Generative Artificial Intelligence in AEC Organizations: A Literature and SWOT Analysis
Notice bibliographique
Résumé
Generative artificial intelligence (GenAI) is seen as an efficient way to enhance architecture, engineering, and construction (AEC) organizations through the generation of novel content and the automation of processes and tasks. Rapid advancement in GenAI is giving rise to new potential applications in AEC organizations, and this requires a detailed understanding and a strategic planning technique to evaluate the usefulness of GenAI to organizations. This study aims to address this gap by examining GenAI literature in the AEC industry to determine how GenAI contributes to the enhancement of AEC organizations. To achieve the aim, this article identifies how GenAI is used in AEC organizations, and proposes a strengths-weaknesses-opportunities-threats (SWOT) process and elements for the strategic evaluation of GenAI in AEC organizations. The research methodology consists of a systematic review process. The findings categorized 79 journal articles and conference papers, which revealed that GenAI was being explored to create architectural and structural designs of buildings, optimize construction processes, and enhance risk management and work safety. There are limitations in the capability of GenAI models to meet project management needs. These include low quality datasets used for training, cost, time, and computation resources required to implement GenAI effectively, and ethics and privacy issues when using GenAI in AEC organizations and projects. Additionally, a SWOT process is proposed, and twenty SWOT elements are developed and described: four elements for strengths, five elements for weaknesses, five elements for opportunities, and six elements for threats. The proposed elements aim at providing a foundation for AEC organizations to assess and achieve their strategic GenAI implementation goals. This article identifies the areas of research focus along with a SWOT process and elements that may be useful to researchers and industry practitioners focusing on GenAI and SWOT in the AEC industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,025 | 0,029 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».