Förebygga ÄTA-arbeten i anläggningsbranschen med hjälp av AI

Sammanfattning

Introduktion (och mål) – Ändrings-, tilläggs- och avgående arbeten (ÄTA-arbeten), utgör en återkommande utmaning i bygg- och anläggningsprojekt och kan leda till ökade kostnader, förseningar och konflikter mellan projektens olika aktörer. Många ÄTA-arbeten kan kopplas till brister i förfrågningsunderlag (FFU). Samtidigt har utvecklingen av artificiell intelligens (AI) skapat nya möjligheter att analysera stora mängder dokumentation och identifiera potentiella brister. Målet med examensarbetet är därför att undersöka hur AI kan användas som stöd vid granskning av FFU i syfte att förebygga ÄTA-arbeten i anläggningsprojekt. Metod – Studien genomfördes som en kvalitativ fallstudie i samverkan med WSP:s väg och gatuavdelning. Empirin samlades in genom litteraturgenomgång, 12 semistrukturerade intervjuer samt en retrospektiv dokumentanalys av FFU från anläggningsprojekt. Dokumentanalysen genomfördes genom att standardisera en guide med systeminstruktion och promptar, och utifrån den låta olika AI-verktyg analysera projekthandlingar. Dessa jämfördes sedan med ÄTA-arbeten från verkligheten. Resultat – De vanligaste förekommande bristerna i FFU som leder till ÄTA-arbeten är otillräckliga geotekniska undersökningar, felaktiga eller saknade AMA-koder samt bristande kommunikation mellan discipliner. De bakomliggande orsakerna till dessa brister är framför allt bristande kommunikation och samordning, underdimensionerade projekteringsbudgetar, bristfällig återkoppling från byggskede till projekteringsskede och okunskap kring praktisk byggförståelse. Dokumentanalysen visar att AI-modellerna identifierar verkliga ÄTA-arbeten, men att modellerna också flaggade brister utan direkt koppling till faktiska projektutfall. Analys – Resultaten visar att de identifierade bristkategorierna är återkommande och bekräftas av samtliga respondentgrupper oberoende av varandra, vilket stärker trovärdigheten i svaret på den första forskningsfrågan. De bakomliggande orsakerna präglas av en ekonomisk logik där besparingar i projekteringsskedet leder till mångfalt högre kostnader under byggskedet, i kombination med att kunskapen om vad som faktiskt gick fel sällan återförs till de som upprättat handlingarna. Dokumentanalysen visar att AI kan identifiera potentiella risker i FFU, men att resultaten behöver bedömas av en branschkunnig person för att avgöras om de är praktiskt relevanta. Diskussion – Studiens resultat ligger nära vad internationell forskning visar kring orsaker till ändringsarbeten, men geotekniska osäkerheter framträder starkare i en svensk anläggningskontext, vilket kan förklaras av infrastrukturprojektens beroende av markförhållandena. Studien behandlar ett nytt och outforskat problemområde och lämnar utrymme för fortsatt forskning, bland annat kring integration av regelverk och ritningar i AI-baserad granskning. Nyckelord – Anläggningsprojekt, Artificiell intelligens, Dokumentanalys, Förfrågningsunderlag, Projektering, ÄTA-arbeten.