Το 2021, ένα τριάρι μονοκατοικίας σε προάστιο του Όστιν, στο Τέξας, έδωσε δύο απαντήσεις.

1. Όχι ένας αριθμός αλλά ένα διάστημα εμπιστοσύνης: Ο αναδιαμορφωμός της αποτίμησης

Το ίδιο σπίτι, διαφορετικοί αριθμοί

Το 2021, ένα τριάρι μονοκατοικίας σε προάστιο του Όστιν, στο Τέξας, έδωσε δύο απαντήσεις.

Η μία δόθηκε από άνθρωπο. Ένας εκτιμητής με είκοσι χρόνια εμπειρίας στην τοπική αγορά περπάτησε το σπίτι, έλεγξε την κατάσταση της στέγης, το φως στην αυλή, το ύψος του φράχτη σε σχέση με το γειτονικό οικόπεδο, το σύγκρινε με τρία πρόσφατα πωληθέντα συγκρίσιμα ακίνητα και του κόλλησε μια τιμή. Η άλλη δόθηκε από αλγόριθμο. Το AVM (Automated Valuation Model, αυτοματοποιημένο μοντέλο αποτίμησης) της Zillow — το «Zestimate» — έτρεξε χιλιάδες μεταβλητές ταυτόχρονα και παρήγαγε έναν αριθμό σε δευτερόλεπτα. Τετραγωνικά μέτρα, προσανατολισμός, όροφος, σχολική περιφέρεια, πρόσφατο ιστορικό τοπικών πωλήσεων, ακόμη και αν εμφανιζόταν πισίνα σε αεροφωτογραφία.

Οι δύο αριθμοί διέφεραν. Αυτό δεν είναι εκπληκτικό — και οι άνθρωποι εκτιμητές διαφωνούν συχνά μεταξύ τους. Αυτό που ήταν πραγματικά εκπληκτικό συνέβη στη συνέχεια. Η Zillow εμπιστεύτηκε την απάντηση του δικού της αλγορίθμου τόσο, ώστε άρχισε να αγοράζει σπίτια απευθείας σε αυτή την τιμή. Η επιχείρηση, που ονομάστηκε «iBuying», στηριζόταν σε μια απλή και τολμηρή πρόταση: αν το AI τιμολογεί με ακρίβεια, γιατί να μην αγοράζουμε και πουλάμε εμείς οι ίδιοι σε αυτή την τιμή; Μόνο στο τρίτο τρίμηνο του 2021, η Zillow έχασε 421 εκατομμύρια δολάρια σε αυτή την επιχείρηση. Πριν κλείσει η χρονιά, η Zillow Offers έκλεισε εντελώς, και η εταιρεία απέλυσε μεγάλο μέρος του προσωπικού της. Το ετήσιο ποσό ζημιών και η δική του δημόσια παραδοχή του CEO αναλύονται λεπτομερώς στο Κεφάλαιο 8.¹ Την ίδια περίπου περίοδο, πειράματα iBuying στην Ευρώπη και την Ασία περιορίστηκαν ή έσβησαν σιωπηλά — αρκετές startup στο Ηνωμένο Βασίλειο, καθώς και οι εσωτερικές λειτουργίες αγοράς μερικών μεγάλων κινεζικών πλατφορμών μεσιτείας. Δεν ήταν λάθος μιας μόνο εταιρείας. Το σφάλμα — η σύγχυση ανάμεσα σε «μια ακριβή τιμή-ετικέτα» και σε «ρευστότητα αγοράς για να αγοράσεις και να πουλήσεις πραγματικά σε αυτή την τιμή» — επαναλήφθηκε σε πολλές ηπείρους.

Η ακρίβεια του Zestimate καθαυτή δεν ήταν κακή. Έναντι σπιτιών που βρίσκονταν πράγματι στην αγορά, το ποσοστό σφάλματος κινούνταν γύρω στο 2%, πιο περιορισμένο από ό,τι καταφέρνουν οι περισσότεροι άνθρωποι εκτιμητές.¹ Η εταιρεία κατάφερε παρ’ όλα αυτά να κάψει εκατοντάδες εκατομμύρια δολάρια μέσα σε λίγα τρίμηνα.

Ο λόγος βρίσκεται σε μια διάκριση που διατρέχει όλο αυτό το κεφάλαιο. Το «να ξέρεις πόσο αξίζει κάτι» και το «να έχεις το θάρρος και τη σωστή στιγμή για να αγοράσεις και να πουλήσεις πραγματικά σε αυτή την τιμή» είναι εντελώς διαφορετικά προβλήματα. Το AI είναι καλό στο πρώτο. Το δεύτερο παραμένει, και πιθανότατα θα παραμείνει για πολύ καιρό, ένα πεδίο μπλεγμένο με τη ρευστότητα της αγοράς, τον χρόνο και την ανθρώπινη κρίση. Η πραγματική αλλαγή στην αποτίμηση ακινήτων τα τελευταία πέντε χρόνια δεν είναι η απλή ιστορία ότι «το AI έγινε πιο ακριβές από τους ανθρώπους». Άλλαξε το ίδιο το ερώτημα. Όχι «πόσο αξίζει αυτό το κτίριο», αλλά «πώς μοιάζει η κατανομή πιθανότητας του πόσο αξίζει αυτό το κτίριο».

Από μια εποχή ακρίβειας σε μια εποχή διαστημάτων εμπιστοσύνης

Ο William Poorvu, του οποίου το βιβλίο του 1999 The Real Estate Game αποτελεί κλασικό της επένδυσης σε ακίνητα, διατυπώνει ένα επιχείρημα που αξίζει να επανεξεταστεί: τα ακίνητα κρίνονται, τις περισσότερες φορές, όχι από ένα περίπλοκο λογιστικό φύλλο αλλά από «ανάλυση στο πίσω μέρος ενός φακέλου». Ακόμη κι όταν δίδασκε ακίνητα στο Χάρβαρντ, παρατηρούσε ότι, ενώ η ακαδημαϊκή κοινότητα κινούνταν προς όλο και πιο περίπλοκα μοντέλα, οι επαγγελματίες φιλτράρουν γρήγορα τις ευκαιρίες χρησιμοποιώντας μόνο μια χούφτα βασικών δεικτών — καθαρά λειτουργικά έσοδα (NOI), απόδοση ιδίων κεφαλαίων (ROE), τιμή αγοράς σε σχέση με το κόστος ανακατασκευής. Ο υπολογισμός που έγραφε πρόχειρα σε ένα κίτρινο μπλοκ ενώ μιλούσε στο τηλέφωνο με έναν μεσίτη είναι, ακόμη και σήμερα, εντυπωσιακά απλός: διαιρείς την τιμή αγοράς με τα τετραγωνικά μέτρα για να βρεις τιμή ανά τετραγωνικό, τη συγκρίνεις με το κόστος νέας κατασκευής για να εκτιμήσεις πόσο ασφαλής είναι η τιμή, και μετά υπολογίζεις τι ποσοστό των επενδυμένων ιδίων κεφαλαίων αποδίδει το ενοίκιο αφού αφαιρέσεις τα λειτουργικά κόστη και την εξυπηρέτηση χρέους. Ονόμαζε αυτή την αναλογία «κοτόσουπα της γιαγιάς» — ένα αποτέλεσμα που βγαίνει περίπου σωστό κάθε φορά, χωρίς να χρειάζεται ακριβής συνταγή.

Είκοσι πέντε χρόνια μετά, αξίζει να αναποδογυρίσουμε αυτή την αναλογία. Η αποτίμηση ακινήτων στην εποχή του AI δεν έφτασε στο άγγιγμα της γιαγιάς — έφτασε στο αντίθετο άκρο. Μια εξαιρετικά ακριβής μηχανή που ποσοτικοποιεί χιλιάδες μεταβλητές, εκπαιδεύεται σε εκατομμύρια ιστορικές συναλλαγές, και διαχειρίζεται το ποσοστό σφάλματός της μέχρι το δέκατο. Κι όμως, αυτό που έδωσε αυτή η ακρίβεια στους επαγγελματίες δεν ήταν «ένας ακόμη πιο ακριβής αριθμός». Ειρωνικά, ήταν το ερώτημα του πόσο πρέπει κανείς να εμπιστεύεται καταρχάς αυτόν τον αριθμό.

Ο λόγος είναι απλός. Το ποσοστό σφάλματος ενός AVM δεν είναι ενιαίο. Σε ρευστές αγορές με τυποποιημένα περιουσιακά στοιχεία, το ποσοστό σφάλματος μπορεί να πέσει στο 2–3%. Ένα τριάρι σε προάστιο των ΗΠΑ είναι το κλασικό παράδειγμα — τα δεδομένα είναι άφθονα.² Πηγαίνοντας σε αγορές με χαμηλό όγκο συναλλαγών, ιδιαίτερα εμπορικά περιουσιακά στοιχεία, ή μια αναδυόμενη κατηγορία περιουσιακών στοιχείων που μόλις γεννιέται (τα data center, που εξετάζονται παρακάτω, είναι το χαρακτηριστικό παράδειγμα), το ποσοστό σφάλματος ξεπερνά εύκολα το 10%. Η αιτία είναι η έλλειψη δεδομένων. Το ίδιο μοντέλο, η ίδια εταιρεία, παράγει αριθμούς όπου συνυπάρχουν «αυτός είναι σχεδόν βέβαιος» και «αυτός είναι απλώς μια χοντρική εκτίμηση». Ένα AVM είναι στην ουσία μια εκτίμηση με βάση συγκρίσιμα ακίνητα που τρέχει με εξαιρετική ταχύτητα. Εκεί όπου ένας άνθρωπος σχηματίζει μια εντύπωση από πέντε ή έξι συγκρίσιμα σε ένα τηλεφώνημα, η μηχανή σαρώνει χιλιάδες συγκρίσιμα στην ίδια στιγμή. Όμως σε μια αγορά χωρίς τίποτα να σαρώσει — χωρίς ιστορικό συναλλαγών — ακόμη και η πιο γρήγορη μηχανή δεν έχει τίποτα να δουλέψει.

Μια ευαισθησία έχει ριζώσει σιωπηλά, αλλά σταθερά, στον κλάδο τα τελευταία πέντε χρόνια. Το μέτρο ενός καλού μοντέλου αποτίμησης δεν είναι πια «πόσο ακριβή αριθμό παράγει» αλλά «σου λέει πόση εμπιστοσύνη να έχεις σε αυτόν τον αριθμό». Το διάστημα εμπιστοσύνης — μια έννοια δανεισμένη από τη στατιστική — έχει γίνει μέρος του λειτουργικού λεξιλογίου της πρακτικής των ακινήτων. Αντί για μια μονολιθική δήλωση — «αυτό το κτίριο αξίζει 1 εκατομμύριο δολάρια» — μια απάντηση όπως «αυτό το κτίριο αξίζει, με 90% βεβαιότητα, μεταξύ 950.000 και 1.050.000 δολαρίων, αν και αυτό το εύρος στηρίζεται μόνο σε τρεις πρόσφατες συγκρίσιμες πωλήσεις και το δείγμα είναι λιγοστό» είναι πλέον η απάντηση που εμπιστεύονται. Όχι η ακρίβεια αλλά η ειλικρίνεια έχει γίνει το νέο πρότυπο.

Η ανάλυση σε οκτώ λεπτά, και το τίμημά της

Πουθενά δεν φάνηκε πιο δραματικά αυτή η αλλαγή απ’ ό,τι στην αξιολόγηση εμπορικών ενυπόθηκων δανείων ακινήτων. Παραδοσιακά, ένα εμπορικό δάνειο ακινήτου ήταν γραφειοκρατική διαδικασία — 30 έως 45 ημέρες από τα χαρτιά έως την έγκριση, περνώντας πολλές φορές από τα χέρια τραπεζιτών και αναλυτών. Διάβασμα μισθωτηρίων συμβολαίων ένα-ένα, μεταφορά ενοικίων ανά ενοικιαστή σε λογιστικά φύλλα, επαλήθευση των αριθμών σε λειτουργικές καταστάσεις έναντι προηγούμενων ετών, κατασκευή μοντέλων ταμειακών ροών με το χέρι. Όπως ακριβώς ο υπολογισμός στο πίσω μέρος του φακέλου που περιγράφηκε παραπάνω ολοκληρωνόταν μέσα σε ένα τηλεφώνημα, η υποκείμενη λογική αυτής της εργασίας είναι, αφ’ εαυτής, απλή. Αυτό που διαφέρει είναι η κλίμακα. Την ίδια αριθμητική που χρησιμοποιεί ένας μεμονωμένος επενδυτής για να φιλτράρει ένα κτίριο, μια τράπεζα πρέπει να την επαναλάβει σε εκατοντάδες συμφωνίες κάθε μέρα.

Τα τελευταία πέντε χρόνια, οι αναφορές υιοθέτησης AI στην αξιολόγηση δανείων από τράπεζες έχουν συσσωρευτεί: μείωση 50–75% στον χρόνο αξιολόγησης, εξοικονόμηση κόστους έως 20%.³ Για συμφωνίες με καθαρούς, σαφώς καθορισμένους όρους, έχουν εμφανιστεί περιπτώσεις όπου το AI διαβάζει τα έγγραφα, κατασκευάζει αυτόματα το μοντέλο ταμειακών ροών, και ολοκληρώνει την αξιολόγηση σε οκτώ λεπτά. Εργασία που παλιά έπαιρνε από έναν αναλυτή αρκετές εβδομάδες, μια μηχανή τη διεκπεραιώνει πλέον στον χρόνο που χρειάζεται για να πιεις έναν καφέ.

Αυτή η ταχύτητα κοστίζει: ένας αυξανόμενος αριθμός «μαύρων κουτιών» όπου είναι δύσκολο να εξηγηθεί γιατί προέκυψε ένας συγκεκριμένος αριθμός. Ένας ανθρώπινος αναλυτής μπορεί να διατυπώσει τη σκέψη πίσω από μια κρίση — «μείωσα την πιθανότητα ανανέωσης αυτού του ενοικιαστή επειδή οι πρόσφατες πωλήσεις του είναι ασταθείς». Όταν ένα μοντέλο AI καταλήγει στο ίδιο συμπέρασμα, είναι πολύ δυσκολότερο να διακρίνει κανείς αν αυτό το συμπέρασμα προέρχεται πράγματι από τις πωλήσεις του ενοικιαστή ή από κάποια προκατάληψη που γλίστρησε κατά λάθος στα δεδομένα εκπαίδευσης. Η ρύθμιση έχει αρχίσει επίσης να προσαρμόζεται — καθυστερημένα, αλλά γρήγορα — και το σημείο εκκίνησης και η μορφή της απόκρισης διαφέρουν ανά χώρα. Στις ΗΠΑ, ο Interagency Rule on AVMs, που τέθηκε σε ισχύ το 2024, επιβάλλει διαχείριση επιπέδου εμπιστοσύνης για τα μοντέλα αποτίμησης, διασφαλίσεις κατά της χειραγώγησης δεδομένων, και προστασίες κατά της σύγκρουσης συμφερόντων.⁴ Στην Ευρώπη, ο φορέας που καθορίζει τα πρότυπα του κλάδου εκτίμησης, μέσω του αναθεωρημένου προτύπου του 2025, εμπέδωσε την αρχή ότι «ένα AVM δεν μπορεί να υποκαταστήσει από μόνο του μια επίσημη εκτίμηση — πρέπει να συνδυάζεται με επιτόπια επιθεώρηση και εξειδικευμένη κρίση». Πριν από πέντε χρόνια, το ανταγωνιστικό πλεονέκτημα σήμαινε «πόσο γρήγορα μπορείς να υιοθετήσεις το AI». Σήμερα σημαίνει «πόσο τεκμηριωμένα μπορείς να εξηγήσεις την κρίση αυτού του AI» — ένας νέος ανταγωνιστικός άξονας που διατρέχει κάθε ήπειρο.

Τριάντα άνθρωποι αγοράζουν έναν γίγαντα

Ένα ακόμη γεγονός συνοψίζει αυτή την πενταετή πορεία. Το 2021, η JLL — μία από τις μεγαλύτερες εταιρείες υπηρεσιών ακινήτων στον κόσμο — εξαγόρασε την Skyline AI, μια startup δεδομένων με έδρα το Ισραήλ και τη Νέα Υόρκη, με προσωπικό λίγο πάνω από τριάντα άτομα. Τι ακριβώς κατασκεύασε αυτή η εταιρεία, και πώς χρησιμοποιήθηκε μετά την εξαγορά, καλύπτεται λεπτομερώς στο Κεφάλαιο 2.⁵

Το ερώτημα που έθεσε αυτή η εξαγορά ήταν απλό και κοφτερό: μπορεί μια μικρή ομάδα επιστημόνων δεδομένων να προβλέψει το μέλλον ενός περιουσιακού στοιχείου με μεγαλύτερη ακρίβεια από έναν οργανισμό χτισμένο πάνω σε δεκαετίες μεσιτών και εκτιμητών; Η απάντηση του κλάδου ήταν η ίδια η εξαγορά. Δεν ήταν μεμονωμένος τρόπος απόκτησης ικανότητας — τα επόμενα πέντε χρόνια, μεγάλες μεσιτικές και εταιρείες διαχείρισης περιουσιακών στοιχείων επέλεξαν επανειλημμένα να αγοράσουν παρά να χτίσουν εσωτερικά. Η Ασία ακολούθησε κάπως διαφορετική προσέγγιση. Μια μεγάλη κινεζική πλατφόρμα μεσιτείας ακινήτων, αντί να εξαγοράσει, έχτισε μια μεγάλη εσωτερική ομάδα μηχανικών δεδομένων και ανέπτυξε τις δικές της λειτουργίες υποβοήθησης αποτίμησης με AI εσωτερικά — συμπεριλαμβανομένων εργαλείων αναγνώρισης εικόνας για να «διαβάζουν» την κατάσταση μιας αγγελίας από φωτογραφίες. Η αγορά έναντι της εσωτερικής κατασκευής διαφοροποιήθηκε, όμως το συμπέρασμα — ότι η ικανότητα AI έχει γίνει βασικό ανταγωνιστικό περιουσιακό στοιχείο για τις εταιρείες υπηρεσιών ακινήτων — κράτησε σε όλες τις ηπείρους. Τα δικά της υποστηρικτικά στατιστικά της JLL (αριθμός περιπτώσεων χρήσης AI, ποσοστά θεσμικής πιλοτικής υιοθέτησης) καλύπτονται επίσης στο Κεφάλαιο 2. Η αποτίμηση δεν είναι πια το πείραμα μιας χούφτας πρώιμων υιοθετών. Έχει γίνει τυπική ροή εργασίας του κλάδου.

Ένας αλγόριθμος έχτισε συμπαιγνία που δεν γνώριζε καν

Δεν είναι όλα φωτεινή ιστορία σε αυτή την πενταετή πορεία. Η πιο δραματική ανατροπή είναι η περίπτωση της RealPage, ενός λογισμικού καθορισμού ενοικίων. Το λογισμικό συγκέντρωνε εμπιστευτικές πληροφορίες τιμολόγησης από πολλούς ιδιοκτήτες και συνιστούσε ένα «βέλτιστο ενοίκιο» για κάθε κτίριο. Η λογική ακουγόταν λογική — η ίδια προϋπόθεση με ένα AVM: περισσότερα δεδομένα δίνουν πιο ακριβή τιμή.

Το πρόβλημα ήταν ότι πολλοί ιδιοκτήτες στην ίδια πόλη χρησιμοποιούσαν αυτό το λογισμικό ταυτόχρονα. Κανένας μεμονωμένος ιδιοκτήτης δεν συζήτησε ποτέ συμπαιγνία με άλλον. Όμως επειδή όλοι τροφοδοτούσαν τα δικά τους δεδομένα τιμολόγησης στον ίδιο αλγόριθμο, και ο αλγόριθμος συνέθετε αυτή την πληροφορία στο ίδιο ψιθυριστό συμπέρασμα για τον καθένα τους — «όλοι οι άλλοι χρησιμοποιούν επίσης το ίδιο λογισμικό, οπότε η αγορά μπορεί να αντέξει συντονισμένη αύξηση ενοικίου» — προέκυψε μια δομή που λειτουργούσε σαν συμπαιγνία χωρίς κανείς να έχει συμφωνήσει ρητά να συμπράξει. Σύμφωνα με τη μήνυση του Υπουργείου Δικαιοσύνης των ΗΠΑ, ένας ιδιοκτήτης άρχισε να αυξάνει τα ενοίκια μέσα σε μία εβδομάδα από την υιοθέτηση του λογισμικού και τα είχε αυξήσει πάνω από 25% μέσα σε έντεκα μήνες.⁶ Η αμερικανική αγωγή περί αλγορίθμων ενοικίων κατηγόρησε ουσιαστικά αυτή την πρακτική ως διευκόλυνση συμπαιγνίας, και τον Νοέμβριο του 2025 η εταιρεία λογισμικού συμβιβάστηκε με το Υπουργείο Δικαιοσύνης — χωρίς να παραδεχθεί ενοχή — συμφωνώντας να διακόψει τη λειτουργία σύστασης ενοικίων που χρησιμοποιούσε εμπιστευτικές ανταγωνιστικές πληροφορίες.⁶

Αυτή η υπόθεση έχει σημασία πέρα από οποιαδήποτε μεμονωμένη εταιρεία ή χώρα. Είναι η πρώτη μεγάλη νομική ανασκευή της αφήγησης ότι «το AI κάνει τις αγορές πιο αποδοτικές». Παρόμοια ανησυχία έχει ήδη εμφανιστεί στην άλλη πλευρά του Ατλαντικού — όχι στα ακίνητα αλλά στη λιανική πώληση καυσίμων στην Ευρώπη, όπου ένα κύμα πρατηρίων που πέρασαν στον ίδιο αλγόριθμο τιμολόγησης ακολουθήθηκε από κοινή αύξηση περιθωρίων κέρδους, τραβώντας την προσοχή των αρχών ανταγωνισμού. Διαφορετικός κλάδος, ίδια δομή. Αφήνοντας κατά μέρος τη νομοθεσία κάθε χώρας και κοιτάζοντας την υποκείμενη αρχή: τη στιγμή που πολλοί ανταγωνιστές τρέχουν τον ίδιο αλγόριθμο τιμολόγησης ταυτόχρονα, αυτός ο αλγόριθμος στέκεται στη γραμμή ανάμεσα σε εργαλείο αποδοτικότητας και σε μηχανισμό συμπαιγνίας. Κάθε μέρος συμπεριφέρεται ορθολογικά μόνο του, όμως το αποτέλεσμα λειτουργεί συλλογικά σαν καρτέλ — ένα νέο είδος αποτυχίας αγοράς. Αυτό είναι το πιο απροσδόκητο δίδαγμα της πρώτης πενταετίας αποτίμησης με AI, και δεν περιορίζεται σε καμία μία χώρα.

Ο εκτιμητής δεν εξαφανίζεται — μετακομίζει

Τι συμβαίνει λοιπόν, στο τέλος όλων αυτών, στα επαγγέλματα του εκτιμητή και του μεσίτη; Τα πέντε χρόνια δεδομένων δείχνουν προς μια απάντηση «μετακόμισης», όχι «εξαφάνισης».

Υπάρχει πραγματική δουλειά που το AI έχει σαφώς αναλάβει: άντληση και καταγραφή συγκρίσιμων ακινήτων, υπολογισμός τιμών για τυποποιημένα περιουσιακά στοιχεία, ανάγνωση μισθωτηρίων και κατασκευή μοντέλων ταμειακών ροών. Αυτές οι επαναλαμβανόμενες, ποσοτικές εργασίες είναι πλέον πιο γρήγορες για τις μηχανές απ’ ό,τι για τους ανθρώπους — και, για τυποποιημένα περιουσιακά στοιχεία, πιο ακριβείς. Γι’ αυτόν ακριβώς τον λόγο μεγάλες μεσιτικές εταιρείες αγόρασαν εξ ολοκλήρου εταιρείες όπως η Skyline AI αντί να τις χτίσουν εσωτερικά. Η ικανότητα επαναλαμβανόμενου υπολογισμού δεν είναι πια ένα κενό που πρέπει να γεμίσει με το χέρι ένας άνθρωπος· είναι ένα εξάρτημα που αγοράζεις έτοιμο.

Ακριβώς γι’ αυτόν τον λόγο, ο χαρακτήρας της δουλειάς που απομένει στους ανθρώπους έχει αλλάξει. Το ερώτημα με το οποίο παλεύει τώρα ένας εκτιμητής δεν είναι «σε πόσο πουλήθηκε πρόσφατα ένα συγκρίσιμο κτίριο» — μια μηχανή απαντά ήδη σε αυτό σε δευτερόλεπτα. Αντ’ αυτού, οι άνθρωποι έχουν στραφεί σε ερωτήματα που τα δεδομένα ακόμη δεν συλλαμβάνουν: Πώς αποτιμάς ένα περιουσιακό στοιχείο χωρίς ουσιαστικά συγκρίσιμα για να αντλήσει το μοντέλο; Μαγειρεύεται μια αλλαγή στη σύνθεση ενοικιαστών αυτής της γειτονιάς που τα δεδομένα δεν έχουν ακόμη πιάσει; Κρύβει ο πωλητής μια απελπισμένη κατάσταση; Η επιμονή του ευρωπαϊκού φορέα προτύπων εκτίμησης ότι «ένα AVM πρέπει να συνδυάζεται με επιτόπια επιθεώρηση και εξειδικευμένη κρίση» κινείται στο ίδιο πνεύμα — θεσμοθετεί μια δομή όπου η απάντηση της μηχανής και η απάντηση του ανθρώπου στέκονται δίπλα-δίπλα, και ένας άνθρωπος επισημαίνει πού διαφέρουν.

Ο ρόλος του μεσίτη έχει αλλάξει με παρόμοιο τρόπο. Το να πεις σε κάποιον την τρέχουσα τιμή αγοράς έχει χάσει την αξία της σπανιότητάς του τώρα που ο καθένας μπορεί να το ελέγξει στο κινητό του σε δευτερόλεπτα. Αυτό που κερδίζει αξία τώρα είναι το να διαβάζεις την πραγματική κατάσταση της άλλης πλευράς στο τραπέζι των διαπραγματεύσεων, και να πλοηγείσαι σε μεταβλητές που δεν αναλύονται σε αριθμούς — ρύθμιση, σχέσεις με την κοινότητα, συνεργασίες. Ο νέος καταμερισμός εργασίας που παρήγαγαν αυτά τα πέντε χρόνια είναι ο εξής: η μηχανή υπολογίζει «πόσο αξίζει» εκεί όπου τα δεδομένα είναι άφθονα· ο άνθρωπος κρίνει «αν πρέπει να εμπιστευτεί κανείς αυτόν τον αριθμό» εκεί όπου τα δεδομένα είναι λιγοστά ή δεν αναλύονταν ποτέ σε αριθμούς εξαρχής. Όχι μια χαμένη δουλειά. Μια μετακομισμένη.

Τι έρχεται μετά το διάστημα εμπιστοσύνης

Ποια λοιπόν μέρη αυτής της πενταετούς πορείας θα ισχύουν ακόμη σε τρία χρόνια, ή σε διαφορετική χώρα; Ξεχωρίζουν τρία ερωτήματα.

Πρώτον, το δομικό όριο ότι η ακρίβεια της αποτίμησης με AI κλιμακώνεται άμεσα με την πυκνότητα δεδομένων δεν πρόκειται να εξαφανιστεί. Για τυποποιημένα περιουσιακά στοιχεία σε ρευστές αγορές, το AI θα συνεχίσει να ξεπερνά τους ανθρώπους με πιο λεπτομερή ακρίβεια. Για σπάνια, εξειδικευμένα περιουσιακά στοιχεία και αναδυόμενες κατηγορίες περιουσιακών στοιχείων, η ανθρώπινη εμπειρία και διαίσθηση θα διατηρήσουν το προβάδισμα. Αυτή η οριακή γραμμή θα συνεχίσει να μετατοπίζεται καθώς βελτιώνονται τα μοντέλα AI, όμως δεν θα εξαφανιστεί εντελώς.

Δεύτερον, η «πρόβλεψη» και η «απόφαση να διοχετευτεί πραγματικά κεφάλαιο βάσει αυτής της πρόβλεψης» θα παραμείνουν χωριστές. Η Zillow έχασε πάνω από 400 εκατομμύρια δολάρια όχι επειδή το μοντέλο της ήταν λάθος, αλλά επειδή η μετατροπή μιας ακριβούς πρόβλεψης σε πραγματική συναλλαγή προσέκρουσε στη ρευστότητα και τον χρονισμό της αγοράς — μεταβλητές με τις οποίες δυσκολεύεται ένα στατιστικό μοντέλο. Αυτό το χάσμα είναι απίθανο να κλείσει όσο εξελιγμένο κι αν γίνει το AI, επειδή τα ακίνητα δεν είναι περιουσιακό στοιχείο που πουλιέται τη στιγμή που θέλεις να το πουλήσεις.

Τρίτον, ο δομικός κίνδυνος που προκύπτει όταν πολλοί ανταγωνιστές χρησιμοποιούν το ίδιο εργαλείο ταυτόχρονα θα συνεχίσει να ακολουθεί αυτόν τον κλάδο ανεξάρτητα από το πώς θα εξελιχθεί η ρύθμιση. Τα εργαλεία αποτίμησης έχουν ήδη περάσει από βοήθημα ατομικής κρίσης σε υποδομή που διαμορφώνει άμεσα τον σχηματισμό τιμών σε ολόκληρη την αγορά. Ποιος εποπτεύει αυτή την υποδομή, και πώς, είναι ερώτημα που μόλις άρχισε να τίθεται.

Αυτό που άφησαν πίσω τους τα τελευταία πέντε χρόνια δεν είναι μια απλή ιστορία νίκης-ήττας του τύπου «το AI αντικατέστησε τους ανθρώπους». Άλλαξε ο ίδιος ο τρόπος που ρωτάμε για την αξία ενός ακινήτου. Παλιά, ένας μόνο αριθμός, υπογεγραμμένος από έναν μόνο εκτιμητή, ήταν η απάντηση. Τώρα, ένα ερωτηματικό ακολουθεί αυτόν τον αριθμό εξ ορισμού: πόσο μπορεί πραγματικά να εμπιστευτεί κανείς αυτόν τον αριθμό; Η ικανότητα να απαντάς ειλικρινά σε αυτό το ερωτηματικό έχει γίνει το νέο προσόν που απαιτείται από ανθρώπους και μηχανές που εργάζονται στα ακίνητα στην εποχή του AI.

Ήρθε η ώρα να μεταφέρουμε αυτό το ερωτηματικό στο επόμενο ερώτημα. Γιατί το AI επιμένει τόσο να υπολογίζει την αξία των ακινήτων με τέτοια ακρίβεια; Και πού, ακριβώς, ζει το ίδιο το AI;

Ο κανόνας του παιχνιδιού Ένα μοντέλο συνοψίζει την αγορά· δεν φτιάχνει την αγορά. Το AI είναι τόσο έξυπνο όσο βαθιά είναι τα δεδομένα, και το να ξέρεις τον ακριβή αριθμό δεν σημαίνει ότι έχεις το θάρρος και τον χρόνο να βάλεις πραγματικά κεφάλαιο πίσω από αυτόν. Έτσι, η πλευρά που κερδίζει δεν είναι αυτή με το πιο εξελιγμένο μοντέλο — είναι αυτή που ξέρει ακριβώς πόσο μπορεί να εμπιστευτεί αυτό το μοντέλο, και πού πρέπει να αναλάβει έναν άνθρωπος.

Πηγές

Η Zillow λειτούργησε επιχείρηση iBuying (Zillow Offers) από το 2018, χρησιμοποιώντας το δικό της AVM «Zestimate» για να αγοράζει και να πουλά σπίτια απευθείας, αλλά αποσύρθηκε μετά από ζημιά 421 εκατομμυρίων δολαρίων στο τρίτο τρίμηνο του 2021. Το ποσοστό σφάλματος του Zestimate έναντι αγγελιών στην αγορά έχει αναφερθεί γύρω στο 2%. (The Close, “Zillow Estimates Ultimate Guide”· Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²
Σχετικά με τα ποσοστά σφάλματος των AVM — το υλικό του κλάδου αναφέρει γενικά 2–3% για τυποποιημένα οικιστικά περιουσιακά στοιχεία και 5–15% για μη τυποποιημένα ή εμπορικά περιουσιακά στοιχεία. (PatSnap, “AI property valuation technology landscape 2026”· BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩
Υλικό προμηθευτών/συμβούλων του κλάδου (Blooma, GrowthFactor, Alpaca, κ.ά.) — τράπεζες που υιοθετούν αξιολόγηση με AI αναφέρουν μείωση 50–75% στον χρόνο αξιολόγησης, εξοικονόμηση κόστους έως 20%, και περιπτώσεις αξιολόγησης κάτω από 8 λεπτά για καλά καθορισμένες συμφωνίες. Σημαντική διακύμανση ανά ίδρυμα και δείγμα· δεν αποτελούν τυποποιημένα στατιστικά του κλάδου. ↩
Ο αμερικανικός Interagency Rule on AVMs (σε ισχύ από το 2024) επιβάλλει διαχείριση επιπέδου εμπιστοσύνης για μοντέλα αποτίμησης, διασφαλίσεις κατά της χειραγώγησης δεδομένων, και προστασίες κατά της σύγκρουσης συμφερόντων. Έχουν τεθεί επίσης σε ισχύ πρόσθετες περιφερειακές απαιτήσεις συμμόρφωσης, όπως ο νόμος του Κολοράντο για το AI του 2026. ↩
Η JLL εξαγόρασε την Skyline AI, μια startup AI εμπορικών ακινήτων με έδρα το Ισραήλ/Νέα Υόρκη, το 2021. Πλήρεις προδιαγραφές, χρήση μετά την εξαγορά, και στατιστικά υιοθέτησης AI της JLL καλύπτονται στο Κεφάλαιο 2. (JLL Newsroom· AI Business· PitchBook) ↩
Το Υπουργείο Δικαιοσύνης των ΗΠΑ κατηγόρησε την εταιρεία λογισμικού τιμολόγησης ενοικίων RealPage τον Αύγουστο του 2024 για διευκόλυνση αλγοριθμικής συμπαιγνίας, αναφέροντας περίπτωση όπου ένας ιδιοκτήτης άρχισε να αυξάνει τα ενοίκια μέσα σε μία εβδομάδα από την υιοθέτηση και τα είχε αυξήσει πάνω από 25% μέσα σε έντεκα μήνες. Τον Νοέμβριο του 2025, η RealPage συμβιβάστηκε με το Υπουργείο Δικαιοσύνης χωρίς να παραδεχθεί ενοχή, συμφωνώντας να διακόψει τις λειτουργίες σύστασης ενοικίων που χρησιμοποιούσαν εμπιστευτικές ανταγωνιστικές πληροφορίες. (Επίσημη ανακοίνωση DOJ· ProPublica· NPR· Holland & Knight) ↩ ↩²

Όχι ένας αριθμός αλλά ένα διάστημα εμπιστοσύνης: Ο αναδιαμορφωμός της αποτίμησης