Tilannekuva

KIRA-ala on tekoälyn hyödyntämisen ja -kehityksen suhteen kahtiajakoisessa tilanteessa: kehitys kohtaa samalla haasteita, mutta sisältää kuitenkin selkeän tunnistetun potentiaalin. Rakennusala on edelleen yksi vähiten digitalisoituneista aloista ja kohtaa haasteita tekoälyn ja muiden digitaalisten teknologioiden hyödyntämisessä. Regona ym. (2022) nostavat esiin, että tekoälyn soveltaminen on hidasta rakentamiseen, koska liiketoimintamallit ovat riittämättömät, alalta puuttuu tekoälyosaamista ja prosessit ovat virheherkkiä. Myös Abioye ym. mainitsee haasteiksi tekoälyratkaisujen korkeat alkuinvestoinnit, luottamuspulan sekä laskentatehon ja työmaaolosuhteiden internet-yhteyksien puutteet.

Samalla, vahva insinööriosaaminen ja tiedon yhteensopivuuden eteen tehty työ luovat kuitenkin hyvät edellytykset kehittää tekoälysovelluksia sekä hyödyntää niitä. Torro (2024) korostaakin, että Suomi on hyvin asemoitunut edistyneiden tekoälyratkaisujen kehittämiseen, joka tarkoittaa myös KIRA-alalle hyvää kehitysympäristöä mm. LUMI-supertietokoneen suurteholaskentakapasiteetin ansiosta. KIRA-alan erityisteknologiat, kuten rakennustiedon mallintaminen (BIM) luovat uusia mahdollisuuksia tekoälymallien sekä niiden yhdistelmien soveltamiselle. Ympäristöministeriön johtama yhteentoimivuustyö sekä laaja kirjo ISO- ja CEN-standardeja ovat hyvää pohjatyötä laadukkaille tekoälysovelluksille. Ilman laadukasta koulutusdataa ei voida myöskään varmistua tekoälysovellusten laadukkaasta toiminnasta.

Tekoälyn etiikka ja vastuullisuus

Tekoälyn etiikka käsittelee moraalisia periaatteita ja ohjeita, jotka ohjaavat tekoälyn kehittämistä, käyttöönottoa ja käyttöä. Digi- ja väestötietoviraston opas (2024) korostaa, että data-, digi- ja tekoälyetiikka eivät ole itsenäisiä, erityisiä etiikan lajeja, vaan ne ovat tunnustettujen eettisten periaatteiden soveltamisaloja ja -tapauksia.  Sivistyssanakirjan (2002) ja Ollilan (2019) mukaan eettisesti käyttäytyvä ihminen sivuuttaa toiminnassaan omat etunsa ja käyttäytyy epäitsekkäästi. Koivisto ym. (2019) mukaan etiikka puolestaan kuvaa sitä miten ihmiset kohtelevat toisiaan, ja miten heidän tulisi elää. Nämä ovat käytännön kysymyksiä jokapäiväisessä arjessa, ja sopivat myös tekoälyn eettiseen tarkasteluun.                           

Tekoälyn eettisistä periaatteista on luotu useita yleisiä sekä organisaatiotason ohjeistuksia. Anttinen ym. (2019) mainitsevat, että toistaiseksi lähes kaikki laaditut tekoälyn eettiset periaatteet korostavat läpinäkyvyyttä ja avoimuutta sekä asiakkaan parhaaksi toimimista. Lisäksi tieto- ja yksityisyydensuoja, yhteiskuntavastuu ja ihmisoikeudet, sekä jatkuva arviointi ja ihmisen vastuu tekoälystä nostetaan usein keskeisiksi periaatteiksi. Jobin ym. (2019) tekemän maailmanlaajuisen katsauksen mukaan tekoälyn kehittäjän tulee eettisesti huolehtia seuraavista viidestä periaatteista: vahinkojen välttäminen, vastuullisuus, läpinäkyvyys ja selitettävyys, oikeudenmukaisuus, sekä ihmisoikeuksien (kuten yksityisyyden ja turvallisuuden) kunnioittaminen. Näistä kehityksessä huolehtimalla ja käytössä huomioiden voidaan lisätä luottamusta teknologiaan, vähentää puolueellisuutta ja syrjintää, suojata yksityisyyttä, sekä parantaa päätöksentekoprosesseja. Lisäksi Hagendorff (2020) korostaa, että tekoälyn eettisen käytön tarkastelussa tarvitaan tasapainoa teknisten yksityiskohtien ja sosiaalisten näkökohtien välillä.

Euroopan komission luotettavaa tekoälyä koskevat eettiset ohjeet (2019) nostavat kolme keskeistä edellytystä luotettavalle tekoälylle:

• tekoälyn olisi oltava lainmukaista ja noudatettava kaikkia sovellettavia lakeja ja määräyksiä
• tekoälyn olisi oltava eettistä ja varmistettava eettisten periaatteiden ja arvojen noudattaminen
• tekoälyn olisi oltava sekä teknisesti että sosiaalisesti luotettavaa

Näiden ohjeiden tarkoitus on korostaa kehittämään ja käyttämään tekoälyjärjestelmiä kunnioittaen ihmisten itsemääräämisoikeutta, välttäen vahinkoja ja varmistaen oikeudenmukaisuuden, erityisesti haavoittuvien ryhmien kohdalla. Tekoäly tuo hyötyjä mutta myös riskejä ja negatiivisia vaikutuksia, joiden lieventämisestä tulee huolehtia oikeasuhtaisilla toimenpiteillä. EU-alueella sekä tutkimuksista, että yrityksien tekoälyperiaatteissa korostetaan erityisesti ihmisen yksityisyyden suojaa, syrjimättömyyttä ja oikeudenmukaisuudesta huolehtimista.

Eettisten periaatteiden laiminlyönti voi johtaa merkittäviin kielteisiin vaikutuksiin, kuten luottamuksen menettämiseen, syrjivien päätösten lisääntymiseen sekä yksityisyydensuojan ja tietoturvan heikentymiseen. Tekoälyn eettisten periaatteiden korostuessa on samalla kasvussa viherpesua vastaava ilmiö tekoälypesu, (AI-washing), jonka on nostanut esiin sekä Rouse (2024) sekä Yhdysvaltain turvallisuuskomissio (2024). Tekoälypesussa kyseessä on useimmin markkinointikikka ja organisaation tarve näyttää ulospäin hyvältä, mutta unohdetaan aito vastuullisuus tekoälyn soveltamisessa. Tämän vuoksi on tärkeää, ettei vain puhuta eettisistä ohjeista yrityksissä vaan tuodaan ne julki ja toimitaan niiden pohjalta tekoälyn soveltamisen yhteydessä. Tätä ohjataan tulevaisuudessa myös EU-alueella voimaan tulleen tekoälyasetuksen (2024) johdosta, jossa korkeariskisten ja yleiskäyttöisten tekoälyjärjestelmien kouluttamiseen käytetyt aineistot tulee kuvata avoimesti.

Suurten teknologiayritysten, kuten IBM, Google ja Meta, eettiset tiimit työskentelevät näiden negatiivisten vaikutusten ja riskien ehkäisemisen parissa, ja myös eri maiden hallitukset ovat alkaneet kehittää sääntelyä perustuen akateemiseen tutkimukseen. Suomessa on esimerkiksi ollut valmistelussa vuonna 2024 tekoälyasetuksen toimeenpanoa koskeva hallituksen esitys. Näin eettiset periaatteet alkavat konkretisoitua käytännön ohjeiksi ja säädöksiksi.

Tekoälyn eettisissä kysymyksissä esille nousevat myös teknologian tuomat haasteet, kuten datan puolueellisuus ja yksityisyydensuoja. Puutteellisesti kerätty data voi johtaa vinoutuneisiin päätöksiin ja tämän vuoksi KIRA-alan tekoälysovellusten tulisi ottaa huomioon Suomen ja muiden pohjoismaiden paikalliset erityisvaatimukset mahdollistaen tekoälysovellusten oikeanlaisen toimivuuden. Tämä mahdollistaa Suomalaisten yritysten liiketoimintaratkaisujen vastuullisen ja kestävän toiminnan.

Rakentamisen kontekstissa tekoälyyn liittyvät vinoumat voivat tarkoittaa esimerkiksi datavinoumaa (tekoälyalgoritmin opetusdatasta ei löydy riittävästi edustuksellisia havaintoja tai se on epätäydellistä), algoritmivinoumaa (algoritmi tuottaa epätasa-arvoisia tuloksia suosien jotain tiettyä tulosta) tai käyttäjävinoumaa (ihminen käyttää tekoälyn tuloksia väärin tai omien tarkoitusperiensä edistämiseen). Tyypillisiä vinoumia rakentamisessa aiheuttavat erityisesti projektien historiatiedon avulla tehdyt virheelliset ennusteet ja päätelmät sekä laskentavirheet suunnitteluvaiheessa, jotka johtuvat puutteellisista opetustiedoista. Vinoumia voidaan hallita esimerkiksi käyttämällä toisistaan erilaisia tietolähteitä, toteuttamalla perusteellisia tiedon laatutarkistuksia sekä auditoimalla tekoälyalgoritmien toimintaa säännöllisesti.

Tekoälyn potentiaalinen vaikutus tuottavuuteen

Tekoälyn mahdollista tuottavuuskehitystä on tutkittu yli toimialojen. Eri lähteet, kuten Implement Consulting Groupin -raportti (2024) arvioi, että Suomessa tekoälyn käyttöönotto voisi parantaa bruttokansantuotetta suorasti ja epäsuorasti jopa 8% seuraavan 10 vuoden aikana. Parhaiden skenaarioiden mukaan tämän arvioidaan tuottavan jopa 20-25 mrd€ arvonnousua Suomen talouteen. Tämä koostuu eri toimialojen yhteisestä arvonlisäyksestä:

• tietointensiivisten alojen (finanssiala, tiede ja tutkimus) +7,5 mrd€
• julkisen sektorin + 5 mrd€
• kaupan, liikenteen ja turismin +5 mrd€
• valmistava teollisuus, rakentaminen, energia-alat +5 mrd€

Raportin mukaan tämä arvonnousu toteutuisi generatiivisen tekoälyn käyttöönoton myötä, automatisoimalla manuaalisia tehtäviä, ja lisäarvoa kehittävien ammattien luomisen seurauksena. Mikäli tekoälykehitys myöhästyy merkittävästi esimerkiksi viiden seuraavan vuoden aikana, niin tekoälyratkaisujen tuoma arvonnousu voisi jäädä arvioilta n. 4-5 mrd € kokoluokkaan.

Tekoälyn soveltamisessa KIRA-alalle on Abioyen ym. (2021) mukaan paljon hyödyntämätöntä potentiaalia globaalisti. Potentiaalin ulosmittaamiseen vaikuttaa erityisesti se, kuinka hyvin toimitusketjun optimointia ja manuaalisten prosessien automatisointia pystytään samanaikaisesti ottamaan käyttöön.

Tämä edellyttääkin vahvaa tekoälymenetelmien integroimista rakentamisen nykyisiin prosesseihin. Näistä  Abioye ym. (2021) listaa:

• tietomallisuunnittelun (BIM) käytön ja data-arvon parantaminen, joka edellyttää BIM-tiedon kytkemistä osaksi aikataulusuunnittelua, rakennuksen kustannustietoa sekä tuotteiden kiertotaloustietoa
• sopimusten hallinta ja käsittely, johon tarvitaan rakennusalan sopimuslogiikkaa palveleva kielimalli
• tekoälyavusteinen taloushallinta, joka edellyttää projektien taloustietojen opettamista tekoälyalgoritmeille
• toimitusketjujen hallinta ja optimointi, joka edellyttää toimitusketjulogiikan, ostotapahtumien sekä tehokkuuden mallintamisen toteuttamista tekoälyalgoritmeille

Tekoälysovellusten määrän kasvaessa alalle muodostuu  kehitysmahdollisuuksia, mutta myös sopeutumispaine uusille toimintatavoille. Esimerkiksi World Economic Forumin raportti (2023) korostaa, että kaikkien alojen työpaikat ovat tekoälyn tulemisen myötä rakenteellisessa muutoksessa uuden ammattiosaamisvaatimusten vuoksi. Muutos tulee perinteisiin KIRA-alan työtehtäviin suoraan ja välillisesti pitkien alihankintaketjujen kautta asiakkailta, kun esimerkiksi tiedonkäsittelyn vasteajat pienenevät suunnittelussa. KIRA-alan osaamisen kehittämisessä on huolehdittava, että tekoälyn soveltamiseen myös koulutetaan, samalla kannustaen oppimaan uusia taitoja. Näitä ovat mm. tekoälymallien koulutusosaaminen, ohjelmointi- ja analytiikkaosaaminen, ja kyberturvallisuus. Samalla on myös pidettävä huoli rakentamisen käytännön ammattitaidon ylläpitämisestä, jota tekoäly ei pysty korvaamaan.

Tekoälyn hyödyntäminen EU:ssa ja Yhdysvalloissa

Rafsanjanin ym. sekä Future Today Instituten vuosikatsauksen mukaan tekoälyä käytetään yhä laajemmin KIRA-toimialalla, ja erityisesti isojen tietoaineistojen käsittelyyn ja rutiinitehtävien automatisointiin. Rafsanjani ym. (2023) ja Tokoi (2024) esittävät, että arkkitehtuurin alalla potentiaalisia sovelluksia tekoälylle ovat mm.

• parametrinen suunnitelmien luominen
• aiempien suunnitelmien massa-analysointi ja vertailut
• tilojen tehokkuusanalysointi
• korjausrakentamisen ja kierrätettävien materiaalien kokoaminen

Rakennesuunnittelun ja rakennetekniikan osalta tulevia tekoälyn käyttökohteita voivat Rafsanjani ym. (2023) mukaan olla mm.

• kompleksien rakenneanalyysien laskennan helpottaminen
• perustusvaihtoehtojen vertailu
• ennakoivan kunnossapito
• kaupunkisuunnittelun laajojen tietomassojen arviointi

Tokoi (2024) kuitenkin huomauttaa, että arkkitehtuurissa on monia tekijöitä, joita tekoäly ei välttämättä osaa ottaa huomioon, kuten kulttuurillisia näkökulmia, yhteisöllistä vaikutusta tai inhimillistä empatiaa. Rafsanjani ym. (2023) toteaa myös, että rakentamisessa on huomioitava ihmiskeskeinen tekoälyn soveltaminen, joka on tärkeässä osassa elinympäristöjen viihtyvyyden säilyttämisen kannalta.

Tekoälyn hyödyntäminen Suomessa KIRA-alalla

KIRA-alalle kohdennettiin touko-kesäkuussa 2024 yleinen kysely tekoälyn hyödyntämisestä ja käytännöistä eri toimialan yrityksissä. Vastauksia saatiin yhteensä 64, joista 41 edusti yrityksiä, 15 järjestöjä ja loput julkista sektoria sekä tutkimusta. Vastaajien roolit jakautuivat lähes tasan ylimmän johdon, keskijohdon ja asiantuntijoiden kesken.

Suomen KIRA-alan organisaatioissa tekoälyn hyödyntäminen on jo alkanut näkyä erityisesti rutiinitehtävien automatisoinnissa ja tiedonhallinnan nopeuttamisessa. Tällä hetkellä erityisesti generatiiviset tekoälytyökalut ja ohjelmistorobotiikka ovat aktiivisesti kokeilussa eri organisaatioissa. Generatiivista tekoälyä hyödynnetään perustehtävissä kuten tiedonhaussa, dokumenttien vertailussa ja tekstinkäsittelyssä. Ohjelmistorobotiikkaa hyödynnetään jo muun muassa laadunvalvonnassa, kirjanpito- ja laskutustoiminnoissa sekä myynti- ja tarjousputkien analysoinnissa. Tekoälyä ei kuitenkaan nähdä pelkästään vanhojen prosessien digitalisoijana, vaan sen odotetaan tuovan merkittäviä parannuksia ja kehityskulkuja prosesseihin ja liiketoimintamalleihin.

Tekoälyn lisääntymistä odotetaan erityisesti rutiinitehtävien automatisoinnin näkökulmasta. Sen avulla voidaan vähentää toistuvia työvaiheita ja antaa asiantuntijoille enemmän aikaa keskittyä vaativampiin tehtäviin. BIM-mallien yhdistäminen tekoälyyn on nousemassa merkittäväksi sovellusalueeksi, sillä sen avulla voidaan nopeuttaa suunnittelu- ja laskentaprosesseja sekä parantaa projektinhallintaa. Samalla kuitenkin korostetaan, että tekoälyllä ei tule korvata ihmisen perusosaamista, joka on monissa KIRA-alan tehtävissä välttämätöntä.

KIRA-alan organisaatioiden edustajat tunnistavat myös tekoälyn laajemman käyttöönoton haasteet. Tutkimuksessa nousi esiin, että KIRA-alan yrityksissä ei ole tekoälystrategioita vielä, joka puoltaa myös alan yhteisten käytäntöjen tarvetta. Useampi toimija on todennut, että tekoälyn käyttöönotto edellyttää organisaatiolähtöistä ohjeistusta, lisää taloudellisia resursseja ja aikaa. Erityisesti huolta aiheuttavat tekijänoikeuksiin liittyvät kysymykset ja se, miten pysyä mukana kehityksen vauhdissa. KIRA-alalla on selkeä tarve standardien kehittämiselle ja tietovakioinnille, jotta tekoälyn hyödyntäminen voisi olla tehokasta. Lisäksi tarvitaan yhteisiä pelisääntöjä tekoälyn tuottaman materiaalin käytöstä ja omistusoikeuksista, mikä voi edellyttää myös juridisia säädöksiä.

Tekoälyn lokalisointi KIRA-alalle

Lokalisointi on ollut tyypillisesti käytössä liiketoiminnassa uusien markkina-alueiden avaamisessa. Usein lokalisoinnilla mielletään tuotteen tai palvelun siirtoa omasta markkinasta uuteen kohdemarkkinaan, jossa perinteinen mielikuva lokalisoinnista on kääntää oman tuotteen kieliversio kohdemarkkinaan soveltuvaksi. Stash (2024) kirjoittaa, että tekoälyn lokalisoinnilla kuvataan laajempaa tapahtumaa, jossa pyritään sovittamaan tekoälyn potentiaali tehokkaimmin paikallisiin olosuhteisiin esimerkiksi kielen, kulttuurin ja toimintaympäristön erityispiirteiden huomioimiseksi. Lokalisoinnilla varmistetaan, että tekoälysovellukset noudattavat paikallisia hyviä eettisiä- ja hallintokäytäntöjä, liittyen esimerkiksi tekijänoikeuksien kunnioittamiseen ja tarvittavan läpinäkyvyyden osoittamiseen. Eri maiden kulttuurilliset erot ja käytännöt esimerkiksi tietojen laadun valvonnassa tai tekijänoikeuksien siirtymisessä luovat tarpeen varmistua siitä, että haluttu tuote soveltuu tarpeeseen ja kohdemarkkinaan.

Käytännössä tekoälyn lokalisointi tarkoittaa usein sitä, että tekoälysovelluksen ydin (esimerkiksi kielimalli) luodaan ja opetetaan paikallisen datan avulla, ja sen toimintaa valvotaan laadun tarkkailemiseksi. Tekoälyn lokalisoinnin lopputavoitteena on tehdä tekoälysovelluksista tehokkaampia, hyödyllisempiä, eettisesti oikeellisia, sekä ymmärrettävämpiä tietylle kohderyhmälle tai teollisuudenalalle. Kun lokalisoitua dataa käytetään tekoälymallien kouluttamiseen, tekoälysovellus tuottaa tarkempia, eettisempiä ja oikeudenmukaisempia tuloksia parantaen liiketoiminnan arvoa. Tekoälyn lokalisointia ei pidä sekoittaa ns. datan lokalisointiin, jolla tuetaan kansallisten tietosuojalakien ja -käytäntöjen noudattamista. Esimerkkinä lokalisoinnin kehityksestä Suomessa on Poro-kielimalli, jota on kehittänyt yhdessä Turun yliopisto ja suomalainen Silo.AI tekoälyn kehitysyhtiö. Poro-kielimalli on koulutettu suomenkielen aineistolla hyödyntäen CSC:n Lumi-supertietokonetta ja se kykenee käsittelemään generatiivisen tekoälyn tavoin suomenkielisiä aineistoja.

Tekoäly toimii myös toiseen suuntaan perinteisen lokalisoinnin työkaluna, kun halutaan laajentua uusille liiketoiminta-alueille (esimerkiksi Smartling-työkalu). Uuden markkinan haltuunotto on mahdollista tekoälykeinoin aikaisempaa nopeammin, koska esimerkiksi kieliversion muuttaminen, markkinatutkimus ja mahdollinen tekninen kehitystyö voidaan tehdä tekoälyohjautuvasti merkittävästi nopeammin. Vaikka tekoäly avustaa lokalisoinnissa ja uuden markkinan haltuunotossa, on ihmisasiantuntijan rooli tiedon kuratoimisessa ja datalähteiden arvioinnissa kuitenkin suuri. Pahimmillaan huonosti ohjatut tekoälyavusteiset algoritmit voivat esimerkiksi tehdä täysin vääriä kielikäännöksiä kohdemarkkinaan, hyödyntää väärin tietolähteitä ja tuottaa väärää yhteenvetotietoa markkinan toiminnasta.

On huomionarvoista, että tekoälyn kehittämiseen ei ole olemassa toimialakohtaista kehitysalustaa KIRA-alalle. Esimerkiksi generatiivisen tekoälyn ratkaisut rakentuvat usein isojen teknologiatoimittajien ja yleisten kielimallien varaan. Tekoälyalustat eivät huomioi rakentamisen erityisominaisuuksia eikä paikallisia Suomen erityispiirteitä ilman kouluttamista ja riittävää lähdeaineistoa. Torro (2024) nostaa esiin, että pitkällä aikavälillä KIRA-alan toimijoiden ja tutkijoiden yhteistyö voisi keskittyä KIRA-alan oman kielimallin kehittämiseen ja ylläpitämiseen. KIRA-alan oma kielimalli voisi tarjota selkeän kohteen ja suunnan datan standardoinnille. KIRA-alalla on useita erityispiirteitä, jotka tekevät lokalisoinnista erityisen tarpeellista: näitä ovat esimerkiksi tapa hallita rakennusprojekteja, ammattikieli, kohdekohtaiset muuttujat rakentamisen ja ylläpidon vaiheissa, Suomen maasto- ja sääolosuhteet, rakennusmateriaalit sekä niiden saatavuus- ja hintavaihtelut.

Tekoälyn lokalisointiin KIRA-alalle on olemassa useita vaatimuksia, kuten paikallisen sääntelyn huomioiminen, rakennustietokantojen ja -mallien hyödyntäminen, ympäristöstandardit sekä työturvallisuus ja työmaaolojen huomioiminen. Kun tekoälysovellus lokalisoidaan kansallisesti KIRA-alalle, voidaan mm. vähentää tekoälysovelluksen hallusinointia, saada täsmällisiä vastauksia asiakasongelmiin, ja huolehtia laatukontrollista esimerkiksi tarkoissa rakennesuunnittelun tehtävissä. Lisäksi tehokkuus ja tuottavuus rakennushankkeissa paranevat, jonka lisäksi voidaan huolehtia paremmin paikallisten tekijänoikeuksien säilymisestä.

Käytössä olevat aineistot tekoälysovellusten ja -mallien kehittämiseen

KIRA-alan datasisältö on laajuudeltaan merkittävä. Laajuutta on tarkastellut mm. RICS (2017) taulukossa 2. Datan arvoketju on KIRA-alalla pitkä ja se ulottuu talo-, infra- ja yhdyskuntarakentamisen arvoketjujen ylitse mm. energia- ja liikennetoimialoille. Laajasti ajateltuna pitkä datan arvoketju tarjoaakin erinomaiset lähtökohdat myös kielimallien paikalliseen kehittämiseen. KIRA-alan tieto voidaan jakaa kolmeen päätietoryhmään RICS (2017) mukaan:

• Fyysisen rakennuksen ominaisuuksien data ja informaatio
• Rakennuksen ympäristötehokkuuden ominaisuusdata ja -informaatio
• Kiinteistöjen transaktiotieto ja informaatio

KIRA-alan tietoa voidaan kuvata myös sen elinkaaren ajan suhteen, koska KIRA-alan arvoketju kehittää ja täydentää perustietoja ajan. Näitä päätietoryhmiä ovat esimerkiksi: 

• Kiinteistötiedot: kiinteistötiedot sisältävät kiinteistörekisteritiedot, joilla kiinteistö voidaan tunnistaa ja koota kaikki virallisiin kiinteistötietoihin liittyvät rekisteritiedot
• Rakennustiedot: rakennustiedot sisältävät valmiin rakennuksen tai infrastruktuurin ydintiedot
• Rakentamisen aikaiset tiedot: rakennusten tai infran rakentamisen aikaiset hanketiedot, joiden tietosisältö vaihtelee hankkeen aikana. Rakentamisen aikaisiin tietoihin kuuluvat reaaliaikaiset tilaus-toimitusketjun ohjaustiedot
• Ylläpito ja kunnossapitotiedot: kiinteistön ylläpito ja kunnossapitotiedot sisältävät rakennuksen tai infran ylläpitoa ja kunnossapitoa koskevat staattiset ja reaaliaikaiset tiedot
• Palvelutiedot: palvelutiedot sisältävät koottuna rakennuskannan, liikenneverkon ja verkostojen toiminnan kannalta tärkeitä palveluiden saavutettavuus tietoja
• Maankäyttö- ja kaavoitustiedot: maankäyttö- ja kaavoitustietoihin sisältävät rakennuksen, infran ja alueiden käytön eli kaavoituksen tietosisällöt. Suunnitelmatiedot ovat rakennettavan kohteen tai alueen suunnittelun aikana syntyvät tiedot
• Tilatiedot: tilatiedot sisältävät reaaliaikaiset rakennusten ja infran laitteiden tila- eli statustiedot sekä niiden häiriötiedot. Tiedoilla tuetaan valmiin rakennuksen tai infrastruktuurin käyttäjän päätöksentekoa ja rakennetun ympäristön kohteen toimintaa.
• Ajantasainen regulaatio: ajantasainen regulaatio sisältää rakentamista ja alueiden käyttöä palvelevan lainsäädännön, ohjeistukset ja parhaat dokumentoidut käytännöt.

Tekoälyn luotettava kehitys vaatii erityisesti datan saatavuuden, laadun ja eheyden varmistamista, mikä on ollut jatkuva haaste KIRA-alan tiedonhallinnassa EU:n rakentamisen digitalisaatiota käsittelevän analyysin mukaan (2021). Autodeskin datan käyttöön liittyvän tutkimuksen (2021) mukaan KIRA-alan laajan datasisällön yksi heikkous on se, että datan arvokkaimmat osat ovat usein käyttämättömissä eriävien tiedostoformaattien vuoksi. Myös Deloitten datan hyödyntämistä selvittänyt tutkimus (2024) huomauttaa, että 62% KIRA-alan datasta jää käyttämättä liiketoimintapäätöksissä. Toisaalta, sekä alan ulkoiset että sisäiset vaatimuksen datan hyödyntämiselle tulevat mahdollisesti parantamaan tilannetta.

Tulevat regulaatiovaatimukset kuten EU:n Energiatehokkuusdirektiivi EPBD, EU-taksonomia, sekä EU:n Rakennustuoteasetus CPR edellyttävät kykyä osoittaa tietopohjaista päätöksentekoa esimerkiksi hiilijalanjäljen laskemisessa läpi arvoketjun.  Lisäksi, KIRA-toimialan tekoälysovelluksien vähimmäisvaatimus on toimia oikein ja tuottaa luotettavaa jalostettua tietoa mahdollistaen turvallisen toiminnan ja hyvän rakennustavan toteutumisen. Tekoälyn opettamiseen käytettävästä data-aineiston laadusta ja sopivuudesta käyttötarkoitukseen on siis oltava riittävä käsitys, jotta tekoälyalgoritmi toimii oikein, sen tuloksiin voidaan luottaa, ja jotta tekoälysovelluksen koko potentiaali voidaan ulosmitata. Osaltaan mainittu EU-tekoälysäädös tulee edellyttämään tämän, mutta myös yleinen KIRA-alan kulttuuri edellyttää luotettavien lähdetietojen hyödyntämistä.

Datan hyödyntämisen nopean kasvun myötä myös datatalouden rooli tulee kasvamaan KIRA-alalla. Sitran (2024) määritelmän mukaan datatalous on uusi talouden osa-alue, jossa datan keruu ja käyttö ovat keskiössä. Datatalouden edistäminen on EU-komission datastrategian (2024) vahva poliittinen tahtotila, jossa keskiössä on datan liikkuvuus EU-alueella, datan sisämarkkina ja data-avaruuksien kehittäminen. Datatalouden arvoksi on ennakoitu 829 mrd.€ vuonna 2025 ja sen on ennakoitu kasvattavan noin 10 miljoonaa uutta dataosaajaa. Tekoälyn käytön yleistymisen myötä datatalouden rooli vahvistuu, koska datan käsittelyn kapasiteetti kasvaa merkittävästi ja markkinaan syntyy tilausta opetusaineistoille.

Tekoälyn alustaratkaisujen kehittyminen sekä räätälöidyt kielimallit ovat luoneet lisätarpeen opettaa uusia kohdennettuja kielimalleja, kasvattaen kaupallisen datan roolia ja siten datatalouden markkinaa kiihtyvään tahtiin. Tästä esimerkkinä on tuore Emilia Davidin Verge-lehden uutinen (2024) Googlen ja Redditin yhteistyöstä, jossa Google osti 60 milj.€ arvosta Reddit keskustelupalstan aineistoa kielimallin koulutukseen. Toinen vastaava yhteistyöavaus on OpenAI tiedote (2024), jossa kerrotaan yhteistyöstä Time-lehden kanssa. Yhteistyössä OpenAI kouluttaa ChatGPT-palvelua Time-lehden sisällöillä ja helpottaa asiakkaan pääsyä uutisaineistoon.

Datalle on selkeästi tulossa hinta. Viimeaikaisten uutisten ja esimerkkien pohjalta olisi mielekästä arvioida datatalouden mahdollisuuksia myös KIRA-alalle sekä pohtia, voiko esimerkiksi suomalainen rakentamisen, suunnittelun ja kiinteistöomaisuuden laadukas data olla globaalisti vientituote?