Trebellar podnosi $18M w ramach rundy Series A, aby wprowadzić agentów AI do nieruchomości korporacyjnych

Trebellar pozyskał $18 mln w ramach finansowania Series A, dążąc do wprowadzenia agentów AI i zautomatyzowanego podejmowania decyzji do jednej z funkcji przedsiębiorstwa, która pozostawała wyjątkowo zależna od arkuszy kalkulacyjnych, rozłącznego oprogramowania i zewnętrznych konsultantów: nieruchomości korporacyjne.

Runda została poprowadzona przez Blossom Capital, przy udziale Haystack, Alt Capital, 1Flourish oraz Bynd. Trebellar twierdzi, że nowy kapitał zostanie przeznaczony na rozbudowę zespołów inżynieryjnych i sprzedażowych, pogłębienie możliwości AI oraz zwiększenie bazy klientów korporacyjnych.

Firma z siedzibą w San Francisco już przyciągnęła kilku dużych klientów, w tym Meta, Uber, Merck i Cohesity, co zapewniło jej wczesną pozycję wśród organizacji zarządzających dużymi i złożonymi portfelami nieruchomości.

Dla Trebellar szansa nie polega jedynie na zastąpieniu arkuszy kalkulacyjnych kolejnym panelem. Firma stara się stworzyć warstwę natywną dla AI, zdolną do rozumienia portfela nieruchomości organizacji, ciągłej analizy jego wykorzystania oraz wspierania zespołów w podejmowaniu decyzji dotyczących wszystkiego, od umów najmu i wykorzystania biur po przyszłe lokalizacje.

Nieruchomości korporacyjne mają problem z danymi

Duże firmy generują ogromne ilości danych o swoim fizycznym zasięgu.

Umowy najmu zawierają zobowiązania finansowe i terminy odnowień. Systemy identyfikacji (badge) oraz sieci Wi‑Fi dostarczają sygnały o obecności w biurze. Platformy rezerwacji sal pokazują, jak pracownicy korzystają z przestrzeni spotkań. Systemy zasobów ludzkich zawierają informacje o liczbie pracowników i strukturze organizacyjnej, natomiast ankiety mogą ujawnić, czy pracownicy rzeczywiście uważają biuro za przydatne.

Problem polega na tym, że większość tych informacji tradycyjnie znajduje się w odrębnych systemach.

Zanim zespół ds. nieruchomości korporacyjnych będzie mógł zdecydować, czy odnowić najem, zmniejszyć biuro, rozszerzyć działalność na inny rynek lub zmienić politykę miejsca pracy, analitycy mogą najpierw musieć zebrać i uzgodnić informacje z arkuszy kalkulacyjnych, plików PDF i wielu platform oprogramowania.

Trebellar buduje swoją platformę wokół zjednoczonej warstwy danych zaprojektowanej do agregacji i normalizacji tych źródeł przed zastosowaniem AI. System może integrować dane o najmach i kosztach operacyjnych, informacje rynkowe, dane o zajętości pochodzące z identyfikatorów, Wi‑Fi i czujników, systemy rezerwacji przestrzeni, platformy HR oraz ankiety pracownicze. Firmy mogą także dodawać informacje za pośrednictwem API, przesyłania plików CSV oraz wewnętrznych badań lub dokumentów polityki.

Ta podstawa danych jest ważna, ponieważ AI w przedsiębiorstwach staje się znacznie bardziej użyteczne, gdy modele mogą rozumować na podstawie ustrukturyzowanych informacji operacyjnych, a nie zbioru odrębnych dokumentów.

Przejście od pulpitów nawigacyjnych do agentów AI

Gdy te informacje zostaną połączone, platforma AI Trebellar stosuje kombinację agentów AI, dużych modeli językowych oraz modeli uczenia maszynowego do decyzji w zakresie nieruchomości korporacyjnych.

Zamiast wymagać od użytkowników ręcznego tworzenia pulpitów, Trebellar umożliwia zespołom zadawanie pytań o ich portfele oraz generowanie raportów, rekomendacji lub analiz dotyczących konkretnych problemów.

Jego agenci specyficzni dla zadań mogą obsługiwać obszary takie jak zarządzanie portfelem, strategia lokalizacji i planowanie. Platforma może analizować wyniki najmu i lokalizacji, przeprowadzać ocenę lokalizacji, modelować różne scenariusze podaży i popytu oraz generować badania dotyczące potencjalnych rynków.

Modele predykcyjne dodają kolejną warstwę. Trebellar twierdzi, że jej technologia może prognozować frekwencję w biurze, wykrywać niecodzienne zmiany w wzorcach pracy oraz pomagać firmom oszacować, jak należy dostosować zatrudnienie lub usługi w oparciu o przewidywane wykorzystanie.

To przybliża oprogramowanie do systemu wspomagania decyzji, a nie tradycyjnego produktu Business Intelligence.

Na przykład firma oceniająca, czy potrzebuje konkretnego biura, może połączyć koszty najmu, trendy wykorzystania, lokalizacje pracowników, czasy dojazdu oraz nastroje w miejscu pracy, zamiast oceniać każdą zmienną osobno.

Modelowanie scenariuszy pozwala również zespołom przetestować, jak zmiany w portfelu mogą wpłynąć na koszty, pojemność lub dostęp pracowników przed podjęciem decyzji.

AI zbudowane wokół danych nieruchomościowych

Firmy specjalizujące się w AI branżowym coraz częściej wyróżniają się, budując systemy wokół struktur danych i przepływów pracy konkretnej branży, zamiast dodawać ogólnego chatbota do istniejącego oprogramowania.

Trebellar przyjmuje takie podejście w sektorze nieruchomości.

Firma twierdzi, że jej modele są projektowane wokół danych o zajętości, miejscu pracy i najmie, a jej agenci AI są szkoleni do wykonywania konkretnych analiz nieruchomościowych. Technologia strategii lokalizacji, na przykład, może łączyć informacje publiczne z danymi rynkowymi, demograficznymi, transportowymi i talentowymi przy ocenie potencjalnych lokalizacji.

W architekturze znajduje się także komponent bezpieczeństwa korporacyjnego.

Trebellar posiada certyfikat SOC 2 Type II, a firma twierdzi, że modele uczenia maszynowego zależne od danych klientów są trenowane niezależnie dla każdej organizacji, a nie na wspólnych zbiorach danych klientów. Trebellar prowadzi także własną infrastrukturę uczenia maszynowego i wspiera otwarto‑źródłowe duże modele językowe, stosując mechanizmy abstrakcji, gdy zaangażowani są zewnętrzni dostawcy korporacyjnych LLM.

Te zabezpieczenia są szczególnie istotne w obszarze nieruchomości korporacyjnych, gdzie zestawy danych mogą pośrednio ujawniać wrażliwe informacje o frekwencji w biurze, planach ekspansji firmy oraz strukturze organizacyjnej.

Z projektu pobocznego do AI w nieruchomościach korporacyjnych

Początki Trebellar są nieco oddalone od sektora nieruchomości komercyjnych.

Firma wywodzi się z pandemii, kiedy współzałożyciele Diego Ferreiro Val i David Garcia Quintas zaczęli eksperymentować z centralnym projektem automatyzacji domu. Ferreiro Val był wiceprezesem ds. inżynierii w Salesforce, natomiast Garcia Quintas wniósł doświadczenie w AI i infrastrukturze z Google i Waymo.

Produkt automatyzacji domu nigdy nie został wprowadzony na rynek.

Zamiast tego projekt przyciągnął uwagę organizacji technologii miejsca pracy w Salesforce, gdzie zespoły borykały się z większą wersją tego samego problemu: ogromnymi ilościami danych o budynkach i miejscach pracy rozproszonymi w odłączonych systemach.

To uświadomienie w końcu przekształciło się w Trebellar.

Od tego czasu firma rozbudowała zespół, wprowadzając doświadczenie z Salesforce, Google, Waymo i Verkada. Dołączył także były dyrektor ds. nieruchomości w Google Dave Radcliffe jako doradca. Radcliffe pomógł nadzorować rozbudowę fizycznej infrastruktury Google w okresach kadencji Erica Schmidta, Larry’ego Page’a i Sundara Pichai.

$18 mln serii A celuje w dużą, ale pomijaną funkcję korporacyjną

Nowe finansowanie pojawia się, gdy inwestorzy nadal poszukują kategorii korporacyjnych, w których wyspecjalizowane systemy AI mogą zastąpić ręczną analizę i rozproszone przepływy pracy.

Prawo, finanse, obsługa klienta i rozwój oprogramowania już stworzyły rosnącą grupę pionowych firm AI. Nieruchomości korporacyjne stanowią podobną szansę, ale z wyjątkowo skomplikowaną kombinacją danych finansowych, operacyjnych i fizycznych.

CEO Trebellar, Diego Ferreiro Val, argumentuje, że zespoły ds. nieruchomości powinny móc przeprowadzać większą część tej analizy wewnętrznie, zamiast polegać na arkuszach kalkulacyjnych i konsultantach.

„Zbudowaliśmy Trebellar, aby dać liderom niezależność w podejmowaniu tych decyzji samodzielnie,” powiedział Ferreiro Val.

Kolejny etap sprawdzi, czy to podejście może się skalować poza wczesnych przyjmujących w przedsiębiorstwach.

Z 18 milionami dolarów nowego finansowania Trebellar planuje dalsze inwestycje w technologię AI oraz rozbudowę zespołów inżynieryjnych i handlowych. Większa szansa polega na przekształceniu nieruchomości korporacyjnych z okresowo analizowanego zbioru najmu i budynków w ciągle aktualizowany zestaw danych, nad którym mogą rozważać agenci AI.

Jeśli ta transformacja się utrwali, decyzje o tym, gdzie firmy lokują pracowników, ile powierzchni biurowej utrzymują i ile wydają na infrastrukturę fizyczną, mogą coraz częściej stać się kolejnym przepływem pracy w przedsiębiorstwie kształtowanym przez AI.