Zamislite da umjesto tjedan dana čekanja na procjenu vile na Phuketu, dobijete relevantnu analizu za pet minuta, potkrijepljenu stvarnim transakcijskim podacima, satelitskim snimkama okoline i analizom teksta oglasa. To više nije scenarij iz budućnosti. Krajem lipnja 2026. istraživači ruske Visoke ekonomske škole (HSE) objavili su model koji kombinira geoprostorne podatke, strojno učenje i velike jezične modele (LLM) za automatsku procjenu komercijalnih nekretnina, s točnošću koju ljudski procjenitelj s tablicama u Excelu jednostavno ne može dostići.
Za svakoga tko razmišlja o ulaganju u tajlandsku nekretninu, ovo nije samo akademska zanimljivost s druge strane svijeta. To je jasan signal da se cijelo tržište procjene vrijednosti nekretnina mijenja iz temelja, i to upravo sada, dok vi čitate ovaj tekst.
Što je zapravo multimodalni AVM i zašto je važan kupcima u Tajlandu
Automatizirani modeli procjene vrijednosti (AVM, Automated Valuation Models) postoje već godinama. Ono što je novo jest sposobnost da model istovremeno analizira tri potpuno različite vrste podataka: strukturirane (cijena, kvadratura), geoprostorne (lokacija, infrastruktura) i semantičke (tekstualni opisi koje obrađuje jezični model poput ChatGPT-a). Ta kombinacija sve tri razine podataka jest ono što donosi skok u točnosti, i upravo se to danas primjenjuje u praksi, od poslovnih zgrada u Bangkoku do agencija za nekretnine na Phuketu.
HSE studija, objavljena 30. lipnja 2026., prva je rusko-jezična studija koja integrira značajke izvedene iz jezičnih modela u automatiziranu procjenu komercijalnih nekretnina, koristeći stvarne transakcijske podatke s moskovskog tržišta. Metodologija je prenosiva na druga tržišta, a Tajland, gdje su transakcijski podaci sve dostupniji kroz platforme poput DDproperty i Hipflat, izravan je kandidat za takvu prilagodbu.
Koje podatke AI zapravo koristi za procjenu vrijednosti
Geoprostorni kontekst uključuje udaljenost od javnog prijevoza, gustoću pješačkog prometa i blizinu konkurencije, parametre koji su jednako presudni i na Tajlandu, samo prevedeni u lokalni kontekst: udaljenost od plaže, udaljenost od zračne luke, blizina trgovačkih centara.
Semantički signali izvlače se iz opisa nekretnine pomoću velikih jezičnih modela i hvataju subjektivne kvalitete poput 'pogleda na more', 'mirnog susjedstva' ili 'vrhunske završne obrade', detalje koje tradicionalni modeli potpuno zanemaruju, a koji na tržištu poput Phuketa mogu značiti razliku od nekoliko tisuća eura u cijeni.
Koliko je AI brži i točniji od klasične procjene
Ovdje brojke govore najjasnije. Tradicionalna procjena griješi između 10 i 20% u odnosu na tržišnu cijenu. Multimodalni AVM-ovi tu grešku spuštaju na 5-8% na tržištima s dovoljno podataka. Vodeće tajlandske agencije već izvještavaju da analiza koja je nekad trajala 48 sati danas traje 3 do 5 minuta.
Modeli strojnog učenja za prognozu cijena danas predviđaju kretanja cijena u Bangkoku i na Phuketu 6 do 12 mjeseci unaprijed, s točnošću od 82 do 87%. Prema tržišnim procjenama, do 2026. više od 40% velikih developera u jugoistočnoj Aziji koristi elemente AI analitike pri određivanju cijena novih projekata. Segment na kojem je HSE model testiran, street retail (poslovni prostori u prizemljima), doživljava pravi procvat i na Tajlandu: komercijalne najamnine na Phuketu i u Bangkoku porasle su 12 do 15% tijekom prošle godine.
Kako sami krenuti koristiti AI prije kupnje nekretnine
1. Odredite čemu vam AI procjena zapravo služi
Ako kupujete stan na Phuketu radi prihoda od najma, treba vam model koji uzima u obzir sezonalnost, popunjenost i visinu najamnine. Ako gledate poslovni prostor u Bangkoku, ključni su pješački promet i konkurencija u okolici. Definirajte cilj prije nego odaberete alat.
2. Prikupite osnovne podatke o nekretnini
Lokacija (GPS koordinate), kvadratura, kat, godina izgradnje, udaljenost od ključne infrastrukture. Za Tajland posebno obratite pažnju na udaljenost od plaže (u metrima), udaljenost od zračne luke, postojanje upravljačke tvrtke i trenutnu popunjenost najma.
3. Iskoristite AI alate koji već postoje
Servisi poput HouseCanary, Zillow Zestimate i PriceHubble već koriste elemente multimodalne procjene. Potpuni tajlandski ekvivalent još ne postoji, ali kombiniranjem podataka s DDproperty, Google Maps API-ja i ChatGPT-a možete sami sastaviti osnovni semantički model.
4. Dodajte geoprostornu analizu
Mapirajte konkurentsko okruženje u radijusu od 1-2 km od nekretnine. Koliko usporedivih stanova postoji u blizini? Kolika je prosječna cijena po kvadratu? Planiraju li se novi projekti? Ovi podaci izravno utječu na buduću vrijednost.
5. Provjerite AI procjenu s lokalnim stručnjakom
Model je alat, ne proročište. Automatizirana procjena trebala bi se poklapati s mišljenjem lokalnog stručnjaka unutar 10%. Ako je razlika veća, potražite uzrok, najčešće model ne uzima u obzir lokalne specifičnosti poput ograničenja stranog vlasništva nad zemljištem na Tajlandu.
6. Pripremite analizu prije putovanja na razgled
Dođite na Phuket s već izrađenim modelom. Rezervirajte smještaj u blizini nekretnina koje vas zanimaju kako biste sve stigli obići u 2-3 dana. Razgled na licu mjesta potvrđuje podatke koje je AI prikupio prije nego što ste uopće sletjeli.
7. Ažurirajte model svaka 3-6 mjeseca
Tajlandsko tržište kreće se brzo. Novi projekti, promjene propisa i kolebanja tečaja bahta utječu na procjenu vrijednosti. Model koji nije osvježen šest mjeseci proizvodi zastarjele brojke.
Može li AI potpuno zamijeniti procjenitelja nekretnina
Ne. Prema HSE studiji objavljenoj u lipnju 2026., automatizirani modeli poboljšavaju točnost i brzinu, ali i dalje zahtijevaju stručnu provjeru čovjeka. AI briljantno radi s podacima, ali ne može uočiti pukotinu u zidu ili namirisati vlagu u kupaonici, a to su detalji koji na Tajlandu, s obzirom na tropsku klimu, mogu biti presudni.
Radi li ova tehnologija uopće na tajlandskom tržištu
Metodologija je prenosiva. HSE studija provedena je na moskovskom tržištu street retaila, ali principi integracije geoprostornih i semantičkih podataka univerzalni su. Glavni je uvjet dovoljna količina stvarnih transakcijskih podataka, a Tajland, s platformama poput DDproperty i Hipflat, sve više ispunjava taj uvjet.
Za investitora to znači da odluka o kupnji na Phuketu ili u Bangkoku više ne mora počivati isključivo na intuiciji posrednika, nego se može potkrijepiti objektivnim podacima, uz svakako nužnu provjeru na terenu.
Automatizirana procjena nije budućnost tržišta nekretnina, ona je sadašnjost. Investitori koji danas koriste multimodalne modele donose oštrije odluke i plaćaju poštenu cijenu. Pravilo ostaje isto: AI daje podatke, ali konačnu odluku i dalje donosi čovjek koji kupuje.
Ako planirate ulaganje u nekretninu na Tajlandu i želite kombinirati ovakve alate s provjerenim lokalnim iskustvom, tim Nekretnine u Tajlandu može vam pomoći da AI procjenu povežete sa stvarnim stanjem na terenu, prije nego potpišete bilo što.
Izvor: Kalinka Thailand