Trebellar rejser $18 million i Series A for at bringe AI‑agenter til virksomhedsejendomme

Trebellar har rejst $18 million i Series A‑finansiering mens den ser på at bringe AI‑agenter og automatiseret beslutningstagning til en af de virksomhedsfunktioner, der har forblevet usædvanligt afhængig af regneark, fragmenteret software og eksterne konsulenter: virksomhedsejendomme.

Runden blev ledet af Blossom Capital, med deltagelse fra Haystack, Alt Capital, 1Flourish og Bynd. Trebellar siger, at den nye kapital vil blive brugt til at udvide sine ingeniør‑ og go-to-market‑teams, styrke sine AI‑kapaciteter og udvide sin virksomhedskundeportefølje.

Det i San Francisco‑baserede firma har allerede tiltrukket flere store kunder, herunder Meta, Uber, Merck og Cohesity, hvilket giver det et tidligt greb blandt organisationer, der håndterer store og komplekse ejendomsporteføljer.

For Trebellar er muligheden ikke blot at erstatte regneark med endnu et dashboard. Firmaet forsøger at skabe et AI‑native lag, der kan forstå en organisations ejendomsportefølje, løbende analysere hvordan porteføljen bliver brugt og hjælpe teams med at træffe beslutninger om alt fra lejekontrakter og kontorudnyttelse til fremtidige lokationer.

Virksomhedsejendomme har et dataproblem

Store virksomheder genererer enorme mængder data om deres fysiske fodaftryk.

Lejekontrakter indeholder økonomiske forpligtelser og fornyelsesdatoer. Badge‑systemer og Wi‑Fi‑netværk giver signaler om kontortilstedeværelse. Rum‑bookingsplatforme viser, hvordan medarbejdere bruger mødelokaler. HR‑systemer indeholder personaletælling og organisationsinformation, mens undersøgelser kan afsløre, om medarbejderne faktisk finder et kontor nyttigt.

Problemet er, at en stor del af disse oplysninger traditionelt set ligger i separate systemer.

Før et virksomhedsejendomsteam kan beslutte, om de skal forny en lejekontrakt, nedskalere et kontor, udvide til et andet marked eller ændre en arbejdspladspolitik, kan analytikere først skulle indsamle og afstemme oplysninger fra regneark, PDF‑filer og flere softwareplatforme.

Trebellar bygger sin platform omkring et ensartet datalag, der er designet til at aggregere og normalisere disse kilder, før AI anvendes på dem. Systemet kan indarbejde leje‑ og driftsomkostningsdata, markedsinformation, belægningsdata fra badges, Wi‑Fi og sensorer, rum‑reservationssystemer, HR‑platforme og medarbejderundersøgelser. Virksomheder kan også tilføje information via API’er, CSV‑uploads og interne forsknings‑ eller politikdokumenter.

Dette datagrundlag er vigtigt, fordi enterprise‑AI bliver betydeligt mere nyttig, når modeller kan ræsonnere over struktureret operationel information i stedet for en samling af isolerede dokumenter.

Fra dashboards til AI‑agenter

Når de oplysninger er forbundet, Trebellars AI‑platform anvender en kombination af AI‑agenter, store sprogmodeller og maskinlæringsmodeller på beslutninger inden for virksomhedsejendomme.

I stedet for at kræve, at brugere manuelt samler dashboards, giver Trebellar teams mulighed for at stille spørgsmål om deres porteføljer og generere rapporter, anbefalinger eller analyser omkring specifikke problemstillinger.

Dens opgavespecifikke agenter kan håndtere områder som porteføljestyring, lokationsstrategi og planlægning. Platformen kan analysere leje‑ og lokationspræstationer, udføre lokationsvurdering, modellere forskellige udbuds‑ og efterspørgsels‑scenarier og generere research om potentielle markeder.

Predictive modeller tilføjer et ekstra lag. Trebellar siger, at deres teknologi kan forudsige kontortilstedeværelse, opdage usædvanlige ændringer i arbejdspladsmønstre og hjælpe virksomheder med at estimere, hvordan bemanding eller tjenester bør justeres baseret på forventet brug.

Det bringer softwaren tættere på et beslutningsstøttesystem end et traditionelt business‑intelligence‑produkt.

For eksempel kunne en virksomhed, der vurderer, om den har brug for et bestemt kontor, potentielt kombinere lejeomkostninger, udnyttelsestrends, medarbejderlokationer, pendlingstider og arbejdspladssentiment i stedet for at evaluere hver variabel separat.

Scenariomodellering giver også teams mulighed for at teste, hvordan ændringer i deres portefølje kan påvirke omkostninger, kapacitet eller medarbejderadgang, før de træffer en beslutning.

AI bygget omkring ejendomsdata

Vertikale AI‑virksomheder differentierer sig i stigende grad ved at bygge systemer omkring datastrukturer og arbejdsprocesser i en specifik branche i stedet for at tilføje en generel chatbot til eksisterende software.

Trebellar anvender denne tilgang inden for ejendom.

Firmaet siger, at deres modeller er designet omkring belægnings‑, arbejdsplads‑ og lejedata, mens deres AI‑agenter er trænet til at udføre specifikke ejendomsanalyser. Deres lokationsstrategiteknologi kan for eksempel kombinere offentlige oplysninger med marked, demografi, transport‑ og talentdata, når potentielle lokationer evalueres.

Der er også en enterprise‑sikkerhedskomponent i arkitekturen.

Trebellar er SOC 2 Type II certificeret, og virksomheden siger, at maskinlæringsmodeller, der er afhængige af kundedata, trænes uafhængigt for hver organisation i stedet for at samle kundedatasæt. Trebellar driver også sin egen maskinlæringsinfrastruktur og understøtter open‑source store sprogmodeller, mens der anvendes abstraheringsmekanismer, når eksterne enterprise‑LLM‑udbydere er involveret.

Disse sikkerhedsforanstaltninger er særligt relevante for corporate real estate, hvor datasæt indirekte kan afsløre følsomme oplysninger om kontorattendance, virksomhedens ekspansionsplaner og organisationsstruktur.

Fra et sideprojekt til enterprise‑real‑estate‑AI

Trebellars oprindelse er noget fjernt fra kommercielle ejendomme.

Virksomheden sporer sine rødder tilbage til pandemien, da medstifterne Diego Ferreiro Val and David Garcia Quintas begyndte at eksperimentere med et centraliseret hjemmeautomatiseringsprojekt. Ferreiro Val havde været VP of Engineering hos Salesforce, mens Garcia Quintas bragte AI‑ og infrastruktur‑erfaring fra Google og Waymo.

Hjemmeautomatiseringsproduktet blev aldrig lanceret.

I stedet tiltrak projektet opmærksomheden fra Salesforces arbejdspladsteknologiorganisation, hvor teams håndterede en større version af det samme problem: store mængder af bygnings‑ og arbejdspladsdata spredt over adskilte systemer.

Den erkendelse blev til sidst til Trebellar.

Virksomheden har siden udvidet teamet med erfaring fra Salesforce, Google, Waymo og Verkada. Den har også tilføjet den tidligere Google real‑estate‑executive Dave Radcliffe som rådgiver. Radcliffe hjalp med at overse udvidelsen af Googles fysiske fodaftryk gennem perioderne under Eric Schmidt, Larry Page og Sundar Pichai.

$18 M i Series A‑finansiering sigter mod en stor men overset enterprise‑funktion

Den nye finansiering kommer, mens investorer fortsat søger efter enterprise‑kategorier, hvor specialiserede AI‑systemer kan erstatte manuel analyse og fragmenterede arbejdsgange.

Juridik, finans, kundesupport og softwareudvikling har allerede skabt en voksende gruppe af vertikale AI‑virksomheder. Corporate real estate udgør en lignende mulighed, men med en usædvanligt kompliceret kombination af finansielle, operationelle og fysiske data.

Trebellar‑CEO Diego Ferreiro Val argumenterer for, at ejendomsteams bør kunne udføre mere af den analyse internt i stedet for at være afhængige af regneark og konsulenter.

“Vi byggede Trebellar for at give ledere uafhængigheden til selv træffe disse beslutninger,” sagde Ferreiro Val.

Den næste fase vil teste, om denne tilgang kan skaleres ud over de tidlige enterprise‑adoptanter.

Med $18 millioner i ny finansiering planlægger Trebellar at investere yderligere i sin AI‑teknologi, samtidig med at de udvider deres ingeniør‑ og kommercielle teams. Den større mulighed er at omdanne corporate real estate fra en periodisk analyseret samling af lejekontrakter og bygninger til et løbende opdateret datasæt, som AI‑agenter kan resonere over.

Hvis den overgang får fodfæste, kan beslutninger om, hvor virksomheder placerer medarbejdere, hvor meget kontorplads de opretholder, og hvad de bruger på fysisk infrastruktur i stigende grad blive en anden enterprise‑arbejdsgang, der formes af AI.