Se «meldingsfeltet» nederst på siden. Du kan tagge @navn på brukere i nettverket og følge nye innspill. Logg inn og bruk muligheten. Du blir varslet på e-post hvis noen tagger deg. Del gjerne siden med andre. Les mer om hvordan vi jobber.

Til meldingsfeltet
Del artikkelen: LinkedIn E-post

SirkBIM-ombyggingpotensiale OAØ

Bård Krogshus
Bård Krogshus
Verdinettverk AS Logg inn for å sende lukket melding
23. mars 2026 · 9 min lesetid
SirkBIM-ombyggingpotensiale OAØ

KI-generert bakgrunnsnotat som beskriver potensiale og metodikk for ombygging til boliger i Oslo, Akershus og Østfold – med muliggjørende verktøy som BIM og KI.

Relaterte arrangment: https://bimverdi.no/arrangement/20260413/

Vi spurte KI:

Finn prosjekter og planer for ombygging, ombruk til boliger i Norge som er et bidrag til regjeringens målsetting om igangsettelse av 130000 nye boliger innen 2030. Vi ønsker å kartlegge hvor og hvordan dette kan gjøres på raskest mulig måte ved å skanne eksisterende bygg og lage BIM-modeller som grunnal for ombyggingsoppdrag.

Svaret var (mars’26):

Klart! Her er en konkret, ende‑til‑ende plan for hvordan KI kan brukes i ombygging/ombruk til boliger – fra å finne de riktige byggene til «scan‑til‑BIM», test‑fit, myndighetsdialog og kalkyle/CO₂. Jeg peker også på hvilke datasett og kilder som gjør dette mulig i Oslo, Akershus og Østfold. 

1) Finn de riktige kandidatbyggene (datadrevet screening) 

Hva KI gjør: 

  • Samler og kobler offentlige databaser (SSB Bygningsmassen, rutenettstatistikk; Matrikkelen/Bygningspunkt; kommunale planregistre) og lærer hvilke bygningsprofiler som er mest egnet for ombygging (byggdybde, etasjeantall, alder, beliggenhet/knutepunkt, vern/planstatus). 
  • Lager en scoringsmodell som rangerer bygg etter gjennomførbarhet (plassering, geometri, regulering, forventet kost/nytte). 

Kilder du kan plugge rett inn: 

  • SSB – Bygningsmassen (bygningstyper pr. kommune) og rutenettdata (hotspots i 250 m/1 km‐ruter) for å se hvor kontor/forretning, undervisning og helse finnes i volum. 1 2 
  • Matrikkelen – Bygningspunkt Utvidet via Kartverket/Geonorge (tilgangsstyrt) for bygningsnummer, status, bruksenheter, areal, historikk – helt sentralt for å lage maskinlæringsfunksjoner pr. bygg. 3 4 
  • PlanInnsyn/kommunale arkiv (f.eks. Oslo PBE) for planstatus, vern og saksarkiv → KI (NLP) kan lese ut premissene og flagge «røde/gule/grønne» saker. 5 6 

Hvorfor dette er lurt her: Sarpsborgs nye arealplan styrer mot 60 % fortetting/transformasjon, og Oslo har dokumentert bolig‑/områdereserve – KI‑screening lar dere målrette innsatsen der planregimet allerede vil ha transformasjon. 7 8 

2) «Scan‑til‑BIM» (automatikk fra punktsky til modell) 

Hva KI gjør: 

  • Segmenterer punktskyer (LiDAR/SLAM + drone) og identifiserer konstruksjoner (dekker, søyler, vegger, vinduer), sjakter og rom ⇒ danner en LOD 200–300 BIM (IFC4) raskere enn manuell modellering. 
  • Kvalitetssikrer mot Matrikkel/FKB omriss og høydedata. 

Datastrøm: 

  1. Feltskanning (interiør SLAM + stasjonær LiDAR; eksteriør drone/fotogrammetri). 
  1. KI‑segmentering + semantisk tagging → IFC4 med NS 3451/TFM. 
  1. Kjapp geometrisjekk mot bygningsdata (Matrikkel/Norkart API). 9 

3) KI‑drevet «test‑fit» – optimal boliginnpassing 

Hva KI gjør: 

  • Genererer planløsninger (enkelt-/dobbeltkorridor, gjennomlysning) gitt byggdybde, akser, sjakter og trappeløp. 
  • Optimaliserer boligmix (1–3 rom), dagslys, rømningsveier og sjaktlogikk – og beregner kapasitet (antall boliger) for ulike scenarier. 

Regulatorisk kontekst: 

  • KI kan simulere løsninger opp mot TEK17‑nøkkelkrav (dagslys/tilgjengelighet/lyd/brann) og samtidig lage en liste over pbl §31‑4‑unntak som sannsynligvis blir nødvendige ved ombygging (nyttig i forhåndskonferanse). 10 

4) Myndighetsdialog, §31‑4 og saksdokumenter (NLP‑assistert) 

Hva KI gjør: 

  • Leser gjeldende reguleringsbestemmelser/planer fra kommunale arkiv og skriver et pre‑compliance‑notat: hva oppfylles, hvor trengs dispensasjon/unntak (§31‑4), og hvilke dokumentasjonskrav må med i søknaden. 11 12 
  • Utkast til nabovarsel, redegjørelser og fagnotater (dagslys, universell utforming) – fagansvarlig kvalitetssikrer og signerer. 
  • Henter historikk fra saksarkiv (NLP) og flagger tidligere avslag/innsigelser i området (brukbar læring for strategien). 13 

5) Kost/nytte, LCC og CO₂ – automatisk beslutningsgrunnlag 

Hva KI gjør: 

  • Estimator som kobler BIM + prisdatabaser/erfaringstall og gir CapEx/OpEx‑overslag samt LCC‑varianter. 
  • CO₂‑regnskap (A1–A5, B) for ombruk vs. nybygg – og kvantifiserer effekten av komponentombruk (dører, glass, kanaler, fasadeplater). 
  • Henter ombrukskandidater fra skanning (computer vision + teksturklassifisering), lager inventarliste og knytter den til en ombruksplattform (OBOS‑eksempelen viser hvordan et slikt løp faktisk operasjonaliseres). 14 15 

6) Ombruk – fra kartlegging til markedsplass 

Hva KI gjør: 

  • Detekterer ombrukbare komponenter i punktsky/bilde (f.eks. sprinklerrør, tegl, treverk, innredning). 
  • Automatisk klassifisering (type, mengde, tilstand) og matching mot interne behov/ekstern markedsplass (beregner CO₂/kr‑gevinst). 
  • Kan følge forbildegrep som Nøstebukten Brygge (mål om 70 % ombruk). 16 

7) Data‑/systemarkitektur – «fra kart til tiltak» 

Anbefalt flyt (Azure/M365 eller tilsvarende): 

  1. Data‑inn: SSB tabeller + rutenett (CSV), Matrikkel Bygningspunkt (GML/FGDB/CSV via Geonorge), PlanInnsyn PDF/tekst, Norkart Bygning API. 17 18 19 20 21 
  1. Feature‑lag: samkjør data pr. bygg (ID: bygningsnummer); legg til transport/knutepunkter. 
  1. Screening‑modell: ML for sannsynlig ombyggbarhet + KPIer (volum, tid, risiko). 
  1. Skann & modellér: punkt­skyer inn i KI‑pipeline → IFC4. 
  1. Test‑fit & compliance: generativ plan + regelmotor (TEK17) + §31‑4‑notat. 22 
  1. Kalkyle & CO₂: mengder fra BIM → estimator + LCA; ombruks‑matching (Loopfront‑lignende). 23 24 
  1. Dashboard: kart (hotspots), volum (antall mulige boliger), CO₂/kr, status mot kommunen. 

8) Region‑spesifikk utnyttelse (Oslo, Akershus, Østfold) 

  • Oslo: Bruk Bolig‑ og områdereserven som fasit for hvor ombruk/fortetting raskt kan gi utslag. KI kan kontinuerlig «watchliste» planvedtak/IG‑tillatelser, og trigge skanning/analytikk når nye muligheter dukker opp. 25 
  • Akershus (Asker/Bærum): Fokus på Blakstad og Fornebu‑transformasjoner – test‑fit på eksisterende strukturer kombinert med nybygg. 26 27 
  • Østfold (Sarpsborg/Fredrikstad/Moss): Industri‑/havneområder i endring (Pappen, Trosvikstranda) – KI hjelper med fasevis utvikling, ombrukskartlegging og dokumentasjon av kulturminnehensyn i parallell med effektiv boliginnpassing. 28 29 

9) Styring, risiko og kvalitet 

  • Human‑in‑the‑loop: Alle KI‑forslag godkjennes av fagansvarlige (ARK/RIB/RIV/RIE). 
  • Datakvalitet og sporbarhet: Lenk hvert forslag til kilder (Matrikkel‑ID, PlanID, saksnummer) – dette gjør forhåndskonferanser effektive. 30 31 
  • Juridikk: Vurder GDPR når du bruker sensordata/foto/360‑video i interiør; avklar opphavsrett for tegninger fra saksarkiv ved maskinlesing. (PlanInnsyn gir tilgang, men gjenbruk må håndteres korrekt.) 32 

10) 30–60–90 dager – KI‑arbeidspakke (koblet til piloten vi skisserte) 

0–30 dager 

  • Koble til SSB + Matrikkel + PlanInnsyn; lage første screening‑modell og long‑list for Oslo/Akershus/Østfold. 33 34 35 
  • Velge 5 objekter for skanning; sette opp punkt­sky‑pipeline (automatisk segmentering + IFC‑eksport). 

31–60 dager 

  • Kjøre KI‑test‑fit på 5 bygg; generere pre‑compliance‑notater inkl. foreslåtte §31‑4‑unntak; forberede forhåndskonferanser. 36 
  • Bygge kost/CO₂‑modul og ombruks‑klassifisering (inventarliste som kan eksporteres til ombruksplattform). 37 38 

61–90 dager 

  • Forhåndskonferanser (kommuner) med KI‑genererte pakker (BIM, test‑fit, notat, kalkyle/CO₂). 
  • Beslutningsnotat pr. bygg: volum (boliger), tiltak, tidslinje, CO₂ og økonomi – «go/no‑go». 

Hva trenger jeg fra dere for å starte? 

  1. Avklare tilgang til Matrikkel – Bygningspunkt Utvidet (jeg kan utforme søknad til Kartverket/Geonorge). 39 
  1. Velge 2–3 kommuner i Østfold (i tillegg til Oslo/Akershus) for første screening (f.eks. Fredrikstad, Sarpsborg, Moss – store pågående transformasjoner). 40 41 
  1. Peke ut 1–2 eiere/porteføljer dere lett får dialog med (kommune, helseforetak, statlig eiendom eller private) – så fyller vi datahull raskt. 

Temagrupper: BIMtech ByggesaksBIM MiljøBIM ProsjektBIM SirkBIM

Åpne meldinger

Del tanker, meninger og spørsmål med andre i nettverket — og tagg gjerne inn folk med @navn.

Inntil videre er dette en tjeneste for gratisbrukere og deltakere.

Vær den første til å dele en tanke eller et spørsmål — logg inn eller registrer deg for å delta.

Bård Krogshus

Om forfatteren

Bård Krogshus

Økonom fra NHH med fokus på verdiskaping, nettverks- og kunnskapsbygging for SMB’er gjennom prosjektutvikling, digitalisering innen mediebransjen, e-læring i bl.a. bygg- og eiendom. Fartstid som kompetansemegler i Forskningsrådet og FRAM-rådgiver i Innovasjon Norge.

Verdinettverk AS

Se foretakets profil

Flere artikler fra Verdinettverk AS

Kan vi bruke KI til å forstå klimaeffekten av rehabilitering – før vi har en BIM-modell?

BIM Verdi vil teste om en KI-chat kan vise klimaeffekten av å bevare, bygge om eller rive et eksisterende bygg…

16. oktober 2026

Har du lov til å laste standarden din opp i ChatGPT?

Mange virksomheter kjøper standarder som PDF og laster dem deretter opp i ChatGPT, Claude eller andre KI-verktøy. Det kan være…

8. oktober 2026

Fra skole til boliger – kan Bygg.Chat gjøre veien enklere?

Hva skal vi gjøre med byggene vi allerede har? Når skoler, kontorer og andre bygg får nye formål, trenger vi…

8. oktober 2026

1886 ressurser som er kategorisert med samme tema som denne artikkelen