بخش ساختمان یکی از بزرگ‌ترین مصرف‌کنندگان انرژی و تولیدکنندگان انتشارهای مرتبط با انرژی در جهان است و سهم قابل توجهی از رشد تقاضای انرژی نیز به آن مربوط می‌شود

بر اساس داده‌های آژانس بین‌المللی انرژی (IEA)، عملیات ساختمان‌ها حدود ۳۰٪ مصرف نهایی انرژی جهانی و ۲۶٪ انتشارهای مرتبط با انرژی را به خود اختصاص می‌دهد. همچنین گزارش‌های IEA نشان می‌دهند که بخش مسکونی حدود ۷۰٪ تقاضای انرژی ساختمان‌ها را تشکیل می‌دهد؛ بنابراین مسکونی‌ها بزرگ‌ترین میدان اثر برای فناوری‌های مدیریت انرژی و بهره‌برداری هوشمند محسوب می‌شوند.
هوش مصنوعی (AI) با تکیه بر داده‌های طراحی (BIM)، داده‌های ساخت تصویر(Reality Capture)، و داده‌های بهره‌برداری ترموستات، حسگرهای IAQ، کنتور هوشمند، (BMS) می‌تواند تصمیم‌سازی را در سه محور کلیدی مسکونی تقویت کند: (۱) کاهش انرژی با حفظ آسایش، (۲) بهبود کیفیت هوای داخل و سلامت، (۳) کاهش خرابی‌ها و هزینه نگهداشت—خصوصاً در ساختمان‌های چندواحدی. این مقاله با رویکرد مرور نیمه‌نظام‌مند، چارچوب «داده→مدل→تصمیم→اثر» را برای مسکونی ارائه می‌دهد و سپس نمونه‌های موفق جهانی (با شواهد ارزیابی مستقل و یا پیاده‌سازی صنعتی) را تحلیل می‌کند. از جمله گزارش ارزیابی RCT مسابقه SENS بریتانیا در مورد ترموستات هوشمند، برنامه داده‌اشتراکی Donate Your Data شرکت ecobee، پژوهش‌های RL برای کنترل HVAC مسکونی با BOPTEST و اعتبارسنجی واقعی، چارچوب DT-BEMS و نگهداشت پیش‌بین تجهیزات مشترک نم