编辑推荐：
AI 在建筑项目中部署是社会技术过程，仅靠技术方法不足。研究人员开展 AI 实施关键成功因素（CSFs）研究，结合系统文献综述、元分析和社会网络分析，识别 38 个 CSFs 并分四维度，揭示研究优劣势与差距，具重要意义。
在建筑行业数字化转型浪潮中，人工智能（AI）凭借自动化常规任务、挖掘大数据洞察、构建预测模型等能力，正成为提升项目效率与决策科学性的核心驱动力。然而，当前 AI 在建设项目中的落地仍面临显著挑战 —— 作为典型的社会技术过程，其成功不能仅依赖技术本身，还需统筹组织管理、人员技能、数据治理等多元要素。现有研究对 AI 实施的关键成功因素（CSFs）缺乏系统性梳理，存在三大突出问题：一是 CSFs 范畴模糊，二是未形成清晰的维度分类，三是缺乏对因素间关联网络及研究空白的量化分析。在此背景下，为填补理论与实践鸿沟，研究人员开展了一项针对建设项目 AI 实施 CSFs 的深度探索，相关成果发表于《Engineering Applications of Artificial Intelligence》。
为解答 “CSFs 具体构成、维度划分及关联网络” 等核心问题，研究团队综合运用系统文献综述（SLR）、元分析和社会网络分析（SNA）等方法。首先通过 SLR 系统性检索并筛选 60 篇相关研究，从中提炼 CSFs；继而利用元分析对各因素进行量化评估，基于标准化分数和度中心性完成重要性排序；最后借助 SNA 构建因素关联网络，可视化呈现研究热点与薄弱环节。
研究结果
关键成功因素识别与维度划分
通过元分析，研究识别出 38 个 CSFs，涵盖组织、技术、利益相关者和数据四大维度。组织维度包括高层支持、跨部门协作、员工培训等，强调组织环境对 AI 融入的接纳与推动；技术维度涉及 AI 算法有效性、与建筑信息模型（BIM）集成、数据安全技术等，聚焦技术适配性与可靠性；利益相关者维度涵盖多方沟通机制、用户需求理解、行业标准协同等，凸显项目参与主体的协同作用；数据维度则包含数据质量、数据共享平台、历史数据积累等，揭示数据资源对 AI 模型训练的基础支撑性。
社会网络分析与研究缺口揭示
SNA 结果显示，现有研究对技术维度的关注较为密集，如 “AI 与 BIM 集成”“算法准确性” 等因素在网络中占据核心位置，反映技术落地仍是当前研究重点。然而，“组织文化变革”“利益相关者数字素养”“跨行业标准协同” 等因素在网络中处于边缘位置，表明研究对社会与管理维度的重视不足。此外，数据维度中 “实时数据采集” 与 “隐私保护机制” 的关联性研究较少，暴露出现有模型在动态数据处理与伦理合规层面的局限性。
研究结论与意义
本研究首次通过多方法融合，构建了建设项目 AI 实施 CSFs 的全景图谱。研究证实，AI 落地需技术与管理双轮驱动：技术层面需优化算法、强化与现有系统（如 BIM）的兼容性；管理层面需提升组织敏捷性、培育数据驱动文化、建立跨利益相关者的协同机制。社会网络分析进一步指出，未来研究应重点关注 “组织 - 技术 - 人” 的动态交互，填补社会维度因素的研究空白，为构建更具包容性的 AI 实施框架提供理论支撑。
该研究不仅为行业从业者提供了可操作的 CSFs 清单，更通过量化分析揭示了研究趋势与缺口，为后续研究指明方向。其方法论创新（SLR + 元分析 + SNA 的组合）亦为跨学科领域的复杂问题研究提供了范式参考，助力建筑行业在 AI 时代实现从技术应用到系统革新的深层变革。
