How Can AI Accelerate the Decarbonization of Real Estate?

จักรพันธ์ ภวังคะรัตน์

Head of Property Management, JLL Thailand

เลขาธิการ สมาคมบริหารทรัพย์สินแห่งประเทศไทย

9 January 2026

บทนำ

ตลอดหลายทศวรรษที่ผ่านมา การลดพลังงานในอาคารถูกขับเคลื่อนด้วยการเลือกเครื่องจักรประสิทธิภาพสูง การออกแบบอาคารเขียว และการปรับปรุงซองอาคาร แนวทางเหล่านี้ช่วยยกระดับคุณภาพอาคารอย่างมีนัยสำคัญ แต่ในระดับประเทศและระดับโลก การปล่อยคาร์บอนจากภาคอาคารยังลดลงช้ากว่าเส้นเวลาที่เป้าหมาย Net Zero ต้องการ

ความท้าทายไม่ได้อยู่ที่การขาดเทคโนโลยี แต่อยู่ที่ “รอบเวลาการตัดสินใจ” ที่ยังช้าเกินไป อาคารจำนวนมากที่ใช้งานอยู่ในปัจจุบันถูกสร้างขึ้นเมื่อ 10–30 ปีก่อน และจะยังคงเป็นฐานการปล่อยคาร์บอนอีกหลายทศวรรษ การยกระดับอาคารเดิมจึงเป็นสมรภูมิหลักของการลดคาร์บอน และนี่คือบริบทที่ทำให้ AI เริ่มมีบทบาทในฐานะโครงสร้างพื้นฐานดิจิทัลของการบริหารอาคารยุคใหม่

จากการควบคุมพลังงาน สู่การควบคุมคาร์บอน

ระบบ BMS ทำให้อาคารควบคุมอุณหภูมิและตารางการทำงานได้ตามค่าที่ตั้งไว้ล่วงหน้า อย่างไรก็ตาม ค่าที่ตั้งไว้เหล่านี้อ้างอิงรูปแบบการใช้งานเฉลี่ยมากกว่าสภาพจริงแบบรายชั่วโมง

AI เพิ่มมิติใหม่ให้การควบคุมอาคารด้วยการประมวลผลข้อมูลสภาพอากาศ การใช้พื้นที่ และข้อมูลความเข้มคาร์บอนของไฟฟ้า ทำให้การตัดสินใจด้านพลังงานเริ่มคำนึงถึงผลกระทบด้านการปล่อยคาร์บอนในแต่ละช่วงเวลา อาคารจึงสามารถเลือกช่วงเวลาการใช้พลังงานที่สะอาดกว่า และเริ่มทำงานสอดคล้องกับระบบพลังงานของประเทศมากขึ้น

FDD กับการลดคาร์บอนที่มองไม่เห็น

ประสิทธิภาพของอาคารไม่ได้เสื่อมจากการออกแบบ แต่เสื่อมจากการใช้งานจริงที่เปลี่ยนไปตามเวลา ระบบจำนวนมากทำงานนอกสเปกโดยไม่มีสัญญาณเตือน เช่น เซนเซอร์ที่คลาดเคลื่อน วาล์วที่ปิดไม่สนิท หรือการระบายอากาศเกินความจำเป็น ปัญหาเหล่านี้ทำให้พลังงานสูญเปล่าอย่างต่อเนื่อง

Fault Detection & Diagnostics (FDD) เป็นกลไกที่ช่วยตรวจจับรูปแบบความผิดปกติจากข้อมูลการทำงานของระบบ และชี้ตำแหน่งที่เกิดการสูญเสีย AI ทำให้กระบวนการนี้แม่นยำและต่อเนื่องขึ้น ส่งผลให้การลดพลังงานเกิดขึ้นแบบถาวรโดยไม่ต้องลงทุนเปลี่ยนเครื่องจักร

AI กับการเร่ง Deep Retrofit

การปรับปรุงอาคารเชิงลึก (Deep Retrofit) เป็นเครื่องมือสำคัญของการลดคาร์บอนระยะยาว แต่การตัดสินใจลงทุนมักเผชิญความไม่แน่นอนด้านผลตอบแทนและความเสี่ยงเชิงเทคนิค การใช้ Digital Twin และ Machine Learning ช่วยให้เจ้าของอาคารสามารถจำลองผลลัพธ์ล่วงหน้า เปรียบเทียบแพ็กเกจมาตรการหลายรูปแบบ และเลือกแนวทางที่ให้ผลด้านคาร์บอนสูงสุดต่อเงินลงทุนหนึ่งหน่วย

ข้อมูลเชิงคาดการณ์เหล่านี้ช่วยลดความเสี่ยงเชิงการเงิน และทำให้ Deep Retrofit กลายเป็นการตัดสินใจเชิงกลยุทธ์ที่มีหลักฐานรองรับ

AI กับโครงสร้างรายได้ในยุค ESG Leasing

สัญญาเช่ากำลังพัฒนาไปสู่รูปแบบที่ผูกกับสมรรถนะด้านพลังงานและสิ่งแวดล้อม ผู้เช่าต้องการข้อมูลการใช้พลังงานและคาร์บอนที่ตรวจสอบได้ AI ทำให้อาคารสามารถบริหารข้อมูลเหล่านี้ได้อย่างโปร่งใส และสร้างสัญญาเช่าที่มีความน่าเชื่อถือสูงขึ้น รายได้ของอาคารจึงเริ่มเชื่อมโยงกับคุณภาพสิ่งแวดล้อมอย่างเป็นรูปธรรม

AI กับการลดความเสี่ยงเชิงนโยบาย

หลายประเทศเริ่มกำหนดเกณฑ์สมรรถนะพลังงานขั้นต่ำสำหรับอาคาร การไม่ผ่านเกณฑ์อาจกระทบการเช่า การโอน และการรีไฟแนนซ์ AI ทำให้อาคารสามารถคาดการณ์ความเสี่ยงล่วงหน้า วางแผนปรับปรุงก่อนข้อกำหนดมีผล และหลีกเลี่ยงการกลายเป็น stranded asset

AI กับการบริหารพอร์ตอสังหาริมทรัพย์

การลดคาร์บอนเริ่มขยายจากระดับอาคารไปสู่ระดับพอร์ต เจ้าของสินทรัพย์ที่ถือหลายอาคารสามารถใช้ AI เพื่อเปรียบเทียบความเข้มคาร์บอน จัดลำดับการลงทุน และควบคุมเส้นทางการลดคาร์บอนของทั้งพอร์ตให้สอดคล้องกับเป้าหมาย Net Zero

AI กับคุณภาพชีวิตผู้ใช้อาคาร

ระบบที่เข้าใจรูปแบบการใช้พื้นที่สามารถควบคุมคุณภาพอากาศ แสง และอุณหภูมิได้แม่นยำขึ้น คุณภาพสภาพแวดล้อมภายในอาคารจึงส่งผลต่อความพึงพอใจ การต่อสัญญา และประสิทธิภาพการทำงานของผู้เช่า ซึ่งสะท้อนกลับไปสู่เสถียรภาพรายได้ของอาคาร

ข้อเสนอแนะเชิงปฏิบัติสำหรับการปรับปรุงอาคารเก่าในยุค AI และ Net Zero

1. เริ่มจากการทำให้อาคารมองเห็นตัวเอง

อัปเกรดระบบเก็บข้อมูลพลังงานและการใช้งานพื้นที่ ติดตั้งมิเตอร์ย่อย และจัดระเบียบข้อมูล BMS ให้พร้อมต่อการวิเคราะห์

2. ใช้ FDD เป็นเครื่องมือกู้ประสิทธิภาพที่หายไป

นำ Fault Detection & Diagnostics มาใช้เพื่อตรวจจับและจัดลำดับความสำคัญของจุดรั่วคาร์บอน

3. ออกแบบการปรับปรุงเป็นแพ็กเกจรีโทรฟิต

จัดกลุ่มมาตรการเป็นแพ็กเกจเพื่อสะท้อนผลลัพธ์จริงและเพิ่มความแม่นยำในการประเมิน ROI

4. เตรียมอาคารให้รองรับการควบคุมเชิงคาดการณ์

อัปเกรดระบบควบคุมให้พร้อมรับข้อมูลสภาพอากาศและการใช้งานพื้นที่แบบเรียลไทม์

5. ประเมิน Embodied Carbon ก่อนลงทุน

หลีกเลี่ยงการเพิ่มคาร์บอนจากวัสดุ/อุปกรณ์ใหม่โดยไม่ตั้งใจ

6. เชื่อมโยงกับกลไกการเงินสีเขียว

เตรียมข้อมูล ESG และ Carbon Disclosure เพื่อเข้าถึง Green Finance

7. วางแผนการยกระดับในระดับพอร์ต

ใช้ข้อมูลเปรียบเทียบเพื่อจัดลำดับอาคารที่ควรลงทุนก่อน และควบคุมเส้นทาง Net Zero ของทั้งพอร์ต

บทสรุป

การลดคาร์บอนในภาคอสังหาริมทรัพย์กำลังก้าวจากการปรับปรุงเชิงกายภาพไปสู่การปรับปรุงเชิงข้อมูล AI ทำให้การตัดสินใจด้านพลังงานและคาร์บอนเกิดขึ้นอย่างต่อเนื่อง แม่นยำ และรวดเร็วขึ้น เมื่อข้อมูลและการควบคุมกลายเป็นโครงสร้างพื้นฐานใหม่ อาคารจึงกลายเป็นส่วนหนึ่งของระบบเศรษฐกิจคาร์บอนต่ำอย่างแท้จริง