Tekoäly rakennusten reaaliaikaiseen dataan – Enviable kehitti toimivan palvelun FAIRin tuella
Enviable halusi todistaa, että huonosti hyödynnettyä liikerakennusten tuottamaa reaaliaikaista rakennusdataa voidaan tekoälyn avulla analysoida sekä muuntaa konkreettisiksi toimenpiteiksi, jotka parantavat suorituskykyä, pienentävät kustannuksia ja mahdollistavat pitkällä aikavälillä osittain autonomisen rakennuksen hallinnan. FAIRin tuella yritys pystyi varhaisessa vaiheessa validoimaan idean ja luomaan perustan kaupalliselle tuotteelle.
Teksti: Eemeli Sarka, 24.5.2026 | Kuva: Eemeli Sarka
Enviablen perustaja Mark Sorsa-Leslie törmäsi yli 30 vuoden kiinteistöalan uransa aikana ongelmaan, jota kukaan ei näyttänyt yrittävän ratkaista: vaikka rakennusten käyttöön liittyvää dataa tuotettiin runsaasti, sitä ei hyödynnetty täysimääräisesti.
Modernit toimistorakennukset voivat tuottaa teratavuja operatiivista dataa päivässä. Sitä syntyy esimerkiksi LVI-, valaistus-, turvallisuus- ja anturijärjestelmistä. Haasteita – ja mahdollisuuksia – on datan tulkinnassa, merkityksellisten poikkeamien tunnistamisessa ja havaintojen muuttamisessa käytännön toimenpiteiksi.
– Mahdollisuuksia optimointiin on valtavasti, mutta tarvitaan keino käyttää dataa tehokkaasti. Ja kun kukaan muu ei tuntunut tarttuvan ongelmaan, päätin tehdä sen itse, Sorsa-Leslie toteaa.
Ymmärtääkö tekoäly, mitä rakennuksessa tapahtuu?
Yrityksen alkuperäisenä ajatuksena oli selvittää, pystyvätkö suuret kielimallit käsittelemään reaaliaikaista rakennusdataa ja tunnistamaan operatiivisia ongelmia. Yhteistyössä FAIRin asiantuntijoiden kanssa käynnistettiin projekti, jonka tarkoitus oli vastata peruskysymykseen: toimiiko lähestymistapa käytännössä?
– Se oli aidosti Proof of Concept. Halusimme ymmärtää teknologian rajat ja varmistaa, että alkuperäinen ajatus pitää paikkansa, Sorsa-Leslie kertoo.
Projekti osoitti, että malli toimii. Tekoäly kykeni tunnistamaan poikkeamia rakennusdatan virrassa ja tulkitsemaan operatiivisia ilmiöitä merkityksellisesti. Yhtä tärkeää oli se, että FAIRin asiantuntijat auttoivat rajaamaan, mikä on teknisesti mahdollista ja mikä ei.
– Yhteistyö oli nopeaa ja tehokasta, ja lopputulos laadukas. Tiesimme, mihin keskittyä ja mitä välttää. Lyhyessä projektissa se on ratkaisevaa.
Yhteistyö FAIRin kanssa toi myös uskottavuutta. Keskustellessa asiakkaiden tai sijoittajien kanssa, hän voi viitata tekoälyasiantuntijoiden toteuttamaan selvitystyöhön. Markkinassa, jossa pelkät esityskalvot eivät enää riitä, toimiva demonstraatio on välttämätön.
– Ihmisiä on vaikea saada mukaan pelkkään ideaan. On paljon helpompaa näyttää, miten se toimii, Sorsa-Leslie toteaa.
Konkreettinen prototyyppi auttoi myös houkuttelemaan mukaan teknologiajohtajataustaisen perustajakumppanin, jolla on kokemusta reaaliaikaisista kaupankäynti- ja energiajärjestelmistä.
Tekoäly oppii jatkuvasti
Kaupalliset rakennukset nojaavat taloteknisiin ohjausjärjestelmiin, jotka hallitsevat LVI-järjestelmiä, valaistusta, ympäristö- ja läsnäoloantureita sekä turvallisuusjärjestelmiä. Niiden tuottaman raakadatan suora syöttäminen kielimalliin ei kuitenkaan ole skaalautuva tai tehokas ratkaisu.
– Jotta tekoäly toimii reaaliaikaisen datan kanssa, tarvitaan esikäsittelyä. Dataa ei voi vain syöttää loputtomasti malliin. Ratkaisun täytyy toimia skaalautuvasti useissa rakennuksissa, Sorsa-Leslie selittää.
Enviablen ratkaisussa on kaksi keskeistä osa-aluetta. Ensin reaaliaikainen rakennusdata muunnetaan rakenteiseksi telemetriaksi, jota tekoälymallit voivat käsitellä tehokkaasti. Sen jälkeen järjestelmä viestii löytämistään ongelmista eri käyttäjille heidän roolinsa mukaisesti, eli insinööri saa teknisen selityksen ja talousjohtaja taloudellisen näkökulman samaan ilmiöön.
Tekoälyn etuna ongelmien löytämisessä on, ettei se seuraa tiukkoja sääntöjä. Eli se löytää poikkeamia, jotka ovat määriteltyjen parametrien sisällä ja joihin järjestelmä ei perinteisesti kiinnittäisi huomiota. Näiden ongelmien löytämisestä voi seurata suuria hyötyjä.
– Energiansäästöpotentiaali rakennuksessa on 20–30 prosentin tasolla, erityisesti siksi, että tekoäly kykenee havaitsemaan hienovaraisia tehottomuuksia, joita sääntöpohjaiset järjestelmät eivät huomaa. Esimerkiksi ilmanvaihtoyksikkö voi toimia hieman optimitason yläpuolella ilman, että hälytys aktivoituu, mutta pitkällä aikavälillä energiankulutus kasvaa merkittävästi. Tekoäly tarkastelee poikkeamia historiallisesta normaalista toiminnasta, ei vain kiinteitä raja-arvoja, Sorsa-Leslie selittää.
Skaalautuva ratkaisu
Enviable valmistautuu parhaillaan palvelun viralliseen lanseeraukseen ja skaalaukseen. Yritys keskittyy ensisijaisesti toimistorakennuksiin ja toimii yhteistyössä ylläpitoyritysten, insinööritoimistojen ja kiinteistökonsulttien kanssa.
Koska ratkaisu on puhtaasti ohjelmistopohjainen ja suunniteltu nopeaan käyttöönottoon, maantieteellinen laajentuminen on mahdollista nopeasti. Kaikki rakennukset, joissa on dataa tuottava talotekninen järjestelmä, ovat potentiaalisia kohteita.
– Tekoälypohjainen diagnostiikka ja ohjaus mahdollistavat sen, että insinöörit voivat hallita useampia rakennuksia samalla tiimillä tai hyödyntää junioriosaajia tehokkaammin. Tämä kasvattaa tuottavuutta ja mahdollistaa laskutettavan työn lisäämisen.
Rakennuksen omistajalle vaikutus voi olla merkittävä. Jo 50 000 euron vuosittainen käyttökustannusten säästö voi nostaa kiinteistön pääoma-arvoa jopa miljoonalla eurolla tuottovaatimuksesta riippuen.
Laajempi tavoite ulottuu kustannussäästöjen yli. Siirtyminen suosituksista automaattisiin säätöihin ja osittaiseen autonomiaan voi parantaa energiatehokkuutta, vähentää päästöjä ja vahvistaa kiinteistöjen operatiivista resilienssiä.
Alalla, jossa energiahinnat, vastuullisuusvaatimukset ja osaajapula kiristyvät, skaalautuvista tekoälyratkaisuista voi tulla kilpailuedun sijaan välttämättömyys.
