AI untuk Estimasi Kuantitas Beton: Tolok Ukur Akurasi Dibandingkan Takeoff Manual

Sebuah kontraktor komersial menengah di Phoenix menjalankan eksperimen menarik tahun lalu. Mereka mengambil 12 proyek yang telah selesai, mulai dari pembangunan ritel seluas 4.000 sq ft hingga gudang seluas 60.000 sq ft, dan memasukkan gambar rencana ke tiga alat estimasi AI yang berbeda. Kemudian mereka membandingkan kuantitas AI dengan hasil yang diproduksi oleh estimator senior mereka, dan dengan kuantitas aktual yang dicor di lapangan.

Angka Dasar

Untuk pekerjaan pelat datar di atas tanah (slab-on-grade), alat AI rata-rata berada dalam selisih 2,3% dari kuantitas aktual yang terpasang. Estimator manusia rata-rata memiliki deviasi 4,1%. Dari segi luas permukaan saja, AI memiliki keunggulan karena dapat mendigitalisasi setiap inci persegi dari gambar rencana tanpa kelelahan atau jalan pintas interpolasi.

Namun gambaran menjadi lebih rumit pada beton struktural. Fondasi, balok grade beam, kolom, pelat bertingkat dengan ketebalan bervariasi. Di sini alat AI rata-rata memiliki deviasi 6,8% dari aktual, sementara estimator berpengalaman mencapai 3,9%. Manusia memahami urutan konstruksi, mengetahui detail mana pada gambar yang bersifat aspiratif vs. yang benar-benar akan dibangun, dan menerapkan faktor pemborosan berdasarkan kompleksitas bekisting.

Di Mana Estimasi AI Unggul

Kecepatan adalah keunggulan yang jelas. Apa yang membutuhkan waktu 6 hingga 10 jam bagi estimator berpengalaman untuk proyek komersial menengah, alat AI menyelesaikannya dalam 15 hingga 40 menit. Bagi GC yang merespons ITB dengan tenggat waktu 5 hari, penghematan waktu tersebut sangat signifikan.

Konsistensi adalah keunggulan yang kurang terlihat. Jalankan gambar yang sama melalui alat AI sepuluh kali dan Anda mendapatkan angka yang sama sepuluh kali. Minta tiga estimator berbeda untuk melakukan takeoff pada proyek yang sama dan Anda akan mendapatkan tiga angka berbeda, terkadang bervariasi hingga 8% atau lebih. Satu studi dari program ilmu konstruksi Texas A&M menemukan bahwa varians takeoff manual antara estimator yang berkualifikasi rata-rata 7,2% pada proyek beton struktural.

AI juga menangkap elemen kuantitas yang secara rutin terlewatkan oleh manusia pada pemeriksaan pertama. Detail haunch di persimpangan kolom, tepi pelat yang ditebalkan di lokasi dok, pad peralatan kecil yang ditampilkan pada gambar mekanikal tetapi tidak pada gambar struktural. Satu platform AI melaporkan bahwa dari 500 proyek yang dianalisis, rata-rata ditemukan 3,4 elemen beton yang terlewat per proyek dibandingkan dengan takeoff manual awal.

Di Mana Takeoff Manual Masih Menang

Estimator berpengalaman menerapkan penilaian yang tidak dapat direplikasi oleh alat AI saat ini. Mereka tahu bahwa arsitek menggambar pelat 6 inci tetapi laporan geoteknik kemungkinan akan memerlukan 8 inci mengingat kondisi tanah. Mereka tahu campuran beton yang ditentukan akan memerlukan truk pompa, yang mengubah perhitungan pemborosan. Mereka memperhitungkan cold joint, koreksi over-excavation, dan kenyataan bahwa tidak ada bekisting yang benar-benar tegak sempurna.

Pengetahuan konstruktabilitas adalah kesenjangan utama. AI membaca apa yang ada di gambar. Estimator veteran membaca apa yang ada di gambar, apa yang seharusnya ada di gambar, dan apa yang benar-benar akan terjadi di lapangan. Untuk pekerjaan struktural yang kompleks, penilaian tersebut masih sangat penting.

Pendekatan Hibrida yang Berhasil

Kontraktor yang mendapatkan hasil terbaik menggunakan AI untuk ekstraksi kuantitas awal, kemudian meminta estimator berpengalaman untuk meninjau dan menyesuaikan. Ini biasanya membutuhkan sekitar 30% dari waktu yang diperlukan untuk takeoff manual penuh, dan menghasilkan estimasi dalam selisih 2% dari kuantitas aktual untuk semua jenis beton.

Alur kerjanya terlihat seperti ini: AI mengekstrak kuantitas dari set gambar dalam 20 menit. Estimator meninjau takeoff dalam 2 jam alih-alih 8, dengan fokus pada area di mana AI diketahui kesulitan, seperti kondisi bekisting yang kompleks, detail non-standar, dan pengecoran bertahap. Estimator menerapkan penyesuaian berdasarkan pengetahuan lapangan untuk pemborosan, over-excavation, dan toleransi bekisting.

Perusahaan yang mengeksplorasi jenis alur kerja konstruksi berbantuan AI ini menemukan bahwa teknologi tersebut paling efektif sebagai akselerator bagi orang-orang berpengalaman, bukan pengganti mereka.

Akurasi Berdasarkan Jenis Proyek

Data menunjukkan pola yang jelas tentang di mana AI berkinerja terbaik. Proyek gudang tilt-up dengan tata letak panel yang berulang menunjukkan akurasi AI dalam selisih 1,5% dari aktual. Strip mall dan shell ritel dengan slab-on-grade standar berada dalam kisaran 2 hingga 3%. Beton struktural bertingkat dengan pelat post-tensioned, balok transfer, dan sistem fondasi yang kompleks masih menunjukkan deviasi 5 hingga 8% ketika AI bekerja sendiri.

Beton residensial, menariknya, memberikan hasil yang beragam. AI menangani gambar fondasi dengan baik, biasanya dalam akurasi 3%, tetapi kesulitan dengan beton dekoratif, shell kolam renang kustom, dan bentuk flatwork non-standar yang sering disertakan dalam proyek residensial.

Apa yang Diungkapkan Tolok Ukur Ini

Kesenjangan akurasi antara AI dan estimasi manual semakin menyempit, tetapi menyempit lebih cepat untuk pekerjaan sederhana dan berulang dibandingkan proyek struktural yang kompleks. Ini sejalan dengan cara kerja machine learning secara umum. Semakin terstandarisasi dan berbasis pola pekerjaannya, semakin baik kinerja AI.

Bagi kontraktor yang mengevaluasi alat-alat ini, pertanyaan yang relevan bukanlah apakah AI lebih akurat daripada manusia. Pertanyaannya adalah apakah AI ditambah manusia, bekerja bersama dalam proses peninjauan terstruktur, menghasilkan estimasi yang lebih baik dalam waktu lebih singkat dibandingkan manusia yang bekerja sendiri. Data dari berbagai studi independen secara konsisten mengatakan ya, dengan selisih yang signifikan.