Cirkulært byggeri og AI – materialegenbrug, selektiv nedrivning og materialepas i 2026

Byggeriet er en af de største affaldsproducenter i Danmark – sektoren står for omkring 30-40% af det samlede affald. Samtidig er bygninger fyldt med værdifulde materialer: beton, træ, stål, mursten og isolering, der i den traditionelle, lineære model ofte ender som affald i stedet for som ressource. Cirkulært byggeri vender denne logik om og betragter bygninger som materialebanker. I 2026 er kunstig intelligens ved at blive en af de teknologier, der gør cirkulariteten praktisk mulig i stor skala.

Udfordringen har aldrig været manglende vilje, men manglende overblik: Hvilke materialer sidder hvor? Hvad er de værd? Hvordan adskilles de uden at ødelægge dem? Og hvordan dokumenteres de, så næste byggeri kan bruge dem? Netop her leverer AI svar.

Fra lineært til cirkulært – hvad det betyder

Den lineære byggemodel følger en simpel kæde: udvind råstoffer, byg, brug, riv ned, smid ud. Den cirkulære model lukker kredsløbet ved at holde materialer i brug så længe som muligt. Det hviler på nogle få bærende principper:

• Design for adskillelse (design for disassembly) – bygninger tænkes, så komponenter kan skilles ad og genbruges.
• Selektiv nedrivning – bygninger skilles systematisk ad, og materialer sorteres i stedet for at blive knust til blandet affald.
• Modulopbygning – standardiserede, demonterbare elementer, der kan flyttes fra projekt til projekt.
• Materialepas – digital dokumentation af hvert materiales sammensætning, oprindelse og genbrugspotentiale.

AI griber ind i hvert af disse led – ikke som en erstatning for håndværket, men som det datalag, der gør genbrug forudsigeligt og dokumenterbart.

Hvor AI gør forskellen

1. Computer vision sorterer nedrivningsaffald

Når en bygning rives ned, opstår en strøm af blandet materiale. Traditionelt har sortering været manuel, langsom og unøjagtig. AI-baseret computer vision ændrer det: kameraer over transportbånd på genbrugsstationer genkender og adskiller beton, træ, metal og mursten i realtid, ofte koblet til robotarme der fysisk sorterer fraktionerne. Forskning viser, at computer vision opnår en sorteringspræcision på 85-95%, og at en Random Forest-model kan identificere uensartede affaldsfragmenter med over 90% nøjagtighed – et stort fremskridt for genbrug af materiale, der ellers ville gå til deponi eller forbrænding.

2. Machine learning forudsiger genbrug før nedrivning

Det største løft sker, før nedrivningen overhovedet går i gang. Ved at analysere tegninger, arkivdata, offentlige nedrivningsregistre og billeder – helt ned til Street View – kan machine learning estimere, hvor meget og hvilket materiale en bygning indeholder. Et britisk projekt brugte dybe neurale netværk til at forudsige mængden af genanvendeligt materiale og affald i bygninger med en gennemsnitlig nøjagtighed på 97%. Med den viden kan bygherrer planlægge selektiv nedrivning, værdiansætte materialebanken og finde aftagere, før første væg falder.

3. Digitale tvillinger optimerer dekonstruktion

Digitale tvillinger (digital twins) af bygninger giver et virtuelt afprøvningsmiljø for, hvordan en bygning bedst skilles ad. Kombineret med machine learning kan modellerne simulere forskellige dekonstruktionsforløb og reducere omkostningerne ved nedrivning med 20-30%, samtidig med at genbrugsudbyttet maksimeres. Det gør cirkulær nedrivning ikke bare grønnere, men også forretningsmæssigt konkurrencedygtig.

4. AI udfylder og læser materialepas

Materialepasset er rygraden i sporbarhed, men manuel udfyldelse for hver bygningsdel er urealistisk i praksis. AI kan genkende komponenter fra BIM-modeller, fotos og produktdatabaser og automatisk generere materialepas – og senere læse dem, når materialer skal matches til nye projekter. Dermed bliver dokumentationen en biproduktet af byggeprocessen i stedet for en separat, dyr opgave.

Teknologierne i overblik

Status i Danmark: frontløber med politisk forbehold

Danmark har længe været blandt de førende lande inden for cirkulært byggeri. Realdania har gennem programmerne Cirkulært Byggeri og Cirkulært Byggeri 2.0 finansieret demonstrationsprojekter og videnopbygning. På DTU forskes der i cirkulære byggeprincipper og materialestrømme, og rådgivere som Sweco arbejder systematisk med cirkularitet i konkrete byggesager. En større analyse af byggeriets materialestrømme – udarbejdet for Realdania – ventes offentliggjort i august 2026 og vil give et hidtil uset overblik over, hvor materialerne reelt strømmer hen.

Samtidig er der en nøgtern påmindelse fra branchen: Rådet for Grøn Omstilling understreger, at cirkulært byggeri “står og falder med politisk handling.” Teknologien er moden nok – AI, computer vision og materialepas virker. Flaskehalsen er rammevilkårene: krav til selektiv nedrivning, standarder for materialepas, og økonomiske incitamenter, der gør genbrugt materiale konkurrencedygtigt med nyt. Netop nye regler er ved at rykke selektiv nedrivning fra niche mod standard i hele branchen.

Hvad betyder det for danske bygherrer og entreprenører?

For bygherrer betyder modne AI-værktøjer, at cirkularitet ikke længere er en dyr, idealistisk øvelse, men en kvantificerbar forretning: en bygning, der skal rives ned, kan værdiansættes som materialebank, før arbejdet går i gang. For entreprenører og nedrivningsfirmaer bliver selektiv nedrivning og dokumentation en konkurrenceparameter – både i udbud med skærpede miljøkrav og i forhold til at undgå stigende afgifter på deponi og forbrænding.

Den største forudsætning er ikke teknologien, men data og samarbejde: materialepas er kun nyttige, hvis de følger materialet gennem hele dets liv, og genbrug kræver et marked, hvor udbud og efterspørgsel kan mødes. AI leverer overblikket – men cirkulært byggeri bliver først standard, når både regler og forretningsmodeller følger med.