Hos By & Havn har AI hjulpet med at planlægge vedligehold på tværs af bygningsporteføljen gennem de sidste 2 år. Resultatet er bedre overblik, mere sikker budgettering og et stærkere grundlag for langsigtede beslutninger.

Denne case tager udgangspunkt i et interview med Steen Pii Johannesen, teamleder hos By & Havn. Gennem de sidste 2 år har FM-teamet hos By & Havn anvendt AI-værktøjet proprty.ai til at generere vedligeholdelsesplaner på baggrund af tilstandsregistreringer, stamdata og offentlige data. 

Hvor vedligeholdelsesplaner tidligere blev udarbejdet manuelt, kan AI i dag generere udkast, som medarbejderne efterfølgende kvalitetskontrollerer. Helt konkret kan vedligeholdelsesplaner for omkring 85 bygninger nu udarbejdes på cirka seks uger – en proces, der tidligere tog væsentligt længere tid. Steen peger på, at det giver et bedre grundlag for at prioritere vedligehold og træffe mere langsigtede beslutninger om bygningernes udvikling. 

Ifølge Steen har AI gjort det muligt at arbejde mere systematisk med planlagt vedligehold og sparet en del arbejdstimer. Steen fortæller:

For driftsteamet på syv medarbejdere giver det mulighed for at arbejde mere strategisk med porteføljen uden at skulle øge ressourcerne. Samtidig understreges det, at AI ikke erstatter den faglige vurdering, og at mennesker stadig har et vigtigt bidrag blandt andet i form af en kritisk tilgang, hvor man eftertjekker AI. Steen fortæller:“Vi skal stadigvæk have et menneske inde over til at verificere, at de data, der kommer ud af systemet, er korrekte. Det er vigtigt, at man ikke bare blindt stoler på det.”

Hos By & Havn har AI-løsningen gjort det muligt at: 

• generere vedligeholdelsesplaner for hele porteføljen
• oprette og berige assets i Dalux
• få overblik over tilstand, restlevetid og kommende opgaver
• estimere økonomi på vedligeholdelsesopgaver
• kigge længere frem end ét til to år
• prioritere og monitorere tilvalg og fravalg

Ifølge Steen hænger arbejdet med AI især sammen med muligheden for at træffe bedre og mere langsigtede beslutninger om vedligehold.

Når organisationen ved, hvilke bygningsdele der skal udskiftes hvornår, bliver det muligt at samle opgaver, undgå unødige småreparationer og prioritere ressourcer mere hensigtsmæssigt. Hvis By & Havn eksempelvis ved, at vinduer i en bygning skal udskiftes om få år, kan organisationen undgå at bruge ressourcer på midlertidige løsninger, medmindre der er et akut behov.

Det giver et bedre grundlag for at:

• vedligeholde på det rigtige tidspunkt
• forlænge levetiden på eksisterende bygninger
• reducere unødigt ressourceforbrug
• vælge løsninger ud fra bygningens restlevetid og funktion

Ifølge Steen handler værdien ikke kun om økonomi, men også om at tage ansvar for den eksisterende bygningsmasse.

I projektet AI og Bæredygtighed i FM har DFM udviklet en modenhedsanalyse, der belyser, hvor modne FM-organisationer er i deres arbejde med AI i FM. Med afsæt i værktøjet har Steen Pii Johannesen givet sin egen umiddelbare vurdering af By & Havns arbejde inden for de 5 dimensioner: Strategi, organisation, data, teknologi og sikkerhed.

Steens vurdering peger på, at By & Havn befinder sig i en fase, hvor arbejdet med AI er gået fra enkeltstående initiativer til en mere struktureret del af organisationens arbejde. AI anvendes allerede i praksis til at understøtte centrale FM-opgaver, og der er etableret rammer og retningslinjer for, hvordan teknologien anvendes. Samtidig peger Steen på, at det næste skridt handler om at forankre arbejdet endnu bredere i organisationen og skabe en mere ensartet tilgang til data, så AI i endnu højere grad kan understøtte beslutninger og arbejdsprocesser på tværs af virksomheden.

Strategi
AI ses som et vigtigt redskab i arbejdet med drift og udvikling, og ifølge Steen fylder AI mere og mere i organisationens strategiske samtaler. Den strategiske forankring er dog stadig under udvikling, og erfaringerne fra AI-projektet er med til at kvalificere, hvordan AI fremover kan indgå mere eksplicit i organisationens arbejde. Der er ikke en selvstændig AI-strategi som sådan, men i stedet er der fokus på at anvende AI, der det kan skabe værdi og løfte arbejdsopgaver.

Den konkrete vedligeholdelsescase opstod ikke som et teknologiinitiativ, men som et forsøg på at løse en konkret udfordring. By & Havn ønskede et bedre grundlag for planlagt vedligehold og en mere systematisk tilgang til prioritering af vedligeholdelsesopgaver. Initiativet blev sat i gang efter et møde faciliteret af direktøren, hvorefter Steen og teamet arbejdede videre med at udvikle business casen og afprøve mulighederne i proprty.ai. 

Ved at udarbejde en business case satte Steen og FM-teamet fokus på, hvilke ressourcer By & Havn kunne spare, og der blev dannet grundlag for en strategisk beslutning.

Ifølge Steen er det afgørende, at AI-projekter tager udgangspunkt i et reelt behov og skaber dokumenterbar værdi. AI må ikke blive et mål i sig selv, og man skal se nærmere på, hvilke opgaver AI kan løse.

Organisation
I dimensionen organisation er By & Havns Ejendomsdriftsteam godt på vej, og der arbejdes på, at AI forankres endnu mere blandt medarbejderne, da AI i FM lige nu primært berører et par medarbejdere. 

Arbejdet med proprty.ai har i første omgang været forankret hos Steen og de medarbejdere, der arbejder med tilstandsvurderinger og planlagt vedligehold. Løsningen har dog betydning for langt flere dele af organisationen, fordi de vedligeholdelsesplaner og prioriteringer, som systemet genererer, danner grundlag for fremtidige beslutninger om drift, vedligehold og investeringer.

Ifølge Steen har medarbejderne generelt taget godt imod løsningen. En væsentlig årsag er, at AI ikke opleves som en erstatning for deres faglighed, men som et værktøj, der hjælper dem med at få overblik og træffe bedre beslutninger. Steen fortæller:

Samtidig peger Steen på, at organisationen fortsat har et udviklingspotentiale. Hvis han skulle pege på én dimension, der bliver vigtig fremadrettet, er det netop organisation. Her peger Steen på, at organisation-dimensionen kan øges via mere fokus på fælles arbejdsgange, fælles begreber og flere medarbejdere med AI-kompetencer.

Data
Data har været en af de vigtigste læringer i By & Havns arbejde med AI. proprty.ai bygger på data fra blandt andet OIS (Den Offentlige Informationsserver) og By & Havns egne systemer, og kvaliteten af disse data har stor betydning for kvaliteten af de resultater, som AI-løsningen genererer.

Et vigtigt krav fra starten var, at AI-løsningen skulle kunne integreres med Dalux, så data ikke blev låst inde i endnu et system. Vedligeholdelsesopgaver, assets og registreringer skulle kunne anvendes direkte i organisationens eksisterende arbejdsgange.

Projektet viste samtidig, at datakvalitet ikke er noget, man kan tage for givet. Undervejs oplevede By & Havn blandt andet udfordringer med dubletter, hvor systemet oprettede nye assets i stedet for at berige eksisterende. Der var derfor behov for oprydning og justering af datamodellen. For Steen er læringen klar:

Casen illustrerer dermed et centralt princip i arbejdet med AI: værdien af AI afhænger i høj grad af kvaliteten af de data, den arbejder med.

Teknologi
By & Havn har valgt at arbejde med proprty.ai, fordi løsningen kan understøtte arbejdet med at strukturere og kvalitetssikre data om bygninger og tekniske anlæg. Ifølge Steen var det vigtigt at finde en løsning, der kunne skabe værdi i praksis og samtidig fungere sammen med organisationens eksisterende systemer og arbejdsprocesser.

For Steen er det afgørende, at AI bruges som et værktøj og ikke som en erstatning for medarbejdernes faglighed. Teknologien kan hurtigt skabe et kvalificeret første udkast, men resultaterne gennemgås og kvalitetssikres efterfølgende af medarbejderne. På den måde kombineres AI’s evne til at behandle store datamængder med den menneskelige vurdering.

By & Havn ser samtidig muligheder for at anvende AI bredere fremadrettet. Organisationen arbejder parallelt med implementering af en energiplatform, der på sigt kan skabe nye muligheder for analyse af energiforbrug og ressourceanvendelse. Steen peger på, at AI-området udvikler sig hurtigt, og at det derfor er vigtigt løbende at følge udviklingen og vurdere nye teknologiske muligheder.

Sikkerhed
By & Havn har haft et særligt fokus på sikkerhed, som i længere tid har været et centralt tema i organisationen. Det hænger sammen med, at arbejdet med AI foregår inden for tydelige rammer og med en klar bevidsthed om, at AI-projekter ikke kan sættes i gang uden en styret proces, fortæller Steen.

Der er fokus på, hvad data bruges til, hvor de kommer fra, og hvilke systemer der må integreres med. IT har haft en central rolle i at vurdere og godkende den overordnede tilgang, og organisationen har siden fået mere konkrete retningslinjer for brugen af AI. 

Inden proprty.ai blev taget i brug, blev organisationens IT-funktion involveret for at vurdere løsningen og sikre, at den kunne anvendes forsvarligt. I den konkrete case blev risikoen vurderet som relativt begrænset, fordi løsningen ikke fik direkte adgang til centrale forretningssystemer eller følsomme data. Alligevel blev der stillet spørgsmål til blandt andet databehandling, adgangsstyring og websikkerhed.

Samtidig peger Steen på, at AI-projektet også har været med til at skubbe på for at tage mere aktiv stilling til AI i andre dele af organisationen.

By & Havn arbejder i dag med retningslinjer for brugen af AI og for, hvilke typer data medarbejderne må anvende i forskellige AI-værktøjer. Tilgangen er overordnet, at medarbejderne gerne må bruge AI til at effektivisere arbejdet, men aldrig oplyse persondata eller interne fortrolige oplysninger i åbne AI-løsninger – og vær altid kritisk over for de svar, AI giver.

Denne case er udarbejdet på baggrund af interview i marts 2026 med Steen Pii Johannesen, Teamleder hos By & Havn, i forbindelse med projektet AI og Bæredygtighed i FM.