Россия
Россия
УДК 69.001.5 Экспериментальное строительство
В статье рассматриваются особенности имплементации искусственного интеллекта в строительстве как одного из ключевых направлений цифровой трансформации отрасли. Цель исследования заключается в выявлении основных направлений внедрения интеллектуальных технологий на разных этапах жизненного цикла строительного объекта, а также в определении организационных и практических условий, при которых их применение дает наибольший эффект. Методологическую основу работы составили анализ, синтез, сравнение и обобщение научных публикаций, посвященных применению искусственного интеллекта в проектировании, управлении строительными процессами, оценке рисков, контроле качества, промышленной безопасности и эксплуатации зданий. В ходе исследования были систематизированы основные сферы использования искусственного интеллекта в строительстве, раскрыты его функциональные возможности и выделены наиболее значимые эффекты внедрения. Установлено, что применение интеллектуальных систем способствует повышению точности проектных решений, улучшению планирования сроков и ресурсов, усилению контроля за качеством и безопасностью работ, а также развитию предиктивного управления строительными и эксплуатационными процессами. Одновременно выявлены ограничения, связанные с высокой стоимостью внедрения, дефицитом квалифицированных кадров, зависимостью от качества исходных данных и недостаточной зрелостью цифровой инфраструктуры. Сделан вывод о том, что искусственный интеллект становится эффективным инструментом модернизации строительной отрасли при его поэтапной интеграции в единую систему управления проектом.
искусственный интеллект, строительная отрасль, цифровизация строительства, машинное обучение, автоматизация процессов, строительные риски, контроль качества
Введение
Строительная отрасль остается одной из наиболее ресурсоемких сфер экономики, поэтому любое снижение потерь здесь имеет прямой практический эффект. Объем работ по виду деятельности «Строительство» в России в 2021 г. составил 10 791,6 млрд руб., за 8 месяцев 2022 г. прирост достиг 17,9 %, а материальные затраты в структуре издержек доходят до 57-58 %; при этом серьезной проблемой остаются несвоевременные поставки, качество материалов и сложность управления большой номенклатурой ресурсов [1]. В зарубежных исследованиях искусственный интеллект рассматривается уже не как локальный цифровой инструмент, а как сквозной механизм поддержки проектирования, строительного мониторинга, контроля дефектов, энергоэффективности и эксплуатации объекта; особенно выделяются рекуррентные нейронные сети и сверточные нейронные сети, то есть Recurrent Neural Network (рекуррентная нейронная сеть, RNN) и Convolutional Neural Network (сверточная нейронная сеть, CNN) [2].
Степень изученности проблемы можно считать достаточно высокой: в научной литературе уже систематизированы такие направления, как Building Information Modeling (информационное моделирование зданий), дроны, 3D-печать, цифровые двойники, автоматизация строительных работ и алгоритмы распределения ресурсов; вместе с этим фиксируются и риски внедрения, включая высокую стоимость, зависимость от специалистов и вероятность технических сбоев [3]. Предмет настоящего исследования связан с особенностями применения интеллектуальных методов в проектировании, строительстве и эксплуатации зданий, где особое значение имеют генетические алгоритмы поиска оптимальных решений по критериям энергоэффективности, устойчивости, эстетики и стоимости, а также роботизированные системы и модели предиктивного управления энергопотреблением и ремонтом [4].
Цель статьи состоит в выявлении ключевых направлений имплементации искусственного интеллекта в строительстве и оценке их прикладного эффекта; для ее достижения необходимо проанализировать текущее состояние технологий, их использование в проектировании, управлении строительными процессами и контроле качества, а также определить ограничения и перспективы дальнейшего внедрения. Рабочая гипотеза заключается в том, что искусственный интеллект способен повысить не только технологическую, но и экономическую результативность строительных проектов: по оценке Deloitte, его применение позволяет сократить бюджетные и временные отклонения на 10-20 %, а трудозатраты инженерного персонала - на 10-30 % [5].
Материалы и методы
Материалами исследования послужили научные публикации, посвященные применению искусственного интеллекта в строительстве, цифровизации строительных процессов, проектированию, управлению ресурсами, контролю качества и безопасности. В качестве исследовательской базы использовались русскоязычные и англоязычные статьи, отобранные по тематической релевантности теме работы.
Методическую основу исследования составили анализ, синтез, сравнение, индукция, дедукция, обобщение и моделирование. Схема исследования включала последовательный отбор источников, выделение в них ключевых направлений внедрения искусственного интеллекта в строительстве, сопоставление полученных данных и их систематизацию по этапам жизненного цикла строительного объекта. Условия исследования определялись задачей содержательного выявления практических эффектов, ограничений и наиболее перспективных областей применения искусственного интеллекта в строительной отрасли.
Результаты
Наиболее наглядный результат имплементации искусственного интеллекта в строительстве проявляется на уровне самой строительной площадки, где цифровизация уже переходит в физическую автоматизацию работ. Роботизированная кладка кирпича и блоков позволяет ускорить выполнение однотипных операций и уменьшить зависимость от ручного труда, автоматизированная сварка и резка металла повышают повторяемость и точность соединений, 3D-печать делает возможным изготовление конструкций сложной формы, а дроны дают непрерывную аэросъёмку площадки для оперативного контроля. Важен не сам набор технологий, а их общий эффект: рутинные и опасные операции выводятся из зоны максимального человеческого риска, а управление проектом начинает опираться не на разрозненные наблюдения, а на постоянный поток данных, который искусственный интеллект способен обрабатывать в режиме принятия решений [6].
Дальнейшее смещение эффекта происходит на стадии проектирования и организационного управления. Поскольку в строительстве занято около 7 % мировых трудовых ресурсов, даже частичное сокращение проектных ошибок и дублирования функций дает масштабный отраслевой результат. Генеративное проектирование, усиленное искусственным интеллектом, работает не как простая 3D-визуализация, а как система перебора и проверки проектных решений с учетом больших массивов исходных данных и риск-факторов. BIM, то есть Building Information Modeling, в этой логике становится не электронной копией чертежа, а интеллектуальной средой, где можно заранее выявлять коллизии между разделами проекта, исключать повторную разработку уже созданных элементов и моделировать работу объекта еще до начала строительства. На практике это означает перенос части ошибок из дорогой стадии строительно-монтажных работ в дешевую стадию цифровой проверки [7].
На уровне управления проектом искусственный интеллект показывает результат прежде всего как инструмент предиктивного, то есть прогнозного, управления. При анализе исторических данных по проектам, текущих отчетов о ходе работ и внешних факторов система способна заранее прогнозировать задержки по графику, отклонения бюджета, дефицит рабочей силы и неэффективную загрузку техники. Практический смысл этого сдвига состоит в том, что проект перестает управляться постфактум: руководитель получает возможность вмешиваться до того, как отклонение превратится в срыв срока, перерасход или простой. Дополнительный эффект дают интеллектуальные панели мониторинга и автоматизированная отчетность, поскольку они сокращают время между появлением проблемы и управленческой реакцией на нее [8].
Особенно заметен результат там, где искусственный интеллект включается в сметное дело и бюджетное планирование. Традиционные методы оценки стоимости опираются на ручной подсчет объемов, сравнение с аналогами и экспертное суждение, поэтому плохо учитывают нелинейные связи между изменением проекта, логистикой, ценами на материалы, производительностью труда и внешними ограничениями. При использовании «Artificial Neural Networks» (искусственные нейронные сети), «Support Vector Machines» (метод опорных векторов) и гибридных алгоритмов оптимизации финансовая модель начинает учитывать именно такие скрытые зависимости. В результате стоимость проекта рассчитывается не как статичная предварительная цифра, а как динамический прогноз, который можно уточнять по мере поступления новых данных из BIM-модели, закупок, журналов техники и рыночных баз цен. Это позволяет раньше замечать риск перерасхода и переводит бюджетный контроль из режима констатации в режим предупреждения [9].
Количественно наиболее убедимые результаты получены там, где использование BIM и искусственного интеллекта сопоставлялось с параметрами устойчивого планирования строительства. В выборке компаний из Словакии, Словении и Хорватии при N = 49 выявлены очень сильные положительные связи между интенсивностью использования цифровых инструментов и качеством планирования затрат, ресурсов и сроков: для BIM коэффициенты корреляции составили 0,9834 по затратам, 0,9638 по ресурсам и 0,8669 по срокам, для искусственного интеллекта - 0,9245, 0,8088 и 0,8646 соответственно при p < 0,00001. Значения, близкие к 1, означают, что чем активнее компания применяет эти инструменты, тем выше оценивает их вклад в устойчивое планирование проекта. При этом цифровые технологии сильнее всего влияют на стоимость и календарное планирование, а слабее - на материальную устойчивость: в Словении средние оценки составили 3,52 по затратам, 3,51 по срокам и только 2,49 по материалам; в Словакии - 3,02, 3,03 и 1,34; в Хорватии - 2,99, 2,80 и 2,21. Это показывает важную закономерность: сегодня BIM и искусственный интеллект лучше работают там, где нужно быстрее считать, согласовывать и прогнозировать, чем там, где требуется глубокая прослеживаемость жизненного цикла материалов [10].
Экономический результат имплементации искусственного интеллекта в строительстве становится еще нагляднее при переходе от отдельных функций к инвестиционной модели цифровой трансформации. Совокупный вклад технологий искусственного интеллекта в валовой внутренний продукт России оценивается в 11,6 трлн руб. к 2030 г. и в 46,5 трлн руб. к 2035 г., причем строительство входит в число шести крупнейших отраслей-получателей эффекта с ожидаемым результатом около 4,0 трлн руб. к 2035 г. На уровне строительной компании максимальный практический эффект сосредоточен в планировании, снабжении, контроле качества и промышленной безопасности (см. табл. 1): длительность планирования может сокращаться на 20-30 %, затраты в снабжении и логистике - на 10-15 %, объем переделок после автоматической детекции дефектов - на 10-12 %, инциденты в зоне промышленной безопасности - на 20-25 %, а простой техники при предиктивном обслуживании - до 15 %. По сути, искусственный интеллект начинает давать экономически значимый результат только тогда, когда он встроен в полную архитектуру «данные - модели - процессы - управление изменениями» и работает в связке с BIM/ТИМ, ERP/MES, датчиками и видеопотоками [11].
Таблица 1
Внедрение ИИ в производственные процессы и его эффекты
|
Процесс |
Применение ИИ |
Ожидаемый эффект |
Условия реализации |
|
1 |
2 |
3 |
4 |
|
Календарное планирование |
Прогнозирование сроков, корректировка графика, распределение ресурсов |
Сокращение времени планирования на 20–30 % |
Необходимы накопленные проектные данные и интеграция с BIM/ТИМ |
|
Снабжение и логистика |
Прогноз потребности, оптимизация поставок и складских запасов |
Снижение затрат на 10–15 %, уменьшение простоев техники |
Эффект выше при интеграции с ERP/MES |
|
Контроль качества |
Автоматическое выявление дефектов по фото- и видеоданным |
Снижение объема переделок на 10–12 % |
Требуются стандартизированные фото- и видеоматериалы, а также размеченные данные |
|
Промышленная безопасность |
Контроль СИЗ и опасных зон с помощью CV-алгоритмов |
Снижение числа инцидентов на 20–25 % |
Нужны регламенты по видеоаналитике и защите данных |
|
Управление строительной техникой |
Предиктивное техническое обслуживание |
Сокращение простоев до 15 % |
Требуются телематические датчики и массив исторических данных |
|
Проектирование |
Генеративное проектирование, автоматическая проверка коллизий |
Снижение числа ошибок на стадии проектирования и рабочей документации |
Эффективность возрастает при связке с BIM/ТИМ и цифровым двойником |
Вместе с тем проведенный анализ показывает, что высокий вычислительный потенциал искусственного интеллекта еще не означает готовности к автономному принятию строительных решений там, где требуется правовая и оценочная дискреция. В моделировании санкций по строительным правонарушениям ни один из протестированных сервисов не вышел за законный максимум в 15 000 евро, однако устойчивость решений оказалась различной. ChatGPT тестировался 30 раз и показал наименьшую стабильность: за одинаково описанный менее тяжкий случай штраф для Карола менялся от 1000 до 5000 евро, а разница между санкциями для более тяжкого и менее тяжкого деяния колебалась слишком сильно; в одном из сравнений за более тяжкий проступок назначалось 1750 евро, тогда как за менее тяжкий в других прогонах - 5000 евро. При добавлении в промпт усредненного ориентира 2783,34 евро модель начала почти механически подстраиваться под эту цифру. Google Gemini при 15 прогонах был строже: в трех случаях штраф для более тяжкого деяния составил около 10 000 евро, в одном - 12 000 евро, но один раз модель вообще отказалась назначать санкцию. Microsoft Copilot оказался наиболее стабильным: в 10 из 15 случаев он назначал Каролу ровно 3000 евро, а в остальных - 2500 или 4000 евро. Для строительной отрасли этот результат важен как граница применимости: искусственный интеллект уже помогает структурировать аргументацию, но без проверенных массивов данных и без устойчивой модели прошлой практики не может надежно заменить человека там, где требуется индивидуализированное решение [12].
Реальная готовность рынка к внедрению искусственного интеллекта пока заметно ниже его функциональных возможностей. В обследовании строительных фирм Лагоса было роздано 83 анкеты, из которых для анализа пригодны 62; только 22 компании, то есть 35,48 %, сообщили о фактическом внедрении Artificial Intelligence Technology (технологии искусственного интеллекта, AIT), тогда как 64,52 % еще не используют такие решения. Уровень осведомленности остается в основном умеренным: так ответили 61,29 % респондентов. Наиболее сильными факторами внедрения признаны технологическая готовность фирмы (MIS = 4,71), стоимость покупки и внедрения (MIS = 4,66) и совместимость с действующей стратегией (MIS = 4,52). В то же время ожидаемые выгоды оценены очень высоко: рост производительности труда (MIS = 4,77), предотвращение перерасхода средств (MIS = 4,68), оптимизация ресурсов и отходов на площадке и вне ее (MIS = 4,57). Это означает, что основной барьер лежит уже не в понимании полезности технологии, а в стоимости входа, кадровом дефиците и организационной готовности компаний к изменению процессов [13].
Наиболее прикладной и проверяемый результат дает компьютерное зрение в задачах контроля безопасности. При существующей отраслевой проблеме, когда более 55 % несчастных случаев связаны с некачественной организацией труда, а фактические сроки выполнения работ могут отклоняться от плановых более чем на 30 %, автоматизация видеонаблюдения позволяет перевести контроль техники безопасности из эпизодического в непрерывный. В натурном эксперименте для подсчета людей на проходной анализировалось видео длительностью около 5 часов с частотой 15 кадр/с; через проходную прошло 531 человек, и только алгоритм (см. рис. 1) BoT-SORT дал точное совпадение с фактическим числом, тогда как StrongSORT показал 542, Deep OC-SORT - 541, ByteTrack - 538. Для распознавания касок использовалась модель Yolov8s, обученная на выборке из 11 849 изображений и проверенная на 732 тестовых изображениях; решение принималось, если человек присутствовал более чем на 50 % кадров разреженного видеопотока 4 кадр/с длительностью не менее 4 с. В результате была получена 100 %-ная точность детекции людей и направления их движения через проходную, то есть искусственный интеллект здесь уже не просто «помогает», а воспроизводимо выполняет конкретную контрольную функцию лучше ряда альтернативных трекинговых моделей [14].
Рис. 1. Архитектура ИИ-системы для подсчёта людей в видеопотоке
Завершающий блок результатов показывает, что оценка рисков становится одной из ключевых зон, где искусственный интеллект объединяет практически все предыдущие функции - обработку больших данных, прогнозирование, мониторинг и поддержку решений. В анализ включаются не только внутренние параметры проекта, такие как ошибки проектирования, задержки поставок и недооценка затрат, но и внешние факторы - экономическая нестабильность, погодные условия, изменения законодательства. Искусственный интеллект работает здесь не как электронный архив, а как динамическая модель, которая в реальном времени сопоставляет информацию о финансовом состоянии заказчика, свойствах материалов, погодных прогнозах и истории предыдущих проектов, после чего строит более полную картину угроз и предлагает варианты их минимизации. Практический результат выражается в трех связанных эффектах: снижение затрат, повышение безопасности и повышение качества работ. Иначе говоря, управление рисками перестает быть отдельной экспертной процедурой и становится постоянно действующим цифровым контуром управления проектом [15].
Обсуждение
Полученные данные показывают, что оценивать внедрение искусственного интеллекта в строительстве только через классические инвестиционные показатели пока преждевременно: для значительной части решений отсутствуют открытые отчетные данные по норме доходности, сроку окупаемости и совокупной стоимости владения. Более надежным на ранней стадии оказывается комплексный подход, где технологии сначала распределяются по четырем уровням зрелости - от идеи до активного практического применения, а затем оцениваются по баллам с учетом реализуемости, полезности и экономической целесообразности. Это согласуется с выдвинутой гипотезой: эффект искусственного интеллекта действительно проявляется в строительстве, но его следует рассматривать не как единичный программный продукт, а как стратегический проект с цепочкой причинно-следственных решений; ограничением остается преобладание качественной, а не строгой количественной оценки [16].
Широкая применимость таких решений объясняется самим состоянием отрасли. При занятости около 7 % мировой рабочей силы строительство за последние десятилетия прибавляло лишь около 1 % в год, тогда как обрабатывающая промышленность росла на 3,6 %, мировая экономика - на 2,8 %, а производительность в ряде других отраслей с 1945 г. увеличилась примерно на 1500 %. На этом фоне искусственный интеллект выглядит не просто технологическим обновлением, а ответом на системное отставание строительства по цифровизации, управлению данными и производительности; в этом смысле результаты подтверждают гипотезу о компенсаторной роли интеллектуальных технологий для отрасли с хронически низкой операционной эффективностью [17].
Практические эффекты распределяются по всему жизненному циклу объекта. На стадии проектирования искусственный интеллект ускоряет генеративный дизайн, автоматическую проверку соответствия нормам и оптимизацию конструкций, на стадии строительства - улучшает планирование сроков и ресурсов, повышает безопасность и производительность труда, на стадии эксплуатации - позволяет управлять системами «умного здания» и прогнозировать отказы оборудования. Одновременно именно здесь отчетливо видны пределы интерпретации результатов: высокая стоимость внедрения и сопровождения, дефицит специалистов, уязвимость к сбоям и киберугрозам, а также риск вытеснения части работников не позволяют считать эффект универсальным и одинаково достижимым для всех компаний; гипотеза подтверждается, но только при сохранении баланса между автоматизацией и инженерным контролем человека [18].
Рыночные и организационные показатели делают эту зависимость еще заметнее. С одной стороны, рынок искусственного интеллекта в строительстве вырос до 1,1 млрд долл. в 2023 г. и прогнозируется на уровне 4,5 млрд долл. к 2028 г., что указывает на высокую инвестиционную привлекательность направления. С другой стороны, 45 % компаний называют главным барьером нехватку квалифицированных кадров, 60 % - высокие затраты на внедрение, хотя отдельные кейсы уже показывают сокращение расходов на 15 %, а ожидаемый прирост производительности оценивается в 20-30 %. Это означает, что основное ограничение носит не технический, а институциональный характер: гипотеза о результативности искусственного интеллекта подтверждается, однако ее реализация зависит от кадровой базы, облачной инфраструктуры, междисциплинарных команд и готовности отрасли к организационным изменениям [19].
Наиболее полно эта логика раскрывается в стратегической перспективе. При анализе более 40 программных решений и платформ показано, что наибольший организационно-экономический эффект возникает при сквозном применении искусственного интеллекта - от BIM-проверок и предиктивного проектирования до цифровых двойников в эксплуатации: бюджеты и временные отклонения могут сокращаться на 10-20 %, экономия энергоресурсов достигает 15-20 %, а трудозатраты инженеров на рутинные операции уменьшаются на 10-30 %. Вместе с тем более 36 % респондентов считают центральным барьером стоимость решений и дефицит кадров, в 64 % случаев после 3-6 месяцев разработки системы требуют постоянной донастройки, для обучения даже узкоспециализированной модели нужно не менее 3000 качественных датасетов, а в 4 % случаев компании вообще запрещают такие технологии из-за правовых и киберрисков. Это в целом подтверждает гипотезу исследования: искусственный интеллект действительно способен повысить эффективность строительства на всех этапах жизненного цикла объекта, но пределы применимости задаются качеством данных, зрелостью управления, нормативной средой и доступностью долгосрочных инвестиций, поэтому переход к адаптивной отраслевой экосистеме реалистичен лишь при поэтапной цифровизации с горизонтом до 2035 г. [20].
Заключение
Проведенное исследование показало, что имплементация искусственного интеллекта в строительстве уже перестала быть частной технологической инициативой и постепенно превращается в один из ключевых факторов отраслевой модернизации. Наибольшая ценность этих решений проявляется не в изолированном использовании отдельных алгоритмов, а в их включении в единую систему управления жизненным циклом объекта - от предпроектного анализа и интеллектуального проектирования до строительного мониторинга, оценки рисков, контроля качества и эксплуатации. Искусственный интеллект позволяет обрабатывать большие массивы разнородных данных, повышать точность управленческих решений, раньше выявлять отклонения по срокам, стоимости и безопасности, а также снижать зависимость результата от человеческого фактора в рутинных и повторяющихся операциях. Это особенно важно для строительной отрасли, где цена ошибки высока, а последствия задержек, перерасхода и дефектов прямо отражаются на финансовой устойчивости проекта.
Вместе с этим исследование подтвердило, что эффективность внедрения искусственного интеллекта определяется не только техническими возможностями самих систем, но и зрелостью организационной среды, качеством исходных данных, доступностью инвестиций, кадровой обеспеченностью и нормативной готовностью отрасли к цифровой трансформации. Перспективность искусственного интеллекта в строительстве не вызывает сомнений, однако практический эффект достигается там, где цифровые инструменты сопровождаются перестройкой бизнес-процессов, развитием компетенций и поэтапным расширением сферы применения. В этом состоит главная особенность его имплементации: строительная отрасль нуждается не просто в новых программах или алгоритмах, а в переходе к более связанной, предиктивной и управляемой модели работы. Именно такой подход позволяет рассматривать искусственный интеллект не как вспомогательную инновацию, а как основу дальнейшего повышения производительности, безопасности и экономической устойчивости строительного комплекса.
1. Крюков К. М., Метлёв А. М. Возможности использования искусственного интеллекта в строительстве // ИВД. - 2022. - №10 (94). - С. 1-10.
2. Lyu, Yunmiao. Application of artificial intelligence in construction. Applied and Computational Engineering. Applied and Computational Engineering (2024). 90. 26-34.https://doi.org/10.54254/2755-2721/90/20241707.
3. Гуреев Кирилл Александрович, Новиков Максим Сергеевич Влияние цифровых технологий и искусственного интеллекта на строительство современных объектов // Инновационная экономика: информация, аналитика, прогнозы. - 2023. - №5. - С. 144-149.
4. Бердиназарова А., Абдырахманов Ы., Сарыев М. Интеграция искусственного интеллекта в проектирование и строительство зданий // Вестник науки. - 2024. - №11 (80). - С. 1172-1176.
5. Федорова Дарья Витальевна Использование технологий искусственного интеллекта в строительстве: современные тенденции и перспективы развития // Вестник евразийской науки. - 2024. - №3. - С. 1-13.
6. Байрамов Б., Мыратбердиев И., Гедаева С. Применение робототехники и искусственного интеллекта для автоматизации строительных процессов: шаг к строительству будущего // Вестник науки. - 2024. - №6 (75). - С. 1678-1681.
7. Караманянц Микаэл Бернардович Изменения строительной отрасли при активном внедрении технологии с применением искусственного интеллекта (ИИ) // Экономика строительства. - 2023. - №9. - С. 141-145.
8. Sanni, Babatunde. Application of Artificial Intelligence in Predictive Construction Project Management. Ladoke Akintola University of Technology (2026). P. 1-21.
9. James, Micheal. Artificial Intelligence-Driven Cost Estimation and Budget Optimization in Construction Management. Federal University of Agriculture (2026). P. 1-6.
10. Marović, Ivan & Mandičák, Tomáš & Krajníková, Katarína & Behúnová, Annamária & Mésároš, Peter. Artificial Intelligence and Building Information Modelling for Sustainable Construction Project Management and Digitalization in Construction. Buildings. (2026). 16. 846.https://doi.org/10.3390/buildings16040846.
11. Немчинова А. В., Азнабаева Г. Х., Калимуллина Э. Р. Разработка инвестиционного проекта по развитию производственной деятельности строительной компании с использованием технологий искусственного интеллекта // Вестник науки. - 2025. - №11 (92). - С. 93-99.
12. Škrobák, Ján. Artificial intelligence and discretionary decision-making in construction offense cases - an empirical study. Comenius : Bratislava legal forum. (2025). 1. 113-131.https://doi.org/10.46282/bpf.2025.06.
13. Oyelami, Emmanuel & Awodele, Imoleayo & Ramabodu, Molusiwa & Chikafalimani, Samuel. Integration of Artificial Intelligence Technology in Nigerian Construction Firms. Conference: 19th Built Environment Conference - Construction 5.0: The Journey ContinuesAt: Pretoria, South Africa (2025). P. 1-17.
14. Басов Олег Олегович, Соболев Юрий Игоревич, Тетерников Илья Анатольевич Использование комбинированных моделей искусственного интеллекта для контроля техники безопасности в строительстве // Экономика. Информатика. - 2024. - №4. - С. 887-894.
15. Атаева Дж, Гуламова Г., Ягмыров Р. Искусственный интеллект и автоматизация процессов оценки рисков в строительстве // Вестник науки. - 2024. -№12 (81). - С. 1829-1832.
16. Дарья Николаевна Шишкина Оценка экономической эффективности применения искусственного интеллекта в строительстве: выбор оптимального метода // Вестник МГСУ. - 2024. - №9. - С. 1550-1561. DOI: https://doi.org/10.22227/1997-0935.2024.9.1550-1561
17. Газаров Артур Робертович преимущества использования искусственного интеллекта в сфере строительства // Известия ТулГУ. Технические науки. - 2020. - №4. - С. 136-139.
18. Бяшимов П., Какабаева М., Довлетгельдыев Ы., Ораев М. Строительство и искусственный интеллект: преимущества и недостатки // Символ науки. 2024. - №4-1-2. - С. 32-34.
19. Лютов М. А., Савельева И. Д., Репрынцев Р. М. Проблемы и барьеры внедрения искусственного интеллекта в строительную отрасль // Вестник науки. - 2025. - №6 (87). - С. 1435-1439.
20. Идрисова А. А., Галдина А. А. Стратегические направления и организационно-экономические эффекты внедрения искусственного интеллекта в строительном комплексе // Парадигма. 2025. №11-4. - С. 77-84.
