SirkBIM-ombyggingpotensiale OAØ

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). 

2. KI‑segmentering + semantisk tagging → IFC4 med NS 3451/TFM. 

3. 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} 

2. Feature‑lag: samkjør data pr. bygg (ID: bygningsnummer); legg til transport/knutepunkter. 

3. Screening‑modell: ML for sannsynlig ombyggbarhet + KPIer (volum, tid, risiko). 

4. Skann & modellér: punkt­skyer inn i KI‑pipeline → IFC4. 

5. Test‑fit & compliance: generativ plan + regelmotor (TEK17) + §31‑4‑notat. ²² 

6. Kalkyle & CO₂: mengder fra BIM → estimator + LCA; ombruks‑matching (Loopfront‑lignende). ^23 24 

7. 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 

2. Velge 2–3 kommuner i Østfold (i tillegg til Oslo/Akershus) for første screening (f.eks. Fredrikstad, Sarpsborg, Moss – store pågående transformasjoner). ^40 41 

3. Peke ut 1–2 eiere/porteføljer dere lett får dialog med (kommune, helseforetak, statlig eiendom eller private) – så fyller vi datahull raskt.