Vuonna 2021 kolmen makuuhuoneen omakotitalo Austinin, Texasin, lähiössä tuotti kaksi vastausta.

1. Ei luku vaan luottamusväli: arvonmäärityksen uudelleenmuotoutuminen

Sama talo, eri luvut

Vuonna 2021 kolmen makuuhuoneen omakotitalo Austinin, Texasin, lähiössä tuotti kaksi vastausta.

Toisen antoi ihminen. Kaksikymmentä vuotta paikallismarkkinaa tunteva arvioija kävi talossa, tarkisti katon kunnon, pihan valoisuuden, aidan korkeuden naapuritonttiin nähden, vertasi kolmeen äskettäin myytyyn vastaavaan taloon ja kirjoitti hintalapun. Toisen antoi algoritmi. Zillow’n AVM (Automated Valuation Model) — “Zestimate” — käytti tuhansia muuttujia yhtä aikaa ja tuotti luvun sekunneissa: pinta-alan, ilmansuunnan, kerroksen, koulupiirin, alueen viimeaikaisen kauppahistorian, jopa sen, näkyikö uima-allas ilmakuvassa.

Luvut poikkesivat toisistaan. Se ei ole yllättävää — myös ihmisarvioijat ovat usein eri mieltä keskenään. Varsinainen yllätys tapahtui seuraavaksi. Zillow luotti oman algoritminsa vastaukseen niin paljon, että se alkoi ostaa taloja suoraan sillä hinnalla. Liiketoiminta, jota kutsuttiin nimellä “iBuying”, nojasi yksinkertaiseen ja rohkeaan väitteeseen: jos tekoäly hinnoittelee tarkasti, miksi emme itse ostaisi ja myisi samaan hintaan? Pelkästään vuoden 2021 kolmannella neljänneksellä Zillow menetti tässä liiketoiminnassa 421 miljoonaa dollaria. Ennen vuoden loppua Zillow Offers suljettiin kokonaan, ja yhtiö irtisanoi ison osan henkilöstöstään. Koko vuoden tappioluku ja toimitusjohtajan oma julkinen tunnustus käydään yksityiskohtaisesti läpi luvussa 8.¹ Samoihin aikoihin iBuying-kokeilut Euroopassa ja Aasiassa supistuivat tai hiljalleen ajettiin alas — muutama brittiläinen startup ja parin suuren kiinalaisen välitysalustan omat ostotoiminnot niiden joukossa. Kyse ei ollut yhden yhtiön virhearviosta. Sama virhe — “tarkan hintalapun” sekoittaminen “markkinalikviditeettiin, joka mahdollistaa kaupankäynnin todellisuudessa sillä hinnalla” — toistui useilla mantereilla.

Zestimaten tarkkuudessa itsessään ei ollut vikaa. Aidosti myynnissä olevia taloja vasten virhemarginaali oli noin 2 %, tiukempi kuin useimmilla ihmisarvioijilla.¹ Silti yhtiö poltti satoja miljoonia dollareita muutamassa vuosineljänneksessä.

Syy löytyy erottelusta, joka kulkee läpi tämän koko luvun. “Tietää, mitä jokin on arvoltaan” ja “olla rohkeutta ja ajoitusta ostaa ja myydä oikeasti sillä hinnalla” ovat täysin eri ongelmia. Tekoäly on hyvä edellisessä. Jälkimmäinen on — ja pysyy luultavasti pitkään — alueena, joka kietoutuu markkinalikviditeettiin, ajoitukseen ja ihmisen harkintaan. Kiinteistöjen arvonmäärityksen todellinen muutos viimeisten viiden vuoden aikana ei ole yksinkertainen tarina siitä, että “tekoäly tuli ihmistä tarkemmaksi”. Itse kysymys muuttui. Ei enää “mitä tämä rakennus on arvoltaan”, vaan “millainen todennäköisyysjakauma tämän rakennuksen arvolla on”.

Tarkkuuden aikakaudesta luottamusvälin aikakauteen

William Poorvu, jonka vuoden 1999 klassikko The Real Estate Game on kiinteistösijoittamisen peruslukemistoa, esittää yhä ajankohtaisen väitteen: kiinteistöä arvioidaan useimmiten ei monimutkaisella laskentataulukolla vaan “kirjekuoren kääntöpuolen laskelmalla”. Vaikka hän opetti kiinteistöalaa Harvardissa, hän huomautti, että samalla kun akatemia ajautui kohti yhä monimutkaisempia malleja, käytännön toimijat seuloivat mahdollisuuksia nopeasti muutaman ydintunnusluvun avulla — nettotuotto (NOI), oman pääoman tuotto (ROE), ostohinta suhteessa korvausarvoon (replacement cost). Laskelma, jonka hän raapusti keltaiselle lehtiölle puhelimessa välittäjän kanssa, on yhä hämmästyttävän yksinkertainen: jaa ostohinta pinta-alalla saadaksesi neliöhinnan, vertaa sitä uudisrakentamisen kustannukseen arvioidaksesi hinnan turvallisuutta, ja laske sitten, kuinka monta prosenttia sijoitetusta omasta pääomasta vuokra tuottaa käyttökulujen ja velanhoidon jälkeen. Hän kutsui tätä vertausta “isoäidin kanakeitoksi” — lopputulos osuu joka kerta suunnilleen oikeaan, ilman täsmällistä reseptiä.

Kaksikymmentäviisi vuotta myöhemmin tätä vertausta kannattaa kääntää päälaelleen. Kiinteistöjen arvonmääritys tekoälyn aikakaudella ei ole päätynyt isoäidin vaistoon — se on päätynyt aivan vastakkaiseen ääripäähän. Äärimmäisen tarkka kone, joka kvantifioi tuhansia muuttujia, kouluttautuu miljoonilla historiallisilla kaupoilla ja hallitsee virhemarginaaliaan desimaalin tarkkuudella. Silti se, mitä tämä tarkkuus on käytännön toimijoille tarjonnut, ei ole “yksi tarkempi luku”. Ironista kyllä, se on kysymys siitä, kuinka paljon tuota lukua ylipäätään pitäisi luottaa.

Syy on yksinkertainen. AVM-mallin virhemarginaali ei ole tasainen. Likvideillä markkinoilla, joissa omaisuus on standardoitua, virhemarginaali voi laskea 2–3 prosenttiin. Yhdysvaltalainen kolmen makuuhuoneen lähiötalo on klassinen esimerkki — dataa on runsaasti.² Kun siirrytään markkinoille, joilla kauppavolyymi on vähäistä, omaisuus poikkeavaa tai kokonainen omaisuusluokka on vasta syntymässä (esimerkiksi myöhemmin käsiteltävät konesalit), virhemarginaali ylittää helposti 10 prosenttia. Datan niukkuus on syynä. Sama malli, sama yhtiö, tuottaa lukuja, joissa “tämä on lähes evankeliumia” ja “tämä on korkeintaan karkea arvio” elävät rinnakkain. AVM on olennaisesti verrokkikauppa-arviointi, joka on ajettu äärimmäisellä nopeudella. Siinä missä ihminen muodostaa käsityksen viidestä kuudesta verrokista yhden puhelun aikana, kone käy läpi tuhansia verrokkeja samassa hetkessä. Mutta markkinalla, jolla ei ole mitään käytävä läpi — ei kauppahistoriaa — nopeimmallakaan koneella ei ole mitään, mistä ammentaa.

Yksi asenne on hiljalleen mutta vakaasti juurtunut alalle viimeisten viiden vuoden aikana. Hyvän arvonmääritysmallin mittarina ei enää ole “kuinka tarkan luvun se tuottaa”, vaan “kertooko se, kuinka paljon tähän lukuun kannattaa luottaa”. Luottamusväli — tilastotieteestä lainattu käsite — on tullut osaksi kiinteistöalan työsanastoa. Yhden litteän julistuksen — “tämä rakennus on arvoltaan miljoona dollaria” — sijaan luotettuna vastauksena pidetään nykyään esimerkiksi: “tämä rakennus on 90 %:n luottamuksella arvoltaan 950 000–1 050 000 dollaria, joskin tämä väli nojaa vain kolmeen tuoreeseen verrokkikauppaan ja otos on ohut”. Tarkkuuden sijaan uudeksi standardiksi on tullut rehellisyys.

Kahdeksan minuutin luottopäätös ja sen hinta

Missään tämä muutos ei ole näkynyt dramaattisemmin kuin kaupallisen kiinteistön lainojen luottokelpoisuusarvioinnissa (underwriting). Perinteisesti kaupallisen kiinteistön laina oli byrokraattinen prosessi — 30–45 päivää paperityöstä hyväksyntään, kulkien pankkiirien ja analyytikkojen käsien kautta useaan otteeseen. Vuokrasopimuksia luettiin yksitellen, vuokralaiskohtaisia vuokralistoja kirjattiin käsin taulukkolaskentaan, käyttökulutodistusten lukuja tarkistettiin aiempiin vuosiin verraten, kassavirtamalleja rakennettiin manuaalisesti. Aivan kuten edellä kuvattu kirjekuoren kääntöpuolen laskelma mahtui yhteen puheluun, myös tämän työn taustalla oleva logiikka on itsessään yksinkertainen. Mittakaava on se, mikä eroaa. Saman aritmetiikan, jota yksittäinen sijoittaja käyttää seuloakseen yhtä rakennusta, pankin on toistettava sadoille kaupoille joka päivä.

Viimeisten viiden vuoden aikana raportit tekoälypohjaisen luottoarvioinnin käyttöönotosta pankeissa ovat kasautuneet: 50–75 %:n lyhennys arviointiajassa, jopa 20 %:n kustannussäästöt.³ Selkeäehtoisissa kaupoissa on syntynyt tapauksia, joissa tekoäly lukee asiakirjat, rakentaa kassavirtamallin automaattisesti ja saa luottoarvioinnin valmiiksi kahdeksassa minuutissa. Työn, joka analyytikolta vei ennen useita viikkoja, kone hoitaa nyt kahvikupillisen ajassa.

Tuo nopeus maksaa hintansa: yhä useammin syntyy “mustia laatikoita”, joissa on vaikea selittää, mistä tietty luku on peräisin. Ihmisanalyytikko pystyy sanoittamaan arvionsa taustan — “alensin tämän vuokralaisen sopimuksen jatkamisen todennäköisyyttä, koska sen myynti on ollut heikkoa viime aikoina”. Kun tekoälymalli päätyy samaan johtopäätökseen, on paljon vaikeampi sanoa, juontuuko johtopäätös todella vuokralaisen myyntiluvuista vai jostain vinoumasta, joka on livahtanut koulutusdataan vahingossa. Sääntely on alkanut ottaa kiinni myös — myöhään, mutta nopeasti — ja sen lähtökohta ja muoto vaihtelevat maittain. Yhdysvalloissa vuonna 2024 voimaan astunut viranomaisten yhteinen AVM-sääntö (Interagency Rule on AVMs) edellyttää arvonmääritysmalleilta luottamustason hallintaa, suojatoimia datan manipulointia vastaan ja eturistiriitasuojia.⁴ Euroopassa arviointialan standardeja asettava elin vahvisti vuoden 2025 uudistetussa standardissaan periaatteen, jonka mukaan “AVM ei voi yksinään korvata virallista arviota — se on yhdistettävä kohteessa tehtävään tarkastukseen ja asiantuntija-arvioon”. Viisi vuotta sitten kilpailuetu tarkoitti “kuinka nopeasti pystyt ottamaan tekoälyn käyttöön”. Nykyään se tarkoittaa “kuinka puolustettavasti pystyt selittämään tekoälyn tekemän arvion” — uusi kilpailuakseli, joka ulottuu jokaiselle mantereelle.

Kolmekymmentä ihmistä ostaa jättiläisen

Vielä yksi tapahtuma tiivistää tämän viiden vuoden kaaren. Vuonna 2021 JLL — yksi maailman suurimmista kiinteistöpalveluyhtiöistä — osti Skyline AI:n, israelilais-newyorkilaisen datastartupin, jonka henkilöstömäärä oli reilu kolmekymmentä. Se, mitä yhtiö tarkalleen rakensi ja miten sitä käytettiin oston jälkeen, käydään yksityiskohtaisesti läpi luvussa 2.⁵

Kysymys, jonka tämä yritysosto nosti esiin, oli yksinkertainen ja terävä: pystyykö pieni tiedetieteilijöiden tiimi ennustamaan omaisuuserän tulevaisuutta tarkemmin kuin organisaatio, joka on rakennettu vuosikymmenten aikana välittäjistä ja arvioijista? Alan vastaus oli itse yritysosto. Tämä ei ollut eristäytynyt tapa hankkia osaamista — seuraavien viiden vuoden aikana suuret välitysfirmat ja varainhoitajat valitsivat toistuvasti ostamisen rakentamisen sijaan. Aasiassa lähestymistapa oli hieman erilainen. Suuri kiinalainen kiinteistönvälitysalusta rakensi oston sijaan suuren sisäisen data-insinöörien tiimin ja kehitti omat tekoälypohjaiset arvonmääritysavustintoiminnot itse — mukaan lukien kuvantunnistustyökalut, jotka lukevat kohteen kunnon valokuvista. Osta vai rakenna -valinta jakoi mielipiteet, mutta johtopäätös — että tekoälyosaamisesta on tullut kiinteistöpalveluyhtiöille ydinkilpailuetu — piti paikkansa mantereesta riippumatta. JLL:n omat tukevat tilastot (tekoälykäyttötapausten määrä, institutionaalisten pilottien käyttöönottoasteet) käydään myös läpi luvussa 2. Arvonmääritys ei ole enää muutaman edelläkävijän kokeilu. Siitä on tullut alan vakiotyönkulku.

Algoritmi rakensi kartellin, jota se ei edes tiedostanut

Kaikki tässä viiden vuoden kaaressa ei ole valoisaa tarinaa. Dramaattisin käänne on RealPagen, vuokranmääritysohjelmiston, tapaus. Ohjelmisto kokosi luottamuksellista hintadataa useilta vuokranantajilta ja suositteli kullekin rakennukselle “optimaalista vuokraa”. Logiikka kuulosti järkevältä — sama lähtöoletus kuin AVM:ssä: enemmän dataa tuottaa tarkemman hinnan.

Ongelma oli, että useat saman kaupungin vuokranantajat käyttivät tätä ohjelmistoa samanaikaisesti. Yksikään vuokranantaja ei koskaan puhunut kartellista toisen kanssa. Mutta koska jokainen syötti oman rakennuksensa hintadatan samaan algoritmiin, ja algoritmi tiivisti tämän tiedon jokaiselle samaksi kuiskatuksi johtopäätökseksi — “kaikki muutkin käyttävät samaa ohjelmistoa, joten markkina kestää koordinoidun vuokrankorotuksen” — syntyi rakenne, joka toimi kuin kartelli ilman että kukaan olisi nimenomaisesti sopinut kartellista. Yhdysvaltain oikeusministeriön kanteen mukaan yksi vuokranantaja alkoi nostaa vuokria viikon sisällä ohjelmiston käyttöönotosta ja oli nostanut niitä yli 25 % yhdentoista kuukauden kuluessa.⁶ Yhdysvaltain vuokra-algoritmioikeudenkäynti syytti tätä käytännössä kartellin edistämisestä, ja marraskuussa 2025 ohjelmistoyhtiö teki sovinnon oikeusministeriön kanssa — myöntämättä rikkomusta — sitoutuen lopettamaan vuokrasuositustoiminnon, joka käytti luottamuksellista kilpailijadataa.⁶

Tämä tapaus on merkityksellinen yksittäistä yhtiötä tai maata laajemmin. Se on ensimmäinen merkittävä oikeudellinen vastine tarinalle “tekoäly tekee markkinoista tehokkaampia”. Vastaava huoli on jo noussut Atlantin toisella puolella — ei kiinteistöalalla vaan bensiinin vähittäiskaupassa Euroopassa, jossa asemien siirtyminen samaan hinnoittelualgoritmiin seurasi katteiden yhteistä nousua ja veti puoleensa kilpailuviranomaisten huomion. Eri toimiala, sama rakenne. Jätä yksittäisen maan lainsäädäntö sivuun ja katso taustalla olevaa periaatetta: hetkellä, jolloin useat kilpailijat ajavat samaa hinnoittelualgoritmia samanaikaisesti, se algoritmi asettuu tehokkuustyökalun ja kartellimekanismin rajapinnalle. Kukin osapuoli toimii yksin rationaalisesti, mutta lopputulos toimii kollektiivisesti kuin kartelli — uudenlainen markkinahäiriö. Tämä on odottamattomin oppitunti tekoälypohjaisen arvonmäärityksen ensimmäisiltä viideltä vuodelta, eikä se rajoitu yhteen maahan.

Arvioija ei katoa — hän siirtyy

Mitä siis lopulta tapahtuu arvioijan ja välittäjän ammateille? Viiden vuoden data osoittaa vastaukseksi “siirtymisen”, ei “häviämisen”.

On aitoa työtä, jonka tekoäly on selvästi ottanut haltuunsa: verrokkien poiminta ja listaus, hintojen laskeminen standardoiduille omaisuuserille, vuokralistojen lukeminen ja kassavirtamallien rakentaminen. Nämä toistuvat, määrälliset tehtävät ovat koneelle nyt ihmistä nopeampia — ja standardikohteissa myös tarkempia. Juuri siksi suuret välitysfirmat ostivat Skyline AI:n kaltaisia yhtiöitä kokonaisuudessaan sen sijaan, että olisivat rakentaneet vastaavan sisäisesti. Toistuva laskentakyky ei ole enää tyhjä kohta, joka ihmisen on täytettävä käsin — se on hyllytavarana ostettava komponentti.

Juuri tästä syystä ihmisille jääneen työn luonne on muuttunut. Kysymys, jonka kanssa arvioija nyt painii, ei ole “mihin hintaan vastaava rakennus äskettäin myytiin” — koneella on jo vastaus sekunneissa. Sen sijaan ihmiset ovat siirtyneet kohti kysymyksiä, joita data ei vielä tavoita: Miten arvostaa omaisuutta, jolle ei ole mielekkäitä verrokkeja mallin käytettäväksi? Onko tällä alueella hautumassa muutos vuokralaiskunnassa, jota data ei ole vielä poiminut? Salaako myyjä epätoivoista tilannetta? Euroopan arviointistandardielimen vaatimus siitä, että “AVM on yhdistettävä kohteessa tehtävään tarkastukseen ja asiantuntija-arvioon”, kulkee samaa linjaa — se institutionalisoi rakenteen, jossa koneen vastaus ja ihmisen vastaus asetetaan rinnakkain, ja ihminen osoittaa, missä ne poikkeavat toisistaan.

Välittäjän rooli on muuttunut samalla tavalla. Sen kertominen, mikä on markkinahinta, on menettänyt harvinaisarvonsa, kun kuka tahansa voi tarkistaa sen puhelimesta sekunneissa. Sen sijaan arvoa tuottaa vastapuolen todellisen tilanteen lukeminen neuvottelupöydän toisella puolella ja sellaisten muuttujien navigointi, jotka eivät palaudu luvuiksi — sääntely, yhteisösuhteet, kumppanuudet. Uusi työnjako, jonka nämä viisi vuotta ovat tuottaneet, on tämä: kone laskee, “mitä jokin on arvoltaan”, siellä missä dataa on runsaasti; ihminen arvioi, “pitäisikö tähän lukuun luottaa”, siellä missä dataa on niukasti tai se ei koskaan ole palautunut luvuiksi. Ei kadonnut työ. Siirtynyt työ.

Mitä luottamusvälin jälkeen tulee

Mitkä osat tästä viiden vuoden kaaresta pitävät siis edelleen paikkansa kolmen vuoden päästä, tai eri maassa? Kolme kysymystä erottuu joukosta.

Ensinnäkin, rakenteellinen raja, jonka mukaan tekoälypohjaisen arvonmäärityksen tarkkuus skaalautuu suoraan datatiheyden mukana, ei ole katoamassa. Likvideillä markkinoilla ja standardoiduissa kohteissa tekoäly jatkaa hienojakoisemman tarkkuuden tarjoamista ihmistä vastaan. Harvinaisissa, erikoistuneissa kohteissa ja vasta syntyvissä omaisuusluokissa ihmisen kokemus ja intuitio säilyttävät etulyöntiaseman. Tuo rajaviiva siirtyy jatkuvasti tekoälymallien kehittyessä, mutta se ei häviä kokonaan.

Toiseksi, “ennuste” ja “päätös sijoittaa pääomaa todella tuon ennusteen varaan” pysyvät erillään. Zillow menetti yli 400 miljoonaa dollaria ei siksi, että sen malli olisi ollut väärässä, vaan koska tarkan ennusteen muuttaminen todelliseksi kaupaksi törmäsi markkinalikviditeettiin ja ajoitukseen — muuttujiin, joiden kanssa tilastollinen malli kamppailee. Tämä kuilu tuskin sulkeutuu, oli tekoäly kuinka kehittynyt tahansa, koska kiinteistö ei ole omaisuuserä, joka myydään sillä hetkellä kun haluat myydä.

Kolmanneksi, rakenteellinen riski, joka syntyy kun useat kilpailijat käyttävät samaa työkalua samanaikaisesti, tulee seuraamaan tätä alaa riippumatta siitä, miten sääntely kehittyy. Arvonmääritystyökalut ovat jo ylittäneet rajan yksittäisen harkinnan apuvälineestä infrastruktuuriksi, joka muovaa suoraan hinnanmuodostusta koko markkinalla. Kysymys siitä, kuka tätä infrastruktuuria valvoo ja miten, on vasta alkanut.

Se, minkä viimeiset viisi vuotta ovat jättäneet jälkeensä, ei ole yksinkertainen voitto-tappio-tarina siitä, että “tekoäly korvasi ihmiset”. Itse tapa, jolla kysymme kiinteistön arvosta, on muuttunut. Ennen yhden arvioijan allekirjoittama yksittäinen luku oli vastaus. Nyt tuota lukua seuraa itsestäänselvästi kysymysmerkki: kuinka paljon tähän lukuun oikeasti voi luottaa? Kyky vastata tähän kysymysmerkkiin rehellisesti on tullut uudeksi vaatimukseksi sekä ihmisille että koneille, jotka työskentelevät kiinteistöalalla tekoälyn aikakaudella.

Nyt on aika viedä tuo kysymysmerkki seuraavaan kysymykseen. Miksi tekoäly on näin päättäväisesti kiinni kiinteistön arvon laskemisessa tällä tarkkuudella? Ja missä tekoäly itse asiassa asuu?

Pelin sääntö Malli tiivistää markkinan; se ei tee markkinaa. Tekoäly on älykkäämpi vain siinä määrin kuin data on syvempää, ja tarkan luvun tunteminen ei tarkoita rohkeutta ja ajoitusta laittaa pääomaa sen taakse todellisuudessa. Voittaja ei siis ole se, jolla on kehittynein malli — vaan se, joka tietää tarkalleen, kuinka pitkälle mallia voi luottaa ja missä kohtaa ihmisen on otettava ohjat.

Lähteet

Zillow harjoitti iBuying-liiketoimintaa (Zillow Offers) vuodesta 2018 alkaen käyttäen omaa AVM-malliaan “Zestimate” talojen ostamiseen ja myymiseen suoraan, mutta veti liiketoiminnasta pois menetettyään 421 miljoonaa dollaria vuoden 2021 kolmannella neljänneksellä. Zestimaten virhemarginaali myynnissä olevia kohteita vasten on raportoitu olevan noin 2 %. (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²
AVM-virhemarginaaleista — alan aineistoissa mainitaan laajalti 2–3 % standardeille asuinkohteille ja 5–15 % ei-standardeille tai liikekiinteistöille. (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩
Alan toimittaja-/konsultointimateriaalit (Blooma, GrowthFactor, Alpaca ym.) — pankit, jotka ottavat käyttöön tekoälypohjaisen luottoarvioinnin, raportoivat 50–75 %:n lyhennystä arviointiajassa, jopa 20 %:n kustannussäästöjä ja tapauksia alle 8 minuutin luottoarvioinneista selkeäehtoisissa kaupoissa. Huomattavaa vaihtelua instituutioiden ja otoksen mukaan; ei standardoitua alan tilastoa. ↩
Yhdysvaltain viranomaisten yhteinen AVM-sääntö (voimassa 2024 alkaen) edellyttää arvonmääritysmalleilta luottamustason hallintaa, suojatoimia datan manipulointia vastaan ja eturistiriitasuojia. Lisäksi alueellisia vaatimuksia, kuten Coloradon vuoden 2026 tekoälylaki, on astunut voimaan. ↩
JLL osti Skyline AI:n, israelilais-newyorkilaisen kaupallisen kiinteistöalan tekoälystartupin, vuonna 2021. Täydet tekniset tiedot, käyttö oston jälkeen ja JLL:n tekoälyn käyttöönottotilastot käydään läpi luvussa 2. (JLL Newsroom; AI Business; PitchBook) ↩
Yhdysvaltain oikeusministeriö syytti vuokrahinnoitteluohjelmisto RealPagea elokuussa 2024 algoritmisen kartellin edistämisestä viitaten tapaukseen, jossa yksi vuokranantaja alkoi nostaa vuokria viikon sisällä käyttöönotosta ja oli nostanut niitä yli 25 % yhdentoista kuukauden kuluessa. Marraskuussa 2025 RealPage teki sovinnon oikeusministeriön kanssa myöntämättä rikkomusta, sitoutuen lopettamaan vuokrasuositustoiminnot, jotka käyttivät luottamuksellista kilpailijadataa. (DOJ:n virallinen tiedote; ProPublica; NPR; Holland & Knight) ↩ ↩²

Ei luku vaan luottamusväli: arvonmäärityksen uudelleenmuotoutuminen