1. एक नंबर नहीं, एक कॉन्फिडेंस इंटरवल: वैल्यूएशन का नया आकार

एक ही घर, दो अलग नंबर

2021 में, टेक्सस के ऑस्टिन के एक उपनगर में एक तीन-बेडरूम सिंगल-फैमिली घर ने दो जवाब दिए।

एक जवाब एक इंसान ने दिया। स्थानीय मार्केट में बीस साल का अनुभव रखने वाले एक अप्रेज़र ने घर में चलकर छत की हालत देखी, बैकयार्ड में धूप कितनी आती है यह परखा, पड़ोसी के प्लॉट के मुकाबले बाड़ की ऊंचाई नापी, हाल ही में बिके तीन तुलनीय घरों से मिलान किया, और एक कीमत तय कर दी। दूसरा जवाब एक एल्गोरिदम ने दिया। Zillow के AVM (Automated Valuation Model) — जिसे “Zestimate” कहा जाता है — ने एक साथ हज़ारों वेरिएबल्स प्रोसेस किए और सेकंडों में एक नंबर निकाल दिया। स्क्वेयर फुटेज, ओरिएंटेशन, फ्लोर लेवल, स्कूल डिस्ट्रिक्ट, हाल की लोकल सेल्स हिस्ट्री, यहां तक कि एरियल फोटोग्राफी में पूल दिखा या नहीं — सब कुछ।

दोनों नंबर अलग-अलग निकले। यह हैरानी की बात नहीं — इंसान अप्रेज़र भी आपस में अक्सर असहमत होते हैं। असली हैरानी इसके बाद हुई। Zillow को अपने ही एल्गोरिदम के जवाब पर इतना भरोसा था कि उसने उसी कीमत पर सीधे घर खरीदने शुरू कर दिए। “iBuying” नाम का यह बिज़नेस एक सीधे और साहसी प्रस्ताव पर टिका था: अगर AI कीमत सही आंक रहा है, तो हम खुद उसी कीमत पर क्यों न खरीदें-बेचें? सिर्फ 2021 की तीसरी तिमाही में Zillow को इस बिज़नेस में $421 मिलियन का घाटा हुआ। साल खत्म होने से पहले ही Zillow Offers पूरी तरह बंद हो गया, और कंपनी ने अपने वर्कफोर्स के एक बड़े हिस्से की छंटनी कर दी। पूरे साल के घाटे के आंकड़े और खुद CEO की रिकॉर्ड पर आई स्वीकारोक्ति चैप्टर 8 में विस्तार से दी गई है।¹ लगभग इसी दौर में, यूरोप और एशिया में भी iBuying के प्रयोग सिकुड़े या चुपचाप बंद हो गए — कई UK स्टार्टअप्स, और कुछ बड़े चीनी ब्रोकरेज प्लेटफॉर्म्स की इन-हाउस बाइंग ऑपरेशंस भी इनमें शामिल थीं। यह किसी एक कंपनी की गलत आंकलन नहीं थी। “सही कीमत” और “उसी कीमत पर वाकई खरीदने-बेचने के लिए मार्केट लिक्विडिटी” को गड्डमगड्ड कर देने की यह गलती कई महाद्वीपों में दोहराई गई।

Zestimate की एक्यूरेसी खुद बुरी नहीं थी। मार्केट में असल में बिक्री के लिए मौजूद घरों के मुकाबले, इसकी एरर रेट करीब 2% रही, जो ज़्यादातर इंसान अप्रेज़र से भी बेहतर है।¹ इसके बावजूद कंपनी ने चंद तिमाहियों में सैकड़ों मिलियन डॉलर फूंक डाले।

इसकी वजह एक ऐसे फर्क में छिपी है जो इस पूरे चैप्टर से होकर गुज़रता है। “किसी चीज़ की कीमत कितनी है, यह जानना” और “उसी कीमत पर वाकई खरीदने-बेचने की हिम्मत और सही टाइमिंग होना” — ये दो बिल्कुल अलग समस्याएं हैं। AI पहले वाले में माहिर है। दूसरा अभी भी, और शायद लंबे समय तक, मार्केट लिक्विडिटी, टाइमिंग और इंसानी जजमेंट से उलझा एक क्षेत्र बना रहेगा। पिछले पांच सालों में रियल एस्टेट वैल्यूएशन में असली बदलाव यह सीधी-सादी कहानी नहीं है कि “AI इंसानों से ज़्यादा सटीक हो गया।” असल में सवाल ही बदल गया। सवाल यह नहीं रहा कि “इस बिल्डिंग की कीमत क्या है,” बल्कि यह हो गया कि “इस बिल्डिंग की कीमत की प्रोबेबिलिटी डिस्ट्रीब्यूशन कैसी दिखती है।“

सटीकता के युग से कॉन्फिडेंस इंटरवल के युग तक

विलियम पूर्वू, जिनकी 1999 की किताब द रियल एस्टेट गेम रियल एस्टेट इन्वेस्टिंग की एक क्लासिक मानी जाती है, एक ऐसी दलील देते हैं जो दोबारा देखने लायक है: रियल एस्टेट का आंकलन ज़्यादातर वक्त किसी विस्तृत स्प्रेडशीट से नहीं, बल्कि “बैक-ऑफ-द-एनवलप एनालिसिस” से होता है। हार्वर्ड में रियल एस्टेट पढ़ाते हुए भी उन्होंने नोट किया कि जहां अकादमिक जगत लगातार और जटिल मॉडलों की तरफ बढ़ता गया, वहीं प्रैक्टिशनर्स मुट्ठी भर मूल रेशियो से ही मौकों को झट से छांट लेते हैं — नेट ऑपरेटिंग इनकम (NOI), रिटर्न ऑन इक्विटी (ROE), खरीद कीमत बनाम रिप्लेसमेंट कॉस्ट। एक ब्रोकर की फोन कॉल सुनते हुए पीले लीगल पैड पर उन्होंने जो हिसाब लगाया, वह आज भी अपनी सादगी में चौंकाता है: खरीद कीमत को स्क्वेयर फुटेज से भाग देकर प्राइस-पर-स्क्वेयर-फुट निकालो, इसे नया बनाने की लागत से तुलना करके देखो कि कीमत कितनी सुरक्षित है, फिर ऑपरेटिंग कॉस्ट और डेट सर्विस घटाने के बाद रेंट से निवेशित इक्विटी पर कितना प्रतिशत रिटर्न मिलता है, यह निकालो। उन्होंने इस तुलना को “दादी का चिकन सूप” कहा — बिना किसी सटीक रेसिपी के, हर बार लगभग सही निकलने वाला नतीजा।

पच्चीस साल बाद, इस तुलना को उलटकर देखना ज़रूरी है। AI युग का रियल एस्टेट वैल्यूएशन दादी के हाथ के जादू तक नहीं पहुंचा है — यह ठीक उल्टे छोर पर जा पहुंचा है। एक अति-सटीक मशीन जो हज़ारों वेरिएबल्स को नापती है, लाखों ऐतिहासिक ट्रांजैक्शंस पर ट्रेन होती है, और अपनी एरर रेट को दशमलव तक मैनेज करती है। और फिर भी इस सटीकता ने प्रैक्टिशनर्स को जो दिया है वह “एक और ज़्यादा सटीक नंबर” नहीं है। विडंबना यह है कि इसने सबसे पहले यही सवाल थमाया कि उस नंबर पर भरोसा कितना किया जाए।

वजह सीधी है। किसी AVM की एरर रेट एक जैसी नहीं होती। स्टैंडर्डाइज़्ड एसेट्स वाले लिक्विड मार्केट्स में एरर रेट 2-3% तक गिर सकती है। अमेरिका का तीन-बेडरूम उपनगरीय घर इसका क्लासिक उदाहरण है — यहां डेटा भरपूर है।² लेकिन जहां ट्रांजैक्शन वॉल्यूम पतला हो, एसेट्स अलग-थलग किस्म के हों, या कोई नई उभरती एसेट क्लास हो (बाद में जिक्र होने वाले data center इसका सबसे बढ़िया उदाहरण हैं), वहां एरर रेट आसानी से 10% पार कर जाती है। इसकी वजह डेटा की कमी है। एक ही मॉडल, एक ही कंपनी, ऐसे नंबर निकालती है जहां “यह लगभग तय बात है” और “यह बस एक मोटा अंदाज़ा है” दोनों साथ-साथ मौजूद रहते हैं। AVM असल में तुलनीय-बिक्री वाली अप्रेज़ल का ही अत्यधिक तेज़ संस्करण है। जहां इंसान एक फोन कॉल में पांच-छह तुलनीय उदाहरणों से एक राय बना लेता है, वहीं मशीन उसी पल में हज़ारों तुलनीय उदाहरण खंगाल लेती है। लेकिन जिस मार्केट में खंगालने को कुछ है ही नहीं — कोई ट्रांजैक्शन रिकॉर्ड नहीं — वहां सबसे तेज़ मशीन के पास भी काम करने को कुछ नहीं बचता।

पिछले पांच सालों में इस इंडस्ट्री में एक समझ चुपचाप, मगर मज़बूती से जड़ जमा चुकी है। अब एक अच्छे वैल्यूएशन मॉडल की पहचान यह नहीं रह गई कि “वह कितना सटीक नंबर देता है,” बल्कि यह हो गई है कि “क्या वह बताता है कि उस नंबर पर कितना भरोसा किया जाए।” कॉन्फिडेंस इंटरवल — सांख्यिकी से उधार लिया गया यह कॉन्सेप्ट — अब रियल एस्टेट प्रैक्टिस की कामकाजी शब्दावली का हिस्सा बन चुका है। “इस बिल्डिंग की कीमत $1 मिलियन है” जैसी एक सपाट घोषणा की बजाय, अब लोग इस तरह के जवाब पर भरोसा करते हैं: “इस बिल्डिंग की कीमत, 90% कॉन्फिडेंस के साथ, $950,000 से $1,050,000 के बीच है, हालांकि यह रेंज सिर्फ तीन हाल की तुलनीय बिक्रियों पर टिकी है और सैंपल पतला है।” अब मानक सटीकता नहीं, ईमानदारी बन गई है।

आठ मिनट का अंडरराइट, और उसकी कीमत

यह बदलाव सबसे नाटकीय रूप से कमर्शियल रियल एस्टेट लोन अंडरराइटिंग में दिखा है। परंपरागत रूप से, कमर्शियल रियल एस्टेट लोन एक नौकरशाही प्रक्रिया थी — कागज़ी कार्रवाई से अप्रूवल तक 30 से 45 दिन, जो बैंकरों और एनालिस्टों के कई हाथों से गुज़रती थी। लीज़ एग्रीमेंट एक-एक करके पढ़ना, हर टेनेंट का रेंट रोल स्प्रेडशीट में टाइप करना, ऑपरेटिंग स्टेटमेंट्स के नंबरों को पिछले सालों से मिलाकर वेरिफाई करना, हाथ से कैश-फ्लो मॉडल बनाना। जैसे ऊपर बताया गया बैक-ऑफ-द-एनवलप हिसाब एक ही फोन कॉल में निपट जाता था, वैसे ही इस काम का मूल तर्क भी सादा है। फर्क सिर्फ स्केल का है। जो अंकगणित एक व्यक्तिगत निवेशक एक बिल्डिंग को जांचने के लिए इस्तेमाल करता है, बैंक को उसी को हर दिन सैकड़ों डील्स पर दोहराना पड़ता है।

पिछले पांच सालों में, बैंकों में AI अंडरराइटिंग अपनाने की रिपोर्टें ढेर हो चुकी हैं: अंडरराइटिंग टाइम में 50-75% की कमी, लागत में 20% तक की बचत।³ साफ-सुथरी, अच्छी तरह परिभाषित शर्तों वाली डील्स के लिए, ऐसे मामले सामने आए हैं जहां AI दस्तावेज़ पढ़ता है, अपने आप कैश-फ्लो मॉडल बनाता है, और आठ मिनट में अंडरराइट पूरा कर देता है। जिस काम में पहले किसी एनालिस्ट के कई हफ्ते लगते थे, वह अब मशीन एक कप कॉफी पीने जितने वक्त में निपटा देती है।

यह रफ्तार अपनी एक कीमत लेकर आती है: “ब्लैक बॉक्स” के मामलों की बढ़ती संख्या, जहां यह समझाना मुश्किल है कि कोई नंबर आया कैसे। एक इंसान एनालिस्ट अपने जजमेंट के पीछे की वजह बता सकता है — “मैंने इस टेनेंट की रिन्यूअल प्रोबेबिलिटी कम आंकी क्योंकि उनकी हाल की सेल्स कमज़ोर रही हैं।” जब AI मॉडल उसी नतीजे पर पहुंचता है, तो यह बताना कहीं ज़्यादा मुश्किल होता है कि वह नतीजा सचमुच टेनेंट के सेल्स आंकड़ों से निकला है, या ट्रेनिंग डेटा में गलती से घुस आए किसी बायस से। रेगुलेशन भी इसके पीछे-पीछे चलना शुरू हो गया है — देर से, पर तेज़ी से — और इसकी शुरुआत और जवाब की शक्ल हर देश में अलग है। अमेरिका में, 2024 में लागू हुए Interagency Rule on AVMs के तहत वैल्यूएशन मॉडलों के लिए कॉन्फिडेंस मैनेजमेंट, डेटा में हेरफेर के खिलाफ सुरक्षा उपाय, और कॉन्फ्लिक्ट-ऑफ-इंटरेस्ट प्रोटेक्शन अनिवार्य कर दिए गए हैं।⁴ यूरोप में, अप्रेज़ल-इंडस्ट्री के मानक तय करने वाली संस्था ने अपने 2025 के संशोधित स्टैंडर्ड के ज़रिए यह सिद्धांत पुख्ता कर दिया कि “कोई AVM अकेले औपचारिक अप्रेज़ल की जगह नहीं ले सकता — इसे साइट इंस्पेक्शन और एक्सपर्ट जजमेंट के साथ जोड़ना ही होगा।” पांच साल पहले, प्रतिस्पर्धी बढ़त का मतलब था “आप AI को कितनी तेज़ी से अपनाते हैं।” आज इसका मतलब है “AI के जजमेंट को आप कितनी मजबूती से समझा सकते हैं” — यह एक नई प्रतिस्पर्धी धुरी है जो हर महाद्वीप में काटती चली जाती है।

एक विशालकाय कंपनी को खरीदने वाले तीस लोग

एक और घटना इस पांच साल की कहानी को समेटती है। 2021 में, दुनिया की सबसे बड़ी रियल एस्टेट सर्विसेज़ फर्मों में से एक, JLL ने इज़रायल और न्यूयॉर्क आधारित एक डेटा स्टार्टअप Skyline AI को खरीद लिया, जिसमें सिर्फ तीस-कुछ लोग काम करते थे। इस कंपनी ने असल में क्या बनाया था, और अधिग्रहण के बाद इसका इस्तेमाल कैसे हुआ, यह चैप्टर 2 में विस्तार से बताया गया है।⁵

इस अधिग्रहण ने जो सवाल खड़ा किया वह सीधा और चुभने वाला था: क्या डेटा साइंटिस्टों की एक छोटी टीम, दशकों में बनी ब्रोकरों और अप्रेज़रों की संस्था से ज़्यादा सटीकता से किसी एसेट के भविष्य का अनुमान लगा सकती है? इंडस्ट्री का जवाब खुद यह अधिग्रहण ही था। यह क्षमता हासिल करने का कोई अकेला तरीका नहीं था — अगले पांच सालों में, बड़ी ब्रोकरेज और एसेट मैनेजमेंट कंपनियों ने बार-बार खुद बनाने की बजाय खरीदने का रास्ता चुना। एशिया ने कुछ अलग रास्ता अपनाया। एक बड़े चीनी रियल एस्टेट ब्रोकरेज प्लेटफॉर्म ने अधिग्रहण की बजाय, एक बड़ी इन-हाउस डेटा-इंजीनियरिंग टीम बनाई और अपनी खुद की AI वैल्यूएशन-असिस्टेंस सुविधाएं विकसित कीं — जिनमें एक ऐसा इमेज-रिकग्निशन टूल भी शामिल था जो तस्वीरों से किसी लिस्टिंग की हालत पढ़ सके। खरीदने और खुद बनाने के रास्ते अलग-अलग रहे, पर एक नतीजा हर महाद्वीप में एक जैसा निकला — कि AI क्षमता अब रियल एस्टेट सर्विसेज़ फर्मों के लिए एक बुनियादी प्रतिस्पर्धी संपत्ति बन चुकी है। JLL के अपने सहायक आंकड़े (AI यूज़ केसों की संख्या, इंस्टीट्यूशनल पायलट-अडॉप्शन दरें) भी चैप्टर 2 में हैं। वैल्यूएशन अब मुट्ठी भर शुरुआती अपनाने वालों का प्रयोग नहीं रहा। यह इंडस्ट्री का मानक वर्कफ्लो बन चुका है।

एक एल्गोरिदम ने ऐसी सांठगांठ रच दी जिसकी उसे खुद खबर नहीं थी

इस पांच साल की कहानी में सब कुछ उजला नहीं है। सबसे नाटकीय उलटफेर रेंट-सेटिंग सॉफ्टवेयर RealPage का मामला है। यह सॉफ्टवेयर कई मकान मालिकों की गोपनीय प्राइसिंग जानकारी इकट्ठा करता था और हर बिल्डिंग के लिए एक “इष्टतम रेंट” सुझाता था। इसका तर्क सुनने में वाजिब लगता था — बिल्कुल AVM वाली उसी बुनियाद पर: ज़्यादा डेटा, ज़्यादा सटीक कीमत।

समस्या यह थी कि एक ही शहर में कई मकान मालिक एक साथ इसी सॉफ्टवेयर का इस्तेमाल कर रहे थे। किसी एक मकान मालिक ने कभी किसी दूसरे से सांठगांठ पर बात नहीं की। लेकिन क्योंकि हर कोई अपनी बिल्डिंग का प्राइसिंग डेटा उसी एल्गोरिदम को खिला रहा था, और एल्गोरिदम उस जानकारी को मिलाकर हर एक को एक जैसा गुपचुप निष्कर्ष सुना रहा था — “बाकी सब भी यही सॉफ्टवेयर इस्तेमाल कर रहे हैं, तो मार्केट एक साथ रेंट बढ़ोतरी झेल सकता है” — नतीजतन एक ऐसा ढांचा उभरा जो बिना किसी स्पष्ट सहमति के भी सांठगांठ जैसा काम कर रहा था। अमेरिकी न्याय विभाग की शिकायत के मुताबिक, एक मकान मालिक ने सॉफ्टवेयर अपनाने के एक हफ्ते के भीतर रेंट बढ़ाना शुरू कर दिया और ग्यारह महीनों के भीतर 25% से ज़्यादा बढ़ा दिया।⁶ अमेरिकी रेंट-एल्गोरिदम मुकदमे ने इसे प्रभावी रूप से सांठगांठ को बढ़ावा देने के आरोप में दर्ज किया, और नवंबर 2025 में सॉफ्टवेयर कंपनी ने न्याय विभाग के साथ — बिना किसी गलती की स्वीकारोक्ति के — समझौता कर लिया, गोपनीय प्रतिस्पर्धी जानकारी का इस्तेमाल करने वाले रेंट-सिफारिश फीचर को बंद करने पर सहमति जताते हुए।⁶

यह मामला किसी एक कंपनी या देश से आगे जाकर मायने रखता है। यह इस नैरेटिव का पहला बड़ा कानूनी खंडन है कि “AI मार्केट को ज़्यादा कुशल बनाता है।” अटलांटिक के उस पार भी ऐसी ही चिंता उभर चुकी है — रियल एस्टेट में नहीं, बल्कि यूरोप के पेट्रोल रिटेल सेक्टर में, जहां कई स्टेशनों के एक ही प्राइसिंग एल्गोरिदम पर स्विच करने के बाद मार्जिन में एक साथ बढ़ोतरी देखी गई, जिसने प्रतिस्पर्धा नियामकों का ध्यान खींचा। इंडस्ट्री अलग, ढांचा वही। किसी एक देश के कानूनों को अलग रखकर मूल सिद्धांत देखें तो: जिस पल कई प्रतिस्पर्धी एक साथ एक ही प्राइसिंग एल्गोरिदम चलाने लगते हैं, वह एल्गोरिदम एक दक्षता उपकरण और एक सांठगांठ तंत्र के बीच की रेखा पर आ खड़ा होता है। हर पक्ष अकेले में तर्कसंगत बर्ताव करता है, फिर भी नतीजा सामूहिक रूप से एक कार्टेल जैसा काम करता है — यह एक नई किस्म की मार्केट फेलियर है। AI वैल्यूएशन के पहले पांच सालों का यह सबसे अप्रत्याशित सबक है, और यह किसी एक देश तक सीमित नहीं है।

अप्रेज़र गायब नहीं हो रहा — वह जगह बदल रहा है

तो इस सबके अंत में अप्रेज़र और ब्रोकर के पेशों का क्या होगा? पांच साल का डेटा इशारा करता है कि जवाब “विलुप्ति” नहीं, “स्थानांतरण” है।

ऐसा काम है जिसे AI ने स्पष्ट रूप से अपने हाथ में ले लिया है: तुलनीय उदाहरण खींचना और सूचीबद्ध करना, स्टैंडर्डाइज़्ड एसेट्स की कीमत निकालना, रेंट रोल पढ़ना और कैश-फ्लो मॉडल बनाना। ये दोहराव वाले, संख्यात्मक काम अब इंसानों से मशीनों के लिए ज़्यादा तेज़ हैं — और स्टैंडर्ड एसेट्स के लिए, ज़्यादा सटीक भी। यही वजह है कि बड़ी ब्रोकरेज कंपनियों ने Skyline AI जैसी कंपनियों को इन-हाउस बनाने की बजाय पूरी की पूरी खरीद ली। दोहराव वाली गणना की क्षमता अब कोई खाली जगह नहीं रही जिसे इंसान को हाथ से भरना पड़े; यह अब एक ऐसा कंपोनेंट है जिसे शेल्फ से खरीद लिया जाता है।

ठीक इसी वजह से लोगों के हिस्से बचे काम का स्वरूप बदल गया है। अब अप्रेज़र जिस सवाल से जूझता है वह यह नहीं है कि “किसी तुलनीय बिल्डिंग की हाल की बिक्री कीमत क्या रही” — इसका जवाब मशीन पहले ही सेकंडों में दे देती है। इसकी बजाय, लोग उन सवालों की तरफ बढ़ गए हैं जिन्हें डेटा अभी भी नहीं पकड़ पाता: जिस एसेट के लिए मॉडल के पास कोई सार्थक तुलनीय उदाहरण नहीं है, उसकी कीमत कैसे आंकें? क्या इस मोहल्ले की टेनेंट संरचना में कोई बदलाव पक रहा है जिसे डेटा ने अभी तक नहीं पकड़ा? क्या विक्रेता किसी बेबसी की हालत को छिपा रहा है? यूरोप की अप्रेज़ल-स्टैंडर्ड संस्था का यह ज़ोर कि “AVM को साइट इंस्पेक्शन और एक्सपर्ट जजमेंट के साथ जोड़ना ही होगा,” इसी सोच से निकलता है — यह एक ऐसा ढांचा संस्थागत बनाता है जहां मशीन का जवाब और इंसान का जवाब साथ-साथ रखे जाते हैं, और एक इंसान बताता है कि दोनों कहां अलग पड़ते हैं।

ब्रोकर की भूमिका भी इसी तरह बदली है। बाज़ार में चल रही दर बताना अब दुर्लभ मूल्य नहीं रखता, क्योंकि कोई भी इसे फोन पर सेकंडों में देख सकता है। इसकी बजाय जिस चीज़ की कीमत बढ़ी है वह है बातचीत की मेज़ के उस पार सामने वाले की असली स्थिति भांप लेना, और उन वेरिएबल्स को संभालना जो संख्याओं में सिमटते नहीं — रेगुलेशन, समुदाय के रिश्ते, साझेदारियां। इन पांच सालों ने श्रम विभाजन का जो नया ढांचा दिया है वह यह है: जहां डेटा भरपूर है, वहां “इसकी कीमत क्या है” मशीन तय करती है; जहां डेटा पतला है या शुरू से ही संख्याओं में सिमटने लायक नहीं था, वहां “इस नंबर पर भरोसा किया जाए या नहीं” इंसान तय करता है। यह नौकरी खोना नहीं है। यह जगह बदलना है।

कॉन्फिडेंस इंटरवल के बाद क्या

तो इस पांच साल की कहानी के कौन से हिस्से तीन साल बाद, या किसी और देश में भी सच बने रहेंगे? तीन सवाल उभर कर सामने आते हैं।

पहला, यह ढांचागत सीमा कि AI वैल्यूएशन की सटीकता सीधे डेटा घनत्व के साथ बढ़ती-घटती है, कहीं जाने वाली नहीं है। लिक्विड मार्केट्स के स्टैंडर्डाइज़्ड एसेट्स के लिए, AI बारीक सटीकता के साथ इंसानों को पीछे छोड़ता रहेगा। दुर्लभ, विशिष्ट एसेट्स और नई उभरती एसेट क्लासों के लिए, इंसानी अनुभव और सहज बुद्धि का पलड़ा भारी रहेगा। AI मॉडल बेहतर होते जाएंगे तो यह सीमा-रेखा खिसकती रहेगी, पर पूरी तरह मिटेगी नहीं।

दूसरा, “अनुमान लगाना” और “उस अनुमान के भरोसे पूंजी वाकई लगाने का फैसला” — ये दोनों अलग-अलग बने रहेंगे। Zillow ने $400 मिलियन से ज़्यादा इसलिए नहीं गंवाए कि उसका मॉडल गलत था, बल्कि इसलिए कि एक सटीक अनुमान को असली सौदे में बदलने की कोशिश मार्केट लिक्विडिटी और टाइमिंग से टकरा गई — ऐसे वेरिएबल्स जिनसे किसी सांख्यिकीय मॉडल को जूझना मुश्किल पड़ता है। AI चाहे कितना भी परिष्कृत क्यों न हो जाए, यह फासला मिटने की संभावना कम है, क्योंकि रियल एस्टेट ऐसी एसेट नहीं है जो चाहते ही उसी पल बिक जाए।

तीसरा, जब कई प्रतिस्पर्धी एक साथ एक ही टूल इस्तेमाल करते हैं तो जो ढांचागत जोखिम पैदा होता है, वह रेगुलेशन चाहे जितना भी विकसित हो जाए, इस इंडस्ट्री का पीछा नहीं छोड़ेगा। वैल्यूएशन टूल पहले ही व्यक्तिगत जजमेंट में मदद करने वाले सहायक से आगे बढ़कर ऐसी बुनियादी ढांचे बन चुके हैं जो पूरे मार्केट में सीधे कीमत बनने की प्रक्रिया को आकार देते हैं। इस बुनियादी ढांचे की निगरानी कौन करेगा, और कैसे — यह सवाल अभी शुरू ही हुआ है।

पिछले पांच सालों ने पीछे जो छोड़ा है वह “AI ने इंसानों की जगह ले ली” जैसी कोई सीधी हार-जीत की कहानी नहीं है। रियल एस्टेट की कीमत के बारे में सवाल पूछने का तरीका ही बदल गया है। पहले, एक अकेले अप्रेज़र के दस्तखत वाला एक अकेला नंबर ही जवाब हुआ करता था। अब, उस नंबर के पीछे एक सवालिया निशान लगना तय बात है: इस नंबर पर वाकई कितना भरोसा किया जा सकता है? इस सवालिया निशान का ईमानदारी से जवाब दे पाना ही AI युग में रियल एस्टेट में काम कर रहे इंसानों और मशीनों दोनों से मांगी जा रही नई योग्यता बन चुका है।

अब वक्त है इस सवालिया निशान को अगले सवाल तक ले जाने का। AI इतनी बारीकी से रियल एस्टेट की कीमत नापने पर इतना अड़ा हुआ क्यों है? और असल में, AI खुद रहता कहां है?

---

खेल का नियम एक मॉडल मार्केट का सार बताता है; वह मार्केट बनाता नहीं। AI उतना ही समझदार है जितना गहरा उसके पास डेटा है, और सही नंबर जान लेने का मतलब यह नहीं कि उस पर पूंजी लगाने की हिम्मत और सही टाइमिंग भी हासिल है। इसलिए जीत उस पक्ष की नहीं होती जिसका मॉडल ज़्यादा परिष्कृत है — जीत उस पक्ष की होती है जो ठीक-ठीक जानता है कि उस मॉडल पर कितना भरोसा किया जा सकता है, और कहां इंसान को कमान संभालनी पड़ती है।

---

स्रोत

Footnotes

1. Zillow ने 2018 से iBuying बिज़नेस (Zillow Offers) चलाया, जिसमें वह अपने AVM “Zestimate” का इस्तेमाल कर सीधे घर खरीदती-बेचती थी, लेकिन Q3 2021 में $421 मिलियन का घाटा होने के बाद इससे पीछे हट गई। ऑन-मार्केट लिस्टिंग्स के मुकाबले Zestimate की एरर रेट करीब 2% बताई गई है। (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²

2. AVM एरर रेट्स पर — इंडस्ट्री सामग्री में स्टैंडर्ड रेज़िडेंशियल एसेट्स के लिए 2-3% और नॉन-स्टैंडर्ड/कमर्शियल एसेट्स के लिए 5-15% का उल्लेख व्यापक रूप से मिलता है। (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩

3. इंडस्ट्री वेंडर/कंसल्टिंग सामग्री (Blooma, GrowthFactor, Alpaca, आदि) — AI अंडरराइटिंग अपनाने वाले बैंक रिव्यू टाइम में 50-75% कमी, 20% तक लागत बचत, और अच्छी तरह परिभाषित डील्स के लिए 8 मिनट से कम की अंडरराइटिंग के मामले रिपोर्ट करते हैं। संस्थान और सैंपल के हिसाब से भारी अंतर नोट करें; ये मानकीकृत इंडस्ट्री आंकड़े नहीं हैं। ↩

4. अमेरिकी Interagency Rule on AVMs (2024 से लागू) वैल्यूएशन मॉडलों के लिए कॉन्फिडेंस मैनेजमेंट, डेटा में हेरफेर के खिलाफ सुरक्षा उपाय, और कॉन्फ्लिक्ट-ऑफ-इंटरेस्ट प्रोटेक्शन अनिवार्य करता है। कोलोराडो के 2026 AI कानून जैसी अतिरिक्त क्षेत्रीय अनुपालन आवश्यकताएं भी लागू हो चुकी हैं। ↩

5. JLL ने 2021 में इज़रायल/न्यूयॉर्क आधारित कमर्शियल रियल एस्टेट AI स्टार्टअप Skyline AI का अधिग्रहण किया। पूरा विवरण, अधिग्रहण के बाद इस्तेमाल, और JLL के AI-अपनाने के आंकड़े चैप्टर 2 में दिए गए हैं। (JLL Newsroom; AI Business; PitchBook) ↩

6. अमेरिकी न्याय विभाग ने अगस्त 2024 में रेंट-प्राइसिंग सॉफ्टवेयर कंपनी RealPage पर एल्गोरिदमिक सांठगांठ को बढ़ावा देने का आरोप लगाया, जिसमें एक ऐसे मामले का हवाला दिया गया जहां एक मकान मालिक ने सॉफ्टवेयर अपनाने के एक हफ्ते के भीतर रेंट बढ़ाना शुरू किया और ग्यारह महीनों के भीतर 25% से ज़्यादा बढ़ा दिया। नवंबर 2025 में, RealPage ने बिना गलती की स्वीकारोक्ति के DOJ के साथ समझौता किया, गोपनीय प्रतिस्पर्धी जानकारी का इस्तेमाल करने वाले रेंट-सिफारिश फीचर बंद करने पर सहमति जताते हुए। (DOJ official announcement; ProPublica; NPR; Holland & Knight) ↩ ↩²