AI：建筑业的“速效救心丸”，还是“深刻的自我革命”？——人工智能与未来建筑组织的自我重构之路

来源：勘察设计前沿    

演讲嘉宾丨李宁

文字整理丨咨询顾问

文字审核丨李宁

编者按：本文为李宁先生2025年12月11日在“预见2026暨攀成德第九届建筑业年度论坛”上的演讲速记，文字略有删节，经其本人确认。

接下来，我想用一杯咖啡的时间和大家一起畅想下未来，这里的未来不是5年或者10年之后的事情，而是当下和明天正在发生的变化。我尝试基于自身实践和大家探讨人工智能(AI)对建筑业的意义：它既可能成为缓解行业现实压力的“速效救心丸”，也可能推动组织结构、工作方式与价值创造逻辑的系统性重构。

报告从三个层面展开：第一，理解AI的本质与能力边界；第二，解释AI为何在建筑业具有高度相关性，并能对症解决哪些结构性问题；第三，讨论AI如何改变组织效能与组织形态，并提出可执行的转型路径与治理建议。

从农耕文明到“神经外骨骼”

与远古人类相比，现代人的大脑并未发生数量级的进化，但社会形态却发生了深刻变迁。推动变迁的关键不在于个体智力跃迁，而在于工具体系与组织方式的持续升级：农业革命扩展了人类的肌肉能力，工业革命放大了人类通过能源改造世界的集体能力，数字革命塑造了人类的“集体记忆”，而智能革命则正在把人类的认知能力外化为可调用、可复制、可协作的“外部智能”。

如果将这一趋势用一个更直观的比喻来描述：AI更接近一种“神经外骨骼”——它尚未达到科幻作品中全能管家或超级战甲的程度，但已足以显著扩展个体与组织的能力边界，并逐步成为智能时代的通用基础工具。类似于农业时代对农具的掌握、工业时代对新型机器与能源系统的适配，智能时代对AI的理解与使用能力，正在成为效率与竞争力的关键分水岭。

在智能时代，AI的重要性首先来自它对“知识工作”的结构性增益。企业管理与工程管理中大量工作并非体力劳动，而是围绕信息与数据展开：制定计划、控制与反馈、绩效评价、决策支持、文书流转、算量造价、建模设计、市场研究等，本质上都属于知识工作。知识工作占比越高，AI对组织与个人的影响就越直接、越显著。

对“AI是否会让工作失去价值”的担忧，需要放在技术发展阶段中理解：当前主流大模型并不等同于通用人工智能（AGI），其能力更适合被理解为一种高度通用、可迁移的“认知工具”。它与人类的关系更像互补而非替代：在正确的协作机制下，同一岗位的产出效率出现数倍提升并非传闻，已经在大量实践中发生。更重要的是，这种影响并不局限于少数科技行业——AI更像一场“覆盖整个湖面”的暴雨，让几乎所有行业与个体都处在同一技术影响范围内：只要打开大模型工具，就能直接接触到当代最先进的人工智能。

回顾我个人使用AI的历程，经历了四个显著阶段：

第一阶段（搜索引擎）：把它当作更高效的搜索引擎，快速获取信息。

第二阶段（翻译助手）：语言的巴别塔被推倒。无论何种语言的最新文献，AI都能瞬间转化、总结、解析，知识传播速度被极速放大。

第三阶段（知识重构者）：这是认知的质变。以前说“一千个读者就有一千个哈姆雷特”，现在是“一千个读者就有一千个莎士比亚”。大模型可以成为你的私人创作者。例如，我曾阅读《领域驱动设计》这本晦涩的巨著，初读难解其意。后来我让大模型以“建筑行业案例”和“初学者视角”重写了这本书，极大加速了学习的过程。这种新的学习方式正在快速改变知识获取的方式，而学习本身也在成为工作流程里的重要环节。

第四阶段（人机协作）：这是新的工作方式。将所有非体力、非人际交互的数字工作优先交给模型。近期，我尝试在开发经验有限（仅有架构经验）的情况下，利用AI开发了一个拥有8万行代码的产品，历经5次重大迭代，质量也达到了可用水平。AI将编程这一数字时代的“工具生产”能力的门槛降到了历史最低，也许未来“人人都是程序员”，需要解决问题，一句指令就能让AI制造出全新的趁手工具。

在这一过程中，一个关键变化是：过去个体能力边界往往受限于个人认知边界；而在大模型加持下，个体可以更高频地调用“人类集体知识”的压缩形态，从而把更多精力转向问题定义、价值判断与创造性决策。当然，这只是“技术可行性”；要把可行性转化为生产力，还需要组织层面的配套设计。

行业现实：一份“心脏病”患者的体检报告

讨论AI对建筑业的价值，首先需要直面行业现实中的结构性症状：

症状一：生产率增长放缓。价值创造速度与技术吸收速度整体落后于部分先进产业。

症状二：劳动力结构性短缺。一线劳动力老龄化与年轻群体流入不足并存；工程专业吸引力下滑，高校为“土木”相关专业增设了计算机课程。

症状三：低利润与高风险叠加。利润率长期承压，高风险与现金流压力形成“急性病”特征；数字化虽被认为是降本增效的必答题，但落地效果常与预期存在差距。

这些症状共同指向一个更底层的病灶：信息与知识在产业链各环节之间传递失真，导致计划—执行—反馈无法形成闭环，从而放大返工、风险与现金流波动。

换个视角，不谈流程，谈数据。一个灵魂拷问是：坐在办公室的人和在现场干活的人，看到的是同一张“图纸”吗？这不仅仅是版本管理的问题，而是信息不对称的问题。设计信息在流转中大量损耗，并未高质量转化为施工信息。这种不透明也会导致责权利边界模糊，推诿扯皮、返工浪费就成了常态。

我们再深入看数据的形态：

非结构化数据的深渊：工地上大量关键信息是以文档、照片、图纸等非结构化数据存储的。传统的IT手段对此缺乏有效的治理能力，但大模型具备将这些非结构化文档转化为结构化信息甚至提炼出知识的能力。

数据作为燃料：如果把大模型视为新型发动机，我们是否储备了足够的高质量“数据燃料”？我们是否尝试用图数据构建语义网络，或利用向量嵌入技术将行业智慧沉淀下来？

▌3. 像人一样解决问题？

观察AI能力图谱，你会发现它像极了人类的知识工作：可视化、建议、调研、翻译。但其内核只是“预测下一个词元（token）的概率”。正是这种看似简单的机制，带来了一种“黑箱”式的流程变革。以前把大象装进冰箱需要三步（标准化流程），现在有了大模型，似乎“推一下”就进去了。这提示我们：有了新技术，旧的流程体系是否已经过时？我们是否需要同步重构我们的工作流？因此，流程重构的重点不在于‘把旧流程搬到AI上’，而在于重新界定哪些步骤需要保留（责任、审查、合规），哪些步骤可以压缩或自动化（检索、汇总、初稿生成）。

图1 AI能力图谱

▌4. 药方：重构生产力结构

AI不仅是技术，更是新质生产力。传统的企业扩张依赖招人、买设备。未来，衡量一个企业强弱的标准，或许是“你们公司有多少智能体（Agent）？”有位知名科技公司高管曾言，我们可能是最后一代只管理人类员工的管理者。如果一个人能管理10个智能体，完成工作的端到端闭环，其效能将远超传统团队。1人+10个智能体这种生产力结构的重构，是行业治本的关键。

目前在软件开发领域，我们看到像Claude Code这样的工具就在做类似的事情，编写一行行具体代码变成了指挥几个智能体完成多个代码文件的编写。当大模型能够感知工作空间并且可以使用工具，它在很多具体任务中表现出色，如果再由人类专家给它编写各种技能包、工作流指引，它能完成的任务复杂度更高，编程可以，其他知识工作是否也可以呢？如果我们可以有效地验证每项任务完成的质量，就可以控制任务规模上升时快速增长的复杂度，这样智能体就不会是点状任务助理，它能完成的工作价值就会相互叠加而不是耗散掉，而人类专家可以更专注于定义目标、监督和验证智能体的工作。

AI的双重角色：药效与革命

AI的意义需要区分短期与长期：

短期：AI可能是一剂“速效救心丸”，帮助组织缓解人员不足、信息处理负担与管理低效等紧迫问题。

长期：AI更可能推动组织进行“深刻的自我革命”，在技术、组织与价值层面形成系统性重构。

图2是我理解的建筑行业远景图，这里有两个世界，上面是数字世界，下面是物理世界。从技术演进的共性看，现实世界的变革往往遵循“信息-能源-材料”的协同范式：更强的信息获取与处理能力，更高效的能源调度方式，以及对材料与工艺的更优转化路径。建筑业的“数字世界”正在扩张，而AI可能成为驱动数字世界运转的关键引擎。问题不在于是否拥有引擎，而在于是否储备了高质量的“数字燃料”——数据资产、知识资产与可复用的业务规则体系。

图2 建筑行业远景图

▌2. AI的位置：数字世界的引擎，也是知识的放大器

传统的“数据-信息-知识-智慧”框架仍然有效（图3左侧），但在AI出现后，需要补充一个重要事实：AI不仅能消费数据与知识，也能生产并转换它们。AI可以在组织语境下完成知识的再组织、解释与迁移：将晦涩的理论转化为可执行的案例，将分散的文档转化为可检索、可推理、可复用的知识条目。进一步地，企业沉淀的最佳实践、制度规范与项目经验，一旦以合适方式进入AI工作流，就可能成为持续增益的“知识燃料”，把AI从通用工具转化为组织能力的放大器。

这提醒我们，组织的经验和智慧不仅能通过传统的IT系统来沉淀，也可以直接使用AI来进行转化、吸收甚至生产。从这个角度看，企业建设和积累高质量数据集，是赢得AI战略机遇期的关键。另外，从大模型的工程实践看，我们在上下文中给它提供的专业知识同样重要，比如标准、指南、规则等等，这些知识资产的积累也非常重要，甚至是打造专业智能体的关键。

图3 从数据到智慧的转化

▌3. AI的双重角色：从“工具应用”到“组织重构”

在建筑业场景中，AI的短期价值可聚焦于一批急难险重问题：安全风险识别与防护、成本与现金流管控、算量与造价效率、人效提升、职能管理的信息处理负担等。这些问题的共同特征是：数据密集、重复性高、依赖文本与图像等非结构化信息，且对速度与一致性敏感。

但如果将AI仅理解为“效率工具”，就会低估它的长期影响。AI作为组织自我革命的推动力，至少涉及三个层面：

技术层面：AI是否真正成为了每位员工可用的“智能外骨骼”，并在关键岗位形成稳定工作流？

组织层面：管理幅度、协作边界、岗位能力结构是否需要重估？未来协作不再只是人与人之间，更将是“人—机—人”的复合协作网络。

价值层面：建筑与城市运营是否能把“过程信息”与“设计智慧”转化为可持续消费的资产，使运营更智能、更可预期、更可规模化？

因此，“救心丸”并非终点，而是为“自我革命”争取时间与资本：二者不是选择题，而是一体两面的必答题。

AI作为“速效救心丸”的真实价值：案例与启示

AI在真实世界里究竟能做什么？

案例一：ALICE调度平台。它的核心价值在于两点：一是将现实世界实时投影到数字世界；二是在数字世界推演最优的资源调度方案。更关键的是，它不仅推演，更强调落地——如果不能指导现场资源调度，一切推演的价值皆为零。

案例二：对无人机测绘的思考。我的第一份工作是在工地放无人机拍影像记录。后来我发现同行在用无人机做点云扫描、快速建模。虽是同一项技术，深度却天差地别。这引发了我的一个思考：价值闭环了吗？点云扫描后，这些模型是否用于方案模拟？模拟是否解决了现实问题？很多技术应用断层，并非技术不好，而是缺乏终局思维——这项技术产生的数据，最终被谁消费了？向谁收费？

案例三：美国建筑数字化龙头Procore。图4展示了Procore的用户和用户产生的数据：超过300万项目、1.1万TB数据，其平台的价值不仅体现在产品功能，更体现在其承载的协作网络与数据资产沉淀能力。

图4 Procore平台

Procore发布的AI战略图谱（图5）极具野心：它准备推出一个全矩阵的数字队友，包括照片助手、发票助手、数据洞察助手等。这些智能体将在不久的将来融入到产品的各个功能和建筑从业者的工作场景中。

图5 嵌入全平台的原子化“数字队友”

图6是Procore的AI战略发展路线图。

第一阶段（问答助手）：解决“查不到、找数难”的问题。

第二阶段（智能体）：解决“怎么做、会干活”的问题，由算法接管表格制作等基础工作。

第三阶段（生态与个性化）：开放能力，让企业上传标准作业手册，定制专属的“数字员工”。

图6 Procore 的AI战略发展路线图

Procore对我们的启示并不在于照搬其产品形态，而在于三点：以协作为核心的单一事实来源、围绕高频工作流的原子化能力、以及通过开放接口将工具生态与数据闭环连接起来。

AI作为“自我革命”的深层挑战：战略、组织与治理

全面拥抱AI并非纯技术议题，而是关于组织认知、权力结构、文化机制与责任体系的重塑。主要挑战可归纳为四类：

▌1. 战略迷失：为AI而AI的“沙上建楼”

缺少清晰的业务问题定义与价值指标，AI采纳就会退化为技术试错与重复造轮子。在实验室里90%准确率的模型，到了数据脏乱差的真实场景，准确率可能跌至10%。比起大而全的智能战略，更可行的策略是高度聚焦：先打穿一个关键场景，补齐数据、流程、责任与反馈机制，再复制扩张，也就是要进行精准的问题定义，加清晰的价值指标，对场景做优先级的取舍。

▌2. 组织撕裂：数字精英与传统主力的“对立”

组织内部可能出现新的对立：一方对透明度与效率抱有期待，另一方担心经验被否定、利益被触碰、复杂场景下技术不可靠。可行的方向是把“老师傅经验”从个人隐性资产转化为组织显性资产：沉淀为可复用的规范、流程与知识，并纳入AI工作流，形成“经验可复制、能力可放大”的新型成长机制。对应的治理方式是在组织内建立有序的能力扩散机制，进行岗位再设计和新的激励容错机制。

▌3. 法律与伦理：黑箱决策与责任归属

当AI参与生成设计方案、施工建议或风险判断时，责任并不会被技术自动承担。组织需要在关键决策链路中建立“人类质检与可追溯机制”，确保可解释性、可审计性与责任闭环，避免“自动驾驶幻觉”。对应的治理方式是在人机协同模式下建立责任链，能进行审计追溯，并合理安排人类质检点。

▌4. 技术反噬与价值丧失：高效与温度的失衡

AI生成内容可能带来同质化、幻觉错误与价值偏移：如果缺少批判性审查与专业判断，少量错误的长期累积可能变成系统性风险。更重要的是，建筑不仅追求更快更便宜，也追求空间体验、文化表达与人的温度。组织需要避免把“高效”误当成“高质量”的替代品。对应的治理方式是要有人做内容质量评审，通过多模型做交叉验证，建立风格、规范审查机制。

AI+人的未来组织形态：从“脑力劳动”到“协同智能体”

▌1. 生产力结构的进化之路

当AI成为身边的万能专家，高级工程师不再需要将任务分解给初级人员，而是直接交给AI，而这种用高级工程师的经验训练出来的智能体可以直接作为众多初级从业者的助手，不仅做得又快又好，也能加速初级人员的成长。师带徒也许会演变成：用老师傅的经验训练智能体，用智能体的人机协作新模式推动生产力提高。这种变化也意味着：工作场景里的协作界面变了，人才培养模式也变了，未来人机协同将变得非常重要。

▌2. GenAI鸿沟：2025年商业AI现状

MIT NANDA团队报告指出：企业在GenAI上投入巨大，但95%的组织回报未达预期。原因在于“实施方法”——系统是否具备适应工作流的能力。与此同时，90%的员工正在“影子AI经济”中自发付费使用AI。这是一个值得反思的现状：定制化的企业级AI惨败，而通用的个人AI却风生水起。企业是否应该考虑：与其花巨资包装一层“伪企业级解决方案”，不如把钱投在员工AI培训和工具购买上？从数据来看，从外部合作伙伴采购成熟解决方案的成功率是自建的两倍。当大模型的能力在飞速进化，企业的文化和制度做好适应这种“新物种”的准备了吗？

▌3. 人机协同的高阶玩法

如何真正用好AI？我目前采用“左右互搏”模式：指挥两个大模型，一个做攻方（提方案），一个做守方（审核），多轮迭代。你会发现，经过10轮交互后的方案，往往能达到人类专家级水准。在此过程中，人不能退化为信息的搬运工，而是必须掌握四项核心能力：

首先需要识别问题类型。判断什么问题适合AI解决，如果连遇到具体场景时，想不到去提问，再多的提示词技巧也没用。而提高识别能力的方法就是多用，培养“语感”，知道怎样问出有效的问题，直到它变成一种“肌肉记忆”。

第二是需要结构化提问。一开始人们意识到人与人使用大模型的效果差别很大，其中会不会写提示词是个重要分水岭，但是随着大模型越来越强的上下文感知和意图识别能力，提示词的重要性有所下降，上下文工程变得更加重要。掌握给大模型提供上下文信息和清晰的目标指令，是人机协作的重要技能。

第三是批判性思考。这是AI时代人们最重要的防线，不能无理由采纳AI的建议，而是倒逼自身成长，通过不断反思、批判性审查AI给出的解决方案，让AI成为成长加速器，但人还是成果质量的守门员。

第四是混合采纳。AI在多轮交互中会遗忘，人的慢思考是AI目前不足的能力。采用拆解任务、分段执行、人工把关的混合工作流，将AI和人的优势充分结合起来，真正提高解决问题的能力。

战略建议：平衡当下与未来的转型路径

▌1. 核心原则

行动优先：AI已成为必选题，拖延只会错过红利窗口。

生存优先：先聚焦能显著改善现金流、效率与风险控制的关键场景。

从痛点切入，而非从宏大蓝图切入：先解决可落地问题，再升级为系统能力。

以组织、数据与文化为支点推进“自我革命”：技术只是入口，组织才是终局。

▌2. 组织智能转型四步法

第一步要要聚焦AI战略的核心目标与关键痛点，避免全面开花；

第二步要建设“单一事实来源”的数据底座，整合模型、图纸、工艺、设备与过程数据；

第三步要做真实场景试点验证，小步快跑、快速迭代；

第四步要推动组织变革：激励机制、容错机制与“新带老”的能力扩散机制并重。

▌3. 落地建议

全员AI：优先不是企业“有多少智能体”，而是让岗位普遍升级为“AI+岗位”。

激励与容错：对“超级个体”要有与贡献相匹配的激励；对探索性工作要允许失败，形成内部创新的正反馈。

风险投资思维：以组合方式下注，允许多数试点失败，用少数成功形成规模化回报。

结语：在革命中找到“人的位置”

今年论坛的主题是“向前一步，每个选择都有代价”。这非常贴合行业现实，对AI的落地实践也应该向前一步，行动起来。

本报告的关键结论是：AI的短期价值来自对高频知识工作的结构性增益，长期价值来自对“单一事实来源-工作流-治理机制”的系统重构。真正的分水岭不在于是否部署模型，而在于是否形成可复制的场景闭环与组织能力。

最后，以此语共勉：希望我们能成为那一代用AI重塑建筑神经系统的人，让钢筋混凝土也能拥有思考的温度。