Fastighetsbolagens AI-satsningar riskerar att vila på bristfällig datagrund

Bygger på lös sand

Det finns en klassisk fälla inom systemutveckling som vi som jobbar nära data känner igen omedelbart: man förälskar sig i slutprodukten och glömmer bort rörmokeriarbetet. Det är precis vad som verkar hända i fastighetsbranschen just nu.

Enligt Finextras analys rusar kommersiella fastighetsaktörer att implementera AI i sina verksamheter – men utan att först säkerställa att den underliggande datainfrastrukturen håller måttet. Det är lite som att installera ett avancerat köksmaskinsystem i ett hus som saknar fungerande el.

Fastighetsbranschen är historiskt sett en av de mer konservativa när det gäller digitalisering. Fragmenterade system, manuella processer och information spridd över dussintals oförenliga plattformar är vardagsmat för många aktörer. Hyresavtal skannade till PDF-filer, driftdata i kalkylblad och kundhistorik i lokala register – det är inte en miljö som är redo att ta emot AI-modeller med öppna armar.

Kvalitet avgör allt

Det som gör detta särskilt allvarligt är att AI-systemens nytta är direkt proportionell mot kvaliteten på den data de matas med. Det finns ett välkänt uttryck inom datavetenskap: skräp in, skräp ut. En AI-modell som tränas på inkonsekventa, föråldrade eller ofullständiga data kommer inte att leverera tillförlitliga analyser – den kommer att leverera välformaterade felaktigheter.

I en bransch med de kapitalflöden som kommersiella fastigheter hanterar är det inte en trivial risk. Om en AI-modell förutser hyresutvecklingen i ett område baserat på bristfälliga marknadsdata, eller optimerar ett fastighetsbestånd utifrån felaktiga driftskostnader, kan konsekvenserna bli kännbara för investerare, hyresgäster och förvaltare.

Finextra-analysen pekar på att lösningen kräver en omvänd prioriteringsordning: infrastrukturen måste komma före AI-ambitionerna, inte tvärtom. Det låter självklart – och det är det faktiskt – men trycket att visa upp moderna AI-initiativ för styrelser och investerare driver ofta tekniska beslut som går händelserna i förväg.

En möjlighet i förklädnad

Här vill jag ändå lyfta blicken och se möjligheten, för den finns.

Att fastighetsbranschen nu tvingas ta tag i sin datainfrastruktur är faktiskt en långsiktig nyttoeffekt av AI-hypen. Många bolag som aldrig annars skulle ha prioriterat datakvalitet, gemensamma datamodeller eller integrerade plattformar gör det nu – just för att de vill kunna dra nytta av AI-verktyg framöver.

Det är som när e-handelsvågen tvingade traditionell detaljhandel att äntligen digitalisera sina lagerprocesser. Smärtsamt i stunden, transformativt på sikt.

För de aktörer som faktiskt tar sig tid att göra jobbet i rätt ordning – kartlägga datakällor, standardisera format, bygga tillförlitliga datapipelines och säkerställa datakvalitet – väntar genuint kraftfulla verktyg. AI som kan analysera komplexa hyresavtalsportföljer på minuter, identifiera mönster i driftskostnader som mänskliga analytiker missar, eller förutse vakansrisker innan de materialiseras. Potentialen är verklig.

Vad branschen behöver göra

Praktiskt innebär det att fastighetsbolag som seriöst vill satsa på AI bör börja med några grundläggande frågor:

• Var finns vår data? Och menar vi all relevant data – inte bara det som redan är digitalt?
• Hur konsekvent är den? Samma fastighet, samma period, samma mätvärde – stämmer det överens mellan system?
• Kan vi lita på den i realtid? Historiska data för träning är en sak; operativa beslut kräver aktuell information.
• Vem äger ansvaret? Datakvalitet kräver tydliga ägarskap internt, inte bara tekniska lösningar.

Dessa frågor är tråkiga att besvara. De kräver tid, intern koordinering och ofta smärtsamma insikter om hur illa det faktiskt ser ut under huven. Men de är oundvikliga – och ju tidigare ett bolag tar sig igenom dem, desto snabbare kan man faktiskt börja hämta ut värde från AI-investeringarna.