Trebellar haalt $18 M Series A op om AI‑agenten naar corporate real estate te brengen

Trebellar heeft $18 miljoen in Series A-financiering opgehaald terwijl het AI‑agenten en geautomatiseerde besluitvorming wil brengen naar een van de bedrijfsfuncties die uitzonderlijk afhankelijk is gebleven van spreadsheets, losse software en externe consultants: corporate real estate.

De ronde werd geleid door Blossom Capital, met deelname van Haystack, Alt Capital, 1Flourish en Bynd. Trebellar zegt dat het nieuwe kapitaal zal worden gebruikt om haar engineering- en go‑to‑market‑teams uit te breiden, haar AI‑mogelijkheden te verdiepen en haar enterprise‑klantenbestand te laten groeien.

Het bedrijf, gevestigd in San Francisco, heeft al verschillende grote klanten aangetrokken, waaronder Meta, Uber, Merck en Cohesity, waardoor het een vroege positie heeft verworven bij organisaties die grote en complexe vastgoedportefeuilles beheren.

Voor Trebellar is de kans niet simpelweg om spreadsheets te vervangen door een ander dashboard. Het bedrijf probeert een AI‑native laag te creëren die een vastgoedportefeuille van een organisatie kan begrijpen, continu kan analyseren hoe die portefeuille wordt gebruikt en teams helpt beslissingen te nemen over alles, van huurcontracten en kantoorbenutting tot toekomstige locaties.

Corporate real estate heeft een dataprobleem

Grote bedrijven genereren enorme hoeveelheden data over hun fysieke voetafdruk.

Huurcontracten bevatten financiële verplichtingen en verlengingsdata. Badge‑systemen en Wi‑Fi‑netwerken geven signalen over kantoorbezoek. Kamers‑boekingsplatformen laten zien hoe medewerkers vergaderruimtes gebruiken. HR‑systemen bevatten personeelsaantallen en organisatorische informatie, terwijl enquêtes kunnen onthullen of medewerkers een kantoor daadwerkelijk nuttig vinden.

Het probleem is dat een groot deel van deze informatie traditioneel in afzonderlijke systemen wordt bewaard.

Voordat een corporate‑real‑estate‑team kan besluiten een huurcontract te verlengen, een kantoor te verkleinen, uit te breiden naar een andere markt of een werkplekbeleid te wijzigen, moeten analisten eerst informatie verzamelen en afstemmen uit spreadsheets, PDF‑bestanden en meerdere softwareplatformen.

Trebellar bouwt haar platform rond een geïntegreerde gegevenslaag die is ontworpen om die bronnen te aggregeren en te normaliseren voordat AI erop wordt toegepast. Het systeem kan huur‑ en operationele kosten‑data, marktinformatie, bezettingsdata van badges, Wi‑Fi en sensoren, ruimte‑reserveringssystemen, HR‑platformen en medewerkersenquêtes opnemen. Bedrijven kunnen ook informatie toevoegen via API’s, CSV‑uploads en interne onderzoeks‑ of beleidsdocumenten.

Die gegevensbasis is belangrijk omdat enterprise‑AI aanzienlijk nuttiger wordt wanneer modellen kunnen redeneren over gestructureerde operationele informatie in plaats van een verzameling geïsoleerde documenten.

Van dashboards naar AI‑agenten gaan

Zodra die informatie is gekoppeld, Trebellar’s AI-platform past een combinatie van AI‑agenten, grote taalmodellen en machine‑learning‑modellen toe op beslissingen in corporate real estate.

In plaats van gebruikers te dwingen handmatig dashboards samen te stellen, stelt Trebellar teams in staat vragen te stellen over hun portefeuilles en rapporten, aanbevelingen of analyses te genereren rond specifieke problemen.

Zijn taak‑specifieke agenten kunnen gebieden zoals portefeuillebeheer, locatie‑strategie en planning afhandelen. Het platform kan huur‑ en locatieprestaties analyseren, locatie‑scoring uitvoeren, verschillende vraag‑en‑aanbodscenario’s modelleren en onderzoek genereren over potentiële markten.

Voorspellende modellen voegen een extra laag toe. Trebellar zegt dat haar technologie kantoorbezoek kan voorspellen, ongebruikelijke veranderingen in werkpatronen kan detecteren en bedrijven kan helpen inschatten hoe personeelsbezetting of diensten moeten worden aangepast op basis van verwachte gebruik.

Dat brengt de software dichter bij een beslissingsondersteunend systeem dan bij een traditioneel business‑intelligence‑product.

Een bedrijf dat evalueert of het een bepaald kantoor nodig heeft, zou bijvoorbeeld huurkosten, benuttingstrends, medewerkerslocaties, reistijden en werkplezier kunnen combineren in plaats van elke variabele afzonderlijk te beoordelen.

Scenario‑modellering stelt teams bovendien in staat te testen hoe wijzigingen in hun portefeuille kosten, capaciteit of toegang voor medewerkers kunnen beïnvloeden voordat een beslissing wordt genomen.

AI gebouwd rond vastgoeddata

Verticale AI‑bedrijven onderscheiden zich steeds meer door systemen te bouwen rond de datastructuren en werkstromen van een specifieke industrie in plaats van een algemene chatbot toe te voegen aan bestaande software.

Trebellar past die benadering toe op vastgoed.

Het bedrijf zegt dat haar modellen zijn ontworpen rond bezettings‑, werkplek‑ en huurdata, terwijl haar AI‑agenten zijn getraind om specifieke vastgoedanalyses uit te voeren. Haar locatie‑strategietechnologie kan bijvoorbeeld openbare informatie combineren met markt‑, demografische, transport‑ en talentdata bij het evalueren van potentiële locaties.

Er is ook een enterprise‑beveiligingscomponent in de architectuur.

Trebellar is SOC 2 Type II gecertificeerd, en het bedrijf stelt dat machine‑learning‑modellen die afhankelijk zijn van klantgegevens onafhankelijk per organisatie worden getraind in plaats van klantdatasets te bundelen. Trebellar exploiteert ook zijn eigen machine‑learning‑infrastructuur en ondersteunt open‑source grote taalmodellen, terwijl het abstractiemechanismen gebruikt wanneer externe enterprise‑LLM‑providers betrokken zijn.

Die waarborgen zijn bijzonder relevant voor zakelijk vastgoed, waar datasets indirect gevoelige informatie kunnen onthullen over kantoorbezetting, uitbreidingsplannen van het bedrijf en de organisatiestructuur.

Van een nevenproject naar enterprise vastgoed‑AI

De oorsprong van Trebellar ligt enigszins ver van commercieel vastgoed.

Het bedrijf sporen haar begin terug tot de pandemie, toen mede‑oprichters Diego Ferreiro Val and David Garcia Quintas begonnen te experimenteren met een gecentraliseerd thuisautomatiseringsproject. Ferreiro Val was VP Engineering bij Salesforce, terwijl Garcia Quintas AI‑ en infrastructuurervaring meebracht van Google en Waymo.

Het thuisautomatiseringsproduct werd nooit gelanceerd.

In plaats daarvan trok het project de aandacht van de workplace‑technologieorganisatie van Salesforce, waar teams te maken hadden met een grotere versie van hetzelfde probleem: grote hoeveelheden gebouw‑ en werkplekinformatie verspreid over losse systemen.

Die realisatie werd uiteindelijk Trebellar.

Het bedrijf heeft sindsdien het team uitgebreid met ervaring bij Salesforce, Google, Waymo en Verkada. Het heeft ook de voormalige Google‑vastgoedexecutive Dave Radcliffe als adviseur toegevoegd. Radcliffe hielp bij het toezicht op de uitbreiding van Google’s fysieke aanwezigheid gedurende de periodes van Eric Schmidt, Larry Page en Sundar Pichai.

$18M Series A richt zich op een grote maar over het hoofd geziene enterprise‑functie

De nieuwe financiering komt op een moment dat investeerders blijven zoeken naar enterprise‑categorieën waarin gespecialiseerde AI‑systemen handmatige analyse en gefragmenteerde workflows kunnen vervangen.

Juridische, financiële, klantenondersteunings‑ en software‑ontwikkelingssectoren hebben al een groeiende groep verticale AI‑bedrijven voortgebracht. Zakelijk vastgoed biedt een vergelijkbare kans, maar met een ongewoon complexe combinatie van financiële, operationele en fysieke‑werelddata.

Trebellar‑CEO Diego Ferreiro Val betoogt dat vastgoedteams meer van die analyses intern moeten kunnen uitvoeren in plaats van afhankelijk te zijn van spreadsheets en consultants.

“We hebben Trebellar gebouwd om leiders de onafhankelijkheid te geven zelf deze beslissingen te nemen,” Ferreiro Val zei.

De volgende fase zal testen of die aanpak kan opschalen buiten de vroege enterprise‑adoptanten.

Met $18 miljoen aan nieuwe financiering is Trebellar van plan verder te investeren in haar AI‑technologie terwijl ze haar engineering‑ en commerciële teams uitbreidt. De grotere kans is om zakelijk vastgoed te transformeren van een periodiek geanalyseerde verzameling huurovereenkomsten en gebouwen naar een continu bijgewerkt gegevensset waar AI‑agenten over kunnen redeneren.

Als die transitie standhoudt, kunnen beslissingen over waar bedrijven hun medewerkers onderbrengen, hoeveel kantoorruimte ze behouden en wat ze besteden aan fysieke infrastructuur steeds meer een andere enterprise‑workflow worden die door AI wordt vormgegeven.