Enligt en undersökning från Fastighetsägarna, Fastigo och Sveriges Allmännytta, som nyligen redovisades här i Fastighetstidningen, använder nästan sex av tio fastighetsorganisationer redan AI-verktyg – för textbearbetning, ekonomiadministration, beslutsstöd och automatiserad förvaltning. Lika många tror att AI kommer att effektivisera arbetet redan under det kommande året. Adoptionen går alltså snabbt. Det som går långsammare är förmågan att svara på en enkel fråga: hur vet vi att vi kan lita på det AI:n säger? Att svara på den frågan är inte ett hinder för utvecklingen, utan det som avgör om nyttan blir verklig eller bara ser ut så.
Det är lätt att förstå varför adoptionen går snabbt. Det tar numera timmar eller dagar, inte månader, att bygga en prototyp som samlar in energidata från ett fastighetsbestånd, hittar mönster och pekar ut avvikelser, och den nyfikenheten är en tillgång för branschen. Men en imponerande prototyp och ett driftsatt system som får styra affärskritiska beslut är två olika saker.
Det som skiljer dem åt är sällan tekniken i sig, utan erfarenheten bakom den: hur modellen hanterar data den aldrig sett förut, vilka avvikelser den känner igen från tidigare fall, och hur väl bedömningen håller när förutsättningarna förändras. Den erfarenheten går att bygga själv, precis som allt fler nu gör, men den byggs genom att testa mot verkligheten om och om igen, inte i en enskild prototyp.
[ Annons ]
Det farligaste AI-svaret är sällan det uppenbart felaktiga, utan det trovärdiga svaret som bygger på fel data eller dolda antaganden
Exempelvis, en energikurva för en fastighet har ett hål: en vecka utan mätvärden. En AI-modell kan i dag räkna fram ett rimligt värde för den saknade veckan, baserat på historiska mönster, väderdata och beteendet i jämförbara byggnader. Det låter som en förbättring, men modellen vet inte per automatik varför veckan saknas. Det kan vara ett kommunikationsfel i mätaren, ett mätarbyte, en renovering, ändrade öppettider, eller en faktisk förändring i verksamheten. Fem helt olika förklaringar, olika slutsatser och en enda uträknad siffra som ser exakt likadan ut oavsett vilken av dem som är sann.
Ett uppskattat värde är fortfarande en uppskattning. Om den uträknade siffran presenteras precis som en uppmätt siffra har AI inte förbättrat datakvaliteten, utan gjort osäkerheten svårare att upptäcka. En siffra som är fel men ser tveksam ut blir granskad. En siffra som är fel men ser säker ut blir ett beslutsunderlag. Det farligaste AI-svaret är sällan det uppenbart felaktiga, utan det trovärdiga svaret som bygger på fel data eller dolda antaganden.
Det är en lärdom som gäller oavsett om man bygger modellen själv eller köper in den, och en som vi själva dragit efter flera års arbete med maskininlärning för att identifiera avvikande mönster och hantera luckor i energidata: modellen är bara en del av svaret. Resultatet formas lika mycket av vilken data den fått, vilka systeminstruktioner den fått, vem som har behörighet till vad, och vilka antaganden en människa redan gjort innan frågan ställdes. Prompten är bara den synliga delen.
Det är också här fastighetsägarens egen kunskap blir avgörande. Ingen känner ett bestånd som den som förvaltar det. Vad en leverantör kan bidra med är metodik och mönster från många olika portföljer: hur en mätarlucka i ett kontorshus skiljer sig från en i ett bostadshus, och vilka avvikelser som historiskt visat sig bero på fel i systemet snarare än fel i byggnaden. Fastighetsägaren äger kunskapen om sin egen fastighet. Leverantören bidrar med mönstret från alla de andra.
En synlig datalucka kan vara betydligt mindre farlig än en perfekt kurva som ingen längre kan förklara
Det som sällan syns i en prototyp, men som blir en verklig kostnad i drift, är allt runt själva modellen: integrationer som förändras över tid, löpande kontroll av att modellen fortfarande gör rätt bedömning, och ett tydligt svar på vem som ansvarar när den inte gör det. Det är den delen, snarare än teknikkostnaden, som sätter gränsen för hur snabbt AI kan bli en del av affärskritisk fastighetsdrift.
Fastighetsbolag som redan kopplar AI till beslut om drift, avtal eller kapital måste kunna svara på några konkreta frågor: Vad i det AI presenterar är uppmätt, och vad är uppskattat, och vilka antaganden ligger bakom svaret? Hur säker är bedömningen, och går den att spåra tillbaka till källan? Och när förutsättningarna förändras, som de alltid gör, vem äger då ansvaret för att modellen fortfarande har rätt?
AI:s stora möjlighet i fastighetsdata handlar mindre om att få varje lucka att se fylld ut, och mer om att hjälpa oss upptäcka det vi annars hade missat, och fatta bättre beslut utifrån den information vi faktiskt har snarare än den vi önskar att vi hade. En synlig datalucka kan vara betydligt mindre farlig än en perfekt kurva som ingen längre kan förklara. I takt med att fler fastighetsorganisationer går från pilot till drift blir de frågorna viktigare för varje månad som går, inte mindre viktiga. Fastighetsbolag som redan använder AI bör börja ställa de frågorna nu, inte vänta tills en felaktig siffra redan har styrt ett beslut.
Carolina Wachtmeister, produktchef inom affärsområdet för energi- och fastighetsoptimering på EG.
