V roce 2021 vydal třípokojový rodinný dům na předměstí Austinu v Texasu dvě odpovědi.

1. Ne číslo, ale interval spolehlivosti: proměna oceňování nemovitostí

Stejný dům, jiná čísla

V roce 2021 vydal třípokojový rodinný dům na předměstí Austinu v Texasu dvě odpovědi.

Jednu dal člověk. Odhadce s dvacetiletou praxí na místním trhu dům prošel, zkontroloval stav střechy, prosvětlení zahrady, výšku plotu vůči sousednímu pozemku, porovnal ho se třemi nedávno prodanými srovnatelnými domy a připojil cenovku. Druhou dal algoritmus. Automatizovaný oceňovací model (AVM) společnosti Zillow – takzvaný „Zestimate” – prohnal tisíce proměnných najednou a číslo vyplivl během vteřin. Podlahová plocha, orientace, patro, spádová školní oblast, historie nedávných místních prodejů, dokonce i to, zda se na leteckých snímcích objevil bazén.

Obě čísla se lišila. To samo o sobě nepřekvapí – lidští odhadci se také běžně neshodnou. Skutečně překvapivé bylo to, co následovalo. Zillow důvěřovala odpovědi vlastního algoritmu natolik, že za tuto cenu začala domy přímo nakupovat. Byznys nazvaný „iBuying” stál na jednoduché a odvážné tezi: pokud AI oceňuje přesně, proč bychom sami nemohli za tu cenu nakupovat a prodávat? Jen ve třetím čtvrtletí 2021 na tom Zillow prodělala 421 milionů dolarů. Než rok skončil, Zillow Offers zcela ukončila provoz a firma propustila velkou část zaměstnanců. Celoroční ztráta a přiznání samotného generálního ředitele „na záznam” jsou podrobně popsány v kapitole 8.¹ Přibližně ve stejné době se experimenty s iBuyingem v Evropě a Asii omezily nebo tiše utlumily – mezi nimi několik britských startupů a interní nákupní operace některých velkých čínských realitních platforem. Nešlo o chybný úsudek jedné firmy. Omyl – záměna „přesné cenovky” za „tržní likviditu skutečně nakupovat a prodávat za tuto cenu” – se opakoval napříč několika kontinenty.

Přesnost samotného Zestimate přitom nebyla špatná. U domů skutečně nabízených na trhu se chybovost pohybovala kolem 2 %, tedy těsněji, než zvládá většina lidských odhadců.¹ Firma přesto vyhořela na stovky milionů dolarů v řádu čtvrtletí.

Důvod tkví v rozlišení, které prostupuje celou tuto kapitolu. „Vědět, kolik něco stojí” a „mít nervy a načasování skutečně za tuto cenu nakoupit a prodat” jsou zcela odlišné problémy. V tom prvním je AI dobrá. Druhé zůstává – a zřejmě ještě dlouho zůstane – doménou propletenou s tržní likviditou, načasováním a lidským úsudkem. Skutečná proměna v oceňování nemovitostí za posledních pět let není prostý příběh o tom, že „AI se stala přesnější než lidé”. Změnila se samotná otázka. Ne „kolik je tato budova hodná”, ale „jak vypadá pravděpodobnostní rozdělení hodnoty této budovy”.

Od éry přesnosti k éře intervalů spolehlivosti

William Poorvu, jehož kniha The Real Estate Game z roku 1999 je klasikou realitního investování, přichází s tezí, kterou stojí za to připomenout: o nemovitosti se ve většině případů nerozhoduje podle propracovaného tabulkového modelu, ale podle „výpočtu na zadní straně obálky”. Přestože sám učil nemovitosti na Harvardu, poznamenal, že zatímco akademická sféra směřovala k stále propracovanějším modelům, praktici prosévají příležitosti rychle pomocí hrstky klíčových ukazatelů – čistého provozního výnosu (NOI), návratnosti vlastního kapitálu (ROE), poměru kupní ceny k reprodukční hodnotě. Výpočet, který naškrábal na žlutý blok při telefonátu s makléřem, působí i dnes nápadně jednoduše: kupní cenu vydělit podlahovou plochou, čímž vznikne cena za metr čtvereční, tu porovnat s náklady na novostavbu, aby bylo jasné, nakolik je cena bezpečná, a nakonec spočítat, kolik procent vloženého vlastního kapitálu vrátí nájem po odečtení provozních nákladů a dluhové služby. Tento postup nazval „babiččinou slepičí polévkou” – výsledek, který vyjde zhruba správně pokaždé, aniž by byl potřeba přesný recept.

O pětadvacet let později stojí za to tuto analogii obrátit. Oceňování nemovitostí v éře AI nedospělo k babiččině citu – dospělo k opačnému extrému. K ultrapřesnému stroji, který kvantifikuje tisíce proměnných, trénuje se na milionech historických transakcí a řídí svou chybovost na desetinná místa. A přesto tato přesnost praktikům nepřinesla „ještě přesnější číslo”. Ironicky jim přinesla otázku, nakolik tomu číslu vůbec věřit.

Důvod je prostý. Chybovost AVM není jednotná. Na likvidních trzích se standardizovanými aktivy může klesnout na 2–3 %. Třípokojový dům na americkém předměstí je klasický případ – dat je tu hojnost.² Přesuňte se na trhy s nízkým objemem transakcí, s neopakovatelnými komerčními aktivy nebo s teprve vznikající třídou aktiv (datová centra, o nichž bude řeč později, jsou tím nejlepším příkladem) a chybovost snadno přesáhne 10 %. Příčinou je nedostatek dat. Tentýž model, tatáž firma, produkuje čísla, kde vedle sebe koexistuje „toto je téměř svaté písmo” a „toto je v nejlepším případě hrubý odhad”. AVM je v podstatě porovnávací odhad prováděný extrémní rychlostí. Zatímco člověk si během jediného telefonátu udělá dojem z pěti šesti srovnatelných objektů, stroj ve stejném okamžiku proskenuje tisíce srovnávacích transakcí. Ale na trhu, kde není co skenovat – kde chybí záznam o transakcích – nemá s čím pracovat ani ten nejrychlejší stroj.

Za posledních pět let se v oboru tiše, ale pevně zakořenil jeden postoj. Měřítkem dobrého oceňovacího modelu už není „jak přesné číslo produkuje”, ale „řekne vám, jak moc si tím číslem máte být jistí”. Interval spolehlivosti – pojem vypůjčený ze statistiky – se stal součástí pracovního slovníku realitní praxe. Místo jednoho plochého prohlášení – „tato budova má hodnotu 1 milion dolarů” – lidé nyní důvěřují spíše odpovědi typu „tato budova má s 90% jistotou hodnotu mezi 950 000 a 1 050 000 dolary, i když tento rozsah stojí jen na třech nedávných srovnatelných prodejích a vzorek je řídký”. Novým standardem se nestala přesnost, ale poctivost.

Osmiminutové podepsání úvěru a jeho cena

Nikde se tato proměna neprojevila dramatičtěji než při schvalování komerčních realitních úvěrů. Tradičně šlo o byrokratický proces – od podání dokumentace po schválení uplynulo 30 až 45 dní, přičemž věc procházela vícekrát rukama bankéřů a analytiků. Čtení nájemních smluv jednu po druhé, ruční přepisování nájmů jednotlivých nájemců do tabulek, ověřování čísel na provozních výkazech proti předchozím rokům, ruční sestavování modelů peněžních toků. Stejně jako se výše popsaný výpočet na zadní straně obálky vešel do jediného telefonátu, i logika této práce je sama o sobě jednoduchá. Liší se jen měřítko. Stejnou aritmetiku, kterou individuální investor použije k posouzení jedné budovy, musí banka opakovat u stovek obchodů denně.

Za posledních pět let se nahromadily zprávy o zavádění AI při schvalování úvěrů v bankách: zkrácení doby posouzení o 50–75 %, úspory nákladů až 20 %.³ U obchodů s jasně definovanými, čistými podmínkami se objevily případy, kdy AI přečte dokumenty, automaticky sestaví model peněžních toků a dokončí posouzení za osm minut. Práci, která analytikovi dříve zabrala několik týdnů, dnes stroj zvládne za dobu, za kterou si člověk vypije šálek kávy.

Za tuto rychlost se ale platí: přibývá „černých skříněk”, u kterých je těžké vysvětlit, proč vyšlo právě dané číslo. Lidský analytik dokáže zdůvodnit své rozhodnutí – „pravděpodobnost prodloužení nájmu tohoto nájemce jsem snížil, protože jeho nedávné tržby kolísají”. Když ke stejnému závěru dospěje model AI, je mnohem těžší poznat, zda tento závěr skutečně vychází z tržeb nájemce, nebo z nějaké zkreslené vazby, která se náhodou vloudila do tréninkových dat. I regulace se začala – pozdě, ale rychle – dotahovat, a její výchozí bod i podoba se stát od státu liší. Ve Spojených státech mezirezortní pravidlo pro AVM (Interagency Rule on AVMs), které nabylo účinnosti v roce 2024, ukládá řízení míry spolehlivosti oceňovacích modelů, ochranu proti manipulaci s daty a ochranu před střetem zájmů.⁴ V Evropě orgán stanovující standardy odhadcovské praxe ve svém revidovaném standardu z roku 2025 zakotvil zásadu, že „AVM nemůže sám o sobě nahradit formální odhad – musí se kombinovat s místním šetřením a odborným úsudkem”. Před pěti lety znamenala konkurenční výhoda „jak rychle zavedete AI”. Dnes znamená „jak obhajitelně dokážete vysvětlit úsudek té AI” – nová konkurenční osa, která prochází napříč všemi kontinenty.

Třicet lidí kupuje giganta

Jednu další událost lze vnímat jako shrnutí tohoto pětiletého oblouku. V roce 2021 koupila JLL – jedna z největších realitních poradenských firem na světě – datový startup Skyline AI se sídlem v Izraeli a New Yorku a s necelou třicítkou zaměstnanců. Co přesně tato firma vytvořila a jak byla po akvizici využívána, podrobně popisuje kapitola 2.⁵

Otázka, kterou tato akvizice vyvolala, byla prostá a ostrá: dokáže malý tým datových vědců předpovědět budoucnost aktiva přesněji než organizace budovaná po desetiletí prací makléřů a odhadců? Odpovědí odvětví byla samotná akvizice. Nešlo o ojedinělý způsob, jak si tuto schopnost pořídit – v následujících pěti letech se velké makléřské firmy a správci aktiv opakovaně rozhodovali spíše koupit než budovat vlastní řešení. Asie se vydala poněkud jinou cestou. Velká čínská realitní platforma místo akvizice vybudovala velký interní tým datového inženýrství a vyvinula si vlastní funkce pro asistenci při AI oceňování – včetně nástrojů pro rozpoznávání obrazu, které z fotografií vyčtou stav nabízené nemovitosti. Volba mezi koupí a vlastním vývojem se lišila, ale závěr – že schopnost AI se stala klíčovým konkurenčním aktivem realitních poradenských firem – platil napříč kontinenty. Podpůrné statistiky samotné JLL (počet případů využití AI, míra pilotního přijetí institucionálními klienty) rovněž pokrývá kapitola 2. Oceňování už není experimentem hrstky raných osvojitelů. Stalo se standardním pracovním postupem v odvětví.

Algoritmus, který vytvořil koluzi, o níž sám nevěděl

Ne vše na tomto pětiletém oblouku je světlý příběh. Nejdramatičtější zvrat představuje případ RealPage, softwaru pro stanovování nájmů. Software slučoval důvěrné cenové informace od více pronajímatelů a pro každou budovu doporučoval „optimální nájem”. Logika zněla rozumně – stejná premisa jako u AVM: více dat vede k přesnější ceně.

Problém byl v tom, že tentýž software souběžně používalo více pronajímatelů ve stejném městě. Žádný jednotlivý pronajímatel s jiným koluzi nikdy neprobíral. Ale protože všichni krmili tentýž algoritmus cenovými daty vlastní budovy a algoritmus tyto informace syntetizoval do stejného tichého závěru pro každého z nich – „všichni ostatní používají stejný software, takže trh unese koordinované zvýšení nájmu” – vznikla struktura, která fungovala jako koluze, aniž by se na ní kdokoli výslovně dohodl. Podle žaloby amerického ministerstva spravedlnosti jeden pronajímatel začal nájmy zvyšovat do týdne po zavedení softwaru a během jedenácti měsíců je zvedl o více než 25 %.⁶ Americká žaloba týkající se algoritmu pro stanovování nájmů to fakticky kvalifikovala jako napomáhání koluzi a v listopadu 2025 se softwarová firma s ministerstvem spravedlnosti dohodla na urovnání – aniž by přiznala pochybení – a zavázala se ukončit funkci doporučování nájmu, která využívala důvěrné konkurenční informace.⁶

Tento případ má význam přesahující jednu firmu či jednu zemi. Jde o první vážnou právní odpověď na narativ, že „AI dělá trhy efektivnějšími”. Podobná obava se už objevila i na druhé straně Atlantiku – nikoli v nemovitostech, ale v maloobchodním prodeji benzinu v Evropě, kde vlna čerpacích stanic přecházejících na stejný cenový algoritmus vedla ke společnému růstu marží, což upoutalo pozornost soutěžních úřadů. Jiné odvětví, stejná struktura. Odhlédneme-li od zákonů konkrétní země a podíváme se na principiální jádro věci: v okamžiku, kdy více konkurentů souběžně provozuje stejný cenový algoritmus, se tento algoritmus ocitá na hraně mezi nástrojem efektivity a mechanismem koluze. Každá strana se chová sama o sobě racionálně, a přesto výsledek kolektivně funguje jako kartel – nový druh tržního selhání. Toto je nejnečekanější ponaučení prvních pěti let AI oceňování a netýká se jedné jediné země.

Odhadce nemizí – přestěhovává se

Co se tedy na konci všeho tohoto stane s profesí odhadce a makléře? Data z posledních pěti let ukazují na odpověď „přestěhování”, nikoli „vyhynutí”.

Existuje reálná práce, kterou AI jednoznačně převzala: vyhledávání a sestavování srovnatelných objektů, výpočet cen u standardizovaných aktiv, čtení nájemních výkazů a sestavování modelů peněžních toků. Tyto opakující se, kvantitativní úkoly dnes stroje zvládají rychleji než lidé – a u standardních aktiv i přesněji. Přesně proto velké makléřské firmy koupily celé společnosti jako Skyline AI, místo aby si vlastní řešení budovaly samy. Schopnost provádět opakující se výpočty už není prázdné místo, které musí člověk ručně vyplnit; je to komponenta, kterou si koupíte hotovou.

Právě proto se změnila povaha práce, která lidem zbývá. Otázka, se kterou dnes zápasí odhadce, už není „za kolik se nedávno prodala srovnatelná budova” – na to už stroj odpoví během vteřin. Lidé se místo toho přesunuli k otázkám, které data stále nezachycují: jak ocenit aktivum, pro které model nemá k dispozici žádné smysluplné srovnání? Chystá se v této čtvrti posun ve skladbě nájemců, který data ještě nezachytila? Skrývá prodávající zoufalou situaci? Trvání evropského orgánu pro odhadcovské standardy na tom, že „AVM musí být kombinován s místním šetřením a odborným úsudkem”, jde stejným směrem – institucionalizuje strukturu, kde vedle sebe stojí odpověď stroje a odpověď člověka a člověk poukazuje na to, kde se rozcházejí.

Podobně se posunula i role makléře. Sdělit někomu tržní cenu ztratilo hodnotu vzácnosti nyní, kdy si ji kdokoli za pár vteřin ověří na telefonu. Hodnotu naopak přináší schopnost číst skutečnou situaci druhé strany u vyjednávacího stolu a orientovat se v proměnných, které se nedají převést na čísla – regulace, vztahy s komunitou, partnerství. Nová dělba práce, kterou těchto pět let přineslo, vypadá takto: stroj počítá „kolik to je hodné” tam, kde je dat dostatek; člověk posuzuje „lze tomuto číslu věřit” tam, kde jsou data řídká nebo kde se nikdy na čísla převést nedala. Nejde o zaniklou práci. Jde o přestěhovanou práci.

Co přijde po intervalu spolehlivosti

Které části tohoto pětiletého oblouku tedy budou platit i za tři roky, nebo v jiné zemi? Vystupují tři otázky.

Zaprvé, strukturální omezení, podle něhož přesnost AI oceňování přímo souvisí s hustotou dat, nezmizí. U standardizovaných aktiv na likvidních trzích bude AI lidi nadále předstihovat jemnější přesností. U vzácných, specializovaných aktiv a nově vznikajících tříd aktiv si náskok podrží lidská zkušenost a intuice. Tato hranice se bude s tím, jak se modely AI zlepšují, dál posouvat, ale úplně nezmizí.

Zadruhé, „predikce” a „rozhodnutí skutečně na základě této predikce nasadit kapitál” zůstanou oddělené. Zillow neprodělala přes 400 milionů dolarů proto, že by její model byl chybný, ale proto, že převedení přesné predikce do skutečné transakce narazilo na tržní likviditu a načasování – proměnné, se kterými se statistický model těžko vypořádává. Tato mezera se pravděpodobně nezmenší, ať už se AI stane jakkoli sofistikovanou, protože nemovitost není aktivum, které se prodá ve chvíli, kdy to jeho majitel chce.

Zatřetí, strukturální riziko, které vzniká, když více konkurentů souběžně používá stejný nástroj, bude odvětví provázet bez ohledu na to, jak se bude vyvíjet regulace. Oceňovací nástroje už překročily hranici mezi pomůckou pro individuální úsudek a infrastrukturou, která přímo utváří tvorbu cen na celém trhu. Kdo a jak nad touto infrastrukturou dohlíží, je otázka, která teprve začíná.

To, co posledních pět let zanechalo, není prostý příběh výhry a prohry o tom, že „AI nahradila lidi”. Změnil se samotný způsob, jak se ptáme na hodnotu nemovitosti. Dříve platilo, že odpovědí bylo jediné číslo podepsané jedním odhadcem. Dnes za tímto číslem samozřejmě následuje otazník: nakolik lze tomuto číslu skutečně věřit? Schopnost na tento otazník poctivě odpovědět se stala novou kvalifikací, kterou éra AI vyžaduje jak od lidí, tak od strojů pracujících v realitním sektoru.

Nyní je čas přenést tento otazník do další otázky. Proč je AI tak odhodlaná počítat hodnotu nemovitosti s takovou přesností? A kde přesně sídlí sama AI?

Pravidlo hry Model shrnuje trh; trh netvoří. AI je chytrá jen tak, jak hluboká jsou data, a znát přesné číslo neznamená mít nervy a načasování za tímto číslem skutečně postavit kapitál. Vítězí proto ne ta strana, která má sofistikovanější model, ale ta, která přesně ví, nakolik lze tomuto modelu věřit a kde musí převzít otěže člověk.

Zdroje

Zillow provozovala od roku 2018 iBuyingový byznys (Zillow Offers), při němž pomocí vlastního AVM „Zestimate” přímo nakupovala a prodávala domy, ale ve třetím čtvrtletí 2021 po ztrátě 421 milionů dolarů z něj ustoupila. Chybovost Zestimate u nabízených nemovitostí je udávána kolem 2 %. (The Close, „Zillow Estimates Ultimate Guide”; Best Practice AI, „Zillow provides real estate price estimates”) ↩ ↩²
K chybovosti AVM – materiály z odvětví obecně uvádějí 2–3 % u standardních rezidenčních aktiv a 5–15 % u nestandardních nebo komerčních aktiv. (PatSnap, „AI property valuation technology landscape 2026”; BusinessWire, „PropStream Announces New AVM & AI Innovations”) ↩
Materiály dodavatelů a poradenských firem v odvětví (Blooma, GrowthFactor, Alpaca aj.) – banky zavádějící AI při schvalování úvěrů hlásí zkrácení doby posouzení o 50–75 %, úspory nákladů až 20 % a případy schválení úvěru pod osm minut u jasně definovaných obchodů. Je třeba počítat s výraznou variabilitou mezi institucemi a vzorky; nejde o standardizované odvětvové statistiky. ↩
Americké mezirezortní pravidlo pro AVM (Interagency Rule on AVMs, účinné od 2024) ukládá řízení míry spolehlivosti oceňovacích modelů, ochranu proti manipulaci s daty a ochranu před střetem zájmů. V platnost vstoupily i další regionální regulatorní požadavky, například coloradský zákon o AI z roku 2026. ↩
JLL koupila v roce 2021 startup Skyline AI, izraelsko-newyorskou firmu zaměřenou na AI pro komerční nemovitosti. Plné specifikace, způsob využití po akvizici a statistiky přijetí AI ze strany JLL popisuje kapitola 2. (JLL Newsroom; AI Business; PitchBook) ↩
Americké ministerstvo spravedlnosti obvinilo v srpnu 2024 softwarovou firmu RealPage, zabývající se stanovováním nájmů, z napomáhání algoritmické koluzi, přičemž odkázalo na případ, kdy jeden pronajímatel začal zvyšovat nájmy do týdne po zavedení softwaru a během jedenácti měsíců je zvedl o více než 25 %. V listopadu 2025 se RealPage s ministerstvem spravedlnosti dohodla na urovnání, aniž by přiznala pochybení, a zavázala se ukončit funkce doporučování nájmu využívající důvěrné konkurenční informace. (oficiální oznámení DOJ; ProPublica; NPR; Holland & Knight) ↩ ↩²

Ne číslo, ale interval spolehlivosti: proměna oceňování nemovitostí