101. Drivers, Hinders and Roles in AI Implementation for Building Maintenance – Perceptions of Value Co-Creation in the AEC/FM Sector
- Author
-
Lange, Sophie, Schehler, Jan, Lange, Sophie, and Schehler, Jan
- Abstract
The integration of AI into building maintenance represents a significant step towards enhancing energy efficiency, sustainability and operational performance in the built environment. This thesis explores the drivers, hindrances and roles involved in the AI implementation process within the construction industry, focusing on value co-creation between property owners (clients) and technology providers (suppliers). Utilizing the Service Dominant Logic (SDL) framework, this study emphasizes the collaborative value-creation process and resource integration essential for successful AI adoption. A literature review highlighted the potential of AI technologies, such as predictive maintenance, improved energy management and automated fault detection, to optimize building operations. This research identifies the key drivers for AI adoption, including sustainability goals, improved efficiency and cost reduction. In contrast, challenges such as a lack of AI talent, leadership commitment and strategic alignment are significant barriers. The methodology involves semi-structured interviews with individuals in management positions from both client and supplier organizations to gain insights into the practical challenges and perceived benefits of AI implementation. It was recognized by both clients and suppliers that a business model that offers added value to all parties involved is essential. In addition, all interview partners emphasized the importance of a standardized data structure so that the AI and its underlying algorithms can be trained efficiently and in a targeted manner. Finally, the findings reveal that strong supplier-client relationships and a clear understanding of AI’s value proposition are crucial for overcoming integration hurdles and achieving energy efficiency improvements. In conclusion, this master’s thesis provides insights into the current drivers and hinders and roles of AI implementation in the maintenance process of buildings and provides important insi, Integreringen av artificiell intelligens (AI) i förvaltningskedet är ett viktigt steg mot att förbättra energieffektiviteten, hållbarheten och den operativa prestandan i den byggda miljön. I den här uppsatsen undersöks drivkrafter, hinder och roller för implementeringsprocessen av AI för energieffektivisering i förvaltningsskedet, med fokus på värdeskapande mellan fastighetsägare (kunder) och teknikleverantörer (leverantörer). Med hjälp av ramverket Service Dominant Logic (SDL) betonar studien gemensamt värdeskapande och resursintegration som avgörande för framgångsrik användning av AI inom energieffektivisering. Litteraturgenomgång belyser potentialen hos AI teknik såsom förebyggande underhåll, förbättrad energihantering och automatiserad feldetektering, för att optimera driften av byggnader. Forskningen identifierar viktiga drivkrafter för användning av AI, bland annat hållbarhetsmål, förbättrad effektivitet och kostnadsminskningar. Däremot finns det utmaningar såsom brist på kompetens inom AI, ledarskap och strategiska anpassningar, vilket utgör betydande hinder. Studien bygger på semistrukturerade intervjuer med personer i ledande befattningar från både kund- och leverantörsorganisationer för att få insikt i de praktiska utmaningarna och de upplevda fördelarna med implementering av AI inom energieffektivisering. Både kunder och leverantörer var eniga om att det är viktigt med en affärsmodell som ger mervärde för alla inblandade parter. Dessutom betonade alla intervjupersoner vikten av en standardiserad datastruktur så att AI och dess underliggande algoritmer kan tränas effektivt och på ett målinriktat sätt. Slutligen visar resultaten att starka relationer mellan leverantör och kund och en tydlig förståelse för AI:s värde för förvaltning är avgörande för att övervinna integrationshinder och uppnå energieffektivisering. Sammanfattningsvis ger denna masteruppsats en grundlig inblick i de nuvarande drivkrafterna, hindren och rollerna för implementering av AI under f
- Published
- 2024