Ponad 70% wszystkich wniosków planistycznych w Anglii dotyczy rutynowych przeróbek domów — rozbudów, przebudów poddaszy — a mimo to ich rozpatrywanie pochłaniało godziny żmudnej pracy urzędników. To się zmienia: w 2025 roku brytyjskie ministerstwa wdrożyły narzędzia oparte na generatywnej sztucznej inteligencji Google Cloud we wszystkich radach Anglii, obiecując skrócenie czasu decyzji planistycznych o połowę. Dla redakcji IWD Partner to sygnał, że AI przestała być eksperymentem w administracji publicznej — stała się infrastrukturą.
Jaki problem próbuje rozwiązać AI w brytyjskiej administracji planistycznej?
Wielka Brytania zmaga się z chronicznym deficytem mieszkaniowym, a rząd Rishi Sunaka — a następnie rząd Keira Starmera — postawił ambitny cel: 1,5 miliona nowych domów do 2029 roku według planów Ministerstwa Mieszkalnictwa, Społeczności i Samorządu Lokalnego (MHCLG). Realizacja tego planu zależy jednak od sprawności lokalnych urzędów planistycznych, które toną w papierach.
Wnioski tzw. householder — dotyczące m.in. nadbudówek, dobudówek bocznych czy zmian elewacji — stanowią niemal 70% wszystkich zgłoszeń planistycznych składanych rocznie w Anglii. Każdy z nich wymaga od urzędnika ręcznego przeszukiwania regionalnych dokumentów polityki, historycznych archiwów i niezindeksowanych plików PDF. Ten proces, powtarzany tysiące razy dziennie, blokuje zasoby kadrowe, które mogłyby trafiać do obsługi dużych inwestycji infrastrukturalnych.
Opóźnienia administracyjne przekładają się bezpośrednio na opóźnienia budowlane. Lokalne organy planistyczne (ang. Local Planning Authorities, LPA) nie nadążają z tempem, którego wymaga rządowy harmonogram inwestycji — i to właśnie ten strukturalny korek próbuje odblokować generatywna AI.
Jak działa narzędzie Extract i system APD?
Aplikacja Extract została zbudowana przez inżynierów MHCLG oraz rządowy zespół ds. stosowanej AI — Incubator for AI (i.AI) — z wykorzystaniem modeli fundacyjnych Gemini od Google DeepMind. Narzędzie przetwarza nieustrukturyzowane dane ukryte w historycznych dokumentach PDF, konwertując setki stron archiwów planistycznych na uporządkowane zbiory danych cyfrowych — i robi to w ciągu minut, nie dni.
Dane operacyjne z fazy pilotażowej, obejmującej ponad 20 lokalnych organów planistycznych, wskazują, że Extract eliminuje około 255 godzin ręcznego wprowadzania danych rocznie na jeden urząd. Po udanych próbach, w 2025 roku aplikacja została wdrożona we wszystkich radach w Anglii — co stanowi jedno z największych skoordynowanych wdrożeń AI w sektorze publicznym w historii kraju.
Równolegle trwają prace nad prototypem Augmented Planning Decisions (APD). To bardziej zaawansowane narzędzie, które ma wspierać samą decyzję planistyczną — analizując wniosek w kontekście lokalnych planów zagospodarowania i przepisów, a następnie proponując urzędnikowi gotowe uzasadnienie. APD jest na etapie prototypu i wymaga dalszych testów, zanim trafi do powszechnego użytku.
Infrastruktura bezpieczeństwa dla danych publicznych
Integracja dużych modeli językowych (LLM) z systemami administracji publicznej wymaga szczególnych środków ostrożności. Lokalne urzędy przetwarzają wrażliwe dane obywatelskie, co nakłada obowiązek stosowania restrykcyjnych protokołów zarządzania ryzykiem. Rząd Wielkiej Brytanii umieścił obydwa narzędzia w środowisku chmurowym klasy enterprise — Google Cloud — zapewniając izolację danych i kontrolę dostępu zgodną z wymogami sektora publicznego.
Redakcja IWD Partner: Zaskakujące jest nie samo zastosowanie AI, ale skala i tempo wdrożenia — wszystkie rady Anglii naraz, bez wieloletniego programu pilotażowego. To odwrócenie dotychczasowego modelu „najpierw testuj, potem skaluj”. Pojawia się pytanie, które śledzi cały świat: czy administracja publiczna jest gotowa na operacyjną zależność od systemów fundacyjnych jednego dostawcy, jeśli model ulegnie zmianie lub kontrakt wygaśnie? To ryzyko vendor lock-in w nowym, instytucjonalnym wymiarze.
Co mówią twórcy i jakie są pierwsze liczby?
Lila Ibrahim, Chief AI Readiness Officer w Google DeepMind, stwierdziła podczas Google Cloud Summit London w 2025 roku: „Wielka Brytania ma szansę zbudować domy, których potrzebują nasze społeczności, ale lokalne rady stoją przed górą papierkowej roboty. Dlatego współtworzymy zaawansowane narzędzie planistyczne bezpośrednio z radami, aby rozwiązać realne wąskie gardła.”
Oficjalny cel wdrożenia to redukcja czasu podejmowania decyzji planistycznych o 50%. Jeśli założenia się potwierdzą, oznacza to, że wniosek, który dziś czeka tygodniami na rozpatrzenie, mógłby być obsłużony w połowie tego czasu — bez dodatkowego zatrudnienia urzędników.
Według wstępnych danych operacyjnych z fazy pilotażowej, prowadzonej przez MHCLG w 2024 roku, każda z testowanych rad zaoszczędziła rocznie ponad 255 godzin pracy na samym wprowadzaniu danych. Przy ponad 300 lokalnych organach planistycznych w Anglii łączny potencjał oszczędności przekracza 76 500 godzin pracy rocznie — zanim jeszcze uruchomiono pełnowymiarowe funkcje decyzyjne APD.
Dlaczego automatyzacja planowania przestrzennego ma znaczenie?
Systemy planowania przestrzennego to niedostrzegana infrastruktura każdej gospodarki. Opóźnienia w wydawaniu pozwoleń budowlanych podnoszą koszty inwestycji, spowalniają budownictwo mieszkaniowe i ograniczają rozwój infrastruktury energetycznej oraz transportowej. Według danych MHCLG z 2024 roku, Anglia potrzebuje 1,5 miliona nowych mieszkań w ciągu zaledwie pięciu lat — zadanie niewykonalne bez usprawnienia procedur administracyjnych.
Automatyzacja za pomocą ekstrakcji danych z dokumentów (document intelligence) nie zastępuje planistów — zdejmuje z nich najbardziej mechaniczną warstwę pracy. Uwolnione zasoby kadrowe mogą trafiać do obsługi złożonych wniosków: dużych osiedli, obiektów komercyjnych, farm wiatrowych. To zmiana struktury zawodu, nie jego eliminacja.
Precedens angielski będzie obserwowany przez rządy w całej Europie. Polska, Niemcy, Francja — wszystkie zmagają się z podobnymi zatorami w administracji budowlanej. Jeśli dane z Anglii potwierdzą 50-procentową redukcję czasu decyzji po 12 miesiącach pełnego wdrożenia, możemy spodziewać się fali podobnych projektów finansowanych z funduszy unijnych na transformację cyfrową administracji publicznej.
Powiązane pojęcia z AI i uczenia maszynowego
- Generatywna sztuczna inteligencja (Generative AI) — klasa modeli AI zdolnych do tworzenia nowych treści (tekstu, danych, kodu) na podstawie wzorców wyuczonych z dużych zbiorów danych.
- Duży model językowy (Large Language Model, LLM) — model sieci neuronowej trenowany na ogromnych korpusach tekstowych, zdolny do rozumienia i generowania języka naturalnego; podstawa narzędzi takich jak Extract czy APD.
- Ekstrakcja danych z dokumentów (Document Intelligence) — zastosowanie AI do automatycznego rozpoznawania, klasyfikowania i strukturyzowania informacji zawartych w nieuporządkowanych plikach, np. skanach PDF.
- Model fundacyjny (Foundation Model) — duży model AI pre-trenowany na szerokich danych, który może być dostosowywany do wielu zadań szczegółowych; Gemini od Google DeepMind należy do tej kategorii.
- Vendor lock-in — stan uzależnienia od jednego dostawcy technologii, który utrudnia lub uniemożliwia migrację do alternatywnych rozwiązań bez wysokich kosztów operacyjnych lub technicznych.
Na podstawie materiałów źródłowych.
