AI untuk Melacak Persentase Penyelesaian: Menggantikan Pelaporan Progres Manual

Tanyakan kepada tiga superintendent berbeda untuk memperkirakan persentase penyelesaian pada pekerjaan rough-in mekanikal, dan Anda akan mendapatkan tiga angka berbeda. Satu orang mengamati ductwork yang terpasang dan mengatakan 65%. Yang lain menghitung ruangan dengan rough-in yang sudah selesai dan mengatakan 58%. Yang ketiga memeriksa terhadap jam kerja yang direncanakan dan mengatakan 71%. Ketiganya mencoba menjawab pertanyaan yang sama, dan tidak satu pun dari mereka memiliki metode yang konsisten sekaligus akurat.

Masalah dengan Pelaporan Progres Manual

Pelaporan persentase penyelesaian menggerakkan segala sesuatu di hilir dalam manajemen proyek konstruksi. Ini menentukan perhitungan earned value, pengajuan pembayaran progres, peramalan jadwal, dan perencanaan sumber daya. Ketika angka persentase penyelesaian tidak akurat, setiap keputusan di hilir didasarkan pada data yang buruk.

Penelitian dari Construction Industry Institute menemukan bahwa estimasi persentase penyelesaian manual pada proyek konstruksi aktif menyimpang dari progres aktual rata-rata 12 hingga 15 poin persentase. Biasnya hampir selalu mengarah pada pelaporan progres yang berlebihan. Superintendent, sering kali secara tidak sadar, melaporkan persentase penyelesaian lebih tinggi dari kenyataan karena mereka optimis dapat mengejar keterlambatan kecil dan karena progres yang lebih rendah dari yang diharapkan memicu percakapan yang tidak nyaman dengan pemilik proyek dan manajer proyek.

Pelaporan berlebihan ini terakumulasi. Proyek yang secara konsisten melaporkan progres 5% lebih tinggi dari aktual selama 6 bulan membangun kesenjangan antara status yang dilaporkan dan status nyata yang akhirnya muncul sebagai kejutan jadwal atau biaya. Pada saat kesenjangan tersebut menjadi tidak dapat disangkal, opsi pemulihan menjadi terbatas dan mahal.

Bagaimana AI Mengukur Progres

Pelacakan progres AI menggunakan berbagai sumber data untuk menghitung persentase penyelesaian tanpa bergantung pada estimasi subjektif manusia. Pendekatan yang paling umum meliputi analisis berbasis foto menggunakan computer vision, perbandingan point cloud 3D dari pemindaian laser atau fotogrametri, data sensor IoT dari sistem yang terpasang, dan pelacakan material dari catatan pengiriman dan pemasangan.

Pelacakan progres berbasis foto adalah yang paling mudah diakses. Superintendent atau fotografer lapangan mengambil foto terstruktur secara terjadwal, mengikuti jalur foto yang ditentukan melalui bangunan. Algoritma computer vision membandingkan foto-foto ini dengan model desain dan foto sebelumnya untuk mengidentifikasi apa yang telah dipasang sejak pengambilan terakhir.

Sebuah platform yang mengkhususkan diri dalam pelacakan progres berbasis foto menguji akurasi mereka di 85 proyek konstruksi komersial. Persentase penyelesaian yang dihitung AI mereka rata-rata berada dalam 3,2 poin persentase dari progres aktual yang diukur melalui survei fisik terperinci. Laporan manual superintendent pada proyek yang sama rata-rata menyimpang 11,8 poin persentase dari survei fisik.

Pemindaian 3D untuk Presisi Lebih Tinggi

Pemindaian laser dan fotogrametri memberikan akurasi lebih tinggi daripada metode berbasis foto tetapi memerlukan lebih banyak peralatan dan waktu pemrosesan. Pemindaian laser mingguan pada lantai konstruksi dapat dibandingkan dengan model BIM untuk mengidentifikasi secara tepat elemen mana yang telah dipasang, dipasang sebagian, atau belum dimulai.

AI membandingkan point cloud pemindaian dengan model desain dan menghitung persentase pemasangan untuk setiap sistem bangunan. Baja struktural 94% selesai, ductwork mekanikal 67% selesai, conduit listrik 52% selesai. Angka-angka ini didasarkan pada pengukuran fisik bukan estimasi, yang membuatnya lebih dapat dipertahankan dalam sengketa pembayaran progres dan lebih andal untuk peramalan jadwal.

Trade-off-nya adalah biaya dan upaya. Pemindaian laser mingguan pada proyek besar memerlukan teknisi pemindaian khusus atau kontrak layanan, biasanya menghabiskan biaya $2.000 hingga $5.000 per pemindaian tergantung pada ukuran proyek. Untuk proyek di atas $20 juta, biaya ini mudah dijustifikasi oleh peningkatan akurasi pelacakan progres dan dampak hilirnya pada manajemen arus kas.

Integrasi Data Material dan Tenaga Kerja

Pelacakan progres AI menjadi lebih akurat ketika menggabungkan data visual dengan catatan material dan tenaga kerja. Jika log pengiriman menunjukkan bahwa 80% ductwork yang ditentukan telah dikirim ke lokasi, dan analisis foto menunjukkan 60% tampak telah terpasang, sistem dapat menyimpulkan bahwa 20% ada di lokasi tetapi belum terpasang. Ini memberikan gambaran yang lebih bernuansa kepada tim proyek dibandingkan satu sumber data saja.

Pelacakan jam kerja memberikan titik kalibrasi lain. Jika subkontraktor mekanikal telah menggunakan 70% dari jam kerja yang dianggarkan tetapi analisis visual menunjukkan progres pemasangan 55%, produktivitasnya di bawah rencana dan aktivitas tersebut kemungkinan akan melebihi anggaran tenaga kerjanya. Identifikasi dini ini memungkinkan intervensi sebelum pembengkakan menjadi parah.

Kontraktor yang mengadopsi pelacakan proyek konstruksi berbasis AI menemukan bahwa integrasi berbagai sumber data adalah yang membuat pelaporan progres dapat dipercaya. Tidak ada satu sumber pun yang sempurna, tetapi konvergensi data visual, material, dan tenaga kerja menciptakan gambaran progres yang secara signifikan lebih akurat daripada metode manual mana pun.

Dampak pada Pengajuan Pembayaran

Pengajuan pembayaran progres adalah salah satu aspek paling kontroversial dalam manajemen proyek konstruksi. Subkontraktor ingin menagih sebanyak mungkin pekerjaan yang telah selesai untuk menjaga arus kas. Kontraktor umum ingin memastikan mereka tidak membayar lebih dari progres aktual. Pemilik proyek ingin jaminan bahwa progres yang dilaporkan membenarkan pembayaran yang diminta.

Data progres yang diverifikasi AI menyediakan titik referensi netral untuk diskusi ini. Ketika pengajuan pembayaran menyatakan 72% selesai dan progres yang diukur AI menunjukkan 68%, selisih 4 poin cukup kecil sehingga mungkin mencerminkan perbedaan yang sah dalam metodologi pengukuran. Ketika pengajuan pembayaran menyatakan 72% dan AI menunjukkan 54%, ada perbedaan signifikan yang perlu didiskusikan sebelum pembayaran disetujui.

Beberapa kontraktor umum melaporkan bahwa pelacakan progres AI telah mengurangi sengketa pengajuan pembayaran sebesar 30 hingga 40% karena kedua belah pihak bekerja dari data yang lebih objektif. Superintendent masih memiliki peran dalam menginterpretasikan angka-angka dan memperhitungkan pekerjaan yang mungkin tidak sepenuhnya ditangkap oleh AI, seperti aktivitas pengujian dan commissioning yang tidak terlihat secara visual. Tetapi pengukuran dasar menjadi lebih andal.

Implementasi Praktis

Titik masuk paling sederhana untuk pelacakan progres AI adalah dokumentasi foto terstruktur. Banyak kontraktor sudah mengambil foto harian untuk tujuan dokumentasi. Menambahkan struktur pada foto-foto tersebut, jalur yang ditentukan, sudut yang konsisten, dan jadwal yang teratur, membuatnya dapat digunakan untuk analisis AI dengan upaya tambahan yang minimal.

Pendekatan yang lebih canggih, pemindaian laser dan integrasi sensor IoT, masuk akal untuk proyek yang lebih besar di mana biayanya proporsional dengan nilai proyek dan peningkatan akurasi memiliki dampak finansial yang berarti. Proyek tenant improvement senilai $5 juta mungkin tidak membenarkan pemindaian laser mingguan. Proyek rumah sakit senilai $100 juta hampir pasti membenarkannya.

Transisi dari pelacakan progres manual ke yang dibantu AI juga memerlukan perubahan budaya. Superintendent yang telah menghabiskan karier mereka memperkirakan progres berdasarkan pengalaman dan penilaian perlu mempercayai, dan belajar bekerja berdampingan dengan, pengukuran berbasis data. Implementasi yang paling berhasil memposisikan AI sebagai alat yang mendukung penilaian superintendent, bukan yang menggantikannya. Superintendent tetap memberikan konteks dan interpretasi. AI menyediakan dasar pengukuran.