Hos Københavns Universitet (KU) undersøger energiteamet, hvordan AI kan bruges til at skabe bedre overblik over energiforbrug, tekniske anlæg og bygningsdrift på tværs af en stor og kompleks bygningsportefølje. Målet er ikke at lade AI overtage styringen af bygningerne, men at bruge teknologien til hurtigere at opdage afvigelser, analysere data på tværs af systemer og give driften et stærkere beslutningsgrundlag.

Denne case tager udgangspunkt i et interview med Lars Kristensen fra Københavns Universitet, som arbejder med energi på tværs af universitetets omfattende bygningsportefølje.

KU’s energiteam har ansvaret for energioverblikket på tværs af en bygningsportefølje på KU’s omkring 1 million kvadratmeter. I hverdagen arbejder teamet med energidata i EMS-systemet, men når forbruget afviger, kræver det ofte manuelle punktnedslag i andre systemer for at finde forklaringen. Derfor opstod ønsket om at arbejde mere systematisk med data på tværs af systemer, med håbet om at spare energi og styrke bæredygtigheden, fortæller Lars.

I efteråret 2025 gik KU i gang med et pilotprojekt sammen med PropTechOS, og arbejdet beskrevet i denne case er i en opstartsfase. PropTechOS er en platformudbyder, hvorpå man anvender naturlige sprogmodeller (LLM) til at spørge ind til bygningsdata fra forskellige systemer og datakilder. Således kan AI bruges til at analysere på ens data og finde fejlkilder hurtigt. Platformen kan desuden ved hjælp af AI-agenter rette fejl automatisk som eksempelvis højt energiforbrug uden menneskelig indblanding, hvis det ønskes. For energiteamet handler AI-casen ikke i første omgang om automatisering, men om at kunne udnytte data på tværs af specialistsystemer og at føre ’en samtale med bygningsporteføljen’, altså stille spørgsmål i almindeligt sprog og hurtigt få svar på tværs af bygninger og tekniske anlæg.

Lars’ overblik over KU’s Energiteams planlagte arbejde med AI.

For Lars og kollegaen i energiteamet er det mest interessante ved AI ikke selve teknologien, men muligheden for at skabe sammenhæng mellem de mange systemer og datakilder, der findes i bygningsdriften (se ovenstående model). Ved hjælp af en digital tvilling og fælles datastrukturer som RealEstateCore bliver det muligt at samle data fra forskellige specialistsystemer og arbejde med dem på tværs af hele porteføljen.

På sigt ser energiteamet også potentiale i at bruge AI til hurtigere at overvåge tekniske anlæg. Det kan for eksempel være at spørge, hvilke ventilationsanlæg der har et tryktab over et bestemt niveau, eller hvor varme- og kølesystemer ikke performer som forventet. Den type analyser er i dag meget tidskrævende, fordi medarbejderne skal ind i de forskellige fagsystemer ét for ét.

Lars fortæller, at de har valgt at bruge AI analytisk og generativt – ikke agentisk i første omgang. Det betyder et bevidst fravalg af, at AI selv skal regulere anlæg eller styre direkte ned i fagsystemer. I stedet skal AI skabe indsigt, som medarbejderne kan handle på. Det giver ifølge Lars bedre kontrol, større tryghed og et mere realistisk afsæt for at arbejde mod en mere energieffektiv og bæredygtig drift. 

Lars ser også et stort potentiale i at bruge AI til at automatisere administrative opgaver. Han fremhæver blandt andet fakturakontrol som eksempel på et område, hvor AI kan hjælpe med at identificere afvigelser og kvalitetssikre data langt hurtigere end i dag. Formålet er ikke blot at spare tid, men at frigøre ressourcer til mere værdiskabende opgaver som energioptimering, analyse af bygningernes performance og udvikling af nye bæredygtige løsninger.

Eksempel på en administrativ opgaveløsning ved hjælp af AI: I henhold til GHG-protokollens principper opgøres biogene emissioner separat, og indgår ikke i klimaregnskabets direkte rapportering på Scope 2/3. Figuren viser en delanalyse, biogen andel af total emissionsfaktor, i udviklingen af CO2e over tid. AI hjælper her Energiteam med at strukturere, analysere og visualisere data i forbindelse med afrapportering af energiforbrugets andel i det samlede klimaregnskab.

For Københavns Universitet er koblingen mellem AI og bæredygtighed tæt knyttet til energiområdet. Gennem bedre adgang til data og hurtigere analyser af bygningernes drift ser energiteamet et stort potentiale i at identificere fejl, optimere tekniske anlæg og reducere energiforbruget på tværs af universitetets bygningsmasse og i sidste ende mindske klimaaftrykket.

Netop klimaaftrykket er man særligt opmærksom på hos Københavns Universitet, hvor målet er at reducere klimaaftrykket pr. årsværk og studerende med 50 % inden 2030 sammenlignet med 2018 (Københavns Universitet, 2026).

Lars fortæller også, at han på sigt ser et potentiale i at anvende AI til at understøtte arbejdet med klimaregnskaber og bæredygtighedsrapportering. Energiteam har brugt AI i forbindelse med energirelaterede klimaregnskabsopgaver (se figur 2) I dag er fokus dog først og fremmest på at skabe et bedre beslutningsgrundlag for energieffektiv drift og dermed bidrage til mere bæredygtige bygninger.

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 Lars Kristensen givet sin egen umiddelbare vurdering af Københavns Universitets arbejde inden for de 5 dimensioner: Strategi, organisation, data, teknologi og sikkerhed.

Lars vurdering peger på, at KU befinder sig i en fase, hvor AI er på vej fra enkeltstående initiativer og lokale eksperimenter til en mere struktureret tilgang. Særligt sikkerhed, teknologi og data fylder i arbejdet, mens organisation og strategi er blandt de vigtigste udviklingsområder.

Strategi
Ifølge Lars er der på Københavns Universitet en stigende opmærksomhed på AI og de muligheder, teknologien kan skabe. Universitetets IT-afdeling har blandt andet gennemført en intern idékonkurrence om AI, hvor der blev indsendt 91 forslag, og der er samtidig blevet ansat en medarbejder med særligt fokus på området. Det peger på, at AI fylder mere på tværs af organisationen, selvom den strategiske retning fortsat er under udvikling. Lars oplever derfor, at det endnu ikke er fuldt afklaret, hvordan AI skal omsættes til konkrete prioriteringer og projekter i organisationen.

AI indgår ikke som en specifik indsats i bæredygtighedsstrategien, men energiteamet bruger fortsat AI som en del af strategien for at understøtte målopfyldelsen.

Mange initiativer udspringer i stedet af lokale behov og engagerede medarbejdere, som ser konkrete anvendelsesmuligheder i deres eget fagområde. I energiteamet handler arbejdet derfor først og fremmest om at afprøve konkrete løsninger og opbygge erfaringer gennem pilotprojekter.

Organisation
På tværs af Københavns Universitet er der igangsat forskellige initiativer relateret til AI. Universitetet har blandt andet ansat en AI-konsulent i IT-afdelingen, og tanken er, at der skal arbejdes løbende med at opbygge rammer og processer for, hvordan AI kan anvendes i organisationen. Samtidig oplever Lars, at mange af de konkrete erfaringer med AI fortsat opbygges gennem lokale initiativer og pilotprojekter i de enkelte fagområder.

Lars peger på, at organisationen er en af de mest udfordrende dimensioner i arbejdet med AI. Hvis det fulde potentiale skal realiseres, kræver det et tættere samarbejde på tværs af fagområder, systemejere og organisatoriske enheder. Mange af de data og systemer, som kan skabe værdi sammen, ejes og administreres af forskellige dele af organisationen. Derfor bliver en vigtig opgave fremover at skabe fælles forståelse og samarbejde på tværs af organisationen, så AI kan understøtte eksisterende opgaver og fagligheder på en meningsfuld måde.

Data
Data er en central forudsætning for KU’s AI-arbejde. Energiteamet arbejder med data fra blandt andet EMS-, BMS- og FM-systemer, men erfaringen er, at data ofte ligger i forskellige systemer og ikke uden videre kan anvendes på tværs. Derfor handler en stor del af arbejdet om at skabe struktur, fælles forståelse og bedre adgang til relevante data. Dertil kommer eksterne data fra myndigheder (f.eks. Energinet), klimadata fra (f.eks. DMI), data fra forsyningsselskaber mm.

Arbejdet med data er samtidig et område, hvor energiteamet allerede har et relativt stærkt fundament. Netop derfor ser Lars også et stort potentiale i AI, fordi teknologien kan hjælpe med at skabe indsigt på tværs af de mange datakilder, som organisationen allerede råder over.

Lars fremhæver, at selvom teamet er nået langt med dataarbejdet, er det fortsat et vigtigt fokusområde. AI kan hjælpe med at analysere og sammenstille data, men teknologien kan ikke fuldt ud kompensere for uklare, ustrukturerede eller dårligt navngivne data. Ifølge Lars er velstrukturerede data en vigtig forudsætning for at kunne realisere det fulde potentiale i AI:

Teknologi
Teknologisk er KU godt i gang med at afprøve konkrete muligheder gennem pilotprojektet med PropTechOS. Valget af PropTechOS er samtidig resultatet af flere års interesse for, hvordan data kan kobles på tværs af bygningernes mange systemer. Energiteamet har gennem længere tid fulgt udviklingen inden for digitale tvillinger, datastrukturer og AI-løsninger og været i dialog med forskellige leverandører og teknologier. Erfaringen er, at markedet udvikler sig meget hurtigt, og at det derfor er vigtigt løbende at følge med i nye muligheder og vurdere, hvilke løsninger der skaber reel værdi for organisationen.

Samtidig har KU bevidst valgt en tilgang, hvor AI bruges analytisk og generativt frem for agentisk. Det betyder, at AI skal skabe indsigt og beslutningsgrundlag, men ikke selv styre anlæg eller ændre setpunkter i de tekniske systemer. På den måde bevarer medarbejderne kontrollen, samtidig med at de får hurtigere adgang til relevante analyser.

fortæller Lars. Derfor ser energiteamet AI som et værktøj, der skal understøtte medarbejdernes arbejde og faglige vurderinger.

Sikkerhed
Sikkerhed fylder meget i KU’s arbejde med AI. Det gælder både datasikkerhed, systemadgang og de processer, der skal følges, når nye digitale løsninger skal implementeres. Samtidig oplever Lars, at rammerne for AI og digitalisering fortsat er under udvikling, og at det derfor ikke altid er tydeligt, hvordan nye initiativer skal prioriteres og forankres i organisationen.

For energiteamet har det betydet, at arbejdet med AI indtil videre er organiseret som afgrænsede pilotprojekter og use cases. På den måde kan nye løsninger afprøves i mindre skala, samtidig med at organisationen opbygger erfaringer med både teknologi, datastrømme og sikkerhedsmæssige forhold.

Lars peger samtidig på, at det er vigtigt at bevare kontrollen over de tekniske systemer. Derfor har energiteamet valgt at anvende AI som et værktøj til analyse og beslutningsstøtte frem for at lade teknologien træffe beslutninger eller styre anlæg automatisk.

Denne case er udarbejdet på baggrund af interview i marts 2026 med Lars Kristensen fra Københavns Universitets Energiteam, i forbindelse med projektet AI og Bæredygtighed i FM samt præsentationen “KU’s erfaringer med AI” fra Energiforum 2026.