Kratak i konkretan odgovor
Ako razmišljate o kupnji apartmana u Phuketu i netko vam pokaže AI prognozu rasta cijena za sljedećih 3-5 godina, budite oprezni. Prema studiji objavljenoj u lipnju 2026. u znanstvenom časopisu AGILE-GISS (svezak 7), istraživači sa Tehničkog sveučilišta u Beču (TU Wien) dokazali su da modeli umjetne inteligencije koji odlično procjenjuju trenutnu cijenu nekretnine sustavno precjenjuju vlastitu točnost kada je riječ o predviđanju budućnosti. Kratkoročno, model može izgledati genijalno. Dugoročno, brojke se često raspadnu.
Za nekoga tko iz Hrvatske ulaže u nekretninu u Bang Tau ili Sukhumvitu, ovo nije akademska sitnica, nego pitanje koje direktno utječe na novčanik.
Što je istraživanje TU Wien zapravo pokazalo
Autori Christopher Kmen, Gerhard Navratil i Ioannis Giannopoulos objavili su rad naziva 'When Today's Accuracy Fails Tomorrow' u recenziranom časopisu AGILE-GISS, svezak 7, u lipnju 2026. Njihov glavni nalaz zove se ‘temporalna pristranost validacije’ (temporal validation bias) - pojava kada model tijekom treniranja efektivno ‘zaviri’ u buduće podatke, pa se čini puno pametnijim nego što stvarno jest.
Brojke to jasno pokazuju:
| Metoda testiranja | Prosječna točnost |
|---|---|
| Testiranje na povijesnim podacima (in-sample) | preko 90% |
| Testiranje na stvarno budućim podacima (out-of-sample) | 60-70% ili manje |
Drugim riječima, model koji na papiru izgleda kao da pogađa cijenu s preciznošću od 90%, u stvarnom svijetu, kad se testira na razdobljima koja nije “vidio”, često padne na 60-70%. To je ogromna razlika kad se radi o odluci vrijednoj nekoliko milijuna bahta.
Zašto prognoze pucaju baš na duljim horizontima
Problem nije u samim algoritmima, nego u načinu na koji se testiraju. Većina modela se validira na kratkim razdobljima od 1 do 6 mjeseci, gdje slučajnost i stabilnost tržišta stvaraju lažni dojam preciznosti. Kad se isti model primijeni na horizont od 2 do 5 godina, greška se ne povećava linearno, nego se multiplicira. Regulatorne promjene, makroekonomski šokovi i pomaci u potražnji akumuliraju se i model jednostavno nije treniran da ih predvidi.
Među testiranim pristupima, XGBoost i ensemble modeli pokazali su se kao najobećavajući. No čak i ovi modeli, upozoravaju autori studije, ostaju nepouzdani ako nisu prošli takozvano out-of-sample testiranje, dakle provjeru na podacima koje nikad prije nisu “vidjeli”.
Dodatni problem je i kvaliteta podataka. Kvalitetni podaci o transakcijama su rijetki, a u Tajlandu je taj problem izraženiji nego u Europi, gdje su registri nekretninskih transakcija znatno transparentniji.
Koriste li tajlandski developeri uopće AI
Da, i to redovito. Veliki developeri u Bangkoku i Phuketu već koriste AI alate za određivanje cijena i analizu potražnje. No nijedan poznati developer ne oslanja se isključivo na strojne modele kada donosi konačnu odluku o cijeni ili strategiji prodaje. AI je kod njih alat za predfiltriranje, a ne zamjena za ljudsku procjenu.
Zanimljiv je i podatak iz istraživačke bilješke Goldman Sachsa objavljene u srpnju 2026, koja pokazuje da AI ne uništava poslove u nekretninama, nego ih preoblikuje: agenti i investitori koji koriste AI alate u prosjeku zarađuju više od onih koji se drže starih metoda rada.
Za kontekst koliko je tržište Phuketa zapravo “digitalizirano”: samo u Phuketu je između prosinca 2025. i svibnja 2026. zabilježeno 54.628 stvarnih upita, od čega 71% za najam, a 29% za kupnju. To pokazuje da AI analiza potražnje već stvarno oblikuje odluke na najzrelijem tržištu regije.
Praktični koraci: kako pametno koristiti AI za investiciju u Tajlandu
Ako ozbiljno razmišljate o ulaganju u nekretninu u Tajlandu tijekom 2026, evo redoslijeda koji ima smisla slijediti.
1. Odredite točno koju vrstu AI analize trebate
Postoje tri razine: pretraga tržišta (pronalaženje perspektivnih lokacija), procjena vrijednosti konkretne nekretnine (usporedba sličnih prodaja) i prognoza prinosa. AI danas dobro obavlja prve dvije. Za treću, još uvijek nije dovoljno pouzdan.
2. Provjerite podatke naspram javno dostupnih izvora
Platforme poput DDproperty i Hipflat objavljuju indekse cijena po četvrtima. Usporedite što AI model tvrdi s realnim kretanjem cijena u posljednje 3 godine. Ako je razlika veća od 15%, modelu jednostavno ne vjerujte.
3. Tražite dokaz o out-of-sample testiranju
Studija AGILE-GISS iz 2026. jasno kaže: model testiran samo na povijesnim podacima (in-sample) ne zaslužuje vaše povjerenje. Kad vam netko ponudi AI prognozu, pitajte je li model testiran na podacima koje nikad nije “vidio” tijekom treniranja.
4. Prikupite podatke specifične za vašu ciljanu lokaciju
AI modeli bolje funkcioniraju u dobro dokumentiranim četvrtima. Za Phuket (Bang Tao, Laguna), Bangkok (Sukhumvit, Silom) i Pattayu (Wongamat) postoji dovoljno podataka. Za manje mapirana područja poput Krabija ili Koh Samuija, modeli su primjetno manje precizni.
5. Unaprijed rezervirajte let za razgled nekretnine
Osobni obilazak nekretnine ostaje nezamjenjiv. AI vam može pokazati brojke, ali ne može opisati kvalitetu gradnje, stvarno stanje infrastrukture ili osjećaj samog kvarta.
6. Uključite lokalnog stručnjaka za konačnu due diligence provjeru
AI je filter prve razine. Suzi 200 opcija na 10. Ali konačnu odluku treba donijeti netko tko razumije lokalne zakone, reputaciju developera i specifičnosti konkretnog projekta.
7. Osvježavajte podatke svakih 3 do 6 mjeseci
Tajlandsko tržište kreće se brzo. Model treniran na podacima s početka 2025. može posve promašiti nove infrastrukturne projekte, poput proširenja BTS linije u Bangkoku, ili promjene vizne politike.
Zaključak: alat, ne proricanje sudbine
Glavna poruka studije AGILE-GISS iz 2026. je jednostavna: AI u nekretninama je snažan analitički alat, ali loš prorok budućnosti. Koristite ga za ono u čemu je dobar, obradu velikih količina podataka i prepoznavanje obrazaca, a strateške odluke temeljite na stručnoj analizi, poznavanju lokalnog tržišta i zdravom razumu. Naš tim u Nekretninama u Tajlandu upravo tako i radi: AI koristimo za brzu pretragu i usporedbu, a finalnu procjenu prepuštamo ljudima koji poznaju Phuket iz prve ruke.
Izvor: Thaiger