Property AI

Københavns Kommune:

• Aftale indgået og kickoff afholdt i september 2023
• Lancering af systemet på BLOX i København i starten af 2024
• Københavns Ejendomme var med i udviklingen af værktøjet sammen med DAB, KAB og AAB

Rudersdal Kommune:

• Implementering begyndte i november 2025
• Aftalen indgået som del af budget 2026-2029, hvor der er afsat 36 mio. kr. ekstra til vedligehold

AI-teknologi:

• Selvlærende AI-motor der analyserer bygningsdata
• Anvender avancerede algoritmer til at generere tilstandsvurderinger
• Machine learning-modeller til at forudsige restlevetid på bygningsdele
• Forudsiger vedligeholdelsesomkostninger på bygningsdelsniveau

Funktionalitet:

• Automatiserer tilstandsvurderinger der tidligere tog 3-5 dage til få minutter
• Kombinerer AI-baserede analyser med manuelle vurderinger
• Estimerer restlevetid og identificerer kritiske bygningsdele
• Optimerer vedligeholdelsesplaner efter budget
• Inkluderer CO₂-modul til beregning af klimaaftryk

Datagrundlag:

• Historiske bygningsdata fra store danske ejendomsbesiddere (DAB, KAB, AAB, Københavns Ejendomme udgør 18% af boligudlejningsmarkedet)
• BFE-numre (Bygningsdelstyper For Ejendomme)
• Historisk vedligeholdsdata
• Bygningsdele og materialedata
• Offentlige data: indbygningsår, mængder, omkostninger
• Ny version af modellen bruger betydeligt mere data fra nye og kendte kilder

Dataintegration:

• Data synkroniseres automatisk fra FM-systemer
• Systemet beriger data med offentlige datakilder
• Selvlærende model der forbedres hver gang ny ejendomsbesidder indtaster data

Information ikke tilgængelig i kilderne. 

• Udviklet i tæt samarbejde med DAB, KAB, AAB og Københavns Ejendomme som pilotpartnere
• Lancering på BLOX i København med repræsentanter fra pilotorganisationerne
• Testet på 800 bygninger hos Forsvaret for at analysere vedligeholdelsesbehov
  
  Udfordringer og læring:
• Tidligere forsøg på digitalisering af tilstandsvurderinger mislykkedes pga. data i siloer, ufuldstændige eller upålidelige data
• proprty.ai løser disse problemer med selvlærende AI-motor
• Integrationsudfordringer med eksisterende FM-systemer adresseret gennem automatisk synkronisering

Københavns Kommune:

• Skabe overblik på tværs af bygningsporteføljen
• Optimal udnyttelse af vedligeholdelsesressourcer (500+ mio. DKK årligt)
• Løfte samfundsansvaret for at sikre Københavns bygningsmasse
• Sikre sunde bygninger for medarbejdere og borgere
• Reducere CO₂-udledning gennem forebyggende vedligehold

Rudersdal Kommune:

• Flytte opgaver fra akut til forebyggende vedligehold
• Få mest ud af den enkelte vedligeholdelseskrone
• Professionalisere beslutninger om vedligehold
• Støtte budgetprioriteringen med 36 mio. kr. ekstra til vedligehold (2026-2029)
• Bidrage til klimamål gennem datadrevet CO₂-reduktion

Generel begrundelse (Fundet hos leverandør):

• Effektivisering: reducere tidsforbruget fra 3-5 dage til få minutter per bygning
• Forebyggelse: forlænge levetid på bygningsdele og undgå større renoveringer
• Klimafordel: vedligehold reducerer indlejret CO₂ - forskning viser op til 29% reduktion i indlejret energi ved levetidsforlængelse
• Økonomisk optimering: prioritere kritiske bygningsdele og synliggøre teknisk gæld

Danske implementeringer:

• DAB (Danmarks Almene Boliger)
• KAB (Københavns Almene Boliger)
• AAB (Arbejdernes Almene Boligorganisation)
• Forsvarets bygninger (800 bygninger analyseret)
• Rudersdal Kommune (implementering november 2025)

Erfaringer:

• Pilotorganisationerne udgør tilsammen 18% af det danske boligudlejningsmarked
• Stor interesse fra flere andre ledende aktører i ejendomsbranchen
• Systemet forbedres løbende når flere organisationer indtaster data (netværkseffekt)
• Positive erfaringer med reduktion af manuelt arbejde og forbedret prioritering

Internationale ambitioner:

• Virksomheden har ambitioner om at udvide teknologien til nye brancher
• Planer om at tage værktøjet i brug på tværs af landegrænser