Alle har data, ingen bruker de

Christer E. Wisnes, leder for teknologi og systemer i Bara Tech, setter opp regnestykket slik:

– Et ventilasjonsanlegg kan i dag levere over 2000 lesbare eller skrivbare datapunkter. I den daglige driften trenger man kanskje bare 50 av dem for å forstå og håndtere anlegget. Men hvis man ganger 50 datapunkter med 50 ventilasjonsanlegg, blir selv det en stor mengde informasjon for mennesker å følge opp manuelt.

Wisnes var teknisk sjef i Bara Eiendom før han var med å stifte Bara Tech, som nå skal ta det selskapet har utviklet internt i Kronstadparken i Bergen, og bygge det om til et system for andre eiendomsbesittere. Han er dermed både byggeier med fem års praksis og leverandør i et marked han beskriver.

«Vi gjør ikke det»

John Clauss er seniorforsker i SINTEF Community og leder forskningsprosjektet EDISON, som går fram til 2029. I det første prosjektåret har de intervjuet folk hos byggeiere og rådgivere om hva de faktisk bruker måledata til.

– Vi spør: «Hva er din erfaring med datadrevne tjenester i arbeidshverdagen din?» Ja, nei, vi gjør ikke det. Det hører vi veldig ofte, sier Clauss.

Svaret overrasket dem ikke, sier han, men det står i motsetning til hvor mye bransjen snakker om måledata og kunstig intelligens. I en undersøkelse analyseselskapet Omdia gjorde blant 248 sluttbrukere i 2020, svarte 77 prosent at de lagrer dataene fra byggene sine, mens 42 prosent ikke analyserer dem for å finne avvik og mønstre.

Wisnes mener rekkefølgen er en del av forklaringen.

– Det snakkes veldig mye om AI, digitale tvillinger og avanserte visualiseringer. Det er ikke uviktig, men det blir ofte presentert som løsningen før man har gjort grunnarbeidet, sier han.

– Det snakkes for lite om det kjedelige, men avgjørende: datakvalitet, navnestandarder, tagging, åpne formater, API-er og hvem som faktisk har ansvar for å holde informasjonen oppdatert om tre år.

Punktene gjør sin jobb. Sammenhengene er ikke beskrevet

Peder Ward, senior data scientist i GK Gruppen, vil justere premisset om at bygningsdata ligger ubrukt.

– Datapunktene som inngår i styringen, gjør i utgangspunktet den jobben de ble etablert for å gjøre. Samtidig samles det inn en rekke andre verdier som ikke har noen definert bruk i den daglige driften. Det betyr ikke at de er verdiløse, sier Ward.

– Disse datapunktene har imidlertid vist seg å ha et betydelig analysepotensial når de sammenstilles med andre datapunkter og datakilder. Da kan man avdekke sammenhenger og bruksmuligheter som ikke var kjent da datapunktene først ble etablert.

Historikken er den delen Ward mener undervurderes mest.

– Historiske tidsserier har en selvstendig verdi inn mot analyse og AI, men den verdien er sjelden en del av vurderingen i prosjekteringsfasen, sier han.

Wisnes beskriver det samme problemet utenfor de tekniske anleggene. I en eiendomsportefølje ligger dataene spredt i systemer for ventilasjon, energi, adgang, parkering, kamera, fakturaer og avfallsrapportering, samtidig som leietakernavn, utløpsdatoer og arealer må stemme på tvers av alle sammen.

– Hvis én liten ting er feil ett sted, får det konsekvenser videre i rapportering, fakturering, energioppfølging eller drift, sier han.

245 feilmeldinger i måneden

Thomas Melheim i Malling & Co Technology mener det største potensialet ligger i anleggene som allerede står der. I mai sa han det slik til Driftskonferansen:

– Det ligger i SD-anlegget, i energidataene og i hvordan anleggene faktisk kjøres. Å bruke det man har bedre handler i praksis om å rydde. Driftstider som ikke stemmer, settpunkter som har sklidd ut, alarmer ingen følger opp.

Hvor mye det er å rydde i, er den best dokumenterte delen av dette feltet. Forskere ved Lawrence Berkeley National Laboratory har gått gjennom feildata fra 3660 luftbehandlingsaggregater og 53 865 soneenheter, samlet inn fra seks leverandører av programvare for feildeteksjon og én stor porteføljeeier.

Gjennomsnittsbygget genererte 245 feilmeldinger i måneden. Av luftbehandlingsaggregatene hadde 55 prosent feil knyttet til settpunktet for tilluftstemperatur, og 46 prosent av soneenhetene hadde feil på sonetemperaturføleren. Seks feiltyper på luftbehandlingsaggregatene opptrådte på minst 20 prosent av utstyret og vedvarte i minst 20 prosent av overvåkingstiden. I en tidligere gjennomgang av det samme materialet, med til sammen rundt 18 millioner feildager fra 317 bygg, sto de 34 prosentene av aggregatene som gikk igjen oftest, for 80 prosent av feildagene.

For å kunne sammenligne på tvers av verktøyene måtte forskerne normalisere 1563 rå feilbetegnelser ned til 182 standardiserte navn.

Fredrik Skaug Fadnes, fagspesialist for energidesign og -analyse i Norconsult, sier at verktøyene i praksis brukes til å forklare det som allerede har gått galt.

– Mange systemer ender opp som rene overvåkningsverktøy, dvs. at man hovedsakelig ser på dataene for å vurdere hva som har gått galt, man bruker de ikke aktivt for å justere driftsparametere, og i hvert fall ikke med systematiske analyser, sier Fadnes.

Der verdien forsvinner

Fadnes følger prosjekter fra tidligfase til overlevering. Han mener overvåkings- og driftsverktøyene har hatt en enorm forbedring de siste ti årene, og at mange bygg leverer nyttige data allerede.

– Det er tilfeldig hvilke bygg og hvilke data man får tak i. Ofte mangler man akkurat den ene sensoren, sier han.

Han peker på et fravær tidlig i prosjektet:

– Ofte mangler et helhetlig konsept, og kompetanse til å gjennomføre konseptet. Byggeier og byggdrifter må sammen definere en målsetning for hvordan de ønsker at bygget skal være tilrettelagt for smart, energieffektiv eller (fyll inn buzzord) drift.

På spørsmål om byggeierne har blitt flinkere til å etterspørre gode data de siste fem årene, svarer Fadnes at magefølelsen sier nei. Han ser flere med større ambisjoner, men de samme beskrivelsene som går igjen. Kravspesifikasjonene faller i to grøfter. Den ene er vag, av typen «det skal være tilstrekkelig med sensorer for å få et godt bygg», som Fadnes kommenterer med «hva enn det betyr». Den andre er en liste som i praksis bestiller at alt skal måles.

– I begge tilfeller har man ikke egentlig tatt stilling til hva dataene faktisk skal brukes til, sier han.

Fadnes har maskinfaglig bakgrunn og jobber med termisk energiproduksjon. Han beskriver et gap mellom det han kan og det han må bestille:

– Som energirådgiver med bakgrunn fra maskinfag er det et stort savn å ikke kunne snakke et «IT-språk», det er mye som går tapt i at jeg ikke vet hva jeg skal spesifisere.

– I et prosjekt har jeg brukt over to år på å prøve å bygge opp en struktur for å automatisk samle og lagre data i sanntid, men jeg drukner i et hav av API-nøkler, databaser, brannmurer og manglende tillatelser, samt potensielle utviklingskostnader jeg ikke har ressurser til, sier Fadnes.

Han mener årsaken stikker dypere enn den enkelte kravspesifikasjonen, og at bransjen mangler prosesser og leveransekrav som flytter oppmerksomheten fra fag og dokumenter til dataene selv.

– Verdien forsvinner i vår nærsynthet. Hvert fag er opptatt av seg selv, og vi har få verktøy som skifter fokus fra fag- og dokument til en datasentrisk arbeidsmetodikk der vi sørger for å avklare hensiktsmessig datakvalitet for byggets ulike interessenter gjennom dets levetid så tidlig som mulig, sier Fadnes.

– Dette er en viktig faktor i hvorfor bransjen ikke lykkes med produktivitetsveksten selv om vi digitaliserer.

Wisnes beskriver samme gap fra driftssiden.

– Dette er ikke noe man kan legge på en tradisjonell vaktmesterrolle og tenke at «IT/datamaskinen fikser resten», sier han.

Datakvalitet er ikke datastruktur

Clauss mener bransjens oppmerksomhet har flyttet seg. Først handlet det om å få inn nok sensorer, så om datakvaliteten i tidsseriene: hull, sensordrift, følere plassert slik at målingen ikke ga mening. Nå handler det i tillegg om struktur, og det er ikke det samme.

– Strukturering er et hakk under, sier han.

Hvis målet er å utvikle datadrevne tjenester, er første steg å gjøre informasjonen maskinlesbar, uavhengig av hvor god kvaliteten i tidsserien er. Der ligger flaskehalsen i dag, mener Clauss.

Ward beskriver det samme skillet fra praksissiden. Tidsseriene er stort sett gode, forutsatt ryddig oppsett og standardiserte kommunikasjonsprotokoller. Utfordringen er nedetid og sensorutstyr med dårlig kvalitet, som gir hull i datasettene, og hull kan ødelegge en analyse fullstendig.

– Datastruktur er en helt annen sak. Det er den utfordringen ingen har klart å løse skikkelig ennå: å standardisere og klassifisere datapunkter, og ikke minst beskrive relasjonene mellom dem, sier Ward.

En semantisk modell gjør beskrivelsen av hva et datapunkt betyr maskinlesbar, og beskriver relasjonene mellom punktene. En tidsserie med kolonnenavnet RT601 sier ingenting til en maskin. Men i en semantisk modell kan man mate inn informasjonen om at dette er en romtemperaturføler, at den står i rom 410 i fjerde etasje, at rommet får luft fra et bestemt ventilasjonsaggregat og varme fra en bestemt radiatorkrets. Clauss påpeker at informasjonen historisk lå i ulike kolonner eller i FDV-dokumentasjonen.

Ward trekker fram noen av de viktigste relasjonene for analysesiden: hvilken komponent et målepunkt er tilknyttet, hvor komponenten er fysisk plassert, hvilket system den inngår i, og hvilke rom eller soner systemet betjener. I tillegg bør relevant dokumentasjon, som produktinformasjon, funksjonsbeskrivelser og servicehistorikk, knyttes direkte til den enkelte komponenten, framfor å ligge som frittstående filer i en mappestruktur.

– Fysisk plassering og betjeningsområde er to forskjellige ting, og skillet mellom dem er nødvendig for å kunne tolke måledataene riktig, sier han.

Clauss ser at stadig flere gårdeiere ønsker en slik modell ved overlevering. Han kaller det et fint første steg, men understreker at det å få en semantisk modell ikke betyr at den er god. Man må stille krav til hva modellen skal inneholde, og ha en plan for hva måleverdiene skal brukes til.

Ward mener modellen må bygges i prosjektet og inngå i den digitale leveransen.

– Det er gjort mange forsøk på å strukturere eksisterende datapunkter, systeminformasjon og dokumentasjon i etterkant, men dette har vist seg vanskelig å automatisere. Resultatet blir ofte mye manuelt arbeid, med stor risiko for feil, sier han.

– Når jobben først gjøres skikkelig, får man imidlertid et pålitelig datagrunnlag som gjør det mulig å skalere løsninger og gjennomføre mer avanserte analyser. Derfor bør en strukturert, maskinlesbar modell leveres som en del av prosjektet, slik at verdien kan tas ut fra starten av, framfor at modellen må bygges opp manuelt senere.

– Uten disse koblingene sitter man igjen med en liste over målepunkter, ikke en modell av bygget, sier Ward.

Standardene finnes allerede

Ward mener spørsmålet ikke først og fremst er teknisk lenger.

– Innenfor maskinlesbar modellering av bygg har det pågått et systematisk arbeid i om lag ti år, blant annet gjennom Brick Schema og Project Haystack. En vesentlig del av svaret er med andre ord allerede utviklet, og spørsmålet handler nå i større grad om å ta det i bruk i norske leveranser, sier han.

Fadnes registrerer at det er standarder på vei som strukturerer bygningsdata bedre, nevner Brick, og sier han forventer at han må utvikle seg i den retningen.

Clauss legger til et forbehold. To personer med god kjennskap til Brick kan velge ulike relasjoner mellom de samme to komponentene, og begge er riktige etter standarden. Hvilken av dem som fungerer best når man skal styre et teknisk anlegg, er det ingen som vet, sier han. Rådet han fikk fra fagmiljøet i Berkeley, var å teste.

Wisnes har nærmet seg det samme problemet fra eiendomsdriften. Bara Eiendom har bygget opp egne registre på tvers av leietakere, arealer, leverandører, energifakturaer, parkering, drift og ventilasjon, og en tverrgående datamodell som Bara Tech nå skal videreføre som et kjernesystem, det Wisnes kaller en «single source of truth».

– Produktene i markedet kan være gode på hvert sitt område, men de eier sjelden den tverrgående sammenhengen. Integrasjoner er ofte mulig i teorien, men i praksis blir det dyrt, skjørt og krevende å vedlikeholde, sier han.

– Jeg tror ikke det er realistisk for de fleste eiendomsselskaper å bygge dette alene fra bunnen. Poenget er at eiendomsselskaper må stille tydeligere krav til data, struktur og eierskap, sier Wisnes.

«Eierskapet er mest et prinsipp»

Wisnes mener byggeier prinsipielt bør eie rådataene fra sitt eget bygg, og at leverandørene kan eie verktøyene, tjenestene og fagapplikasjonene.

– I praksis er det ofte motsatt. Rådata og historikk ligger hos leverandøren, i leverandørens sky og i leverandørens format. Det gjør dataene vanskelige å hente ut, vanskelige å bruke på tvers og sårbare hvis man bytter system eller leverandør, sier han.

– Så lenge dataene ikke er reelt tilgjengelige i åpne formater, er eierskapet mest et prinsipp. Det holder ikke at man kan se tallene i et dashboard.

Fadnes beskriver hvordan det ser ut i arbeidshverdagen.

– Som tredjepart er det ofte vanskelig i det hele tatt å få tilgang til SD-anlegget, og hvis jeg har fått tilgang, har jeg endt opp med å laste ned og lagre data manuelt. Det tar lang tid og gir rom for feil. Man burde åpenbart ha systemer som tilbyr ferdig tilrettelagt datatilgang, uten at jeg har sett gode eksempler enda, sier han.

Ward setter kravene på kontraktsform. Byggeier bør sikre seg åpne grensesnitt og avklare hva som skjer med tilgangen til dataene ved leverandørbytte.

– Krav til datastruktur må kunne verifiseres ved overtakelse og ikke bare stå i kravspesifikasjonen, for en struktur ingen kontrollerer, blir sjelden riktig, sier Ward.

– Svært få bygg er teknisk klare for AI i dag. Det er vanskelig både å hente ut data og å skrive data tilbake til byggene. Kontrollsystemene er rett og slett ikke laget for å overstyres, og få bygg har mulighet til å publisere data ut, for eksempel via MQTT. Uten den toveisforbindelsen blir AI stående på sidelinjen som noe som gir råd, framfor noe som faktisk gjør noe, sier Ward.

MQTT er en publiser/abonner-protokoll der klienten i bygget selv oppretter forbindelsen ut og sender endringer videre. BACnet, Modbus og KNX er feltprotokoller laget for det lokale anlegget: Modbus er ren spørring fra en master, mens BACnet og KNX også kan varsle om endringer selv, men innenfor anlegget. Skal en modell få skrive verdier tilbake, forutsetter Ward avklarte ansvarsforhold, barrierer og en fallback til lokal automatikk.

Fadnes lar spørsmålet stå åpent.

– Jeg er også opptatt av hvem som skal kunne kontrollere dataene. Altså ikke bare lese dem, men også sende informasjon tilbake til bygget. For eksempel, skal en bruker kunne sende styringssignaler til en varmepumpe? Jeg har ikke et klart svar, sier han.

Det som imponerer i en demo

Wisnes bruker digitale tvillinger som eksempel på teknologi som ser bedre ut enn den fungerer.

– Digitale tvillinger og 3D-modeller er et godt eksempel. De kan være imponerende i en demo, men blir fort mindre nyttige i daglig drift fordi de er kostbare og vanskelige å oppdatere. I praksis fungerer en god 2D-tegning ofte bedre, nettopp fordi den er enkel å vedlikeholde, sier han.

Fadnes advarer mot det samme i prosjekteringen.

– Det er viktig å unngå overspesifisering, som bare skaper støy og unødvendig kompleksitet, sier han.

Han har vært med på å trekke kabler ut til et utvalg energibrønner, og har bare sett reell nytte av de dataene i forskningssammenheng. En mengdemåler på brønnkursen er han derimot alltid glad for å ha, selv om den er kostbar.

Wisnes mener bransjen har havnet her ved å løse hvert problem for seg.

– Bransjen har på mange måter forsøkt å løse økende kompleksitet ved å lage stadig flere enkeltstående systemer. På veien har vi gått oss litt vill i jungelen og glemt å se helheten, sier han.

Språkmodeller mot byggdata

I EDISON har Clauss og kollegene satt opp et rammeverk som bruker en semantisk modell for et varmepumpesystem, koblet til både tidsseriene fra anlegget og en språkmodell. Modellen finner hvilke punkter som finnes, henter måleverdiene fra tidsseriedatabasen og vurderer om anlegget fungerer. Evalueringen kan kjøres jevnlig, og fanger dermed også opp at kommunikasjonen har falt ut, at tidsserier står tomme, og om anlegget fungerer som det skal.

Det fungerer fordi dataene er strukturert, sier Clauss. Arbeidet tok to år, og de har feilet flere ganger underveis.

Det nederlandske forskningsprosjektet Brains4Buildings publiserte i REHVA Journal i 2026 foreløpige resultater som viser hvor langt det er igjen. GPT-5 klarte ikke å gjenkjenne symboler i P&ID-tegninger uten forbehandling. Målt som mean average precision, standardmålet for objektgjenkjenning, ble resultatet 0 prosent. Med en forbehandling som deler tegningen opp i biter, kom modellen til 31 prosent. De fleste slike tegninger for eksisterende anlegg finnes bare som skannede bilder eller statiske PDF-filer. Av 18 luftbehandlingsaggregater hos et nederlandsk driftsselskap oppfylte de fleste ikke sensorkravene ASHRAE eller ISSO anbefaler. Forfatterne skriver at driftsdata fra bygg i praksis er umerket, og at tilsyn fra fagfolk er nødvendig.

I et annet forsøk sammenlignet forskerne fire HVAC-ingeniører og GPT-5. Ingeniørene svarte på en strukturert undersøkelse om sammenhengen mellom feil og symptomer, og av svarene bygget forskerne én modell per ingeniør. Modellene traff mellom 2 og 10 av 15 feiltilfeller. Modellen basert på GPT-5 traff 10, på nivå med den beste av ingeniørene.

Melheim har pekt på at kunstig intelligens også endrer risikobildet.

– AI løser ikke dårlige data, feilinnregulerte anlegg eller utydelige ansvarsforhold, sa han i mai. – Er datastrukturen rotete, eierskapet uklart eller sikkerheten dårlig, forsterker AI bare problemet. Da får vi ikke bare dårligere innsikt, vi mister kontroll.

Clauss mener begrepsbruken forvirrer mer enn den forklarer. Han forteller om en bedrift som avslo å delta i et prosjekt fordi det sto datadrevne metoder og statistisk modellering i beskrivelsen, men som var med da det samme arbeidet ble beskrevet som maskinlæring og kunstig intelligens.

Wisnes knytter forutsetningen til datatilgangen.

– Skal AI-agenter, AI-lesing og AI-tolkning faktisk hjelpe drifterne, må dataene være tilgjengelige og forståelige. Hvis de ligger låst inne i et lukket SD-anlegg, får man ikke utnyttet mulighetene som kommer, sier han.

Kravet som ennå ikke virker

EUs reviderte bygningsenergidirektiv fra 2024 krever at yrkesbygg, der det er teknisk og økonomisk gjennomførbart, skal ha et automatiseringssystem som overvåker og analyserer energibruken kontinuerlig, oppdager tap i effektiviteten til de tekniske systemene og informerer den driftsansvarlige om muligheter for energieffektivisering. Systemet skal også være interoperabelt på tvers av ulike proprietære teknologier, enheter og leverandører. Kravet gjelder bygg med samlet effekt over 290 kW fra utgangen av 2024, og senkes til over 70 kW innen utgangen av 2029.

I Norge vedtok Stortinget 2. juni 2026 et nytt tredje ledd i energiloven § 8-4, sanksjonert som lov 19. juni 2026 nr. 38. Loven pålegger eier av bygning med høyt varme- eller kjølebehov å installere et automatisk styringssystem der det er teknisk og økonomisk gjennomførbart, men overlater til forskrift å avgjøre hvilke bygg som omfattes og hva kravet skal inneholde. Loven har ennå ikke trådt i kraft, og forskriften er ikke sendt på høring. EUs frist for medlemslandene var mars 2020, men direktivet fra 2018 ble først innlemmet i EØS-avtalen i 2025. Versjonen fra 2024, med 70 kW-terskelen, er ikke innlemmet.

Clauss regnet det ut i intervjuet: med samme etterslep vil direktivversjonen fra 2024 være noe bransjen diskuterer rundt 2032.

Hvem skal betale for at neste bygg blir bedre?

Fadnes mener strukturerte bygningsdata også har stor verdi utenfor bygget de kommer fra.

– Det er også en verdi for samfunnet i at mer data kan samles inn, struktureres og analyseres, slik at fremtidige bygg kan designes med større trygghet. Med historiske analyser får man bedre grunnlag for å unngå overdimensjonering som skyldes frykt for å ha for lite kapasitet tilgjengelig, sier han.

– Det gir kanskje ikke direkte gevinst til den enkelte byggeier i det konkrete prosjektet, men kan bidra til å utvikle bransjen og gi gevinster på sikt.

Tallene på hva bedre drift gir, spriker etter hvem som har regnet. I DNVs evaluering av NYSERDAs program for sanntids energioppfølging, ferdigstilt i september 2025, ble den verifiserte elbesparelsen målt til 6,08 prosent. Målingen ble gjort på et utvalg av 38 anlegg og skalert til en portefølje på 102, og elektroniske måledata ble bare skaffet for rundt 40 prosent av byggene.

Clauss mener domenekunnskapen blir stående uansett hvor langt automatiseringen kommer.

– Du trenger fortsatt noen som faktisk kan noe om bygg. Om du bare ser på tidsserier, så aner du ikke om dette gir mening eller ikke, sier han. – Vi som folk, vi trengs fortsatt i fremtiden. Ikke bekymret for det.

NemiTek er formidlingspartner i forskningsprosjektet EDISON, som ledes av SINTEF Community. Norconsult er også partner i prosjektet.