Egy phuketi villára betáplált mesterséges intelligencia alapú értékbecslő modell rendre alacsonyabb árat dob ki, mint amennyiért a hasonló ingatlanok valójában elkelnek. A hiba nem az algoritmusban van. A thaiföldi adásvételi szerződésekben ugyanis jellemzően nem a tényleges vételárat rögzítik, hanem azt a hivatalos, földhivatali (Land Department) becsült értéket, amely alapján az illetéket számolják ki. A modell pontosan azt tanulja meg, amit elé raknak, és egy olyan számot ad vissza, amelyért a valóságban senki nem adja el az ingatlanát.
Ez a kis történet valójában választ ad egy nagyobb kérdésre is: mire jó ma a mesterséges intelligencia az ingatlanpiacon, és mire nem. Ott működik kiválóan, ahol a bemeneti adat bőséges és tiszta: levelezésben, dokumentumkezelésben, fordításban, pénzügyi modellezésben, érdeklődők előszűrésében. Ott bukik el, ahol a piac eleve átláthatatlan, és a thaiföldi használt lakáspiac pontosan ilyen.
Alább egy őszinte, hype nélküli áttekintés következik arról, mely eszközök hoznak mérhető időmegtakarítást egy Thaiföldön dolgozó ügynöknek vagy investornak 2026-ban, hol törik meg a rendszer, és mit lehet tenni ezzel.
Melyik öt feladatban működik jól az AI Thaiföldön?
Négy terület az, ahol a mesterséges intelligencia megbízhatóan hoz eredményt: a beérkező érdeklődők előszűrése, a többnyelvű tartalomkészítés (angol, orosz, thai), a hosszú jogi dokumentumok feldolgozása és a hozamkalkulációs pénzügyi modellek felépítése. Ötödikként sokan az automatikus értékbecslést sorolnák ide, de ez pontosan az a pont, ahol a rendszer megbicsaklik.
A thaiföldi használt lakáspiac automatikus értékbecslése nem működik megbízhatóan: nincs nyilvános nyilvántartás a tényleges tranzakciós árakról, és a betanító adatokat torzítja a hivatalos, adózási célú becsült érték. Egy aktív ügynöknek ugyanakkor heti 8-12 óra megtakarítás reális a rutinfeladatokon, a teljesen automatizált értékesítés viszont nem.
Az AI semmilyen konfigurációban nem helyettesíti a chanote tulajdoni lap jogi ellenőrzését, a fejlesztő státuszának átvilágítását, vagy a 49%-os külföldi tulajdoni kvóta pontos kiszámítását egy társasházi (kondó) projektben.
Mit mond a 2026-os kutatás az AI valós szerepéről?
A 2026 szeptemberében az arXiv-on megjelent tanulmány az AI-t egyszerre kezeli tőkeként, szintetikus munkaerőként és infrastruktúraként, amely öt csatornán fejti ki hatását: automatizáció, munkaerő-kiterjesztés (augmentáció), optimalizáció, előrejelzés és innováció. Az ingatlanszektorban ezek közül eddig csak az első kettő terjedt el széles körben.
A kutatás az AI-t olyan általános célú technológiaként osztályozza, mint az elektromosság vagy a számítástechnika volt a maga korában: egyszerre hat a termelékenységre, a cégstruktúrára és a foglalkoztatásra. A munkaerőpiaci hatást három lehetséges forgatókönyv mentén írja le: helyettesítés, kiegészítő jelleg (komplementaritás), és kreatív rombolás. Az ingatlanközvetítői szakma szempontjából ez nem a szakma eltűnését jelenti, hanem egy átrendeződést: a rutinfeladatok eltűnnek, a tárgyalási készség és a helyi szakértelem értéke pedig nő.
A tanulmány egyik legfontosabb figyelmeztetése a koncentrációs kockázat: nem azok nyernek, akik előfizetnek egy AI-modellre, hanem azok, akik saját, egyedi adatvagyont halmoztak fel. Egy olyan ügynökség, amelynek CRM-jében öt év tranzakciós története van, strukturális előnyben van azokkal szemben, akik csak a piaci átlagadatokra hagyatkoznak.
Miért becsül alá minden algoritmus egy phuketi villát?
A válasz a thaiföldi adózási rendszerben rejlik. A Kincstári Osztály (Treasury Department) ingatlan-értékbecslése ciklusokban működik, a jelenlegi ciklus 2023-tól 2026-ig tart, és ez alapján számolják ki a 2%-os tulajdon-átruházási illetéket (transfer duty). Ez a becsült érték, nem a piaci ár, kerül be a legtöbb elérhető adatbázisba.
Van egy másik adó is, amely torzítja a képet: az ötéves tulajdonon belüli viszonteladásra kivetett különleges üzleti adó (Specific Business Tax) 3,3%, és mindig a magasabb összegből számítják, a tranzakciós árból vagy a becsült értékből. Az AI ezt a szabályt hibátlanul kiszámolja, feltéve, hogy pontos bemeneti adatokat kap.
A gyakorlatban ez azt jelenti: egy turistaövezetben, például egy phuketi villánál, az automatikus becslés és a valós piaci ár közötti eltérés jelentős lehet, piaci becslések szerint akár félrevezetően nagy is. Ez az AI-modell referenciapontnak jó, tárgyalási alapnak nem.
Összehasonlításképp: egy 2026 júliusában készült globális SAP és Oxford Economics felmérés, amely 2600 vállalati vezetőt kérdezett meg, azt találta, hogy az AI megtérülése nő, ha a cégek egyre mélyebben integrálják a technológiát a működési folyamataikba. Ez a mintázat már megjelenik a korai bangkoki és phuketi kondóértékelő eszközöknél is, amelyek összehasonlítható tranzakciók alapján mérhető, elfogadható hibahatáron belül dolgoznak.
Hogyan kezdje el egy ügynök vagy investor az AI bevezetését?
Az első lépés nem egy szoftver kiválasztása, hanem a saját adatok exportálása. Az elmúlt 24 hónap ügyfél-levelezését, megtekintési előzményeit, az elbukott üzletek okait, és a valós záró árakat kell összegyűjteni. Ha ez nincs meg, a modell mindig valaki más statisztikáján fut, és Thaiföld esetében ezek a statisztikák gyengék.
Ezután jön a kiindulási alap felmérése: hány órát tölt heti szinten üzenetekre válaszolással, listák összeállításával, hirdetések fordításával, törlesztési feltételek ellenőrzésével? Ezt a bevezetés előtt kell mérni, különben soha nem lehet bizonyítani az AI hatását utólag.
A legjobb belépési pont a fordítás és a lokalizáció, nem az értékesítés. Egy angol, orosz és thai nyelvű munkafolyamat a hirdetésszövegeknél és a fejlesztői levelezésnél azonnal érzékelhető eredményt hoz. Építsen egy szakszótárat (chanote, leasehold, freehold, sinking fund), és ezt adja a modellnek a szöveg mellé, különben jogilag értelmezhetetlen fordítást kap vissza.
A hozamkalkulátort táblázatban érdemes felépíteni, a képleteket pedig hagyni, hogy a modell írja meg. Vegye figyelembe a 2%-os átruházási illetéket, a forrásadót, az ötéves tulajdonon belüli viszonteladásra vonatkozó 3,3%-os különleges üzleti adót, a kezelői társaság díjait, és a bérlők közötti kiesési időt. A modellek jól írnak képleteket, de rosszul tippelik meg a bemeneti adatokat, ezért ezeket saját maga állítsa be.
A dokumentumfeldolgozás a következő lépés. Egy thai fejlesztővel kötött adásvételi szerződés könnyen elér 40 oldalt. Töltse fel, és kérje meg a modellt, hogy emelje ki a törlesztési ütemtervet, a késedelmes átadásra vonatkozó szankciókat és a felmondási feltételeket. Ezután a kiemelt részeket saját maga olvassa el, mert a modell gyorsan megtalálja a lényeget, de gyakran elveszít egy-egy mellékletre utaló hivatkozást.
Meddig automatizálható az érdeklődők kezelése?
Csak félig. Egy chatbot összegyűjtheti a költségvetést, az időzítést, a vásárlási célt és az időzónát, de a második üzenetnél már embernek kell átvennie a beszélgetést. Egy 15 millió THB értékű ingatlanról szóló, teljesen automatizált párbeszéd elveszíti az ügyfelet.
Ugyanezek az eszközök jól használhatók a megtekintési útvonalak megtervezésére is. A modell elfogadható javaslatot ad egy kétnapos, három körzetet lefedő útvonalra a phuketi forgalom figyelembevételével, a repülőjegyeket és a szállást viszont célszerű külön és korán lefoglalni, mert a főszezoni árak gyorsabban emelkednek, mint amilyen gyorsan a tervek változnak.
Havonta egyszer érdemes leltárt készíteni arról, mi nem működött. A legtöbb csapat, amely tíz AI use case-t próbál ki, végül csak kettőt-hármat tart meg.
Egy figyelmeztetés többet ér, mint a fenti lista egésze: a hirdetésszövegek generálása a legnépszerűbb és leginkább túlértékelt felhasználási mód. A szöveg simán gördül, a konverzió nem javul, és egy vevő, aki egy hét alatt tíz weboldalt végignézett, felismeri a gépi ritmust, és elveszti a bizalmát a hirdetés iránt. Ha egy erős eredményt szeretne tíz közepes helyett, dokumentumokba és kalkulációkba fektessen, ne marketingszövegbe.
A saját álláspontunk: egy Thaiföldön egyedül dolgozó ügynöknek 2026-ban a levelezésre és a dokumentumokra kell koncentrálnia az AI-bevezetésnél. Minden más csak évi több tucat lezárt üzlet mellett térül meg. Ha valaki negyedévente két üzletet zár, becsületesebb, ha ezt az időt abba fekteti, hogy tovább mélyíti a tudását arról a körzetről, amelyet már most is jobban ismer, mint a versenytársai.
Bízhat-e egy magyar vevő az automatikus phuketi árbecslésben?
Referenciapontként igen, tárgyalási alapként nem. A modellek olyan adatokból tanulnak, ahol az ár gyakran megegyezik a 2023-2026-os ciklus hivatalos becsült értékével, nem a tényleges tranzakciós összeggel. Turisztikai övezetekben, viszonteladási ingatlanoknál a különbség jelentős lehet, piaci becslések szerint.
Egy magánhozó investor számára az AI legnagyobb haszna nem a jóslás, hanem az aritmetikai ellenőrzés. Töltse fel a fejlesztő törlesztési ütemtervét, a garantált hozam feltételeit, és a saját kihasználtsági feltevéseit, majd kérje meg a modellt, hogy számolja ki a cash flow-t és a megtérülési pontot. A látszólag jól hangzó ajánlatok fele pontosan ezen a lépésen bukik meg.
Az ügyfél-dokumentumok feltöltése kockázatos, ha nyilvános szolgáltatásba kerülnek, amely a felhasználói adatokon tanul. Személyes adatokat, útlevélszámokat és szerződésazonosítókat mindig anonimizáljon feltöltés előtt, és a beállításokban kapcsolja ki a tanítási funkciót, ez kötelező lépés, nem opció.
Forrás: Kalinka Thailand