AI og energimærkning af bygninger – automatiseret vurdering og optimering i 2026
Energimærket er bygningens standardiserede varedeklaration: en beregning af den energimæssige kvalitet på en skala fra A til G og en rapport med forslag til forbedringer. Men for en ejendomsportefølje kan der gå måneder mellem datainventering, besigtigelser og beslutninger. Her kan AI gøre forarbejdet hurtigere og mere målrettet.
AI kan samle BBR-oplysninger, tidligere energimærker, tegninger, BIM, forbrugsdata og målinger fra CTS/BMS. Modellen kan finde usandsynlige værdier, estimere manglende oplysninger og rangere bygninger efter renoveringspotentiale. Den kan derimod ikke erstatte den officielle energimærkning, som fortsat skal udføres og indberettes efter reglerne af et certificeret energimærkningsfirma.
Det direkte svar
AI automatiserer ikke selve myndighedsgodkendelsen af et dansk energimærke; den automatiserer datakontrol, forhåndsvurdering og prioritering. Den største værdi opstår før og efter energikonsulentens arbejde: før ved at udpege datamangler og relevante bygninger, efter ved at omsætte rapportens forslag til en løbende investerings- og driftsplan.
Energimærket måler bygningen – ikke brugernes vaner
Ifølge Energistyrelsen er energimærket baseret på et beregnet forbrug under standardbetingelser for blandt andet vejr, driftstid og brug. Energikonsulenten undersøger eksempelvis isolering, vinduer, døre og varmeinstallationer og beregner derefter bygningens energibehov. Det gør bygninger sammenlignelige, selv om den ene familie sparer på varmen, mens den anden bruger mere varmt vand.
Det faktiske forbrug er stadig vigtigt, men svarer på et andet spørgsmål: Hvordan præsterer bygningen med de mennesker og den drift, den har lige nu? AI kan sammenholde de to perspektiver. Et højt beregnet behov og lavt målt forbrug kan skyldes sparsom brug; et lavt beregnet behov og højt målt forbrug kan pege på uhensigtsmæssig drift, fejl eller høj belastning. Forskellen er et analysesignal – ikke automatisk bevis for en fejl i mærket.
Fra rå data til en forklarlig forhåndsvurdering
| Datakilde | Hvad AI kan finde | Typisk forbehold |
|---|---|---|
| BBR og stamdata | Areal, alder, anvendelse og opvarmningsform | Registreringen kan være forældet eller upræcis |
| Tidligere energimærker | Bygningsdele, installationer og forbedringsforslag | Data beskriver tidspunktet for besigtigelsen |
| Tegninger og BIM | Geometri, facadeareal, zoner og materialer | Den udførte bygning kan afvige fra modellen |
| Måler- og CTS/BMS-data | Belastningsprofiler, setpunkter og driftsafvigelser | Påvirkes af vejr, brug og sensorfejl |
| Billeder og termografi | Mulige kuldebroer, utætheder og mangler | Kræver korrekte optageforhold og faglig kontrol |
| Tilbud og prisdata | Investeringsscenarier og prioritering | Priser og forudsætninger ændrer sig |
Energistyrelsen giver adgang til energimærkningsdata både via værktøjet Tjek Energimærke og via EMOData-service for erhverv, forskning og uddannelse. Det gør det muligt at sammenligne flere adresser og bygge porteføljemodeller på et fælles datagrundlag. Den ansvarlige løsning viser samtidig, hvilke input et estimat bygger på, og hvor stor usikkerheden er.
Fire opgaver, hvor AI giver praktisk værdi
1. Porteføljescreening
En ejendomsbesidder kan rangere hundreder af bygninger efter forventet energimærke, mærkets alder, forbedringspotentiale og datakvalitet. Resultatet er ikke et nyt mærke, men en kø: hvilke ejendomme bør besigtiges først, og hvor bør manglende data indsamles?
2. Kvalitetskontrol før beregningen
Modellen kan flagge uoverensstemmelser, for eksempel når BBR angiver én opvarmningsform, mens målerdata og tekniske dokumenter peger på en anden. Den kan også opdage usandsynlige arealer, dubletter eller installationer, som burde være udskiftet siden sidste mærkning. Energikonsulenten får dermed et bedre udgangspunkt for besigtigelsen.
3. Scenarier for energirenovering
AI kan simulere pakker af tiltag: efterisolering, vinduer, varmepumpe, ventilation, solceller eller styring. Det afgørende er rækkefølgen og samspillet. Nye vinduer kan eksempelvis ændre ventilationsbehovet, og en varmepumpe bør dimensioneres efter det fremtidige varmebehov. Modellen skal derfor optimere på helheden frem for at lægge enkeltbesparelser sammen.
4. Opfølgning efter mærket
Et energimærke er et øjebliksbillede, mens driften fortsætter hver dag. Målerdata kan følge, om et gennemført tiltag faktisk leverer den forventede effekt. Afvigelser kan sendes til driftsteamet, og læringen kan bruges i næste bygning. Så bliver energimærket begyndelsen på en forbedringscyklus i stedet for en PDF i arkivet.
Automatisering kræver bedre data – ikke bare en større model
En model kan give et præcist tal på et forkert grundlag. Det er den centrale risiko ved automatiseret energivurdering. Hvis areal, byggeår, vinduestype eller forsyning er forkert, kan fejlen blive gentaget på tværs af hele porteføljen. Derfor bør alle estimater have datakilde, dato, usikkerhed og en forklaring på de vigtigste faktorer.
Der bør desuden skelnes mellem tre niveauer: et maskinelt estimat til screening, en fagligt kvalitetssikret beregning til beslutningsstøtte og det officielle energimærke efter gældende lov og håndbog. De tre produkter har forskellig sikkerhed og forskelligt ansvar. Et flot A-G-ikon gør ikke et AI-estimat til et gyldigt energimærke.
Sådan kommer en bygningsejer i gang
- Definér beslutningen: Skal løsningen finde genmærkningsbehov, prioritere investeringer eller følge realiserede besparelser?
- Lav en datainventering: Saml BBR, energimærker, forbrug, tegninger, installationer og planlagte projekter med kilde og dato.
- Vælg et afgrænset pilotfelt: Test på en ensartet gruppe bygninger, hvor facit og faglig viden findes.
- Mål fejl og usikkerhed: Sammenlign AI-estimater med konsulentens beregning og dokumentér, hvornår modellen tager fejl.
- Integrér menneskelig kontrol: Lad energikonsulent, rådgiver og drift godkende antagelser og kritiske anbefalinger.
- Følg effekten: Sammenhold de gennemførte tiltag med normaliseret forbrug, komfort og drift efter implementering.
Det bedste mål er ikke at fjerne energikonsulenten fra processen. Det er at bruge konsulentens tid på de forhold, der kræver besigtigelse og faglig vurdering, mens maskinen håndterer sammenstilling, gentagelser og porteføljeprioritering.
Læs også
Ofte stillede spørgsmål om AI og energimærkning
Kilder
Er bygning.ai det rette domæne for din virksomhed?
Domænet er tilgængeligt for virksomheder inden for construction tech, proptech, facility management og AI-baseret bygningsdrift.
Kontakt os om overtagelse