Trebellar samlar in $18M Series A för att föra AI‑agenter till företagsfastigheter

Trebellar har samlat in $18 miljoner i Series A-finansiering när de vill införa AI‑agenter och automatiserat beslutsfattande i en av de företagsfunktioner som fortfarande är ovanligt beroende av kalkylblad, fristående programvara och externa konsulter: företagsfastigheter.

Rundan leddes av Blossom Capital, med deltagande från Haystack, Alt Capital, 1Flourish och Bynd. Trebellar säger att det nya kapitalet kommer att användas för att expandera sina ingenjörs- och go‑to‑market‑team, fördjupa sina AI‑kapaciteter och växa sin företagskundbas.

Det San Francisco‑baserade företaget har redan lockat flera stora kunder, inklusive Meta, Uber, Merck och Cohesity, vilket ger dem ett tidigt fotfäste bland organisationer som hanterar stora och komplexa fastighetsportföljer.

För Trebellar är möjligheten inte bara att ersätta kalkylblad med en annan instrumentpanel. Företaget försöker skapa ett AI‑inbyggt lager som kan förstå en organisations fastighetsportfölj, kontinuerligt analysera hur den används och hjälpa team att fatta beslut om allt från hyresavtal och kontorsutnyttjande till framtida platser.

Företagsfastigheter har ett dataproblem

Stora företag genererar enorma mängder data om sin fysiska närvaro.

Hyresavtal innehåller finansiella åtaganden och förnyelsedatum. Badgsystem och Wi‑Fi‑nätverk ger signaler om kontorsnärvaro. Rumsbokningsplattformar visar hur anställda använder mötesrum. HR‑system innehåller personalantal och organisationsinformation, medan enkäter kan avslöja om anställda faktiskt upplever ett kontor som användbart.

Problemet är att mycket av denna information traditionellt finns i separata system.

Innan ett företagsfastighetsteam kan besluta om att förnya ett hyresavtal, minska ett kontor, expandera till en annan marknad eller ändra en arbetsplatspolicy, kan analytiker först behöva samla in och stämma av information från kalkylblad, PDF‑filer och flera programvaruplattformar.

Trebellar bygger sin plattform kring ett enhetligt datalager som är utformat för att samla in och normalisera dessa källor innan AI tillämpas på dem. Systemet kan integrera hyres‑ och driftskostnadsdata, marknadsinformation, beläggningsdata från badge‑system, Wi‑Fi och sensorer, rumsbokningssystem, HR‑plattformar och medarbetarenkäter. Företag kan också lägga till information via API:er, CSV‑uppladdningar samt interna forsknings‑ eller policydokument.

Detta datagrund är viktigt eftersom företags‑AI blir avsevärt mer användbar när modeller kan resonera över strukturerad operativ information snarare än en samling isolerade dokument.

Från instrumentpaneler till AI‑agenter

När den informationen är sammankopplad använder Trebellars AI-plattform en kombination av AI‑agenter, stora språkmodeller och maskininlärningsmodeller för beslut inom företagsfastigheter.

Istället för att kräva att användare manuellt sammanställer instrumentpaneler, låter Trebellar team ställa frågor om sina portföljer och generera rapporter, rekommendationer eller analyser kring specifika problem.

Dess uppgiftsspecifika agenter kan hantera områden som portföljhantering, platsstrategi och planering. Plattformen kan analysera hyres‑ och platsresultat, genomföra platsbetygsättning, modellera olika utbuds‑ och efterfrågescenarier samt generera forskning om potentiella marknader.

Prediktiva modeller lägger till ett ytterligare lager. Trebellar säger att deras teknik kan förutsäga kontorsnärvaro, upptäcka ovanliga förändringar i arbetsplatsmönster och hjälpa företag att uppskatta hur bemanning eller tjänster bör justeras baserat på förväntad användning.

Detta för mjukvaran närmare ett beslutsstödsystem än en traditionell business‑intelligence‑produkt.

Till exempel kan ett företag som utvärderar om det behöver ett specifikt kontor potentiellt kombinera hyreskostnader, utnyttjningstrender, medarbetarlokaler, pendlingstider och arbetsplatskänsla snarare än att utvärdera varje variabel separat.

Scenariomodellering gör det också möjligt för team att testa hur förändringar i deras portfölj kan påverka kostnad, kapacitet eller medarbetartillgång innan ett beslut fattas.

AI byggd kring fastighetsdata

Vertikala AI‑företag differentierar sig i allt högre grad genom att bygga system kring datastrukturer och arbetsflöden i en specifik bransch snarare än att lägga till en allmän chatbot i befintlig programvara.

Trebellar använder detta tillvägagångssätt inom fastighetssektorn.

Företaget säger att deras modeller är utformade kring beläggnings‑, arbetsplats‑ och hyresdata, medan deras AI‑agenter är tränade för att utföra specifika fastighetsanalyser. Deras teknik för platsstrategi kan till exempel kombinera offentlig information med marknads‑, demografisk, transport‑ och talangdata när potentiella platser utvärderas.

Det finns också en företagsäkerhetskomponent i arkitekturen.

Trebellar är SOC 2 Type II‑certifierat, och företaget säger att maskininlärningsmodeller som är beroende av kunddata tränas separat för varje organisation istället för att samla kunddatamängder. Trebellar driver också sin egen maskininlärningsinfrastruktur och stöder öppen källkod stora språkmodeller, samtidigt som de använder abstraktionsmekanismer när externa företags‑LLM‑leverantörer är inblandade.

Dessa skyddsåtgärder är särskilt relevanta för företagsfastigheter, där datamängder indirekt kan avslöja känslig information om kontorsnärvaro, företagets expansionsplaner och organisationsstruktur.

Från ett sidoprojekt till AI för företagsfastigheter

Trebellars ursprung är något avlägsna från kommersiella fastigheter.

Företaget spårar sina rötter till pandemin, när medgrundarna Diego Ferreiro Val and David Garcia Quintas började experimentera med ett centraliserat hemautomationsprojekt. Ferreiro Val hade varit vice president för teknik på Salesforce, medan Garcia Quintas bidrog med AI‑ och infrastrukturserfarenhet från Google och Waymo.

Hemautomationsprodukten lanserades aldrig.

Istället fick projektet uppmärksamhet från Salesforce arbetsplatsteknologiorganisation, där teamen hanterade en större version av samma problem: stora mängder bygg‑ och arbetsplatsdata spridda över fristående system.

Den insikten blev så småningom Trebellar.

Företaget har sedan dess utökat teamet med erfarenhet från Salesforce, Google, Waymo och Verkada. Det har också lagt till den tidigare Google‑fastighetschefen Dave Radcliffe som rådgivare. Radcliffe hjälpte till att övervaka expansionen av Googles fysiska närvaro under Eric Schmidts, Larry Pages och Sundar Pichais mandatperioder.

$18M Series A riktar sig mot en stor men förbises företagsfunktion

Den nya finansieringen kommer i ett skede då investerare fortsätter att söka efter företagskategorier där specialiserade AI‑system kan ersätta manuell analys och fragmenterade arbetsflöden.

Juridik, ekonomi, kundsupport och mjukvaruutveckling har redan skapat en växande grupp av vertikala AI‑företag. Företagsfastigheter erbjuder en liknande möjlighet, men med en ovanligt komplicerad kombination av finansiella, operativa och fysiska data.

Trebellar‑VD Diego Ferreiro Val hävdar att fastighetsteam bör kunna utföra mer av den analysen internt istället för att förlita sig på kalkylblad och konsulter.

”Vi byggde Trebellar för att ge ledare självständigheten att själva fatta dessa beslut,” sade Ferreiro Val.

Nästa steg kommer att testa om den metoden kan skalas bortom de tidiga företagsadoptörerna.

Med 18 miljoner dollar i ny finansiering planerar Trebellar att investera ytterligare i sin AI‑teknik samtidigt som de expanderar sina ingenjörs‑ och kommersiella team. Den större möjligheten är att omvandla företagsfastigheter från en periodiskt analyserad samling av hyresavtal och byggnader till en kontinuerligt uppdaterad datamängd som AI‑agenter kan resonera kring.

Om den övergången blir verklighet kan beslut om var företag placerar sina anställda, hur mycket kontorsutrymme de behåller och vad de spenderar på fysisk infrastruktur i allt högre grad bli ett annat företagsarbetsflöde som formas av AI.