AI for byggebransjen

Slutt å behandle
symptomer.

Darus analyserer avviksrapporter på tvers av prosjekter, finner skjulte mønstre og varsler deg før de samme feilene skjer igjen.

Be om demo → Se hva vi løser
D
Data
ML-modeller analyserer avviksdata på tvers av alle prosjekter
A
Avvik
Registrerer, kobler og analyserer avvik på tvers av prosjekter
R
Rotårsak
Avdekker de underliggende årsakene, ikke bare symptomene
U
Utredning
Systematisk utredning av avviksmønstre gir proaktive beslutninger
S
Selvlæring
Systemet blir smartere med hvert avvik. Jo mer data, jo bedre
Scroll
Norsk byggebransje i tall
10–30mrd
kroner koster byggskader Norge hvert eneste år, ifølge SINTEF-forsker Thorbjørn Ingvaldsen
SINTEF Byggforsk, 2008/2023
0%
av alle byggskader kan føres tilbake til feil i prosjekteringen, ikke tilfeldigheter på byggeplassen
SINTEF Byggforsk
0 av 10
boliger fra 2010–2020 har minst én byggfeil. De samme feilene gjentas prosjekt etter prosjekt
Menon / SINTEF / Multiconsult, 2022
0%
av netto byggproduksjon går til å rette opp feil og skader. Det samme skjer igjen og igjen
SINTEF Byggforsk
Problemet

De samme feilene.
Nytt prosjekt.

Avviksrapporten skrives, arkiveres og glemmes. Neste prosjekt starter fra null. Ingen har stilt spørsmålet: hvorfor skjer dette igjen?

Taklekkasje Sprekk Fukt
Slik ser det ut i dag
01
Avvik
02
Registreres
03
Arkiveres
04
Nytt prosjekt
05
Samme feil
06
Kostnad
01 · Avvik oppstår
Det skjer noe på byggeplassen.
En feil i utførelse, prosjektering eller materialer. Uansett størrelse starter det en kjede som alltid ender samme sted.
02 · Registreres
Noen skriver det ned.
Manuelt, i Excel, PDF eller avvikssystemet. Inkonsekvent kategorisering fra prosjekt til prosjekt.
03 · Arkiveres
Prosjektet avsluttes.
Dataene lever i en mappe ingen åpner igjen. Teamet løses opp. Erfaringene forsvinner med dem.
04 · Nytt prosjekt
Historikken starter på null.
Nytt team, ny byggeplass. De samme potensielle feilkildene. Ingen varsling om hva som gikk galt sist.
05 · Samme feil igjen
Ingen lærte ingenting.
De samme aktørene gjør de samme feilene, ikke av vond vilje, men fordi systemet ikke husker.
06 · Kostnad
Regningen kommer.
Rework, reklamasjoner, forsinkelser, tvister. Hvert år. Samme syklus, samme resultat.
Darus bryter syklusen
1 / 6
«Byggenæringen er lite flink til å drive systematisk læringsarbeid knyttet til avviks- og reklamasjonssaker.»
SINTEF Byggforsk
Løsningen

Slik fungerer Darus

En ML-plattform som gjør det SINTEF har etterlyst i 60 år mulig: systematisk læringsarbeid fra avvik og reklamasjoner, automatisk og på tvers av alle prosjekter.

01 · Innsamling
Data inn fra dine eksisterende systemer
Darus integrerer med avvikssystemene du allerede bruker. Historiske rapporter importeres automatisk, ingen manuell jobb, ingen ny arbeidsflyt å lære.
IntegrasjonImportHistorikk
02 · Analyse
ML finner mønstre du ikke ser
Modellen analyserer avvikstekst, kategori, lokasjon og underentreprenør. Kobler mønstre på tvers av hundrevis av rapporter og identifiserer rotårsakene bak gjentakende feil.
NLPMønstergjenkjenningRotårsak
03 · Varsling
Handle før skaden skjer
Når et nytt prosjekt ligner på tidligere risikoprofiler varsler Darus deg i tide, med konkrete anbefalinger, ikke abstrakte scores.
PrediktivProaktivKonkret
Funksjoner

Bygget for
byggebransjen

Ikke generisk analyseware. En plattform designet spesifikt for kompleksiteten i bygg og anlegg.

01
Rotårsaksanalyse på tvers
Identifiserer underliggende årsaker og skiller systemiske problemer fra enkelttilfeller. Ser mønstrene SINTEF har dokumentert i tiår, automatisk.
Mønstergjenkjenning · NLP
02
Underentreprenørscore
Objektiv track record per leverandør på tvers av alle prosjekter. Grunnlag for valg og kontrakter basert på faktiske data.
Leverandørstyring · Score
03
Porteføljeoversikt
Sanntidsoversikt over risikoscore, avviksfrekvens og trender på tvers av hele prosjektporteføljen din.
Dashboard · Sanntid
04
Selvlærende modell
Systemet blir smartere for hvert avvik det prosesserer. Jo mer data, jo mer presise forutsigelser og jo bedre varsler.
ML · Kontinuerlig læring
05
Sensorbasert rapportering
Koble IoT-sensorer for automatisk datainnsamling direkte fra byggeplass, uten manuell registrering.
IoT · Automatisering
06
Tidlig varslingssystem
Automatiske varsler når et prosjekt viser risikoprofil som ligner på tidligere kostbare avviksforløp, i tide til å forebygge.
Prediktiv · Varsling
Forretningsverdi

Konkret ROI,
ikke løfter

Vi måler verdien i kroner spart, ikke features levert. Tallene er basert på SINTEF og Construction Industry Institute-data.

// Eksempelkalkyle, 100 MNOK prosjekt
Typisk rework-kostnad (6%)
6 000 000 kr
Darus reduksjon (~25%)
−1 500 000 kr
Redusert reklamasjonshåndtering
−300 000 kr
Tidsbesparelse prosjektledelse
−200 000 kr
Estimert besparelse per prosjekt
~2 MNOK
// Basert på SINTEF: 5% av netto byggproduksjon går til feilretting.
Kalkyle er konservativ. Potensiale er høyere ved stor prosjektportefølje.
01
Færre reklamasjoner
Rotårsaksidentifisering stopper gjentakende feil, og reklamasjonskostnadene faller systematisk over tid, ikke tilfeldig.
02
Bedre leverandørvalg
Objektiv track record per underentreprenør gir et beslutningsgrunnlag som ikke finnes i dag.
03
Proaktiv risikostyring
Varsler i rett tid gir muligheten til å forebygge dyre avvik før de eskalerer til reklamasjoner.
04
Dokumentert kvalitetshistorikk
Solid dokumentasjon som holder vann i reklamasjonstvister og bygger tillit hos sluttkunder.
For hvem

Bygget for dem som
eier ansvaret

Målgruppe 01
Totalentreprenører
Med mange underentreprenører og komplekse prosjekter trenger du systemet som ser helheten og varsler tidlig.
Underentreprenørstyring på tvers
Tidlig varsling om risikoprosjekter
Dokumentasjon for reklamasjoner
Målgruppe 02
Eiendomsutviklere
Bygg porteføljeinnsikt på tvers av prosjekter. Forstå hvilke prosjekttyper og leverandører som koster deg mest.
Porteføljerisiko i sanntid
Historisk kostnadsanalyse
Bedre leverandørkontrakter
Målgruppe 03
Prosjektledere
Daglig varsling og konkrete data til leverandørmøter, uten ekstra administrativt arbeid.
Daglige risiksvarsler
Automatisk rapportering
Sensorbasert datainnsamling
Hvem vi er

To studenter som så
det samme problemet

Medgründer 01
Data & forretning
Sivilingeniørstudent i industriell økonomi med spesialisering i data ved NMBU. Brenner for å bruke teknologi og dataanalyse til å løse reelle problemer i tradisjonelle bransjer.
NMBU · Industriell økonomi · Data
Medgründer 02
Bygg & konstruksjon
Sivilingeniørstudent i byggeteknikk og arkitektur ved NMBU. Bringer faglig dybde fra byggebransjen inn i produktet og sørger for at løsningen faktisk treffer problemene næringen står i.
NMBU · Byggeteknikk · Arkitektur
«Byggebransjen har dataene. De mangler bare et system som faktisk lærer av dem.»
Kom i gang

Klar til å stoppe de
gjentakende feilene?

Vi er i tidlig fase og ser etter pilotpartnere i norsk byggebransje. Ta kontakt for en uforpliktende samtale om hva Darus kan gjøre for din organisasjon.

Ta kontakt → Les mer om løsningen
// darus.no · Under utvikling 2025 · Søker pilotpartnere