პირდაპირი პასუხი: შეიძლება თუ არა AI-ს ენდოთ უძრავი ქონების პროგნოზში?
ხანმოკლე პასუხი: ისტორიულ მონაცემებზე AI შესანიშნავად ითვლის ფასს, მაგრამ 2-3 წლიან პროგნოზში ხშირად ცდება. 2026 წლის ივნისში გამოქვეყნებულმა კვლევამ (AGILE-GISS, ტომი 7, ვენის ტექნიკური უნივერსიტეტი - TU Wien) აჩვენა, რომ მოდელების 'სიზუსტე' ხშირად ხელოვნურად გაბერილია, რადგან ისინი არასწორად ტესტირდება. თუ ინვესტორი ფუკეტში ან ბანგკოკში ქონებას ყიდულობს მხოლოდ AI-ს პროგნოზზე დაყრდნობით, რისკავს გადაწყვეტილებას მიიღოს არასწორი ციფრებით.
ქართველი მყიდველისთვის, რომელიც ტაილანდში კონდომინიუმს ან ვილას ეძებს, ეს ნიშნავს ერთს: AI კარგი ინსტრუმენტია შედარებისთვის და პირველადი გაცხრილვისთვის, მაგრამ საბოლოო გადაწყვეტილება ისევ ადამიანურ ექსპერტიზას სჭირდება.
რას აჩვენა 2026 წლის კვლევა კონკრეტულად
კვლევა ჩაატარეს TU Wien-ის მკვლევრებმა: კრისტოფერ კმენმა, გერჰარდ ნავრატილმა და იოანის იანოპულოსმა. ნაშრომი, სახელწოდებით 'When Today's Accuracy Fails Tomorrow', გამოქვეყნდა peer-review ჟურნალ AGILE-GISS-ის მე-7 ტომში, 2026 წლის ივნისში.
ძირითადი დასკვნა: სივრცით-დროითი მოდელები (spatiotemporal models) განიცდიან 'დროითი ვალიდაციის მიკერძოებას' (temporal validation bias). სახელდობრ, მოდელი ტესტირებისას თითქოს 'იმზირება' მომავალ მონაცემებზე, რაც ხელოვნურად ზრდის მის შედეგებს.
ციფრები თვალსაჩინოა: სამუშაო ნიმუშზე (in-sample) სიზუსტე ხშირად აღემატება 90%-ს, მაგრამ როცა მოდელს რეალურ, მომავალ პერიოდზე ტესტავენ, შედეგი ეცემა 60-70%-მდე ან უფრო დაბლა. მთავარი მიზეზი მოკლე პროგნოზირების ჰორიზონტია, რომელიც არ ასახავს, რამდენად სასარგებლოა მოდელი რეალურ ბაზარზე.
ტესტირებულ მიდგომებს შორის ყველაზე დამაჯერებელი შედეგები აჩვენა XGBoost-მა და ანსამბლურმა მოდელებმა (ensemble models). თუმცა ავტორები ხაზგასმით აღნიშნავენ: მომავალი პერიოდის მონაცემებზე ტესტირების (out-of-sample validation) გარეშე, ეს მოდელებიც არასაიმედოა.
რატომ არის ეს განსაკუთრებით აქტუალური ტაილანდისთვის
ხარისხიანი ტრანზაქციული მონაცემები მწირია, და ტაილანდში ეს პრობლემა ევროპასთან შედარებით მკვეთრადაა გამოხატული, სადაც უძრავი ქონების რეესტრები გაცილებით გამჭვირვალეა.
მოკლე პროგნოზირების ჰორიზონტი (1-6 თვე) ქმნის სიზუსტის ილუზიას. მაგრამ 2-5 წლიან ჰორიზონტზე პროგნოზის ცდომილება მრავლდება, არა უბრალოდ იზრდება.
ბანგკოკისა და ფუკეტის მსხვილი დეველოპერები უკვე იყენებენ AI ინსტრუმენტებს ფასწარმოქმნისთვის, მაგრამ არცერთი მათგანი საბოლოო გადაწყვეტილებას მხოლოდ მანქანურ მოდელს არ ანდობს.
2026 წლის ივლისში Goldman Sachs-ის კვლევითმა ჩანაწერმა აჩვენა საინტერესო ტენდენცია: AI არ ანადგურებს სამუშაო ადგილებს უძრავი ქონების სექტორში, არამედ ცვლის მათ სტრუქტურას. აგენტები და ინვესტორები, რომლებიც AI ინსტრუმენტებს იყენებენ, საშუალოდ მეტს გამოიმუშავებენ, ვიდრე ძველი მეთოდების მიმდევრები.
ფუკეტში, 2025 წლის დეკემბრიდან 2026 წლის მაისამდე პერიოდში, დაფიქსირდა 54,628 რეალური მოთხოვნა უძრავ ქონებაზე: 71% გაქირავებაზე, 29% ყიდვაზე. ეს რიცხვი კარგად აჩვენებს, რომ AI-ზე დაფუძნებული მოთხოვნის ანალიზი უკვე რეალურად ფორმირებს გადაწყვეტილებებს რეგიონის ყველაზე განვითარებულ ბაზარზე.
პრაქტიკული გეგმა: როგორ გამოვიყენოთ AI გონივრულად 2026 წელს
თუ 2026 წელს გეგმავთ ტაილანდში ინვესტიციას და გინდათ AI ინსტრუმენტების სწორად გამოყენება, მიჰყევით ამ თანმიმდევრობას.
1. გაარკვიეთ, კონკრეტულად რომელი ტიპის ანალიზი გჭირდებათ
არსებობს სამი დონე: ბაზრის საწყისი გაცხრილვა (პერსპექტიული ლოკაციების პოვნა), კონკრეტული ობიექტის შეფასება (მსგავსი გაყიდვების შედარება), და შემოსავლის პროგნოზირება. AI კარგად მუშაობს პირველ ორზე, მესამეზე ჯერ არა.
2. გადაამოწმეთ ღია მონაცემებით
პლატფორმები, როგორიცაა DDproperty და Hipflat, აქვეყნებენ ფასების ინდექსებს რაიონების მიხედვით. შეადარეთ AI მოდელის შედეგი რეალურ ფასების მოძრაობას ბოლო 3 წლის განმავლობაში. თუ სხვაობა აღემატება 15%-ს, ნუ ენდობით მოდელს.
3. მოითხოვეთ out-of-sample ვალიდაცია
2026 წლის AGILE-GISS კვლევა ცალსახად ამბობს: მოდელი, რომელიც მხოლოდ ისტორიულ მონაცემებზეა ტესტირებული, არ იმსახურებს ნდობას. ჰკითხეთ ყველას, ვინც AI პროგნოზს გთავაზობთ, გატესტილია თუ არა მოდელი ისეთ მონაცემებზე, რომელიც მას ტრენინგისას 'არ უნახავს'.
4. შეაგროვეთ მონაცემები კონკრეტულად თქვენი სამიზნე ლოკაციისთვის
AI მოდელები უკეთ მუშაობს კარგად დოკუმენტირებულ რაიონებში. ფუკეტში (Bang Tao, Laguna), ბანგკოკში (Sukhumvit, Silom) და პატაიაში (Wongamat) საკმარისი მონაცემები არსებობს. ნაკლებად შესწავლილ ტერიტორიებზე, როგორიცაა კრაბი ან კო სამუი, მოდელების სიზუსტე შესამჩნევად ეცემა.
5. წინასწარ დაგეგმეთ ვიზიტის ავიაბილეთები
ქონების პირადად დათვალიერება ვერაფრით ჩანაცვლდება. AI გაჩვენებთ ციფრებს, მაგრამ ვერ აღგიწერთ მშენებლობის ხარისხს, რეალურ ინფრასტრუქტურულ მდგომარეობას თუ უბნის ატმოსფეროს.
6. საბოლოო due diligence-ისთვის მოიწვიეთ ადგილობრივი ექსპერტი
AI არის პირველი ფილტრი, ის 200 ვარიანტს 10-მდე ამცირებს. მაგრამ საბოლოო სიტყვა იმ ადამიანს ეკუთვნის, ვინც იცნობს ადგილობრივ კანონმდებლობას, დეველოპერის რეპუტაციას და პროექტის სპეციფიკურ ნიუანსებს.
7. განაახლეთ მონაცემები ყოველ 3-6 თვეში
ტაილანდის ბაზარი სწრაფად იცვლება. მოდელი, ტრენირებული 2025 წლის დასაწყისის მონაცემებზე, შესაძლოა ვერ ითვალისწინებდეს ახალ ინფრასტრუქტურულ პროექტებს, მაგალითად BTS ხაზის გაფართოებას ბანგკოკში, ან ვიზის პოლიტიკის ცვლილებებს.
ხშირად დასმული კითხვები
შესაძლებელია თუ არა ტაილანდური კონდომინიუმის AI შეფასების ნდობა?
ნაწილობრივ. AI მოდელები კარგად მუშაობს შედარებით ანალიზში, ანუ გაჩვენებთ, რა ღირს მსგავსი ერთეული იმავე უბანში. მაგრამ 3-5 წლიანი ფასის ზრდის პროგნოზი, როგორც AGILE-GISS-ის კვლევამ (ტომი 7, 2026) აჩვენა, დროითი ვალიდაციის მიკერძოების გამო მაღალი რისკის შემცველია.
რომელი AI მოდელები აჩვენებს საუკეთესო შედეგს ქონების შეფასებაში?
XGBoost და ანსამბლური მოდელები აჩვენეს საუკეთესო შედეგები 2026 წლის კვლევაში. თუმცა, ზუსტობის დასადასტურებლად, მათაც სჭირდებათ out-of-sample ტესტირება.
რატომ ცდება AI პროგნოზები გრძელვადიან ჰორიზონტზე?
იმიტომ, რომ უმეტესი მოდელი ტესტირდება მოკლე პერიოდზე (1-6 თვე), სადაც სიზუსტე ხელოვნურად მაღალი ჩანს. 2-5 წლიან ჰორიზონტზე ფაქტორები, რომელთა გათვალისწინებაც მოდელს არ შეუძლია (მარეგულირებელი ცვლილებები, მაკროეკონომიკური შოკები, მოთხოვნის ცვლილება) გროვდება და ცდომილებას ამრავლებს.
იყენებენ თუ არა ტაილანდელი დეველოპერები რეალურად AI-ს?
დიახ. ბანგკოკის მსხვილი დეველოპერები იყენებენ AI-ს ფასწარმოქმნისა და მოთხოვნის ანალიზისთვის. მაგრამ არცერთი საჯაროდ ცნობილი კომპანია AI-ს, როგორც ერთადერთ გადაწყვეტილების მიმღებ ინსტრუმენტს, არ ეყრდნობა.
რის გაკეთებას შეუძლია AI ტაილანდელი ინვესტორისთვის დღეს?
სამი პრაქტიკული გამოყენება: სწრაფი ბაზრის გაცხრილვა (ფასების ზრდის ტენდენციის მქონე რაიონების პოვნა), სამართლიანი ღირებულების შეფასება მსგავსი გაყიდვების მეშვეობით, და თქვენს კრიტერიუმებთან შესაბამისი ახალი ლისტინგების ავტომატური მონიტორინგი.
რა მონაცემები სჭირდება AI მოდელს ზუსტი შეფასებისთვის?
მინიმუმ: რეალური ტრანზაქციული ფასები (არა ლისტინგის ფასი), ერთეულის ფართობი, სართული, მანძილი ტრანსპორტამდე და ზღვამდე, აშენების წელი და უბნის სიმჭიდროვე. ტაილანდის მთავარი გამოწვევა რეალურ ტრანზაქციულ რეესტრებზე შეზღუდული წვდომაა.
ღირს თუ არა AI ქონების შეფასების სერვისში ფულის გადახდა?
თუ სერვისი ამხელს თავის მეთოდოლოგიას და აჩვენებს out-of-sample ტესტირების შედეგებს, დიახ. თუ უბრალოდ გაძლევენ 'ზუსტ პროგნოზს' ახსნის გარეშე, არა. ყოველთვის შეამოწმეთ, რა მონაცემებზე ისწავლა მოდელმა და როდის განახლდა ბოლოს.
შეცვლის თუ არა AI უძრავი ქონების აგენტებს ტაილანდში?
უახლოეს 5 წელში, არა. AI აიღებს რუტინულ სამუშაოს: ქონების შერჩევას, საწყის ანალიზს, მონიტორინგს. მაგრამ დეველოპერებთან მოლაპარაკება, იურიდიული due diligence და მშენებლობის ხარისხის შეფასება ისევ ისეთი ამოცანებია, სადაც ადამიანური ექსპერტიზა აუცილებელია.
შეჯამება
AGILE-GISS-ის 2026 წლის კვლევის მთავარი გაკვეთილი მარტივია: AI უძრავი ქონების სექტორში ძლიერი ანალიტიკური ინსტრუმენტია, მაგრამ სუსტი პროგნოზისტი. გამოიყენეთ ის იმისთვის, რასაც კარგად აკეთებს, დიდი მოცულობის მონაცემების დამუშავება და შაბლონების ამოცნობა, ხოლო სტრატეგიული გადაწყვეტილებები დააფუძნეთ ექსპერტულ ანალიზზე, ადგილობრივი ბაზრის ცოდნასა და ჯანსაღ ლოგიკაზე. ჩვენი გუნდი ტაილანდის უძრავი ქონება-ში სწორედ ამ პრინციპით მუშაობს: AI-ს ვიყენებთ საწყისი ანალიზისთვის, საბოლოო რჩევას კი ადგილობრივი ექსპერტიზა და გამოცდილება განსაზღვრავს.
წყარო: Thaiger