Trebellar Mengumpulkan $18M Seri A untuk Membawa Agen AI ke Real Estat Korporat

Trebellar telah mengumpulkan $18 juta dalam pendanaan Seri A sebagai upaya untuk membawa agen AI dan pengambilan keputusan otomatis ke salah satu fungsi perusahaan yang masih sangat bergantung pada spreadsheet, perangkat lunak yang terpisah, dan konsultan eksternal: real estat korporat.

Pendanaan ini dipimpin oleh Blossom Capital, dengan partisipasi dari Haystack, Alt Capital, 1Flourish dan Bynd. Trebellar mengatakan bahwa modal baru akan digunakan untuk memperluas tim teknik dan tim go-to-market, memperdalam kemampuan AI-nya, serta menumbuhkan basis pelanggan perusahaan.

Perusahaan yang berbasis di San Francisco ini telah menarik beberapa pelanggan utama, termasuk Meta, Uber, Merck, dan Cohesity, memberi mereka pijakan awal di antara organisasi yang mengelola portofolio real estat yang besar dan kompleks.

Bagi Trebellar, peluang ini bukan sekadar mengganti spreadsheet dengan dasbor lain. Perusahaan berusaha menciptakan lapisan AI-native yang mampu memahami portofolio real estat suatu organisasi, secara terus-menerus menganalisis bagaimana portofolio tersebut digunakan, dan membantu tim membuat keputusan tentang segala hal mulai dari sewa dan pemanfaatan kantor hingga lokasi masa depan.

Real Estat Korporat Memiliki Masalah Data

Perusahaan besar menghasilkan sejumlah besar data tentang jejak fisik mereka.

Perjanjian sewa berisi komitmen keuangan dan tanggal perpanjangan. Sistem kartu identitas dan jaringan WiFi memberikan sinyal tentang kehadiran di kantor. Platform pemesanan ruang menampilkan bagaimana karyawan menggunakan ruang pertemuan. Sistem sumber daya manusia berisi data jumlah karyawan dan informasi organisasi, sementara survei dapat mengungkap apakah karyawan benar‑benar menganggap kantor berguna.

Masalahnya adalah sebagian besar informasi ini secara tradisional berada di sistem terpisah.

Sebelum tim real estat korporat dapat memutuskan apakah akan memperpanjang sewa, mengurangi ukuran kantor, memperluas ke pasar lain, atau mengubah kebijakan tempat kerja, analis mungkin harus terlebih dahulu mengumpulkan dan menyelaraskan informasi dari spreadsheet, PDF, dan berbagai platform perangkat lunak.

Trebellar sedang membangun platformnya di sekitar lapisan data terpadu yang dirancang untuk menggabungkan dan menormalkan sumber‑sumber tersebut sebelum menerapkan AI. Sistem ini dapat mengintegrasikan data sewa dan biaya operasional, informasi pasar, data okupansi dari kartu identitas, WiFi, dan sensor, sistem reservasi ruang, platform HR, serta survei karyawan. Perusahaan juga dapat menambahkan informasi melalui API, unggahan CSV, dan dokumen riset atau kebijakan internal.

Fondasi data tersebut penting karena AI perusahaan menjadi jauh lebih berguna ketika model dapat melakukan penalaran atas informasi operasional terstruktur daripada sekumpulan dokumen terisolasi.

Beralih dari Dasbor ke Agen AI

Setelah informasi tersebut terhubung, platform AI Trebellar menerapkan kombinasi agen AI, model bahasa besar, dan model pembelajaran mesin pada keputusan real estat korporat.

Alih-alih mengharuskan pengguna menyusun dasbor secara manual, Trebellar memungkinkan tim mengajukan pertanyaan tentang portofolio mereka dan menghasilkan laporan, rekomendasi, atau analisis terkait masalah tertentu.

Agen yang spesifik untuk tugas dapat menangani area seperti manajemen portofolio, strategi lokasi, dan perencanaan. Platform ini dapat menganalisis kinerja sewa dan lokasi, melakukan penilaian lokasi, memodelkan berbagai skenario penawaran‑permintaan, serta menghasilkan riset tentang pasar potensial.

Model prediktif menambahkan lapisan lain. Trebellar mengatakan teknologinya dapat memproyeksikan kehadiran di kantor, mendeteksi perubahan tidak biasa dalam pola tempat kerja, dan membantu perusahaan memperkirakan bagaimana staf atau layanan harus disesuaikan berdasarkan penggunaan yang diperkirakan.

Hal itu membuat perangkat lunak lebih mendekati sistem pendukung keputusan daripada produk intelijen bisnis tradisional.

Misalnya, sebuah perusahaan yang menilai apakah membutuhkan kantor tertentu dapat menggabungkan biaya sewa, tren pemanfaatan, lokasi karyawan, waktu perjalanan, dan sentimen tempat kerja daripada mengevaluasi setiap variabel secara terpisah.

Pemodelan skenario juga memungkinkan tim menguji bagaimana perubahan pada portofolio mereka dapat memengaruhi biaya, kapasitas, atau akses karyawan sebelum membuat keputusan.

AI Dibangun di Sekitar Data Real Estat

Perusahaan AI vertikal semakin membedakan diri dengan membangun sistem di sekitar struktur data dan alur kerja industri tertentu, alih-alih menambahkan chatbot tujuan umum ke perangkat lunak yang ada.

Trebellar menerapkan pendekatan itu pada real estat.

Perusahaan mengatakan modelnya dirancang di sekitar data okupansi, tempat kerja, dan sewa, sementara agen AI-nya dilatih untuk melakukan analisis real estat tertentu. Teknologi strategi lokasinya, misalnya, dapat menggabungkan informasi publik dengan data pasar, demografis, transportasi, dan bakat saat mengevaluasi lokasi potensial.

Ada juga komponen keamanan perusahaan dalam arsitekturnya.

Trebellar memiliki sertifikasi SOC 2 Tipe II, dan perusahaan menyatakan bahwa model pembelajaran mesin yang bergantung pada data pelanggan dilatih secara independen untuk setiap organisasi, bukan dengan menggabungkan kumpulan data pelanggan. Trebellar juga mengoperasikan infrastruktur pembelajaran mesin miliknya sendiri dan mendukung model bahasa besar sumber terbuka, sambil menggunakan mekanisme abstraksi ketika penyedia LLM perusahaan eksternal terlibat.

Langkah-langkah pengamanan tersebut sangat relevan untuk real estat korporat, di mana kumpulan data dapat secara tidak langsung mengungkapkan informasi sensitif tentang kehadiran di kantor, rencana ekspansi perusahaan, dan struktur organisasi.

Dari Proyek Sampingan Menjadi AI Real Estat Perusahaan

Asal-usul Trebellar agak jauh dari properti komersial.

Perusahaan menelusuri awalnya pada masa pandemi, ketika co‑founder Diego Ferreiro Val and David Garcia Quintas mulai bereksperimen dengan proyek otomasi rumah terpusat. Ferreiro Val pernah menjabat sebagai VP Engineering di Salesforce, sementara Garcia Quintas membawa pengalaman AI dan infrastruktur dari Google dan Waymo.

Produk otomasi rumah tersebut tidak pernah diluncurkan.

Sebaliknya, proyek tersebut menarik perhatian organisasi teknologi tempat kerja Salesforce, di mana tim‑tim menghadapi versi yang lebih besar dari masalah yang sama: sejumlah besar data gedung dan tempat kerja yang tersebar di sistem yang tidak terhubung.

Kesadaran itu pada akhirnya menjadi Trebellar.

Perusahaan sejak itu memperluas tim dengan pengalaman yang mencakup Salesforce, Google, Waymo, dan Verkada. Mereka juga menambahkan mantan eksekutif real estat Google Dave Radcliffe sebagai penasihat. Radcliffe membantu mengawasi ekspansi jejak fisik Google selama masa jabatan Eric Schmidt, Larry Page, dan Sundar Pichai.

$18 Juta Seri A Menargetkan Fungsi Perusahaan Besar yang Terabaikan

Pendanaan baru ini muncul saat investor terus mencari kategori perusahaan di mana sistem AI khusus dapat menggantikan analisis manual dan alur kerja yang terfragmentasi.

Bidang hukum, keuangan, dukungan pelanggan, dan pengembangan perangkat lunak telah menghasilkan kelompok perusahaan AI vertikal yang terus berkembang. Real estat korporat menawarkan peluang serupa, namun dengan kombinasi data keuangan, operasional, dan dunia fisik yang secara tidak biasa rumit.

CEO Trebellar Diego Ferreiro Val berpendapat bahwa tim real estat seharusnya dapat melakukan lebih banyak analisis tersebut secara internal daripada bergantung pada spreadsheet dan konsultan.

“Kami membangun Trebellar untuk memberi para pemimpin kebebasan membuat keputusan ini sendiri,” kata Ferreiro Val.

Tahap berikutnya akan menguji apakah pendekatan itu dapat diskalakan melampaui adopter perusahaan awal.

Dengan $18 juta pendanaan baru, Trebellar berencana berinvestasi lebih lanjut dalam teknologi AI-nya sambil memperluas tim teknik dan komersial. Peluang yang lebih besar adalah mengubah real estat korporat dari kumpulan sewa dan gedung yang dianalisis secara periodik menjadi dataset yang terus diperbarui, yang dapat diproses oleh agen AI.

Jika transisi itu terwujud, keputusan tentang di mana perusahaan menempatkan karyawan, berapa banyak ruang kantor yang dipertahankan, dan berapa banyak yang mereka belanjakan untuk infrastruktur fisik dapat semakin menjadi alur kerja perusahaan lain yang dibentuk oleh AI.