The construction industry has been hesitant for a long time to apply new technologies. In property development, the industry relies heavily on employees bringing experience from one project to another. These employees learn to manage risks in connection with the acquisition of land, but when these people retire, the knowledge disappears. An AI-based decision-support system that takes the risks and the market into account when acquiring land can learn from each project and bring this knowledge into future projects. In facility management, artificial intelligence could increase the efficiency of the allocation of staff in the ongoing operations.

The purpose of the study is to analyse how companies in the real estate industry can improve their decision-making with the help of AI in property development and property management.

In this study, two case studies of two different players in the real estate industry have been performed. One player, Bygg-Fast, represents property development and the other player, VGR, represents facility management. The study is based on interviews, discussions, and collected data.

By mapping and then quantifying the risks and market indicators that are input data in the process, a basis can be created. The data can be used for a model that lays the foundation for an AI-based decision support system that will help the property developer to make calculated decisions in the land acquisition process. By mapping what a flow through a property looks like, measuring points can be set out to analyse how long the activities take in the specific business. These measured values provide a collection of data that makes it easier to plan the activities conducted in the property.

A more efficient flow can be achieved by visualizing the entire process so staff can be allocated to the right part of the flow. By being flexible and being able to re-plan the business quickly if planning is disrupted, a high level of efficiency can be achieved. This could be done by an AI-based decision support system that simulates alternative day plans.

Byggbranschen har länge varit tveksamt till att applicera nya tekniker. Inom fastighetsutveckling bygger branschen mycket på att anställda tar med sig erfarenheter från ett projekt till ett annat. Dessa anställda lär sig hantera risker i samband med förvärv av mark men när dessa personer slutar eller går i pension försvinner kunskapen. Ett AI baserat beslutssystem som tar risk och marknad i beaktning vid förvärv av mark kan lära sig av varje projekt och ta med dessa kunskaper till framtida projekt. Inom fastighetsförvaltning skulle artificiell intelligens kunna effektivisera allokerandet av personal i den pågående verksamheten.

Syftet med studien är att analysera hur företag i fastighetsbranschen kan förbättra sitt beslutstagande med hjälp av AI i utveckling av fastigheter samt fastighetsförvaltning.

I denna studien har två fallstudier av två olika aktörer i fastighetsbranschen utförts. Ena aktören, Bygg-Fast, representerar fastighetsutveckling och den andra aktören, VGR, representerar fastighetsförvaltning. Studien bygger på intervjuer, diskussioner och insamlade data.

Genom att kartlägga och sedan kvantifiera de risker samt marknadsindikatorer som är indata i processen kan ett underlag skapas. Underlaget kan användas för en modell som lägger grunden för ett AI baserat beslutsstödsystem som ska hjälpa fastighetsutvecklaren med att ta kalkylerade beslut i mark förvärvsprocessen. Genom att kartlägga hur ett flöde genom en fastighet ser ut kan mätpunkter sättas ut för att analysera hur lång tid aktiviteterna tar i den specifika verksamheten. Dessa mätvärden ger en samlad data som gör det lättare att planera verksamheten som bedrivs i fastigheten.

Ett effektivare flöde kan uppnås genom att visualisera hela processen så personal kan allokeras till rätt del av flödet. Genom att vara flexibel och kunna planera om verksamheten snabbt ifall planering störs kan en hög effektivitet nås. Detta skulle kunna göras av ett AI baserat beslutsstödsystem som simulerar alternativa dagsplaneringar.