AI og energirenovering af den danske boligmasse – screening, termografi og prioritering i 2026

Danmark har en stor og aldrende bygningsmasse, hvor en betydelig del af boligerne blev opført før de første rigtige energikrav i 1970'erne. Skal Danmark nå sine klimamål og leve op til EU's reviderede bygningsdirektiv, skal en stor del af disse bygninger energirenoveres i de kommende år. Udfordringen er ikke, om det skal ske – men hvor man skal starte. Her er kunstig intelligens ved at blive et af de mest praktiske værktøjer i 2026.

AI-drevet energirenovering handler ikke om at automatisere selve håndværket. Det handler om det datalag, der ligger før renoveringen: at finde de rigtige bygninger, forstå hvor de taber varme, og regne på, hvilke tiltag der betaler sig bedst. Det er netop den slags datatunge, mønstergenkendende opgaver, AI er god til.

Problemet: for mange bygninger, for lidt overblik

En kommune, en boligforening eller en stor ejendomsejer kan sidde med hundredvis eller tusindvis af bygninger. Traditionelt er beslutningen om, hvad der skal renoveres først, truffet ud fra energimærker, enkeltstående bygningssyn og erfaring. Det er langsomt, det er ujævnt, og det fører ofte til, at man renoverer det mest synlige frem for det, der giver størst effekt per krone.

Resultatet er en velkendt flaskehals: potentialet for energibesparelser er stort, men overblikket til at prioritere det systematisk mangler. Det er dette gab – mellem en enorm bygningsmasse og begrænset kapacitet – AI adresserer.

Tre måder AI accelererer energirenovering

1. Screening og prioritering ud fra data

Den mest modne anvendelse er datadrevet screening. Ved at kombinere offentlige kilder – BBR (bygnings- og boligregistret) med oplysninger om alder, areal, konstruktion og opvarmning, energimærkedatabasen og målt energiforbrug fra fjernvarme- og elselskaber – kan machine learning finde de bygninger i en portefølje, der taber mest energi og har størst gevinst ved renovering. Danske platforme som Inviro samler netop energimærker, BBR-data og rapporter ét sted, så kommuner og store bygningsejere kan få overblik og prioritere renoveringer fra idé til dokumentation.

2. Termografi og droner: varmetab bliver synligt

Data fortæller, hvilke bygninger der sandsynligvis har et problem – termografi viser hvor. Et varmefølsomt kamera måler temperaturforskelle på facader og tage og gør varmetab synligt som farvemønstre, hvor køldebroer, utætheder og manglende isolering træder frem. Ved at montere kameraet på en drone kan hele bygninger kortlægges hurtigt, og danske aktører arbejder ifølge Ingeniøren med teknik, der kan skabe målfaste tredimensionelle termografiske modeller af bygninger. AI bidrager ved automatisk at analysere billederne, genkende mønstre og kvantificere varmetabet – så resultatet bliver et objektivt beslutningsgrundlag frem for et skøn.

3. Scenarie- og økonomiberegning

Når kandidaterne er fundet, er spørgsmålet, hvilke tiltag der skal gennemføres. Her kan AI simulere forskellige pakker – efterisolering, vinduesudskiftning, varmepumpe, ventilation med varmegenvinding – og estimere besparelse, tilbagebetalingstid og CO₂-effekt for hver. Det gør det muligt at teste scenarier med konkrete data i stedet for tommelfingerregler og giver bygningsejeren et langt bedre grundlag for at vælge de tiltag, der faktisk betaler sig.

Værktøjerne i overblik

Status i Danmark: drevet af EU-krav, bremset af data

Drivkraften bag den øgede interesse er tydelig: EU's reviderede bygningsdirektiv (EPBD) skærper kravene til energirenovering af den dårligst præsterende del af bygningsmassen, og medlemslandene skal løfte hele bestanden mod lavere energiforbrug. Det gør systematisk screening og prioritering til en nødvendighed frem for en luksus. Teknologien er tilgængelig i 2026 – screeningværktøjer, termografidroner og energikonsulenter, der bruger AI i deres analyser, findes allerede.

Den største barriere er ikke teknologien, men datagrundlaget og kapaciteten. En model, der skal prioritere renoveringer, er kun så god som de registre, den fødes med – og selv den bedste prioritering hjælper ikke, hvis der mangler håndværkere til at udføre arbejdet. Det gør datadisciplin til en konkurrenceparameter: de kommuner og bygningsejere, der får styr på deres bygningsdata nu, står stærkest, når renoveringsbølgen for alvor ruller.

Hvad betyder det for danske bygningsejere?

For kommuner og boligforeninger er den umiddelbare gevinst overblik: et databaseret grundlag for at prioritere de renoveringer, der giver mest klima og økonomi for pengene, i stedet for at gætte. For private boligejere bliver AI-støttet termografi og screening et værktøj til at forstå, hvor huset taber varme, og hvilke tiltag der reelt betaler sig, før der investeres.

Men AI erstatter hverken energikonsulenten eller håndværkeren. Energimærkning er en lovreguleret opgave, der i Danmark skal udføres af en certificeret energikonsulent, og selve renoveringen kræver faglig udførelse. AI leverer et hurtigere og bredere beslutningsgrundlag – ikke godkendelsen, ansvaret eller håndværket. De, der får mest ud af teknologien, er dem, der kombinerer gode data, dygtige rådgivere og en plan for at omsætte prioriteringen til faktiske renoveringer.