Zamislite da vam neko pokaže AI alat koji sa 90% preciznosti "pogađa" cene stanova u Bang Tao ili na Sukhumvitu. Zvuči ubedljivo, zar ne? Problem je što ta impresivna cifra skoro uvek dolazi iz testiranja na podacima iz prošlosti, a ne iz stvarnog predviđanja budućnosti. Kada isti model treba da proceni kretanje cena za tri ili pet godina unapred, ta ista tačnost često propadne na 60-70% ili manje. Ovo nije nagađanje, nego zaključak sveže studije iz 2026. godine, objavljene u časopisu AGILE-GISS (Volume 7), u kojoj su istraživači sa Tehničkog univerziteta u Beču (TU Wien) detaljno analizirali današnje prostorno-svesne modele za predviđanje cena nekretnina.
Za nekoga ko razmišlja o kupovini stana u Phuketu ili investiciji u Bangkoku, ovo nije akademska sitnica. To je razlika između informisane odluke i skupe greške. Problem, kako naglašavaju autori studije, nije u samim algoritmima, već u načinu na koji se ti algoritmi proveravaju pre nego što im poverujemo.
Šta tačno kaže studija sa TU Wien
Studiju su u junu 2026. godine objavili Christopher Kmen, Gerhard Navratil i Ioannis Giannopoulos sa TU Wien, pod naslovom 'When Today's Accuracy Fails Tomorrow', u recenziranom časopisu AGILE-GISS, Volume 7. Centralni nalaz je da prostorno-vremenski (spatiotemporal) modeli pate od takozvane pristrasnosti temporalne validacije, sistemske greške u kojoj model, pojednostavljeno rečeno, "zaviri" u buduće podatke tokom sopstvenog treniranja.
Rezultat: tačnost koja se meri na istorijskim podacima (in-sample) često prelazi 90%, ali kada se model testira na periodima koje zaista nije "video", preciznost pada na 60-70% ili niže. Kratki horizonti prognoze, obično od jednog do šest meseci, stvaraju lažni utisak preciznosti. Kada se posmatra period od dve do pet godina, greška se višestruko uvećava.
Koji AI modeli se najbolje pokazuju
Među testiranim pristupima, XGBoost i ansambl (ensemble) modeli pokazali su se kao najobećavajući. Ipak, autori studije jasno naglašavaju: čak i ovi modeli ostaju nepouzdani ako se ne testiraju metodom out-of-sample validacije, dakle na podacima iz perioda koji model nikada nije video tokom treniranja.
Ograničena dostupnost kvalitetnih podataka o transakcijama i dalje predstavlja veliku prepreku. U Tajlandu je ovaj problem izraženiji nego u Evropi, jer su registri nekretninskih transakcija u evropskim zemljama znatno transparentniji.
Da li tajlandski developeri stvarno koriste AI
Odgovor je da. Veliki developeri u Bangkoku i Phuketu već koriste AI alate za formiranje cena, ali nijedan od njih ne donosi konačne odluke isključivo na osnovu mašinskih modela. Ljudska procena, tržišno iskustvo i poznavanje lokalnih specifičnosti i dalje su neizostavni deo procesa.
Zanimljivo je da istraživačka beleška Goldman Sachsa iz jula 2026. godine pokazuje da AI ne ukida poslove u nekretninama, već ih preoblikuje. Agenti i investitori koji su usvojili AI alate u proseku ostvaruju bolje rezultate od onih koji se drže starih metoda rada.
Konkretan primer sa terena: samo u Phuketu je između decembra 2025. i maja 2026. godine zabeleženo 54.628 realnih upita, od čega 71% za iznajmljivanje, a 29% za kupovinu. Ovo pokazuje da AI analiza tražnje već oblikuje stvarne poslovne odluke na jednom od najzrelijih tržišta u regionu.
Praktičan vodič: kako koristiti AI pri kupovini u Tajlandu
Ako planirate da koristite AI alate pri proceni nekretnina u Tajlandu tokom 2026. godine, evo redosleda koraka koji ima smisla:
1. Odredite tačno šta vam AI treba da odradi
Postoje tri nivoa upotrebe: skrining tržišta (pronalaženje perspektivnih lokacija), procena vrednosti konkretne nekretnine (analiza uporedivih prodaja) i prognoza prinosa. AI danas dobro obavlja prva dva zadatka. Treći, prognozu prinosa na duži rok, još uvek ne radi pouzdano.
2. Uporedite rezultate sa javno dostupnim podacima
Platforme poput DDproperty i Hipflat objavljuju indekse cena po okruzima. Uporedite šta vam AI model kaže sa stvarnim kretanjem cena u poslednje tri godine. Ako se razlika popne preko 15%, tom modelu ne verujte.
3. Tražite dokaz o out-of-sample validaciji
Studija AGILE-GISS iz 2026. godine je jasna: model testiran isključivo na istorijskim podacima ne zaslužuje vaše poverenje. Pitajte svakog ko vam nudi AI prognozu da li je model testiran na podacima koje nikada nije "video" tokom treniranja.
4. Prikupite podatke specifične za vašu ciljanu lokaciju
AI modeli su tačniji u dobro dokumentovanim okruzima. Za Phuket (Bang Tao, Laguna), Bangkok (Sukhumvit, Silom) i Pattaju (Wongamat) postoji dovoljno podataka. Za manje mapirane oblasti, poput Krabija ili Koh Samuija, modeli su primetno manje precizni.
5. Zakažite let za obilazak nekretnine na vreme
Ličan obilazak nekretnine i dalje ništa ne može da zameni. AI vam može pokazati brojke, ali vam ne može opisati kvalitet gradnje, stvarno stanje infrastrukture, niti "osećaj" jedne ulice ili naselja.
6. Angažujte lokalnog stručnjaka za finalnu proveru
AI je filter prvog nivoa. On vam od 200 opcija izdvoji 10 najboljih. Ali konačnu odluku treba da donese neko ko poznaje lokalne zakone, reputaciju developera i specifičnosti konkretnog projekta.
7. Osvežavajte podatke na svakih 3 do 6 meseci
Tajlandsko tržište se menja brzo. Model treniran na podacima sa početka 2025. godine može lako propustiti nove infrastrukturne projekte, poput proširenja BTS linije u Bangkoku, ili promene u viznoj politici.
Zaključak: alat da, presuda ne
Suština nalaza iz studije AGILE-GISS 2026 je jednostavna: veštačka inteligencija u nekretninama jeste moćan analitički alat, ali je loš prorok budućnosti. Najbolje je koristiti je za ono u čemu je zaista dobra, obradu velikih količina podataka i uočavanje obrazaca, dok strateške odluke treba da počivaju na ekspertskoj analizi, poznavanju lokalnog tržišta i zdravom razumu.
Ako razmišljate o kupovini u Phuketu ili bilo gde drugde u Tajlandu, tim Nekretnine na Tajlandu rado će vam pomoći da AI podatke protumačite u kontekstu stvarnog tržišta, umesto da se oslonite samo na algoritamsku prognozu.
Izvor: Thaiger