bygning.ai — Premium Domain Available for Acquisition

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

DatakildeHvad AI kan findeTypisk forbehold
BBR og stamdataAreal, alder, anvendelse og opvarmningsformRegistreringen kan være forældet eller upræcis
Tidligere energimærkerBygningsdele, installationer og forbedringsforslagData beskriver tidspunktet for besigtigelsen
Tegninger og BIMGeometri, facadeareal, zoner og materialerDen udførte bygning kan afvige fra modellen
Måler- og CTS/BMS-dataBelastningsprofiler, setpunkter og driftsafvigelserPåvirkes af vejr, brug og sensorfejl
Billeder og termografiMulige kuldebroer, utætheder og manglerKræver korrekte optageforhold og faglig kontrol
Tilbud og prisdataInvesteringsscenarier og prioriteringPriser 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

  1. Definér beslutningen: Skal løsningen finde genmærkningsbehov, prioritere investeringer eller følge realiserede besparelser?
  2. Lav en datainventering: Saml BBR, energimærker, forbrug, tegninger, installationer og planlagte projekter med kilde og dato.
  3. Vælg et afgrænset pilotfelt: Test på en ensartet gruppe bygninger, hvor facit og faglig viden findes.
  4. Mål fejl og usikkerhed: Sammenlign AI-estimater med konsulentens beregning og dokumentér, hvornår modellen tager fejl.
  5. Integrér menneskelig kontrol: Lad energikonsulent, rådgiver og drift godkende antagelser og kritiske anbefalinger.
  6. 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.

Ofte stillede spørgsmål om AI og energimærkning

Kan AI udstede et officielt energimærke?
Nej. AI kan forberede data, lave en forhåndsvurdering og pege på sandsynlige forbedringer. Det officielle mærke skal fortsat udarbejdes og indberettes efter de danske regler af et certificeret energimærkningsfirma.
Hvilke data bruger AI til energimærkning?
Typiske kilder er BBR, eksisterende energimærker, tegninger og BIM, data om klimaskærm og installationer, forbrug samt CTS/BMS- og målerdata. Kilderne skal valideres, før de bruges.
Hvad er forskellen på energimærket og det faktiske forbrug?
Energimærket bygger på et beregnet forbrug under standardbetingelser og beskriver bygningens kvalitet. Det faktiske forbrug påvirkes også af vejr, belægning, driftstider og brugeradfærd.
Hvordan bruges AI i en bygningsportefølje?
AI kan rangere bygninger efter forventet forbedringspotentiale, datakvalitet, investering, energibesparelse og behov for genmærkning, så detaljerede undersøgelser bestilles de rigtige steder først.
Kan AI vælge den rigtige energirenovering automatisk?
AI kan sammenligne scenarier, men valget kræver faglig vurdering. Fugt, ventilation, brand, komfort, konstruktion og installationernes levetid skal vurderes samlet.
Om indholdet: Artiklen bygger på offentligt tilgængelige kilder fra Energistyrelsen og EU. Krav, beregningsmetoder og den konkrete økonomi afhænger af bygning, anvendelse og gældende regler. AI-estimater erstatter ikke et officielt energimærke eller faglig rådgivning. Senest opdateret: 27. oktober 2026.

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