Todo edifício é um balanço patrimonial: memória espacial para ativos do mundo real — Jordi Spranger, Spranic

Autoria: AI Engineer · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Every Building Is a Balance Sheet: Spatial Memory for Real-World Assets — Jordi Spranger, Spranic · Canal: AI Engineer · 10:20 · Assistir no YouTube

Tópicos: Aplicações empresariais de IA, Dados, bancos de dados e embeddings, Modelos multimodais

Resumo

O vídeo apresenta a falta de atualizações frequentes e detalhadas sobre edifícios, apesar de empréstimos e seguros ligados a imóveis serem registrados e atualizados regularmente. A proposta é mapear espaços com sensores disponíveis no mercado, transformar cada visita em um registro espacial semântico e guardar as mudanças ao longo do tempo em um banco de dados de grafos. Com esses dados, seria possível consultar um imóvel por meio de IA, comparar visitas e identificar alterações com evidências. O palestrante destaca aplicações em manutenção, conformidade e seguros imobiliários personalizados.

Pontos-chave

O mercado imobiliário é um enorme conjunto de ativos, mas os registros sobre as condições dos edifícios podem ficar desatualizados por anos.
Uma pesquisa da Kroll citada na apresentação aponta que 70% dos edifícios estão subsegurados.
Visitas ao imóvel com sensores disponíveis no mercado podem ser convertidas rapidamente em mapas e registros dos ativos presentes no espaço.
Um banco de dados de grafos pode armazenar informações semânticas sobre cada espaço e ser adaptado a diferentes imóveis.
A comparação entre visitas permite identificar o que mudou, quando mudou e qual evidência sustenta essa observação.
Os dados espaciais podem ser consultados com IA, por exemplo, para localizar objetos em uma cozinha.
Os registros podem apoiar manutenção, reparos, verificações de conformidade, projetos de interiores e aplicações de robótica.
No setor de seguros, visitas periódicas podem ajudar a avaliar a conservação do imóvel e embasar apólices e prêmios mais personalizados.

Capítulos

Início	Capítulo	Resumo
00:01	O problema dos registros imobiliários desatualizados	A apresentação dimensiona o mercado imobiliário e descreve a diferença entre a atualização frequente dos registros financeiros e a falta de dados recentes sobre os edifícios.
03:07	Cada visita se torna um registro espacial	O palestrante explica como mapear um imóvel com sensores e guardar os ativos reconhecidos em um banco de dados de grafos.
05:09	Consultar espaços e identificar mudanças	Os registros permitem responder a perguntas sobre o ambiente e comparar visitas para detectar alterações com referências às capturas.
07:14	Aplicações em seguros e outros serviços	Os dados do edifício podem apoiar manutenção, conformidade e seguros personalizados, com avaliações baseadas em condições verificáveis.

Citações

70% dos edifícios estão subsegurados. — 02:35

Cada caminhada se torna uma memória. — 03:07

Você quer saber o que mudou. — 04:38

Agora você tem um edifício que é um ativo de dados pronto para IA. — 07:14

Conceitos e entidades

Jordi Spranger (pessoa): Fundador da Spranic e palestrante sobre memória espacial para ativos imobiliários.
Spranic (empresa): Empresa apresentada como responsável pela proposta de mapear e registrar digitalmente edifícios.
Neo4j (empresa): Empresa de banco de dados de grafos citada como colaboradora da apresentação.
Kroll (empresa): Empresa cuja pesquisa sobre subseguro de edifícios é mencionada na apresentação.
memória espacial (conceito): Registro estruturado do espaço e de seus ativos, atualizado a partir de visitas e comparações ao longo do tempo.
banco de dados de grafos (conceito): Estrutura usada para armazenar os ativos de um edifício e as relações entre eles.
ativo de dados pronto para IA (conceito): Representação digital consultável de um edifício, que pode ser usada por sistemas de IA em tarefas posteriores.
detecção de mudanças (conceito): Comparação de registros de visitas diferentes para identificar alterações em objetos e ambientes.
seguro imobiliário personalizado (conceito): Seguro cuja avaliação e cujo prêmio podem levar em conta informações verificáveis sobre as condições e a conservação do imóvel.

Tradução completa (pt-BR)

00:01 Olá. Estou muito animado para fazer esta palestra hoje na AI Engineer NYC 2026. Esta é uma colaboração entre Sprana e Neo4j. Sou o fundador da Sprana. Ela foi fundada em junho de 2026. A Neo4j é um banco de dados de grafos com sede em Malmö, na Suécia. E um agradecimento especial a Zaeem, que é o colaborador do lado da Neo4j. O tema é que cada edifício é um balanço patrimonial e a memória espacial para

00:31 ativos do mundo real. A maior classe de ativos da Terra é o mercado imobiliário, com cerca de 400 trilhões em valor global. Isso é mais do que a soma dos mercados globais de ações, dívida e ouro. Se olharmos à direita, vemos muitos quadrados. Cada quadrado vale cerca de 1 trilhão, e dá para ver que a parte residencial é a maior. Ela representa cerca de 300 trilhões. Depois, vemos o setor comercial, com cerca de 60 trilhões, e a agricultura, com cerca de 50 trilhões.

01:02 Hoje, vamos nos concentrar mais no lado comercial, mas todo esse mercado imobiliário é afetado, essencialmente, por uma lacuna. Essa lacuna é que nossos registros financeiros — onde temos empréstimos, seguros e hipotecas — são mantidos em livros contábeis e atualizados a cada trimestre. Mas os ativos subjacentes, isto é, os imóveis nos quais eles se baseiam, não são atualizados a cada

01:33 trimestre. Na verdade, eles só são atualizados talvez a cada poucos anos, talvez apenas antes da criação do instrumento financeiro para o imóvel. E talvez novamente quando ele precisar de uma modificação ou de um novo instrumento financeiro associado; talvez no quinto ano, o que é um prazo bem realista. Mas, entre o ano zero e o ano cinco, não há nenhuma atualização do

02:04 estado do edifício ou do imóvel. Isso significa que, embora os registros contábeis sejam fechados tantas vezes, há, na verdade, uma caixa-preta — ou talvez algo que se baseie em algumas fotos e PDFs sobre o edifício. E essa é uma lacuna real. Dá para ver isso. Segundo a Kroll, foi feita uma pesquisa com 1.500 propriedades. Essencialmente, 70% dos edifícios têm seguro insuficiente. E não sei exatamente por que isso acontece. O estudo não chegou a uma conclusão.

02:35 Mas, na minha interpretação, o registro é bastante antigo e talvez também não seja tão detalhado. Então, as especificações do seguro não são muito precisas nem atendem de fato às necessidades do imóvel. E isso afeta cerca de 4 trilhões de dólares em hipotecas comerciais nos EUA. E, sim, todas elas se apoiam no edifício. Então, a pergunta é: o que seria necessário para tornar um edifício tão consultável quanto um livro-razão? Um livro-razão pode dar uma resposta em milissegundos. Mas, hoje, para obter uma resposta sobre um edifício, é preciso fazer uma visita ao local.

03:07 E, mesmo assim, talvez você receba apenas algumas anotações, PDFs, tudo muito disperso, opaco e sem padronização. É aí que entra a ideia de que cada caminhada se transforma em uma memória. Funciona assim: você pega um sensor pronto, percorre o espaço e faz o mapeamento. Dá para ver ali em cima o mapa sendo criado. Era eu passando por um salão de conferências.

03:37 A caminhada inteira, ou a digitalização, consistiu literalmente em percorrer o local. Um minuto depois, você já tinha a digitalização. Então, alguém percorre a propriedade — pode ser a equipe de gestão do imóvel, por exemplo — usando esse equipamento e faz o mapeamento. E, à medida que o espaço é mapeado, todos os ativos do edifício são reconhecidos e armazenados em um banco de dados, que é o Building. Esse é o banco de dados de grafos. Assim, tudo ganha um significado semântico, o que significa que podemos realmente

04:07 entender o espaço. E, quando o percorremos de novo, as duas caminhadas ficam registradas. Por exemplo, uma caminhada na segunda-feira e outra na segunda-feira do ano seguinte ou no trimestre seguinte. Elas são então alinhadas em um eixo temporal. Temos um espaço, sabemos o que há nele e conhecemos sua evolução a cada vez que o percorremos e fazemos medições. Tudo isso fica armazenado como um grafo. Os grafos têm várias vantagens técnicas, mas uma delas é a flexibilidade extrema para decidir quais informações você quer

04:38 coletar e como quer conectá-las. Assim, isso pode ser altamente personalizado para cada ativo, para cada propriedade. Então, o que um registro precisa responder? Estas não são perguntas de visão computacional, são perguntas de livro-razão. Em uma propriedade ou em um imóvel, você realmente quer saber o que mudou. Então, comparamos duas caminhadas pelo mesmo espaço, objeto por objeto e entorno por entorno. Você

05:09 também quer saber quando houve a mudança. Cada observação registra e captura de onde veio. E você também quer saber quem precisa receber informações sobre as mudanças que ocorreram e que agora observamos. Então, quando você encontra algo com evidências — por exemplo, danos estruturais ou, talvez para o seguro contra incêndio, extintores vencidos —, é preciso saber disso, ser informado e tomar providências

05:41 a respeito. Ou talvez a seguradora possa saber disso e ajustar os prêmios com base na manutenção do imóvel. Assim, o seguro pode ser hiperpersonalizado. E é assim que funciona. Aqui, sou eu caminhando por uma cozinha, capturada duas vezes: uma à esquerda e outra à direita. Você percorre o espaço e recebe o mapa diretamente. E, ao percorrer o mesmo espaço, os dois registros são reconhecidos como sendo do mesmo lugar, e

06:12 você pode alinhá-los — o mesmo espaço no período A e no período B — e criar uma linha do tempo. Quando você tem um mapa, pode usá-lo como um ativo pronto para IA, o que significa que pode conversar com ele, falar com ele e fazer perguntas sobre ele. Por exemplo, aqui pergunto: “Onde posso me aquecer?” No mapa, a resposta é o radiador. Ou: “Há um copo ou uma caneca para beber na cozinha?” Ele aponta para

06:42 os copos e as canecas na cozinha. Isso é muito poderoso porque transforma o mapa, que era apenas pixels, em algo com que podemos trabalhar. E agora, a detecção de mudanças. Fizemos duas passagens por esta cozinha, ou por este espaço, e agora podemos conectá-las e perguntar: “Qual é a diferença entre elas? O que mudou neste ambiente?” Neste caso, estas três cadeiras no meio foram deslocadas. E, ao conversar com o ativo, com seus

07:14 dados, você pode identificar a mudança e obter a referência à fonte original da captura, comprovando que houve uma alteração. Então, o que tudo isso significa? Significa que agora você tem um edifício que é um ativo de dados pronto para IA. Há um único registro do que existe ali, e você pode conectá-lo a qualquer tarefa subsequente. À esquerda, temos a digitalização da conferência que fiz. A partir dela, você pode verificar, ao longo do tempo, qualquer reparo que precise

07:45 ser feito, alguma manutenção, verificações de conformidade, seguro, mudanças no design de interiores ou até mesmo o posicionamento de robôs, usando-a como um gêmeo digital. Então, vamos analisar o seguro. Quando você percorre o edifício, no início da apólice, obtém um estado inicial da propriedade. Com base nisso, pode criar uma apólice de seguro hiperpersonalizada. E, ao percorrê-lo novamente na renovação, você

08:17 vê as mudanças, a manutenção e assim por diante. A seguradora pode, então, avaliar o desempenho da propriedade com base em fatos relevantes para suas apólices e oferecer uma apólice de seguro muito personalizada, o que significa um prêmio muito eficiente para segurar essa propriedade e cobri-la da maneira adequada. E estes são os números por trás disso. Por exemplo, o caso de negócio para o seguro seria

08:47 que a seguradora paga pelo que consegue verificar. Atualmente, o que as seguradoras sabem é que um em cada três edifícios comerciais está registrado com a classe de construção errada. No caso específico, por exemplo, do prêmio contra furacões, 35% dos edifícios podem receber um desconto desse percentual se forem certificados. Um edifício certificado significa que atende a determinados padrões de conformidade, o que pode ser verificado com um gêmeo digital de IA desse tipo

09:17 ativo do… do ativo. E você também vê que 70%, 73% das seguradoras concordam que fazem menos reclamações por danos causados por furacões se os edifícios tiverem sido inspecionados e certificados. E esta é apenas uma certificação que você pode fazer automaticamente com IA, além de muitas outras certificações dentro do edifício, que talvez o qualifiquem para esses programas.

09:48 Mas, sim, todos os três dependem essencialmente de alguém conhecer o edifício e o estado dele. E é isso. Essa é essencialmente a palestra. Acho que a classe de ativos imobiliários é muito grande e realmente precisa ser transparente, e há uma enorme ineficiência ocorrendo todos os dias. Acho que, com as novas descobertas sobre o que a IA é capaz de fazer, podemos tornar o mercado muito mais transparente e criar um mercado realmente novo e hiperpersonalizado em torno dos ativos.

10:20 Muito obrigado. Se quiser saber mais, visite meu site, spranik.com. Obrigado pela atenção.

Transcrição original

[00:01] Hello. I’m very excited to give this talk today at AI Engineer NYC 2026. Um this is a collaboration between Sprana and Neo4j. Sprana, I am the founder of. It was founded in June 2026. Neo4j is a graph database in based in Sweden, Malmö. And um a special thanks here at Zaeem, who is the collaborator on Neo4j’s side. This is about every building is a balance sheet and the spatial memory for

[00:31] real-world assets. The largest asset class on Earth is real estate and it’s about 400 trillion globally in size. And um this is more than global equities, debt, and gold combined. If we look on the right, you see a lot of squares. Each square is about 1 trillion uh in worth and you can see the residential part is the biggest. It’s around 300 trillion. Then you can see the commercial is around 60 trillion and then agriculture around 50 trillion.

[01:02] And uh today we will focus more on the commercial side, but all of this um real estate is impacted by essentially a gap. And the gap is that our financial books uh where we have lending and insurances and um mortgages, all of this is book kept um and this is updated every quarter. But the actual underlying assets, which is the real estate that they are based on, um they’re not updated every

[01:33] quarter. In fact, they’re only updated maybe every few years, maybe just before the financial instrument for the for the real estate is being created. And also maybe again once it needs a modification or a new financial instrument on top of it, maybe in in year five is a very re- realistic time frame. But between year zero and year five, you really don’t have an update on the

[02:04] building state or the real estate state. So that means that while the book closes so many times, there’s really a black box or maybe something that is based on some pictures and some PDFs about the building. And this is a real gap. Um and you can see it. So according to Kroll, um they did a research with 1,500 properties. Essentially, 70% of the buildings are underinsured. And why exactly that is, um

[02:35] I don’t exactly know. It didn’t conclude. But my read is that the the record is quite old and it’s maybe also not as detailed. So the insurance is not very highly specified and really fulfilling the needs of the real estate. And [snorts] this impacts around 4 trillion US commercial mortgages. And um yeah, every one of them rests on the building. Uh so the question, what would it take to make a building as queryable as a ledger? And a ledger here can be give

[03:07] you an answer in milliseconds. But a building today is giving you only an answer after a site visit. And even then, maybe in like some notes, PDFs, very dispersed and intransparent, not unified. Um so this is where the idea comes in, where every walk becomes a memory. And how this works is you just take a off-the-shelf sensor, you walk the space, and you map it. And you can see it up there actually being created. That was me uh going through a conference

[03:37] hall. And the whole walk or the whole scan here took literally just walking through it. And a minute later, you had the scan. Um so you walk through the property, whoever that is, property management, etc., can be equipped with it. They map it. And [clears throat] as they map it, you get all the assets in the building being recognized and stored in a database, which is building below. This is the graph database. And so, this is then has a semantic meaning, which means we can really

[04:07] understand the space. And as we walk it again, both walks are kept. So, walk on Monday and a Monday next year or the next quarter. And these are now aligned on a time axis. So, we have a space, we know what’s in the space, and we know the evolution of the space according to every every time we walk it and we measure it. And this is all kept as a graph. Graph have a bunch of technical benefits, but one of them is they’re extremely flexible in what information you want to

[04:38] gather and how you want to connect it. And so, this can be hyper personal personalized to each asset to each to each property. Um yeah. And so, now what is it that a record has to answer? So, these are not vision questions, they are ledger questions. You really want to know in a property or in the real estate, what has changed? So, two walks of one space compare object by object and and surrounding by surrounding. You

[05:09] also want to know when it has changed. So, every observation carries and captures where it came from. And you also want to know who needs to know information or deltas that have happened that we have now observed. So, when you find something with evidence, for example, structural damages or maybe for fire insurance that fire extinguishers are off off Yeah, they have expired, then you need to know that and you need to be informed and counteract

[05:41] on it. Or maybe the insurance can know and they can increase their premiums by the performance of the upkeep of the property. So, hyper-individualized insurance. Um and here’s really how it looks. So, this is just me walking through a kitchen captured twice, once on the left and once on the right. And you can see you just walk the space, you directly get the map, and um and as you walk the same space, they’re being recognized as the same space, and

[06:12] you can align them between um the same space in the time period A and the time period B, and you have a timeline. And once you have a map, you can now use it as an AI-ready asset, which means that you can chat with it, you can talk with it, you can ask questions against it. For example, here I ask, “Where can I heat myself?” And in the map, the answer is being given to the radiator. Or, “Is there a glass or mug to drink from in a kitchen?” It It points you to

[06:42] the glasses and mugs in the kitchen. Um so, this is very powerful because it makes the map from pixels into something we can work with. Um and now also the change detection. So, this were two passes we made of this kitchen or of this space, and we can really now connect these two and ask, “What is the delta between them? What has changed in this environment?” And in this case, um these three chairs in the middle have been displaced, and you can see when you chat with the with the asset, with your

[07:14] data, you can actually identify the delta and get the ground source reference to the actual capture, so you have proof of it changing. Um so, what does this all mean? It means that you have now a building that is an AI-ready data asset. So, there’s one record of what it what is there, and you can connect it to any downstream task. So, on the left we have this conference scan that I made, and then you can now check over time any repair that needs to

[07:45] be happening or some maintenance or some compliance checks or insurance or maybe interior design changes or maybe even you have some robotics that you want to place there and it’s like a digital twin for it to use. So, let’s check the insurance. When you walk the building, when the policy starts, you have like a first initial state of the property and on based on this you can do a hyper-personalized insurance policy. And as you walk it again at renewal, you now

[08:17] see the delta and the upkeep and so on and the insurance policy insurance company can actually measure the performance of the property for relevant facts against its policies and give a very hyper-personalized insurance policy, which means a very efficient premium to insure such property and insure it in the right way. Uh yeah, and these are the numbers behind that. So, the business case here for the insurance for example would be

[08:47] that the insurance pays for what it can verify and so currently what insurers know is that one in three commercial buildings are on the books with the wrong construction class. 35% of the buildings in the specific case for example for the hurricane premium can actually get a deduction of of such percentage if it’s a certified building. Certified building means it has certain compliance standards and that you can check from such an AI digital

[09:17] asset of the of the asset. And you also see that 70% 73% of the insurers agree that they claim fewer claims for hurricane damage if they have been checked and certified against the building. And just this is just one such certification you can do automatically with AI plus a lot of other certification and inside of the building that qualifies maybe for such programs.

[09:48] But yeah, all three of them essentially depend on somebody knowing the building and and the state of the building. Um and that’s it. That’s essentially the talk. I think that the real estate class is very big and it really needs to be transparent and there’s a huge inefficiency happening day that I think with the new insights of what AI is capable to do we can make much more transparent and create a really new hyper-customized market around around assets.

[10:20] Thank you very much. Um if you want to find out more, please visit my website spranik.com and thank you for your attention.