1. ليس رقماً بل نطاق ثقة: كيف أعيد تشكيل التقييم العقاري

نفس المنزل، أرقام مختلفة

في عام 2021، أنتج منزل عائلي واحد من ثلاث غرف نوم في ضاحية من ضواحي أوستن، تكساس، إجابتين مختلفتين.

الإجابة الأولى قدّمها إنسان. مثمّن عقاري يمتلك عشرين عاماً من الخبرة في السوق المحلي تجوّل في المنزل، وفحص حالة السقف، وأشعة الشمس في الفناء الخلفي، وارتفاع السياج مقارنة بأرض الجار، وقارنه بثلاثة منازل مماثلة بيعت حديثاً، ثم وضع سعراً له. أما الإجابة الثانية فقدّمها خوارزمية. نموذج التقييم الآلي AVM (Automated Valuation Model) الخاص بشركة Zillow — المعروف باسم “Zestimate” — شغّل آلاف المتغيرات في آنٍ واحد وأنتج رقماً خلال ثوانٍ. المساحة بالقدم المربع، الاتجاه، الطابق، النطاق المدرسي، سجل المبيعات المحلية الأخيرة، بل وحتى ما إذا كان هناك حمام سباحة يظهر في صور الأقمار الصناعية.

اختلف الرقمان. وهذا ليس مستغرباً — فحتى المثمّنين البشريين يختلفون فيما بينهم بشكل روتيني. لكن ما حدث بعد ذلك كان مفاجئاً بحق. وثقت Zillow بإجابة خوارزميتها الخاصة إلى درجة أنها بدأت بشراء المنازل مباشرة بذلك السعر. هذا النشاط، المعروف باسم “iBuying”، قام على فرضية بسيطة وجريئة: إذا كان الذكاء الاصطناعي يسعّر بدقة، فلماذا لا نشتري ونبيع نحن أنفسنا بذلك السعر؟ في الربع الثالث من عام 2021 وحده، خسرت Zillow 421 مليون دولار في هذا النشاط. وقبل نهاية العام، أُغلق قسم Zillow Offers بالكامل، وسرّحت الشركة جزءاً كبيراً من موظفيها. رقم الخسارة السنوية الكاملة واعتراف الرئيس التنفيذي نفسه على السجل مذكوران بالتفصيل في الفصل الثامن.¹ وفي الفترة ذاتها تقريباً، تراجعت تجارب iBuying في أوروبا وآسيا أو توقفت بهدوء — من بينها عدة شركات ناشئة بريطانية، وعمليات الشراء الداخلية لبعض منصات السمسرة العقارية الصينية الكبرى. لم يكن هذا خطأ تقدير شركة واحدة. الخطأ نفسه — الخلط بين “سعر دقيق” و”سيولة السوق اللازمة فعلياً للشراء والبيع بذلك السعر” — تكرر عبر عدة قارات.

دقة Zestimate نفسها لم تكن سيئة. مقارنة بالمنازل المعروضة فعلياً للبيع، كان معدل الخطأ نحو 2%، وهو أضيق مما يحققه معظم المثمّنين البشريين.¹ ومع ذلك، أنفقت الشركة مئات الملايين من الدولارات في غضون بضعة أرباع فقط.

يكمن السبب في تمييز يمتد عبر هذا الفصل بأكمله. “معرفة قيمة شيء ما” و”امتلاك الجرأة والتوقيت المناسبين لشرائه وبيعه فعلياً بذلك السعر” مشكلتان مختلفتان تماماً. الذكاء الاصطناعي بارع في الأولى. أما الثانية، فتبقى، وستبقى على الأرجح لفترة طويلة، مجالاً متشابكاً مع سيولة السوق والتوقيت والحكم البشري. التحول الحقيقي في تقييم العقارات خلال السنوات الخمس الماضية ليس القصة البسيطة القائلة إن “الذكاء الاصطناعي أصبح أدق من البشر”. السؤال نفسه هو الذي تغيّر. لم يعد السؤال “كم تساوي هذه العقارة”، بل “كيف يبدو التوزيع الاحتمالي لقيمة هذه العقارة”.

من عصر الدقة إلى عصر نطاقات الثقة

يطرح ويليام بورفو، الذي يُعد كتابه الصادر عام 1999 بعنوان The Real Estate Game مرجعاً كلاسيكياً في الاستثمار العقاري، حجة تستحق العودة إليها: العقارات، في معظم الأحيان، لا تُقيَّم عبر جداول بيانات معقدة بل عبر “تحليل على ظهر مظروف”. فحتى وهو يدرّس العقارات في جامعة هارفارد، لاحظ أنه بينما تنجرف الأوساط الأكاديمية نحو نماذج متزايدة التعقيد، يقوم الممارسون بفرز الفرص بسرعة باستخدام حفنة فقط من النسب الأساسية — صافي الدخل التشغيلي (NOI)، العائد على حقوق الملكية (ROE)، وسعر الشراء مقارنة بتكلفة الإحلال. الحساب الذي دوّنه على ورقة مذكرات صفراء أثناء رده على مكالمة من سمسار لا يزال، حتى اليوم، لافتاً في بساطته: قسّم سعر الشراء على المساحة بالقدم المربع للحصول على السعر لكل قدم مربع، قارن ذلك بتكلفة البناء الجديد لتقييم مدى أمان السعر، ثم احسب النسبة المئوية من رأس المال المستثمر التي يدرّها الإيجار بعد خصم تكاليف التشغيل وخدمة الدين. أطلق على هذا التشبيه اسم “حساء دجاج الجدة” — نتيجة تخرج صحيحة تقريباً في كل مرة، دون الحاجة إلى وصفة دقيقة.

بعد خمسة وعشرين عاماً، يستحق هذا التشبيه أن يُقلب رأساً على عقب. تقييم العقارات في عصر الذكاء الاصطناعي لم يصل إلى لمسة الجدة — بل وصل إلى النقيض تماماً. آلة فائقة الدقة تقيس آلاف المتغيرات، وتتدرب على ملايين الصفقات التاريخية، وتضبط معدل خطئها حتى الرقم العشري. ومع ذلك، فإن ما منحته هذه الدقة للممارسين ليس “رقماً أكثر دقة”. فالمفارقة أن ما منحتهم إياه هو سؤال جديد: إلى أي مدى يمكن الوثوق بذلك الرقم أصلاً؟

السبب بسيط. معدل خطأ نموذج التقييم الآلي (AVM) ليس موحّداً. في الأسواق السائلة ذات الأصول الموحدة المعايير، يمكن أن ينخفض معدل الخطأ إلى 2-3%. المنزل العائلي المكوّن من ثلاث غرف نوم في ضاحية أمريكية هو الحالة الكلاسيكية — إذ تتوفر البيانات بغزارة.² أما في الأسواق ذات حجم الصفقات الضئيل، أو الأصول التجارية المميزة، أو فئة الأصول الناشئة التي لا تزال في طور التكوّن (مراكز البيانات، التي سنناقشها لاحقاً، هي المثال الأبرز)، فإن معدل الخطأ يتجاوز بسهولة 10%. ندرة البيانات هي السبب. النموذج نفسه، والشركة نفسها، تنتج أرقاماً يتعايش فيها “هذا الرقم قريب من اليقين” مع “هذا الرقم مجرد دليل تقريبي في أفضل الأحوال”. فنموذج AVM هو في جوهره تقييم قائم على المبيعات المماثلة، لكن بسرعة فائقة. فحيث يكوّن الإنسان انطباعه من خمسة أو ستة عقارات مماثلة خلال مكالمة هاتفية واحدة، تمسح الآلة آلاف العقارات المماثلة في اللحظة نفسها. لكن في سوق لا يوجد فيه ما يُمسح — أي بلا سجل صفقات — لا تجد حتى أسرع آلة ما تعمل عليه.

حسّ واحد ترسّخ بهدوء لكن بثبات في هذا القطاع خلال السنوات الخمس الماضية. لم يعد مقياس جودة نموذج التقييم هو “ما مدى دقة الرقم الذي ينتجه”، بل “هل يخبرك بمدى الثقة التي ينبغي أن توليها لهذا الرقم”. نطاق الثقة (confidence interval) — وهو مفهوم مستعار من الإحصاء — أصبح جزءاً من المفردات العملية للممارسة العقارية. فبدلاً من تصريح واحد جامد — “قيمة هذا المبنى مليون دولار” — أصبحت الإجابة التي يثق بها الناس اليوم أقرب إلى: “قيمة هذا المبنى، بثقة 90%، تتراوح بين 950,000 و1,050,000 دولار، رغم أن هذا النطاق يستند إلى ثلاث صفقات مماثلة حديثة فقط والعينة محدودة”. لم تعد الدقة هي المعيار الجديد، بل الصدق.

التحليل الائتماني في ثماني دقائق، وثمنه

لم يظهر هذا التحول في أي مكان بدرامية أكبر مما ظهر في عملية التحليل الائتماني (underwriting) لقروض العقارات التجارية. تقليدياً، كان قرض العقارات التجارية عملية بيروقراطية — تستغرق من 30 إلى 45 يوماً من تقديم الأوراق حتى الموافقة، مروراً بأيدي المصرفيين والمحللين عدة مرات. قراءة عقود الإيجار واحداً تلو الآخر، ونسخ إيرادات كل مستأجر يدوياً في جداول بيانات، والتحقق من الأرقام في بيانات التشغيل مقارنة بالسنوات السابقة، وبناء نماذج التدفق النقدي يدوياً. تماماً كما اختُتم الحساب الوارد على ظهر المظروف الذي وصفناه أعلاه خلال مكالمة هاتفية واحدة، فإن المنطق الأساسي لهذا العمل بسيط في جوهره. الفرق يكمن في الحجم. فنفس الحسابات التي يستخدمها المستثمر الفرد لفرز مبنى واحد، يتعين على البنك تكرارها على مئات الصفقات يومياً.

على مدى السنوات الخمس الماضية، تراكمت تقارير عن تبنّي البنوك للتحليل الائتماني بالذكاء الاصطناعي: تقليص وقت التحليل بنسبة 50-75%، وتوفير في التكاليف يصل إلى 20%.³ وفي الصفقات ذات الشروط الواضحة والمحددة جيداً، ظهرت حالات يقرأ فيها الذكاء الاصطناعي المستندات، ويبني نموذج التدفق النقدي تلقائياً، وينهي التحليل الائتماني في ثماني دقائق. عمل كان يستغرق من المحلل عدة أسابيع، تنجزه الآلة الآن في الوقت الذي يستغرقه تناول فنجان قهوة.

لكن هذه السرعة لها ثمن: عدد متزايد من “الصناديق السوداء” التي يصعب فيها تفسير سبب خروج رقم معيّن. يستطيع المحلل البشري أن يوضّح منطق حكمه — “خفّضت احتمالية تجديد عقد هذا المستأجر لأن مبيعاته الأخيرة كانت متذبذبة”. أما حين يتوصل نموذج الذكاء الاصطناعي إلى الاستنتاج نفسه، يصعب كثيراً معرفة ما إذا كان هذا الاستنتاج يعود فعلاً إلى أرقام مبيعات المستأجر، أم إلى انحياز تسلّل عن طريق الخطأ إلى بيانات التدريب. وبدأ التنظيم أيضاً في اللحاق بالركب — متأخراً لكن بسرعة — وتختلف نقطة الانطلاق وشكل الاستجابة من بلد لآخر. ففي الولايات المتحدة، تفرض القاعدة المشتركة بين الوكالات (Interagency Rule) الخاصة بنماذج AVM، والتي دخلت حيز التنفيذ عام 2024، إدارة مستوى الثقة في نماذج التقييم، وضمانات ضد التلاعب بالبيانات، وحماية من تضارب المصالح.⁴ وفي أوروبا، رسّخت الجهة المعنية بوضع معايير قطاع التثمين، عبر معيارها المنقّح لعام 2025، مبدأ أن “نموذج AVM لا يمكن أن يحل محل التثمين الرسمي بمفرده — بل يجب أن يقترن بمعاينة ميدانية وحكم من خبير”. قبل خمس سنوات، كانت الميزة التنافسية تعني “من يتبنى الذكاء الاصطناعي بأسرع وقت”. أما اليوم، فتعني “من يستطيع أن يفسّر حكم ذلك الذكاء الاصطناعي بشكل قابل للدفاع عنه” — محور تنافسي جديد يمتد عبر جميع القارات.

ثلاثون شخصاً يستحوذون على عملاق

حدث آخر يلخّص هذا المسار الممتد على خمس سنوات. في عام 2021، استحوذت JLL — إحدى أكبر شركات الخدمات العقارية في العالم — على Skyline AI، شركة ناشئة متخصصة في البيانات مقرها إسرائيل ونيويورك، ولا يتجاوز عدد موظفيها الثلاثين. ما الذي بنته هذه الشركة تحديداً، وكيف استُخدم بعد الاستحواذ، مذكور بالتفصيل في الفصل الثاني.⁵

السؤال الذي طرحه هذا الاستحواذ كان بسيطاً وحاداً في آن: هل يستطيع فريق صغير من علماء البيانات أن يتنبأ بمستقبل أصل عقاري بدقة أكبر من مؤسسة بُنيت على مدى عقود من السماسرة والمثمّنين؟ إجابة القطاع كانت الاستحواذ نفسه. ولم تكن هذه طريقة معزولة لاكتساب القدرات — فعلى مدى السنوات الخمس التالية، اختارت كبرى شركات السمسرة وإدارة الأصول مراراً الشراء بدلاً من البناء الداخلي. أما آسيا فسلكت نهجاً مختلفاً نوعاً ما. فبدلاً من الاستحواذ، بنت إحدى منصات السمسرة العقارية الصينية الكبرى فريقاً داخلياً كبيراً لهندسة البيانات، وطوّرت بنفسها ميزات مساعدة على التقييم بالذكاء الاصطناعي — بما في ذلك أدوات التعرف على الصور لقراءة حالة العقار المعروض من الصور. تباينت الخيارات بين الشراء والبناء، لكن الاستنتاج — أن قدرة الذكاء الاصطناعي أصبحت أصلاً تنافسياً محورياً لشركات الخدمات العقارية — ظل ثابتاً عبر القارات. الإحصاءات الداعمة الخاصة بـ JLL نفسها (عدد حالات استخدام الذكاء الاصطناعي، ومعدلات التبنّي التجريبي المؤسسي) مذكورة أيضاً في الفصل الثاني. لم يعد التقييم مجرد تجربة لحفنة من المتبنّين الأوائل. بل أصبح سير عمل قياسياً في القطاع.

خوارزمية بنت تواطؤاً لم تكن تدرك وجوده

ليس كل شيء في هذا المسار الممتد على خمس سنوات قصة مشرقة. أكثر الانعكاسات درامية هي حالة RealPage، برنامج تسعير الإيجارات. جمع البرنامج بيانات تسعير سرّية من عدة ملّاك عقارات، وأوصى بـ”إيجار أمثل” لكل مبنى. بدا المنطق معقولاً — نفس فرضية نموذج AVM: مزيد من البيانات يعني سعراً أدق.

المشكلة أن عدة ملّاك عقارات في المدينة نفسها استخدموا هذا البرنامج في الوقت ذاته. لم يتناقش أي مالك عقاري بشكل مباشر مع آخر بشأن التواطؤ. لكن لأن الجميع غذّى الخوارزمية نفسها ببيانات تسعير مبانيهم، ولأن الخوارزمية ركّبت تلك المعلومات في استنتاج مهموس واحد لكل منهم — “الجميع يستخدم البرنامج نفسه أيضاً، فالسوق يستطيع تحمّل رفع منسّق للإيجارات” — نشأ هيكل يعمل كالتواطؤ دون أن يتفق أحد على التواطؤ صراحة. وبحسب الشكوى التي رفعتها وزارة العدل الأمريكية، بدأ أحد الملّاك برفع الإيجارات في غضون أسبوع واحد من تبنّي البرنامج، ورفعها بأكثر من 25% خلال أحد عشر شهراً.⁶ وقد اعتبرت الدعوى القضائية الأمريكية المتعلقة بخوارزميات الإيجار هذا الأمر تسهيلاً للتواطؤ بشكل فعلي، وفي نوفمبر 2025 توصلت شركة البرنامج إلى تسوية مع وزارة العدل — دون الاعتراف بارتكاب مخالفة — ووافقت على وقف ميزة التوصية بالإيجار التي كانت تستخدم معلومات تنافسية سرّية.⁶

تتجاوز أهمية هذه القضية أي شركة أو بلد بعينه. فهي أول ردّ قانوني كبير على السردية القائلة إن “الذكاء الاصطناعي يجعل الأسواق أكثر كفاءة”. وقد ظهر قلق مماثل بالفعل عبر المحيط الأطلسي — ليس في العقارات بل في قطاع بيع الوقود بالتجزئة في أوروبا، حيث تبع موجةً من محطات الوقود التي تحولت إلى الخوارزمية نفسها للتسعير ارتفاعٌ مشترك في الهوامش، ما لفت انتباه سلطات المنافسة. قطاع مختلف، لكن الهيكل نفسه. بغض النظر عن قوانين أي بلد بعينه، وبالنظر إلى المبدأ الكامن: في اللحظة التي يشغّل فيها عدة منافسين الخوارزمية نفسها للتسعير في آنٍ واحد، تقف تلك الخوارزمية على الخط الفاصل بين كونها أداة كفاءة وكونها آلية تواطؤ. كل طرف يتصرف بعقلانية بمفرده، ومع ذلك تعمل النتيجة جماعياً كأنها كارتل — نوع جديد من فشل السوق. هذا هو الدرس الأكثر مباغتة من السنوات الخمس الأولى لتقييم العقارات بالذكاء الاصطناعي، وهو لا يقتصر على بلد واحد.

المثمّن لا يختفي — بل ينتقل مكانه

فماذا يحدث، في نهاية كل هذا، لمهنتَي المثمّن والسمسار؟ تشير بيانات السنوات الخمس إلى إجابة هي “انتقال المكان” لا “الانقراض”.

هناك عمل حقيقي استحوذ عليه الذكاء الاصطناعي بوضوح: استخراج وإدراج العقارات المماثلة، وحساب أسعار الأصول الموحدة المعايير، وقراءة إيرادات المستأجرين وبناء نماذج التدفق النقدي. هذه المهام المتكررة والكمّية أصبحت الآن أسرع لدى الآلات منها لدى البشر — بل وأدق، بالنسبة للأصول القياسية. ولهذا السبب بالتحديد اشترت كبرى شركات السمسرة شركات مثل Skyline AI بكاملها بدلاً من البناء داخلياً. فقدرة الحساب المتكرر لم تعد فراغاً يتعين على الإنسان ملؤه يدوياً، بل أصبحت مكوّناً جاهزاً يُشترى.

ولهذا السبب بالتحديد، تغيّرت طبيعة العمل المتبقي للبشر. فالسؤال الذي يصارعه المثمّن اليوم ليس “بكم بيع مبنى مماثل مؤخراً” — فالآلة تجيب على ذلك بالفعل خلال ثوانٍ. بل انتقل الناس نحو الأسئلة التي لا تلتقطها البيانات بعد: كيف تُقيَّم عقارة لا توجد لها عقارات مماثلة ذات دلالة يستند إليها النموذج؟ هل هناك تحوّل يختمر في تركيبة المستأجرين في هذا الحي لم تلتقطه البيانات بعد؟ هل يخفي البائع وضعاً يائساً؟ إصرار الجهة الأوروبية المعنية بمعايير التثمين على أن “نموذج AVM يجب أن يقترن بمعاينة ميدانية وحكم من خبير” يصب في المنحى ذاته — فهو يؤسس هيكلاً تقف فيه إجابة الآلة وإجابة الإنسان جنباً إلى جنب، ويشير فيه الإنسان إلى مواضع الاختلاف بينهما.

وتحوّل دور السمسار بطريقة مشابهة. فإخبار شخص ما بالسعر السائد فقد قيمته النادرة الآن بعدما أصبح بإمكان أي شخص التحقق منه على هاتفه خلال ثوانٍ. أما ما يكتسب قيمة الآن فهو قراءة الوضع الحقيقي للطرف الآخر عبر طاولة التفاوض، والتعامل مع متغيرات لا تُختزل في أرقام — التنظيم، والعلاقات المجتمعية، والشراكات. تقسيم العمل الجديد الذي أنتجته هذه السنوات الخمس هو التالي: تحسب الآلة “كم تساوي” حيث تتوفر البيانات بغزارة؛ ويحكم الإنسان “هل ينبغي الوثوق بهذا الرقم” حيث تكون البيانات شحيحة أو لم تكن أصلاً قابلة للاختزال في أرقام. ليست وظيفة ضائعة. بل وظيفة انتقلت مكانها.

ما يأتي بعد نطاق الثقة

فأي أجزاء من هذا المسار الممتد على خمس سنوات ستظل صحيحة بعد ثلاث سنوات من الآن، أو في بلد مختلف؟ تبرز ثلاثة أسئلة.

أولاً، الحد الهيكلي المتمثل في أن دقة تقييم الذكاء الاصطناعي تتناسب طرداً مع كثافة البيانات لن يزول. فبالنسبة للأصول الموحدة المعايير في الأسواق السائلة، سيستمر الذكاء الاصطناعي في تفوقه على البشر بدقة أدق. أما بالنسبة للأصول النادرة والمتخصصة وفئات الأصول الناشئة حديثاً، فستحتفظ الخبرة والحدس البشريان بالتفوق. سيستمر هذا الخط الفاصل في التحرك مع تحسّن نماذج الذكاء الاصطناعي، لكنه لن يختفي كلياً.

ثانياً، سيظل “التنبؤ” و”قرار توظيف رأس المال فعلياً بناءً على قوة ذلك التنبؤ” أمرين منفصلين. لم تخسر Zillow أكثر من 400 مليون دولار لأن نموذجها كان خاطئاً، بل لأن تحويل تنبؤ دقيق إلى صفقة فعلية اصطدم بسيولة السوق والتوقيت — وهما متغيران يصعب على النموذج الإحصائي التعامل معهما. ومن غير المرجح أن تُسدّ هذه الفجوة مهما بلغت درجة تطور الذكاء الاصطناعي، لأن العقار ليس أصلاً يُباع في اللحظة التي تريد بيعه فيها.

ثالثاً، سيظل الخطر الهيكلي الذي ينشأ حين يستخدم عدة منافسين الأداة نفسها في آنٍ واحد ملازماً لهذا القطاع بغض النظر عن كيفية تطور التنظيم. فأدوات التقييم عبرت بالفعل من كونها وسيلة مساعدة للحكم الفردي إلى بنية تحتية تشكّل مباشرة تكوين الأسعار في السوق بأكمله. ومن يشرف على هذه البنية التحتية، وكيف، سؤال لم يبدأ إلا للتو.

ما خلّفته السنوات الخمس الماضية ليست قصة بسيطة عن فوز وخسارة، مفادها أن “الذكاء الاصطناعي حل محل البشر”. بل تغيّرت الطريقة نفسها التي نسأل بها عن قيمة العقار. كان الأمر في السابق أن رقماً واحداً، يوقّع عليه مثمّن واحد، هو الإجابة. أما الآن، فتلي ذلك الرقم علامة استفهام كأمر بديهي: إلى أي مدى يمكن فعلاً الوثوق بهذا الرقم؟ والقدرة على الإجابة عن علامة الاستفهام هذه بصدق أصبحت المؤهل الجديد المطلوب من كل من يعمل في العقارات — بشراً وآلات على حد سواء — في عصر الذكاء الاصطناعي.

والآن حان الوقت لحمل علامة الاستفهام هذه إلى السؤال التالي. لماذا يصرّ الذكاء الاصطناعي على حساب قيمة العقار بهذه الدقة؟ وأين يعيش الذكاء الاصطناعي نفسه، على وجه التحديد؟

---

قاعدة اللعبة النموذج يلخّص السوق؛ لكنه لا يصنع السوق. الذكاء الاصطناعي لا يكون ذكياً إلا بقدر عمق البيانات، ومعرفة الرقم الدقيق لا تعني امتلاك الجرأة والتوقيت المناسبين لوضع رأس المال فعلياً وراءه. لذا فإن الطرف الفائز ليس من يملك النموذج الأكثر تطوراً، بل من يعرف بالضبط إلى أي مدى يمكن الوثوق بذلك النموذج، وأين يتعين على الإنسان أن يتولى زمام الأمر.

---

المصادر

Footnotes

1. شغّلت Zillow نشاط iBuying (المعروف بـ Zillow Offers) منذ عام 2018، مستخدمةً نموذج التقييم الآلي الخاص بها “Zestimate” لشراء وبيع المنازل مباشرة، لكنها انسحبت بعد خسارة 421 مليون دولار في الربع الثالث من عام 2021. وقد أُفيد بأن معدل خطأ Zestimate مقارنة بالعقارات المعروضة فعلياً للبيع بلغ نحو 2%. (The Close، “Zillow Estimates Ultimate Guide”؛ Best Practice AI، “Zillow provides real estate price estimates”) ↩ ↩²

2. حول معدلات خطأ نموذج AVM (2-3% للأصول السكنية القياسية مقابل معدلات أعلى بكثير للأصول المتخصصة). (PatSnap، “AI property valuation technology landscape 2026”؛ BusinessWire، “PropStream Announces New AVM & AI Innovations”) ↩

3. مواد صادرة عن موردين واستشاريين في القطاع (Blooma، GrowthFactor، Alpaca، وغيرها) — تفيد البنوك التي تبنّت التحليل الائتماني بالذكاء الاصطناعي بتقليص وقت المراجعة بنسبة 50-75%، وتوفير في التكاليف يصل إلى 20%، وحالات تحليل ائتماني في أقل من 8 دقائق للصفقات الواضحة المحددة جيداً. يُلاحظ وجود تباين كبير بحسب المؤسسة والعينة؛ وهذه ليست إحصاءات قطاعية موحدة المعايير. ↩

4. تفرض القاعدة الأمريكية المشتركة بين الوكالات الخاصة بنماذج AVM (سارية المفعول منذ 2024) إدارة مستوى الثقة في نماذج التقييم، وضمانات ضد التلاعب بالبيانات، وحماية من تضارب المصالح. كما دخلت حيز التنفيذ متطلبات امتثال إقليمية إضافية، مثل قانون كولورادو للذكاء الاصطناعي لعام 2026. ↩

5. استحوذت JLL على Skyline AI، شركة ناشئة متخصصة بالذكاء الاصطناعي للعقارات التجارية مقرها إسرائيل ونيويورك، في عام 2021. المواصفات الكاملة، واستخدامها بعد الاستحواذ، وإحصاءات JLL الخاصة بتبنّي الذكاء الاصطناعي مذكورة في الفصل الثاني. (JLL Newsroom؛ AI Business؛ PitchBook) ↩

6. اتهمت وزارة العدل الأمريكية شركة RealPage المتخصصة في برامج تسعير الإيجارات، في أغسطس 2024، بتسهيل التواطؤ الخوارزمي، مستشهدةً بحالة بدأ فيها أحد الملّاك برفع الإيجارات خلال أسبوع واحد من التبنّي، ورفعها بأكثر من 25% خلال أحد عشر شهراً. وفي نوفمبر 2025، توصلت RealPage إلى تسوية مع وزارة العدل دون الاعتراف بارتكاب مخالفة، ووافقت على وقف ميزات التوصية بالإيجار التي كانت تستخدم معلومات تنافسية سرّية. (البيان الرسمي لوزارة العدل؛ ProPublica؛ NPR؛ Holland & Knight) ↩ ↩²