Trebellar får $18M i Series A-finansiering for å bringe AI‑agenter til bedrifts‑eiendom

Trebellar har hentet inn $18 million i Series A-finansiering mens de ser etter å bringe AI‑agenter og automatisert beslutningstaking til en av virksomhetsfunksjonene som fortsatt er uvanlig avhengig av regneark, frakoblet programvare og eksterne konsulenter: bedrifts‑eiendom.

Runden ble ledet av Blossom Capital, med deltakelse fra Haystack, Alt Capital, 1Flourish og Bynd. Trebellar sier at den nye kapitalen vil bli brukt til å utvide sine ingeniør‑ og go‑to‑market‑team, styrke sine AI‑kapasiteter og øke sin bedriftskundebase.

Det San Francisco‑baserte selskapet har allerede tiltrukket flere store kunder, inkludert Meta, Uber, Merck og Cohesity, noe som gir dem et tidlig fotfeste blant organisasjoner som forvalter store og komplekse eiendomsporteføljer.

For Trebellar er muligheten ikke bare å erstatte regneark med et nytt dashbord. Selskapet prøver å skape et AI‑innfødt lag som kan forstå en organisasjons eiendomsportefølje, kontinuerlig analysere hvordan porteføljen brukes og hjelpe team med å ta beslutninger om alt fra leiekontrakter og kontorutnyttelse til fremtidige lokasjoner.

Bedrifts‑eiendom har et dataproblem

Store selskaper genererer enorme mengder data om deres fysiske fotavtrykk.

Leiekontrakter inneholder økonomiske forpliktelser og fornyelsesdatoer. Badgesystemer og Wi‑Fi‑nettverk gir signaler om kontoroppmøte. Rom‑bestillingsplattformer viser hvordan ansatte bruker møtelokaler. HR‑systemer inneholder personalantall og organisasjonsinformasjon, mens undersøkelser kan avdekke om ansatte faktisk finner et kontor nyttig.

Problemet er at mye av denne informasjonen tradisjonelt befinner seg i separate systemer.

Før et bedrifts‑eiendomsteam kan avgjøre om de skal forlenge en leiekontrakt, redusere et kontor, ekspandere til et annet marked eller endre en arbeidsplasspolitikk, må analytikere ofte først samle inn og avstemme informasjon fra regneark, PDF‑filer og flere programvareplattformer.

Trebellar bygger sin plattform rundt et samlet datalag som er designet for å samle og normalisere disse kildene før AI anvendes på dem. Systemet kan innlemme leie‑ og driftskostnadsdata, markedsinformasjon, opptaksdata fra badges, Wi‑Fi og sensorer, rom‑reservasjonssystemer, HR‑plattformer og ansattundersøkelser. Selskaper kan også legge til informasjon via API‑er, CSV‑opplastinger og interne forsknings‑ eller retningslinjedokumenter.

Dette datagrunnlaget er viktig fordi bedrifts‑AI blir betydelig mer nyttig når modeller kan resonere over strukturert operasjonell informasjon i stedet for en samling av isolerte dokumenter.

Fra dashbord til AI‑agenter

Når den informasjonen er koblet sammen, bruker Trebellar’s AI platform en kombinasjon av AI‑agenter, store språkmodeller og maskinlæringsmodeller på beslutninger innen bedrifts‑eiendom.

I stedet for å kreve at brukere manuelt setter sammen dashbord, lar Trebellar team stille spørsmål om sine porteføljer og generere rapporter, anbefalinger eller analyser rundt spesifikke problemer.

Dens oppgavespesifikke agenter kan håndtere områder som porteføljestyring, lokasjonsstrategi og planlegging. Plattformen kan analysere leie‑ og lokasjonsytelse, gjennomføre lokasjonsrangering, modellere ulike tilbud‑og‑etterspørsels‑scenarioer og generere forskning om potensielle markeder.

Prediktive modeller legger til et ekstra lag. Trebellar sier at teknologien deres kan forutsi kontoroppmøte, oppdage uvanlige endringer i arbeidsmønstre og hjelpe selskaper med å estimere hvordan bemanning eller tjenester bør justeres basert på forventet bruk.

Dette bringer programvaren nærmere et beslutningsstøttesystem enn et tradisjonelt forretningsintelligens‑produkt.

For eksempel kan et selskap som vurderer om de trenger et bestemt kontor potensielt kombinere leiekostnader, utnyttelsestrender, ansattes lokasjoner, pendlingstider og arbeidsmiljøsentiment i stedet for å evaluere hver variabel separat.

Scenario‑modellering gjør det også mulig for team å teste hvordan endringer i porteføljen kan påvirke kostnad, kapasitet eller ansattes tilgang før en beslutning tas.

AI bygget rundt eiendomsdata

Vertikale AI‑selskaper skiller seg i økende grad ut ved å bygge systemer rundt datastrukturer og arbeidsflyter i en spesifikk bransje i stedet for å legge til en generell chatbot i eksisterende programvare.

Trebellar tar denne tilnærmingen med eiendom.

Selskapet sier at modellene deres er designet rundt opptaks‑, arbeidsplass‑ og leiedata, mens AI‑agentene er trent til å utføre spesifikke eiendomsanalyser. Teknologien for lokasjonsstrategi kan for eksempel kombinere offentlig informasjon med marked‑, demografisk‑, transport‑ og talentdata når potensielle lokasjoner evalueres.

Det finnes også en bedrifts‑sikkerhetskomponent i arkitekturen.

Trebellar er SOC 2 Type II-sertifisert, og selskapet sier at maskinlæringsmodeller som er avhengige av kundedata, trenes uavhengig for hver organisasjon i stedet for å samle kundedatasett. Trebellar driver også sin egen maskinlæringsinfrastruktur og støtter åpne store språkmodeller, samtidig som de bruker abstraksjonsmekanismer når eksterne leverandører av bedrifts‑LLM er involvert.

Disse sikkerhetstiltakene er spesielt relevante for bedrifts‑eiendom, hvor datasett kan indirekte avsløre sensitiv informasjon om kontoroppmøte, selskapets ekspansjonsplaner og organisasjonsstruktur.

Fra et sideprosjekt til AI for bedrifts‑eiendom

Trebellars opprinnelse er noe fjernet fra kommersiell eiendom.

Selskapet sporer sine begynnelser til pandemien, da medgründerne Diego Ferreiro Val og David Garcia Quintas begynte å eksperimentere med et sentralisert hjemmeautomatiseringsprosjekt. Ferreiro Val hadde vært VP for Engineering i Salesforce, mens Garcia Quintas bidro med AI‑ og infrastruktur‑erfaring fra Google og Waymo.

Hjemmeautomatiseringsproduktet ble aldri lansert.

I stedet tiltrakk prosjektet oppmerksomheten til Salesforces arbeidsplass‑teknologiorganisasjon, hvor teamene håndterte en større versjon av det samme problemet: store mengder bygnings‑ og arbeidsplassedata spredt over frakoblede systemer.

Den erkjennelsen ble etter hvert Trebellar.

Selskapet har siden utvidet teamet med erfaring fra Salesforce, Google, Waymo og Verkada. Det har også lagt til den tidligere Google‑eiendomssjefen Dave Radcliffe som rådgiver. Radcliffe hjalp til med å overse utvidelsen av Googles fysiske tilstedeværelse gjennom periodene til Eric Schmidt, Larry Page og Sundar Pichai.

$18M Series A retter seg mot en stor, men oversett bedriftsfunksjon

Den nye finansieringen kommer mens investorer fortsetter å lete etter bedriftskategorier hvor spesialiserte AI‑systemer kan erstatte manuell analyse og fragmenterte arbeidsflyter.

Juridisk, finans, kundeservice og programvareutvikling har allerede skapt en voksende gruppe vertikale AI‑selskaper. Bedrifts‑eiendom gir en lignende mulighet, men med en usedvanlig komplisert kombinasjon av finansielle, operative og fysiske data.

Trebellar‑administrerende direktør Diego Ferreiro Val hevder at eiendomsteam bør kunne utføre mer av denne analysen internt i stedet for å være avhengige av regneark og konsulenter.

«Vi bygde Trebellar for å gi ledere uavhengigheten til å ta disse beslutningene selv», sa Ferreiro Val.

Den neste fasen vil teste om denne tilnærmingen kan skaleres utover tidlige bedriftsadoptører.

Med $18 millioner i ny finansiering planlegger Trebellar å investere ytterligere i sin AI‑teknologi samtidig som de utvider sine ingeniør‑ og kommersielle team. Den større muligheten er å gjøre bedrifts‑eiendom fra en periodisk analysert samling av leieavtaler og bygninger til et kontinuerlig oppdatert datasett som AI‑agenter kan resonere over.

Hvis den overgangen får fotfeste, kan beslutninger om hvor selskaper plasserer ansatte, hvor mye kontorplass de opprettholder og hva de bruker på fysisk infrastruktur i økende grad bli en annen bedriftsarbeidsflyt formet av AI.