขึ้น กำลังทำให้งานหน้างานมีราคาแพงขึ้นเรื่อย ๆ และขยายขนาดได้ยาก
    • แม้อุตสาหกรรมอื่นจะก้าวหน้าเรื่องระบบอัตโนมัติไปมากแล้ว แต่กระบวนการก่อสร้างจำนวนมากยังคงยึดติดกับงานทำมือ
    • ในสถานการณ์ที่ความต้องการโครงสร้างพื้นฐานสำคัญอย่างดาต้าเซ็นเตอร์พุ่งสูงขึ้น โครงสร้างเดิมเพียงอย่างเดียวมีข้อจำกัดด้านการขยายตัว
  • หาก ระบบหุ่นยนต์อัตโนมัติและกึ่งอัตโนมัติ สามารถทำงานร่วมกับคนได้ และเกิด หน้างานที่คนหนึ่งคนควบคุมอุปกรณ์หลายเครื่องด้วยภาษาธรรมชาติ ก็จะมีศักยภาพสูงในการเพิ่มการใช้ประโยชน์ทั้งแรงงานและอุปกรณ์ไปพร้อมกัน
    • บริษัทอย่าง Terrafirma, Bedrock Robotics กำลังดัดแปลงอุปกรณ์เดิมให้รองรับการทำงานแบบอัตโนมัติและกึ่งอัตโนมัติได้
  • การยกระดับผลิตภาพในขั้นถัดไปจะมาจาก ความร่วมมือระหว่างคนกับเครื่องจักร
    • ในระยะแรกจะเริ่มจากการควบคุมแบบชี้และคลิก ก่อนพัฒนาไปสู่ ทิศทางที่ควบคุมอุปกรณ์หลายเครื่องพร้อมกันด้วยภาษาธรรมชาติ

5 หลักการสำหรับผู้ก่อตั้ง Construction AI

• การสร้างคุณค่า (Value Creation): สิ่งสำคัญคือการออกแบบผลิตภัณฑ์ที่ไม่ใช่แค่เพิ่มประสิทธิภาพ แต่ต้องมอบ ผลกระทบทางการเงินที่วัดผลได้ เช่น การลดต้นทุนอย่างชัดเจน หรือการเพิ่มรายได้/มาร์จิน
• จุดเจ็บปวด (Pain Points): การโจมตีปัญหาต้องไม่จำกัดอยู่ที่งานย่อยของทีมใดทีมหนึ่ง แต่ควรมุ่งไปที่ คอขวดหลักที่เกี่ยวข้องกับผู้มีส่วนได้ส่วนเสียหลายฝ่าย และส่งผลโดยตรงต่อกำหนดส่งและผลลัพธ์ของโครงการ จึงจะสร้างการเปลี่ยนแปลงที่มีความหมายได้
• ความได้เปรียบด้านข้อมูล (Data Advantage): ต้องวางกลยุทธ์เพื่อสร้างความได้เปรียบด้านข้อมูลระยะยาว ด้วยการครอบครอง สินทรัพย์ข้อมูลเฉพาะโดเมน เช่น cost library, แบบที่มี annotation และประวัติโครงการ เพื่อสร้างเกราะป้องกันที่สะสมแข็งแกร่งขึ้นตามกาลเวลา
• ความลึกของการบูรณาการ (Integration Depth): การผสานเข้ากับกระบวนการและเครื่องมือเดิมอย่างลึกซึ้งเพื่อลดอุปสรรคในการนำไปใช้ และสร้าง เวิร์กโฟลว์ที่กระจายตัวอย่างเป็นธรรมชาติ ไปสู่หน้างาน โครงการ และทีมต่าง ๆ เป็นสิ่งสำคัญ
• ความเข้าอกเข้าใจผู้ใช้ (User Empathy): ต้องเข้าใจ บริบท ข้อจำกัด และแรงจูงใจของแต่ละบทบาท อย่างละเอียด ไม่ว่าจะเป็นสถาปนิก นักประเมินราคา (Estimator) หัวหน้าหน้างาน วิศวกรโครงการ หรือคนทำงาน แล้วออกแบบประสบการณ์ผลิตภัณฑ์ให้สะท้อนความเป็นจริงนั้น

# [II. Real Estate AI]

ทำไมต้องเป็นตอนนี้: อุตสาหกรรมที่ขับเคลื่อนด้วยความสัมพันธ์และโมเดลภาษา

• หลังการก่อสร้างเสร็จสิ้น อาคารจะเริ่มต้อนรับผู้เช่าและผู้อยู่อาศัย และเข้าสู่ห่วงโซ่มูลค่าใหม่ที่ต่อเนื่องไปยัง การขายล่วงหน้า·การให้เช่า·การชำระเงิน·การบริหารสินทรัพย์·การบำรุงรักษา
  • แม้กระแสงานจะแตกต่างกันตามประเภทสินทรัพย์ (ที่อยู่อาศัย·เชิงพาณิชย์·อุตสาหกรรม·วัตถุประสงค์พิเศษ) แต่โดยรวมมีลักษณะร่วมกันคือเป็น ธุรกิจที่ตั้งอยู่บนความเชื่อมั่น ความสัมพันธ์ และความรู้ท้องถิ่น
• ปัจจุบันตลาดกำลังเผชิญความยากลำบากเชิงโครงสร้างจากแรงกดดันระดับมหภาค เช่น ความไม่สมดุลของอุปสงค์–อุปทาน ภาระค่าครองที่อยู่อาศัยในระดับสูงเป็นประวัติการณ์ และต้นทุนการดำเนินงานที่เพิ่มขึ้น
  • แต่ผู้เล่นหลักอย่างผู้พัฒนาโครงการ โบรกเกอร์ เจ้าของสินทรัพย์ และผู้ดำเนินงาน ยังพึ่งพางานทำมือ ข้อมูลที่กระจัดกระจาย และซอฟต์แวร์ล้าสมัยอยู่มาก
  • ข้อมูลกระจัดกระจายอยู่ในหลายแหล่ง เช่น สเปรดชีต, PDF, ระบบบริหารสินทรัพย์และระบบลงประกาศแบบ legacy ทำให้เกิดความไม่มีประสิทธิภาพและการสูญเสียโอกาส
• Multimodal AI ทำให้สามารถ เข้าใจและให้เหตุผลข้ามข้อมูลที่ไม่มีโครงสร้าง ได้ เปิดโอกาสสู่การทำงานอัตโนมัติและการสร้างอินไซต์ตลอดทั้งห่วงโซ่มูลค่า
  • เมื่อการเชื่อมต่อกับระบบเดิมทำได้ง่ายขึ้นเรื่อย ๆ อุตสาหกรรมอสังหาริมทรัพย์จึงมาถึงจุดที่อาจเกิด การก้าวกระโดดด้านผลิตภาพจาก Real Estate AI ได้เป็นครั้งแรกในรอบหลายทศวรรษ
• โดยแก่นแล้ว อสังหาริมทรัพย์คือ ธุรกิจที่คนคุยกับคน ซึ่งความเชี่ยวชาญในพื้นที่และความไว้วางใจเป็นตัวกำหนดผลลัพธ์
  • ในสหรัฐฯ เพียงประเทศเดียว ค่านายหน้าโบรกเกอร์มีมูลค่ามากกว่า 1 แสนล้านดอลลาร์ต่อปี ฐานข้อมูล MLS (ระบบลงประกาศอสังหาริมทรัพย์) ถูกแบ่งแยกเป็นมากกว่า 500 แห่ง และการปิดดีลซื้อขายบ้านยังใช้เวลามากกว่า 30–60 วัน สะท้อนโครงสร้างที่ไร้ประสิทธิภาพซึ่งยังคงอยู่
  • เทคโนโลยี LLM และ agent อยู่ในตำแหน่งที่สามารถเข้ามาลดงานด้านภาษาและงานธุรการที่ทำซ้ำ ๆ พร้อมช่วยให้ตัดสินใจและสร้างความสัมพันธ์ได้ดีขึ้น

4 หมวดหมู่หลักของ Real Estate AI

• 1. ระบบอัตโนมัติงานของโบรกเกอร์และเอเจนต์

  • แม้บทบาทหลักของเอเจนต์และโบรกเกอร์อสังหาริมทรัพย์คือการสร้างความสัมพันธ์ แต่ในความเป็นจริง เวลาส่วนใหญ่กลับหมดไปกับ การหา lead·การคัดกรอง lead·การประสานตารางนัดชม·การจัดทำความเห็นด้านมูลค่า·การจัดการ compliance·การรวบรวมลายเซ็น ซึ่งเป็น งานธุรการ
    • ในยุค AI เวิร์กโฟลว์ที่ซ้ำ ๆ และขับเคลื่อนด้วยภาษาลักษณะนี้มีพื้นที่ให้ทำอัตโนมัติได้อย่างมาก
  • Serif, Fyxer มุ่งเน้นการทำอีเมลอัตโนมัติ ขณะที่ Closera, HenryAI ให้บริการเครื่องมือด้านการตลาดและการประเมินมูลค่า โดยเจาะเวิร์กโฟลว์ที่แตกต่างกัน
    • AI brokerage อย่าง TurboHome สร้างโมเดลที่มอบเครื่องมือ AI ให้เอเจนต์เพื่อทำเวิร์กโฟลว์อัตโนมัติ และคืนต้นทุนที่ประหยัดได้กลับสู่ลูกค้าในรูปแบบการลดค่าคอมมิชชัน

• 2. การค้นหาและค้นพบสินทรัพย์ (Property Search & Discovery)

  • ทั้งในภาคเชิงพาณิชย์และที่อยู่อาศัย พอร์ทัลลงประกาศแบบดั้งเดิมยังคงพึ่งพา ตัวกรองพื้นฐานและคุณสมบัติแบบคงที่
    • จึงมีข้อจำกัดในการสะท้อนบริบทสำคัญ เช่น ลักษณะของย่าน ศักยภาพการลงทุน และสภาพของสินทรัพย์ (อาคาร)
  • ในอสังหาริมทรัพย์เชิงพาณิชย์ เริ่มมี เครื่องมือคัดเลือกทำเลที่ขับเคลื่อนด้วย AI ซึ่งประมวลผลข้อมูลไม่มีโครงสร้างจากหลายแหล่งเพื่อเพิ่มประสิทธิภาพกลยุทธ์ด้านทำเล เกิดขึ้น
    • เป้าหมายคือช่วยให้องค์กรตัดสินใจเลือกทำเลได้เร็วขึ้นและอิงข้อมูลมากขึ้น
  • ฝั่งผู้บริโภคเองก็เริ่มมีแพลตฟอร์มรุ่นใหม่ที่มอบ การค้นหาด้วยภาษาธรรมชาติและประสบการณ์ค้นหาที่ปรับให้เหมาะกับแต่ละบุคคล
    • ผู้ซื้อสามารถ ค้นหาทรัพย์ที่ต้องการผ่านการสอบถามแบบสนทนา จองนัดชม จัดการงานเอกสารผ่าน agentic workflow และลดค่านายหน้า ได้
  • การผสานรวม ChatGPT ของ Zillow เป็นตัวอย่างระยะแรกของทิศทางที่การค้นหาอสังหาริมทรัพย์ขยายจากการดูข้อมูลเฉย ๆ ไปสู่ copilot ที่ช่วยตลอดเส้นทางการซื้ออสังหาริมทรัพย์

• 3. การบริหารสินทรัพย์ (Property Management)

  • หนึ่งในโอกาสที่ใหญ่ที่สุดคือการ สร้างเวิร์กโฟลว์ที่ใช้ LLM บนแพลตฟอร์ม property management แบบ legacy
    • แม้ระบบเดิมที่มีอายุมากกว่า 25 ปีจะยังเป็นแกนหลักการดำเนินงานของอุตสาหกรรม แต่ก็ยังไม่สามารถมอบความตอบสนองและประสบการณ์ผู้ใช้แบบสมัยใหม่ได้
  • สตาร์ตอัปสามารถมองหาโอกาสด้วยแนวทาง ขยายความสามารถผ่านการเชื่อมต่อเชิงลึก แทนที่จะเข้าไปแทนที่ทั้งระบบ
    • โดยวาง เลเยอร์ orchestration ของเวิร์กโฟลว์ LLM ไว้บนระบบเดิม
  • EliseAI และ SurfaceAI เชื่อมต่อเชิงลึกกับระบบบริหารสินทรัพย์เดิม
    • เพื่อ orchestration เวิร์กโฟลว์ที่เฉพาะทางแบบแนวตั้ง ครอบคลุม การปล่อยเช่า·การต่อสัญญา·การบำรุงรักษา·การสื่อสารกับผู้เช่า
    • โดยเฉพาะในการดำเนินงานที่อยู่อาศัยแบบหลายครัวเรือน ทั้งคู่แสดงภาพของ แพลตฟอร์ม AI agent ที่ช่วย ค้นหาอินไซต์ด้านรายได้ ทำเวิร์กโฟลว์อัตโนมัติ และปรับปรุงประสิทธิภาพการดำเนินงาน

• 4. การออกแบบและการสร้างภาพ (Design & Visualization)

  • การจัดฉากทั้งในโลกจริงและเสมือนจริง ผังอินทีเรียร์ และการทำภาพออกแบบ ยังเป็นพื้นที่ที่ ช้า มีต้นทุนสูง ปรับให้เหมาะกับแต่ละคนได้ยาก และขาดเครื่องมือช่วยจินตนาการ
    • เอเจนต์ฝั่งที่อยู่อาศัยปรับภาพให้เข้ากับรสนิยมหรือแผนรีโนเวตของผู้ซื้อแต่ละรายได้ยาก
    • ส่วนเอเจนต์ฝั่งเชิงพาณิชย์ก็ยังขาดเครื่องมือที่แสดงให้เห็นว่าพื้นที่จะมีหน้าตาอย่างไรเมื่อปรับให้เข้ากับเวิร์กโฟลว์ของธุรกิจแต่ละประเภท
  • การผลิตคอนเทนต์ในปัจจุบันยังมีต้นทุนสูงด้านภาพถ่าย วิดีโอ และทีมตัดต่อ ระดับการทำ personalization ต่ำ และยังปรับแต่งคอนเทนต์ให้เหมาะกับแต่ละช่องทางและกลุ่มเป้าหมายอย่างละเอียดได้ไม่ง่าย
  • เครื่องมือเชิงสร้างสรรค์อย่าง Spacely AI, Kassa, Gendo, Renovate AI ถูกสร้างขึ้นเพื่อให้ กระบวนการสร้างภาพ การทำ personalization และการเล่าเรื่อง เกิดขึ้นได้แทบจะทันที ชี้ให้เห็นทิศทางของการลดต้นทุนและระยะเวลาดำเนินงานอย่างมาก
    • สตาร์ตอัปที่ ออกแบบใหม่ทั้งงานออกแบบ การตลาด และประสบการณ์โดยตั้งต้นจาก generative AI กำลังเปลี่ยน วิธีการออกแบบอสังหาริมทรัพย์และการผลิตคอนเทนต์

5 หลักการสำหรับผู้ก่อตั้ง Real Estate AI

• การสร้างคุณค่า (Value Creation): ต้องสามารถสร้าง การเติบโตของรายได้หรือการลดต้นทุนที่วัดผลได้ ผ่านการลดงานเอาต์ซอร์ซและงานธุรการ การเพิ่มอัตรา conversion ของ lead หรือการย่นระยะเวลาปิดดีล
• ความหนาแน่นของเวิร์กโฟลว์ (Workflow Density): เพื่อสร้างความไว้วางใจ ผลิตภัณฑ์ที่มีค่ามากที่สุดไม่ใช่สิ่งที่แก้เพียงฟังก์ชันแคบ ๆ จุดเดียว แต่เป็น ผลิตภัณฑ์ที่ดูแลเส้นทางอันซับซ้อนและมีอารมณ์ร่วมอย่างการขายหรือการปล่อยเช่าตั้งแต่ต้นจนจบ
• ข้อมูล proprietary และข้อมูลท้องถิ่น (Proprietary, Localized Data): กลยุทธ์สำคัญคือการสร้าง hyperlocal data flywheel ที่สะท้อนพฤติกรรมตลาด ลักษณะการใช้ประโยชน์ที่ดิน (zoning) และเครือข่ายความสัมพันธ์ เพื่อเพิ่มทั้งความแม่นยำและความสามารถในการป้องกันการแข่งขัน
• การจัดแนวแรงจูงใจ (Incentive Alignment): ต้องออกแบบ โครงสร้างที่ทุกฝ่ายได้ประโยชน์ ไม่ว่าจะเป็นเจ้าของ ผู้ดำเนินงาน ผู้เช่า และเอเจนต์ เพื่อลดแรงเสียดทานและเร่งการยอมรับกับการกระจายตัว
• คำนึงถึงความสัมพันธ์ (Account for Relationships): เนื่องจากอสังหาริมทรัพย์เป็นอุตสาหกรรมที่ขับเคลื่อนด้วยความสัมพันธ์ จึงจำเป็นต้องออกแบบให้ควบคู่ไปกับระบบอัตโนมัติที่ ยกระดับประสบการณ์ของเอเจนต์ เจ้าของ ผู้ดำเนินงาน ผู้ซื้อ และผู้เช่าเองด้วย

ตัวอย่างพอร์ตโฟลิโอ Built World AI ของ Bessemer และเจตนาการลงทุน

Bessemer ได้สนับสนุนหลายบริษัทอยู่แล้ว ณ จุดตัดระหว่าง Built World กับ AI และมีพอร์ตโฟลิโอครอบคลุมหลายด้าน เช่น การบริหารงานก่อสร้าง, การปฏิบัติงานภาคสนาม, การตลาดอสังหาริมทรัพย์, การบำรุงรักษา, การรับมือภาษีและกฎระเบียบ

• ตัวอย่างสำคัญฝั่ง Construction
  • Procore: แพลตฟอร์มบริหารงานก่อสร้างบนคลาวด์ ที่รวมการจัดการเอกสาร งบประมาณ และตารางเวลาไว้ในระบบเดียว พร้อมทำหน้าที่เชื่อมโยงผู้มีส่วนได้ส่วนเสียหลายฝ่าย
  • ServiceTitan: ซอฟต์แวร์ปฏิบัติการแบบ end-to-end สำหรับธุรกิจสายงานช่าง เช่น HVAC ประปา และไฟฟ้า โดยครอบคลุมทั้งการจัดตารางงาน การส่งงาน การวางบิล และการชำระเงิน
  • Capmo: ทำหน้าที่เป็น ผู้ช่วยโปรเจ็กต์อัจฉริยะ ที่ช่วยให้ผู้จัดการงานก่อสร้างเห็นภาพรวมทั้งโครงการได้ในครั้งเดียว
  • Curri: แพลตฟอร์มจัดส่งที่ขับเคลื่อนด้วยเทคโนโลยี ซึ่งช่วยให้ขนส่งวัสดุก่อสร้างและวัสดุอุตสาหกรรมได้รวดเร็ว ทำให้ลูกค้าเดินงานได้เร็วขึ้นและส่งมอบได้โดยไม่ติดข้อจำกัดด้านซัพพลาย
  • MaintainX: CMMS (Computerized Maintenance Management System, ระบบบริหารจัดการงานบำรุงรักษาด้วยคอมพิวเตอร์) ที่ช่วยเพิ่มประสิทธิภาพงานบำรุงรักษาในหลายอุตสาหกรรม รวมถึงสถานที่และอสังหาริมทรัพย์
  • Miter: ให้บริการ ชุดแอปด้าน HR การเงิน และปฏิบัติการ สำหรับผู้รับเหมา เพื่อทำให้การดำเนินธุรกิจเรียบง่ายขึ้น
• ตัวอย่างฝั่ง Real Estate และบริการรอบข้าง
  • EliseAI: แพลตฟอร์ม AI ด้านระบบอัตโนมัติและการสนทนา ที่ช่วยทำให้การสื่อสารขององค์กรด้านที่อยู่อาศัยและเฮลท์แคร์เป็นอัตโนมัติ เพื่อเพิ่มประสิทธิภาพการดำเนินงาน
  • Hatch: โซลูชันทีมบริการลูกค้าที่ขับเคลื่อนด้วย AI ซึ่งช่วยยกระดับประสบการณ์ลูกค้าและสนับสนุนการเติบโตของรายได้ในสาขาอย่างบริการภายในบ้านและการรีโมเดล
  • LuxuryPresence: แพลตฟอร์มการตลาด AI สำหรับเอเจนต์อสังหาริมทรัพย์ ที่ช่วยให้เอเจนต์ดึงดูดลูกค้าได้มากขึ้นและทำงานได้อย่างมีประสิทธิภาพ
  • Ownwell: ซอฟต์แวร์ที่ช่วยลดต้นทุนการถือครองอสังหาริมทรัพย์ โดยจัดการทั้งกระบวนการคัดค้านภาษี การขอลดหย่อน และการแก้ไขข้อมูล
  • Rilla: โซลูชันที่ให้ การโค้ชการขายด้วย AI ในธุรกิจอย่างบริการรถยนต์ บริการภายในบ้าน และการก่อสร้างที่อยู่อาศัย
  • Rundoo: ซอฟต์แวร์ all-in-one ที่ช่วยให้ร้านวัสดุอิสระเพิ่มการหาลูกค้าและประสิทธิภาพการดำเนินงาน
  • SurfaceAI: แพลตฟอร์ม AI agent สำหรับผู้ประกอบการที่อยู่อาศัยหลายครัวเรือน รองรับการค้นหาโอกาสสร้างรายได้ การทำเวิร์กโฟลว์อัตโนมัติ และการเพิ่มประสิทธิภาพการดำเนินงาน
  • VTS: แพลตฟอร์มแบบบูรณาการ สำหรับเจ้าของและผู้ดำเนินงานอสังหาริมทรัพย์เชิงพาณิชย์ ที่ช่วยให้จัดการการเช่า ข้อมูลเชิงลึกตลาด และเวิร์กโฟลว์ประสบการณ์ผู้เช่าได้ในที่เดียว
  • WiredScore: องค์กรที่กำหนด เกณฑ์มาตรฐานระดับโลกด้านการเชื่อมต่อดิจิทัลและระดับความเป็น smart building ผ่านการรับรอง WiredScore และ SmartScore