Predstavljajte si, da vam AI aplikacija v petih sekundah izračuna, da bo vaš apartma v Bang Tao čez tri leta vreden 20 % več. Zveni prepričljivo, številke so lepo zaokrožene, graf kaže lepo naraščajočo črto. Težava je v tem, da je po najnovejših znanstvenih dognanjih prav ta vrsta napovedi med najbolj nezanesljivimi, kar jih algoritmi sploh znajo ponuditi.
To ni ugibanje, temveč ugotovitev sveže študije iz leta 2026, objavljene v reviji AGILE-GISS (letnik 7), v kateri so raziskovalci dunajske tehnične univerze (TU Wien) natančno razčlenili današnje prostorsko ozaveščene modele za napovedovanje cen nepremičnin.
Kratek odgovor za nestrpne
Študija AGILE-GISS iz junija 2026 je pokazala, da modeli za napovedovanje cen nepremičnin sistematično precenjujejo lastno natančnost, ker so bili napačno validirani na časovni ravni. Znotraj vzorca (torej na zgodovinskih podatkih, ki jih je model že 'videl') natančnost pogosto presega 90 %, ko pa model testirajo na resnično prihodnjih obdobjih, natančnost pade na 60-70 % ali manj. Za investitorje na Tajskem to pomeni, da je slepo zaupanje AI napovedi donosnosti za določen projekt v obdobju 3-5 let dokaj tvegano.
Kaj točno so raziskovalci odkrili
Avtorji študije, Christopher Kmen, Gerhard Navratil in Ioannis Giannopoulos s TU Wien, so junija 2026 v recenzirani reviji AGILE-GISS (letnik 7) objavili delo z naslovom 'When Today's Accuracy Fails Tomorrow' (Ko današnja natančnost jutri odpove).
Osrednja ugotovitev: prostorsko-časovni modeli trpijo zaradi t. i. pristranskosti časovne validacije. To je sistematično popačenje, pri katerem model med učenjem dejansko 'pokuka' v prihodnje podatke, zato na testu deluje veliko bolje, kot bi deloval v resničnem življenju, ko prihodnosti seveda ne pozna.
Med testiranimi pristopi sta se najbolje odrezala XGBoost in ansambelski modeli (kombinacije več algoritmov), a tudi ta pristopa po besedah avtorjev ostajata nezanesljiva, če nista testirana na podatkih izven vzorca, torej na obdobjih, ki jih model med učenjem ni videl.
Kratki napovedni horizonti (1-6 mesecev) ustvarjajo iluzijo natančnosti. Ko pa horizont raztegnemo na 2-5 let, se napaka napovedi ne poveča linearno, temveč se pomnoži, saj se nakopičijo dejavniki, ki jih model sploh ni mogel predvideti: spremembe zakonodaje, makroekonomski šoki, nihanja povpraševanja.
Dodaten problem so omejeni podatki. Kakovostnih podatkov o dejanskih transakcijah je malo, na Tajskem pa je ta težava še izrazitejša kot v Evropi, kjer so registri prometa z nepremičninami precej bolj pregledni.
Uporabljajo tajski razvijalci sploh AI?
Da, in to precej resno. Veliki razvijalci v Bangkoku in na Phuketu že uporabljajo orodja umetne inteligence za oblikovanje cen, vendar se nobeden od njih pri končnih odločitvah ne zanaša izključno na strojne modele. AI služi kot dodatno mnenje, ne kot zadnja beseda.
Zanimivo je tudi raziskovalno poročilo Goldman Sachs iz julija 2026, ki ugotavlja, da umetna inteligenca na trgu nepremičnin ne uničuje delovnih mest, temveč jih preoblikuje. Agenti in investitorji, ki sprejmejo AI orodja v svoje delo, v povprečju zaslužijo več kot tisti, ki ostajajo pri starih metodah.
Na samem Phuketu, ki je eden najbolj razvitih trgov v regiji, so med decembrom 2025 in majem 2026 zabeležili 54.628 resničnih povpraševanj, od tega 71 % za najem in 29 % za nakup. To dobro kaže, kako je analiza povpraševanja s pomočjo AI danes že sestavni del vsakodnevnega odločanja na trgu.
Praktični koraki: kako pametno uporabiti AI pri nakupu na Tajskem
Če razmišljate o nakupu nepremičnine na Phuketu, v Bangkoku ali Pattayi in bi radi izkoristili prednosti umetne inteligence, ne da bi vas zavedla, sledite temu zaporedju.
1. Najprej si razjasnite, kakšno analizo dejansko potrebujete
Obstajajo tri ravni: presejanje trga (iskanje obetavnih lokacij), vrednotenje posamezne nepremičnine (primerjava podobnih prodaj) in napoved donosnosti. AI danes že dobro opravlja prvi dve nalogi. Pri tretji, torej pri napovedih donosa, še ni dovolj zanesljiv.
2. Preverite podatke pri odprtih virih
Platforme, kot sta DDproperty in Hipflat, objavljajo cenovne indekse po posameznih okrajih. Primerjajte, kaj vam pove AI model, z dejanskim gibanjem cen v zadnjih treh letih. Če je razlika večja od 15 %, modelu preprosto ne zaupajte.
3. Zahtevajte testiranje na podatkih izven vzorca
Študija AGILE-GISS iz leta 2026 je jasna: model, ki je bil testiran samo na zgodovinskih podatkih (znotraj vzorca), si vašega zaupanja ne zasluži. Kdorkoli vam ponuja AI napoved, ga vprašajte, ali je bil model testiran na podatkih, ki jih med učenjem ni 'videl'.
4. Zberite podatke specifične za vašo ciljno lokacijo
Modeli delujejo bolje na dobro dokumentiranih območjih. Za Phuket (Bang Tao, Laguna), Bangkok (Sukhumvit, Silom) in Pattayo (Wongamat) obstaja dovolj podatkov. Za manj kartografirana območja, kot sta Krabi ali Koh Samui, so modeli opazno manj natančni.
5. Rezervirajte ogled nepremičnine v živo, in sicer pravočasno
Osebni ogled ostaja nenadomestljiv. AI vam lahko pokaže številke, ne more pa vam opisati kakovosti gradnje, dejanskega stanja infrastrukture ali občutka, ki ga ima soseska.
6. Za končno skrbno preverjanje vključite lokalnega strokovnjaka
AI je prvo sito. Iz 200 možnosti izloči najboljših 10. Toda končno odločitev naj sprejme nekdo, ki pozna lokalno zakonodajo, ugled razvijalca in posebnosti konkretnega projekta, tako kot to počnemo pri Nepremičnine na Tajskem.
7. Podatke osvežujte vsakih 3 do 6 mesecev
Tajski trg se giblje hitro. Model, naučen na podatkih iz zgodnjega leta 2025, lahko zgreši nove infrastrukturne projekte, na primer podaljšave linije BTS v Bangkoku, ali spremembe vizumske politike.
Kaj to pomeni za slovenskega kupca
Ključni nauk študije AGILE-GISS 2026 je preprost: umetna inteligenca je v nepremičninah močno analitično orodje, a slab napovedovalec prihodnosti. Uporabite jo za tisto, v čemer je dobra, torej za obdelavo velikih količin podatkov in prepoznavanje vzorcev, strateške odločitve pa naj vedno temeljijo na strokovni analizi, poznavanju lokalnega trga in zdravi kmečki pameti.
Vir: Thaiger