Եթե դուք հետևում եք Ֆուկեթի կամ Բանգկոկի անշարժ գույքի շուկային ինտերնետով և հանդիպել եք 'AI-ով ապագա գների կանխատեսում' խոստացող գովազդների, ժամանակն է իմանալ մի կարևոր փաստ. 2026 թվականի հունիսին TU Wien-ի հետազոտողները (Christopher Kmen, Gerhard Navratil և Ioannis Giannopoulos) AGILE-GISS գիտական ամսագրում (7-րդ հատոր) հրապարակեցին ուսումնասիրություն, որի համաձայն՝ գների կանխատեսման AI մոդելները համակարգված ձևով գերագնահատում են սեփական ճշգրտությունը։ Պատճառը ալգորիթմները չեն, այլ դրանք ստուգելու (վալիդացիայի) սխալ մեթոդաբանությունը, և հենց սա է ուղղակիորեն ազդում Թաիլանդում ներդրող հայախոս գնորդների գրպանի վրա։
Ինչո՞ւ պետք է կասկածել 'ճշգրիտ' AI կանխատեսումներին
Հետազոտության կենտրոնական եզրակացությունն է. մոդելները, որոնք թեստավորվում են միայն պատմական տվյալների վրա ('in-sample'), հաճախ ցույց են տալիս 90%-ից ավելի ճշգրտություն։ Բայց երբ նույն մոդելները փորձարկվում են իսկապես ապագա ժամանակահատվածների վրա, արդյունքը կտրուկ իջնում է մինչև 60-70% կամ ավելի ցածր։ Այս երևույթը գիտնականներն անվանում են temporal validation bias (ժամանակային վալիդացիայի շեղում) մի իրավիճակ, երբ մոդելը փաստացի 'նայում է' ապագա տվյալներին ուսուցման ընթացքում, ինչը արհեստականորեն բարձրացնում է նրա ինքնավստահությունը։
Գործնականում սա նշանակում է. եթե ինչ-որ մեկը Ֆուկեթում կոնկրետ նախագծի համար խոստանում է 3-5 տարվա եկամտաբերության ճշգրիտ կանխատեսում՝ հիմնվելով միայն AI-ի վրա, արժե զգույշ լինել։
Որ AI մոդելներն են աշխատում ամենալավը
Հետազոտության մեջ փորձարկված մոտեցումներից XGBoost-ը և անսամբլային (ensemble) մոդելները ցույց տվեցին լավագույն արդյունքները։ Այնուամենայնիվ, հեղինակները հատուկ ընդգծում են. առանց ապագա ժամանակահատվածների վրա out-of-sample թեստավորման, նույնիսկ այս մոդելները մնում են անվստահելի։
Արդյունքների վրա ազդում է նաև տվյալների սակավությունը. որակյալ գործարքային տվյալները սակավ են ամենուր, բայց Թաիլանդում այս խնդիրը զգալիորեն ավելի սուր է, քան Եվրոպայում, որտեղ անշարժ գույքի գործարքների գրանցամատյանները շատ ավելի թափանցիկ են։
Կարճ կանխատեսման հորիզոնները (1-6 ամիս) ստեղծում են ճշգրտության պատրանք։ Բայց 2-5 տարվա հեռանկարում կանխատեսման սխալը բազմապատկվում է. կուտակվում են կարգավորիչ փոփոխություններ, մակրոտնտեսական ցնցումներ և պահանջարկի տեղաշարժեր, որոնք մոդելը պարզապես չէր կարող հաշվի առնել ուսուցման պահին։
Ինչպես են AI-ն օգտագործում Թաիլանդի իրական դեվելոպերները
Բանգկոկի և Ֆուկեթի խոշոր դեվելոպերները արդեն օգտագործում են AI գործիքներ գնագոյացման և պահանջարկի վերլուծության համար, բայց ոչ մի հայտնի ընկերություն վերջնական որոշումների համար չի հենվում բացառապես մեքենայական մոդելների վրա։
2026 թվականի հուլիսին Goldman Sachs-ի հետազոտական զեկույցը ցույց տվեց, որ AI-ն վերաձևավորում է անշարժ գույքի աշխատաշուկան ոչ թե աշխատատեղերը վերացնելով, այլ դրանք վերակազմավորելով. այն գործակալներն ու ներդրողները, ովքեր օգտագործում են AI գործիքներ, ավելի շատ են վաստակում, քան նրանք, ովքեր հենվում են հին մեթոդների վրա։
Ինքնին Ֆուկեթում, 2025 թվականի դեկտեմբերից մինչև 2026 թվականի մայիս ընկած ժամանակահատվածում, գրանցվել է 54,628 իրական հարցում, որոնցից 71%-ը վերաբերում էր վարձակալությանը, իսկ 29%-ը՝ գնմանը։ Այս թվերը ցույց են տալիս, թե որքան լուրջ դեր է խաղում AI-վրա հիմնված պահանջարկի վերլուծությունը տարածաշրջանի ամենահասուն շուկայում որոշումներ կայացնելիս։
Գործնական քայլեր. ինչպես ճիշտ օգտագործել AI-ն Ֆուկեթում ներդրում անելիս
1. Հստակեցրեք՝ ինչ տեսակի վերլուծություն է ձեզ պետք Կան երեք մակարդակ. շուկայի սքրինինգ (հեռանկարային տեղամասերի որոնում), կոնկրետ օբյեկտի գնահատում (համադրելի գործարքների վերլուծություն) և եկամտաբերության կանխատեսում։ AI-ն արդեն լավ է աշխատում առաջին երկուսում։ Երրորդում՝ դեռ ոչ։
2. Ստուգեք բաց տվյալների հետ DDproperty և Hipflat պլատֆորմները հրապարակում են շրջանային գների ինդեքսներ։ Համեմատեք AI մոդելի արդյունքը վերջին 3 տարվա իրական գնային շարժի հետ։ Եթե տարբերությունը գերազանցում է 15%-ը, մոդելին վստահելու հիմք չկա։
3. Պահանջեք out-of-sample վալիդացիա 2026 թվականի AGILE-GISS հետազոտությունն ուղղակիորեն ասում է. մոդել, որը թեստավորվել է միայն պատմական տվյալների վրա, ձեր վստահությանն արժանի չէ։ Հարցրեք ցանկացած մատակարարի՝ արդյոք մոդելը փորձարկվել է այնպիսի տվյալների վրա, որոնք այն երբեք չի 'տեսել' ուսուցման ընթացքում։
4. Հավաքեք տվյալներ հենց ձեր թիրախային տեղամասի համար AI մոդելները ավելի լավ են աշխատում լավ փաստագրված շրջաններում։ Ֆուկեթում (Բանգ Թաո, Լագունա), Բանգկոկում (Սուխումվիտ, Սիլոմ) և Պատայայում (Վոնգամատ) տվյալները բավարար են։ Ավելի քիչ ուսումնասիրված վայրերում, ինչպիսիք են Կրաբին կամ Կոհ Սամուին, մոդելների ճշգրտությունը նկատելիորեն ցածր է։
5. Նախապես ամրագրեք ուսումնական ուղևորության ուղեգրերը Գույքն անձամբ տեսնելը դեռևս անփոխարինելի է։ AI-ն կարող է ցույց տալ թվեր, բայց չի կարող նկարագրել շինարարության իրական որակը, ենթակառուցվածքի իրական վիճակը կամ թաղամասի ընդհանուր մթնոլորտը։
6. Վերջնական due diligence-ի համար ներգրավեք տեղական փորձագետ AI-ն առաջին մակարդակի ֆիլտր է. այն 200 տարբերակից ընտրում է 10-ը։ Բայց վերջնական որոշումը պատկանում է նրան, ով հասկանում է տեղական օրենսդրությունը, դեվելոպերի հեղինակությունը և կոնկրետ նախագծի նրբությունները։
7. Թարմացրեք տվյալները յուրաքանչյուր 3-6 ամիսը մեկ Թաիլանդի շուկան արագ է շարժվում։ 2025 թվականի սկզբի տվյալների վրա ուսուցանված մոդելը կարող է բաց թողնել նոր ենթակառուցվածքային նախագծեր, օրինակ՝ Բանգկոկի BTS երկարացումները, կամ վիզայի քաղաքականության փոփոխությունները։
AGILE-GISS 2026 հետազոտության հիմնական դասն այն է, որ AI-ն անշարժ գույքի ոլորտում հզոր վերլուծական գործիք է, բայց ապագայի վատ կանխատեսող։ Օգտագործեք այն այնտեղ, որտեղ այն իսկապես ուժեղ է. մեծ ծավալի տվյալների մշակում և օրինաչափությունների հայտնաբերում, իսկ ռազմավարական որոշումները հիմնավորեք փորձագիտական վերլուծության, տեղական շուկայի իմացության և առողջ դատողության վրա։
Աղբյուր՝ Thaiger
Պատրա՞ստ եք ներդրում կատարել Թաիլանդում։ Թաիլանդի անշարժ գույք թիմի փորձագետները կօգնեն ձեզ գտնել ճիշտ օբյեկտը՝ հաշվի առնելով վերոնշյալ բոլոր ռիսկերն ու հնարավորությունները։