Kan du berätta kort om AI Sweden och din roll?
– AI Sweden är det nationella centret för tillämpad artificiell intelligens. Vår uppgift är att accelerera användningen av AI i Sverige till förmån för vårt samhälle, Sveriges konkurrenskraft och för alla som bor i Sverige. Vi är en nationell satsning, finansierad av Vinnova (Sveriges innovationsmyndighet) och våra cirka 170 partners från privat- och offentlig sektor och akademi, där vi arbetar med att stärka svensk konkurrenskraft genom AI. Det gör vi bland annat genom att driva nationella AI-projekt och erbjuda kompetensutveckling.
Min roll som co-lead på energiområdet på AI Sweden innebär att jag arbetar strategiskt med att identifiera och driva initiativ inom energiområdet som skapar värde, är skalbara och sprider kunskap om hur AI kan användas ansvarsfullt och effektivt, inte minst inom fastighets- och energisektorn.
Hur förändrar AI sättet vi bygger och förvaltar bostäder?
– AI driver fram ett behov av systeminnovation i fastighetsbranschen. Den största förändringen är inte bara teknisk, utan handlar om att adressera utmaningar i hela ekosystemet – från infrastruktur och affärsmodeller till beteendeförändring. Detta innebär att AI understryker att data blir en avgörande infrastruktur, vilket gör datahantering till en kritisk uppgift för att kunna skala upp lösningar. Dessutom krävs det nya affärsmodeller som skapar värde för alla inblandade parter, och ett ökat fokus på förändringsledning för att AI ska bli en integrerad del av verksamheten.
Vilka AI-lösningar ser du som mest relevanta för fastighets- och bostadsbranschen just nu?
– En relevant AI-lösning just nu är prediktivt underhåll. Genom att analysera data från sensorer i fastigheten (t.ex. temperatur eller fukt) kan AI förutsäga när system som ventilation eller värmepumpar sannolikt kommer att krångla. Istället för att vänta på att något går sönder kan man utföra underhåll proaktivt. Det kan minska kostsamma akuta reparationer, förlänga utrustningens livslängd och inte minst minimera störningar för hyresgästerna för studentbostäder där man behöver ta hänsyn till snabb service och begränsade budgetar.
Med dagens energipriser och ökade krav på hållbarhet är en annan intressant AI/ML-lösning* kring energieffektivisering och smarta styrsystem. AI/ML kan lära sig av mönster för användning av värme, kyla och belysning baserat på närvaro, väderprognoser och tider. Systemet kan sedan optimera driften i realtid. Ett exempel är att sänka temperaturen i tomma korridorer eller justera ventilationen baserat på luftkvalitet snarare än fasta scheman. Detta kan leda till lägre driftskostnader och ett minskat koldioxidavtryck – en win-win för både plånboken och miljön.
Men för att få störst genomslag och istället för att varje organisation testar AI/ML-lösningar på egen hand, är de mest relevanta lösningarna de som möjliggör branschöverskridande samarbeten och en gemensam plattform eller ett nätverk med tydliga krav som skulle kunna driva detta – vi har inlett en sådan kraftsamling på AI Swedens energiområde – där vi samlat olika fastighetsägare för att sätta fingret på de största behoven och där vi nu i nästa steg ska projektifiera dessa.
Vilken AI-trend tycker du att fler borde ha koll på just nu?
– En trend som vi ser i olika sektorer, och som skulle vara intressant för förvaltare av studentbostäder, är utvecklingen av små, specialiserade AI-modeller (’Small Language Models’ eller SLMs) i kombination med ’Edge AI’. Medan stora generativa AI-modeller som ChatGPT eller Gemini, får mycket uppmärksamhet, kan de mindre modellerna köras lokalt och hjälpa till med specifika tillämpningar i fastigheter.
För studentbostäder skulle detta kanske kunna vara intelligenta sensorer och system som snabbt och privat kan optimera individuella rumsklimat, övervaka säkerhet eller upptäcka avvikelser i fastigheten – allt detta utan att skicka till molnet. Fördelar med detta för fastighetsbranschen kan vara att känslig data stannar lokalt, att beslut fattas i realtid utan fördröjning och att en mindre dataöverföring innebär att det blir billigare drift än molnbaserade lösningar samt att det skulle fungera även om internetuppkopplingen är dålig.
* ML = Machine learning
