1. Nem egy szám, hanem egy konfidenciaintervallum: az értékbecslés átalakulása

Ugyanaz a ház, más-más számok

2021-ben egy texasi, Austin melletti elővárosban álló háromhálós családi ház két különböző választ adott.

Az egyiket egy ember adta. Egy húsz éve a helyi piacon dolgozó értékbecslő végigjárta a házat, megnézte a tető állapotát, a hátsó kert fényviszonyait, a kerítés magasságát a szomszéd telkéhez képest, összevetette három nemrég eladott, hasonló házzal, majd rábiggyesztett egy árcédulát. A másikat egy algoritmus adta. A Zillow AVM-je (Automated Valuation Model, automatizált értékbecslési modell) — a “Zestimate” — egyszerre több ezer változót futtatott le, és másodpercek alatt előállt egy számmal. Alapterület, tájolás, emeletszám, iskolakörzet, a legutóbbi helyi eladási előzmények, sőt még az is számított, hogy a légi felvételen látszik-e medence.

A két szám eltért egymástól. Ez önmagában nem meglepő — emberi értékbecslők is rendszeresen nem értenek egyet egymással. Az igazán meglepő az volt, ami ezután történt. A Zillow annyira megbízott a saját algoritmusa válaszában, hogy azon az áron el is kezdett közvetlenül házakat vásárolni. Az “iBuying” néven futó üzletág egy egyszerű és merész feltevésre épült: ha az AI pontosan beárazza az ingatlant, akkor miért ne vehetnénk és adhatnánk mi magunk is azon az áron? Csak 2021 harmadik negyedévében 421 millió dollárt bukott a Zillow ezen az üzletágon. Az év vége előtt a Zillow Offers teljesen leállt, a cég pedig a munkaerejének jelentős részét elbocsátotta. A teljes éves veszteségadatot és a vezérigazgató saját, nyilvánosan is elismert vallomását a 8. fejezet tárgyalja részletesen.¹ Nagyjából ugyanebben az időszakban Európában és Ázsiában is visszavágták vagy csendben leállították az iBuying-kísérleteket — köztük több brit startupot, illetve néhány nagy kínai ingatlanközvetítő platform saját vásárlási üzletágát. Ez nem egyetlen cég téves döntése volt. A hiba — hogy “a pontos árcédulát” összekeverték a “tényleges vétel-eladáshoz szükséges piaci likviditással” — több kontinensen is megismétlődött.

Maga a Zestimate pontossága nem volt rossz. A ténylegesen piacra került házakhoz képest a hibaráta körülbelül 2% volt, ami szorosabb, mint amire a legtöbb emberi értékbecslő képes.¹ A cég ennek ellenére néhány negyedév alatt több száz millió dollárt égetett el.

Az ok egy olyan megkülönböztetésben rejlik, amely végigvonul ezen az egész fejezeten. “Tudni, mit ér valami” és “megvan a merszünk és az időzítésünk ahhoz, hogy ténylegesen azon az áron vegyünk és adjunk” — két teljesen különböző probléma. Az AI az előbbiben jó. Az utóbbi továbbra is, és valószínűleg még sokáig, olyan terep marad, amely szorosan összefonódik a piaci likviditással, az időzítéssel és az emberi ítélőképességgel. Az elmúlt öt év valódi elmozdulása az ingatlanértékelésben nem az az egyszerű történet, hogy “az AI pontosabb lett, mint az ember.” Maga a kérdés változott meg. Nem az, hogy “mennyit ér ez az épület”, hanem hogy “milyen a valószínűségi eloszlása annak, hogy mennyit érhet ez az épület”.

A pontosság korszakától a konfidenciaintervallumok koráig

William Poorvu, akinek 1999-es könyve, a The Real Estate Game az ingatlanbefektetés egyik klasszikusa, egy megfontolásra méltó állítást tesz: az ingatlant a legtöbbször nem egy kidolgozott táblázat, hanem egy “boríték hátuljára firkantott” számítás alapján ítélik meg. Miközben a Harvardon ingatlangazdaságtant tanított, megjegyezte, hogy míg az akadémiai világ egyre bonyolultabb modellek felé sodródott, a gyakorlati szakemberek néhány alapvető mutató segítségével — nettó működési bevétel (NOI, NOI (nettó működési bevétel)), saját tőke megtérülése (ROE), a vételár és az újraépítési költség aránya — gyorsan kiszűrik a lehetőségeket. Az a számítás, amelyet egy brókerrel folytatott telefonhívás közben egy sárga jegyzettömbre firkantott, még ma is elképesztően egyszerű: a vételárat elosztjuk az alapterülettel, hogy megkapjuk a négyzetméterárat, ezt összevetjük az új építés költségével, hogy megbecsüljük, mennyire biztonságos az ár, majd kiszámoljuk, a bérleti díj — a működési költségek és az adósságszolgálat levonása után — a befektetett saját tőke hány százalékát termeli ki. Ő ezt a módszert “nagymama csirkelevesének” nevezte — olyan eredmény, amely minden alkalommal nagyjából helyesnek bizonyul, anélkül hogy pontos receptre lenne szükség.

Huszonöt évvel később érdemes megfordítani ezt a hasonlatot. Az ingatlanértékelés az AI korában nem a nagymamai megérzéshez érkezett el — épp az ellenkező végletbe jutott. Egy ultraprecíz gép, amely több ezer változót számszerűsít, millió történelmi tranzakción tanul, és a hibaarányát tizedesjegyre pontosan kezeli. És mégis, amit ez a precizitás a gyakorlati szakembereknek adott, nem “még egy pontosabb szám” — hanem, elég ironikus módon, az a kérdés, hogy egyáltalán mennyire bízzunk meg ebben a számban.

Az ok egyszerű. Egy AVM hibaaránya nem egyenletes. Likvid piacokon, standardizált eszközök esetén a hibaarány 2–3%-ra is leszorulhat. Az Egyesült Államokban egy háromhálós elővárosi ház a klasszikus eset — bőséges a rendelkezésre álló adat.² Ha viszont vékony forgalmú piacra, jellegzetes kereskedelmi ingatlanra vagy éppen csak kialakulóban lévő eszközosztályra (a később tárgyalt adatközpontok a legjobb példa) lépünk át, a hibaarány könnyen meghaladja a 10%-ot. Az adatszűkösség az ok. Ugyanaz a modell, ugyanaz a cég olyan számokat termel, ahol egyszerre van jelen a “ez majdnem szentírás” és a “ez legfeljebb hozzávetőleges iránymutatás” kategória. Az AVM lényegében egy összehasonlító adásvételi értékbecslés, extrém sebességgel lefuttatva. Ahol egy ember egyetlen telefonhívás alatt öt-hat összehasonlítható ingatlanból alakít ki benyomást, ott a gép ugyanannyi idő alatt több ezret pásztáz végig. De egy olyan piacon, ahol nincs mit pásztázni — nincs tranzakciós előzmény —, még a leggyorsabb gépnek sincs miből dolgoznia.

Egy szemlélet csendesen, de határozottan meggyökeresedett az iparágban az elmúlt öt évben. Egy jó értékelési modell mércéje már nem az, hogy “milyen pontos számot állít elő”, hanem hogy “megmondja-e, mennyire lehetünk biztosak abban a számban”. A konfidenciaintervallum — a statisztikából kölcsönzött fogalom — az ingatlanpiaci gyakorlat munkaszókincsének részévé vált. Egyetlen kőbe vésett kijelentés helyett — “ez az épület 1 millió dollárt ér” — ma inkább az ilyen válaszban bíznak: “ez az épület 90%-os bizonyossággal 950 000 és 1 050 000 dollár között ér, bár ez a tartomány mindössze három nemrég történt hasonló eladáson alapul, és a minta vékony.” Nem a pontosság, hanem az őszinteség lett az új mérce.

A nyolcperces hitelbírálat és annak ára

Ez az elmozdulás sehol sem mutatkozott meg drámaibban, mint a kereskedelmi ingatlanhitelek hitelbírálatában (underwriting). Hagyományosan egy kereskedelmi ingatlanhitel bürokratikus folyamat volt — 30–45 nap a papírmunkától a jóváhagyásig, banki alkalmazottak és elemzők kezén többször is átfutva. Egyenként átolvasott bérleti szerződések, bérlőnkénti bérleti bevételi listák táblázatba gépelése, a működési kimutatások számainak összevetése a korábbi évekkel, kézzel felépített cash flow-modellek. Ahogy a fentebb leírt, egyetlen telefonhívás alatt lezajló “borítékhátulja-számítás” is, e munka mögötti logika maga is egyszerű. Csak a méret más. Ugyanazt a számtant, amelyet egy egyéni befektető egyetlen épület szűrésére használ, egy banknak naponta több száz ügyleten kell megismételnie.

Az elmúlt öt évben halmozódtak a bankok AI-alapú hitelbírálati bevezetéséről szóló beszámolók: 50–75%-os csökkenés a bírálati időben, akár 20%-os költségmegtakarítás.³ Tiszta, jól meghatározott feltételű ügyleteknél megjelentek olyan esetek, ahol az AI beolvassa a dokumentumokat, automatikusan felépíti a cash flow-modellt, és nyolc perc alatt lezárja a bírálatot. Amihez korábban egy elemzőnek több hétre volt szüksége, azt a gép ma egy kávé elkészítésének ideje alatt elvégzi.

Ennek a sebességnek ára van: egyre több a “fekete doboz”, ahol nehéz megmagyarázni, miért éppen az adott szám jött ki. Egy emberi elemző meg tudja fogalmazni az ítélete mögötti indoklást — “ezt a bérlő megújítási valószínűségét azért állítottam alacsonyabbra, mert a legutóbbi eladási számai ingadozóak voltak.” Amikor egy AI-modell ugyanerre a következtetésre jut, sokkal nehezebb megállapítani, hogy a következtetés valóban a bérlő eladási adataiból vezethető-e le, vagy valamilyen torzításból, amely véletlenül csúszott be a tanítóadatba. A szabályozás is elkezdte utolérni magát — későn, de gyorsan —, és az eredet, valamint a válasz formája országonként eltér. Az Egyesült Államokban a 2024-ben hatályba lépett, hatóságközi AVM-szabályozás (Interagency Rule on AVMs) előírja az értékelési modellek konfidenciakezelését, az adatmanipuláció elleni védelmet, valamint az összeférhetetlenségi garanciákat.⁴ Európában az értékbecslési szakma sztenderdjeit meghatározó testület 2025-ös felülvizsgált szabványában megerősítette azt az elvet, hogy “egy AVM önmagában nem helyettesítheti a formális értékbecslést — azt helyszíni szemlével és szakértői ítélettel kell kombinálni.” Öt évvel ezelőtt a versenyelőnyt az jelentette, hogy “milyen gyorsan vezeted be az AI-t”. Ma azt jelenti, hogy “mennyire védhető módon tudod megmagyarázni az AI ítéletét” — ez az új versenytengely kontinenseken átívelően érvényesül.

Harminc ember megvásárol egy óriást

Egy másik esemény is jól megragadja ezt az öt évet. 2021-ben a JLL — a világ egyik legnagyobb ingatlanszolgáltató cége — felvásárolta a Skyline AI-t, egy alig harminc fős, Izraelben és New Yorkban működő adattudományi startupot. Hogy pontosan mit épített ez a cég, és a felvásárlás után hogyan hasznosították, azt a 2. fejezet tárgyalja részletesen.⁵

A felvásárlás egyszerű, ám éles kérdést vetett fel: képes-e egy maroknyi adattudós pontosabban megjósolni egy eszköz jövőjét, mint egy évtizedek alatt felépült szervezet brókerekkel és értékbecslőkkel? Az iparág válasza maga a felvásárlás volt. Ez nem elszigetelt módja volt a képesség megszerzésének — a következő öt évben a nagy ingatlanközvetítő cégek és vagyonkezelők rendre inkább vásárlás mellett döntöttek, nem saját fejlesztés mellett. Ázsiában némileg eltérő megközelítés érvényesült. Egy nagy kínai ingatlanközvetítő platform felvásárlás helyett nagy létszámú belső adatmérnöki csapatot épített, és házon belül fejlesztette ki saját AI-alapú értékelés-támogató funkcióit — beleértve képfelismerő eszközöket is, amelyek fotókból olvassák ki egy hirdetett ingatlan állapotát. A vásárlás versus saját fejlesztés kérdésében eltértek az utak, de a következtetés — hogy az AI-képesség az ingatlanszolgáltató cégek alapvető versenyeszközévé vált — kontinenseken átívelően azonos maradt. A JLL saját alátámasztó statisztikái (AI-alkalmazási esetek száma, intézményi bevezetési arányok) szintén a 2. fejezetben szerepelnek. Az értékbecslés már nem néhány korai adaptáló kísérlete. Az iparág standard munkafolyamatává vált.

Egy algoritmus, amely összejátszást épített, anélkül hogy tudott volna róla

Nem minden fényes történet ebben az öt évben. A leglátványosabb visszájára fordulás a RealPage, egy bérleti díjmegállapító szoftver esete. A szoftver több bérbeadó bizalmas árazási adatait gyűjtötte össze, és minden épülethez “optimális bérleti díjat” javasolt. A logika ésszerűnek hangzott — ugyanaz volt az alapfeltevés, mint egy AVM-nél: több adat pontosabb árat eredményez.

A probléma az volt, hogy ugyanabban a városban több bérbeadó is egyszerre használta ezt a szoftvert. Egyetlen bérbeadó sem tárgyalt soha összejátszásról egy másikkal. De mivel mindenki a saját épülete árazási adatait táplálta ugyanabba az algoritmusba, az algoritmus pedig ezt az információt mindenki számára ugyanabba a súgott következtetésbe szintetizálta — “mindenki más is ugyanezt a szoftvert használja, tehát a piac elbír egy összehangolt béremelést” —, olyan struktúra jött létre, amely úgy működött, mint egy összejátszás, anélkül hogy bárki kifejezetten megegyezett volna erről. Az amerikai Igazságügyi Minisztérium keresete szerint az egyik bérbeadó a szoftver bevezetése után egy héten belül elkezdte emelni a bérleti díjakat, és tizenegy hónap alatt több mint 25%-kal emelte azokat.⁶ Az amerikai bérletialgoritmus-per lényegében összejátszás elősegítéseként vádolta meg emiatt a céget, majd 2025 novemberében a szoftvercég — a felelősség elismerése nélkül — megegyezett az Igazságügyi Minisztériummal, és vállalta, hogy leállítja a bizalmas versenyadatokat felhasználó bérleti díj-javaslat funkciót.⁶

Ez az eset túlmutat egyetlen cégen vagy országon. Ez az első komoly jogi cáfolata annak a narratívának, hogy “az AI hatékonyabbá teszi a piacokat”. Hasonló aggály már az Atlanti-óceán túlpartján is felmerült — nem az ingatlanpiacon, hanem az európai üzemanyag-kiskereskedelemben, ahol azt követően, hogy a benzinkutak egy hulláma ugyanarra az árazási algoritmusra állt át, közös árréstöbblet emelkedés következett be, ami felkeltette a versenyhatóságok figyelmét. Más iparág, ugyanaz a szerkezet. Bármely egyes ország jogszabályaitól eltekintve, ha az alapelvre nézünk: abban a pillanatban, amikor több versenytárs egyszerre futtatja ugyanazt az árazási algoritmust, az algoritmus a hatékonysági eszköz és az összejátszási mechanizmus közötti határvonalra kerül. Mindenki racionálisan viselkedik önmagában, mégis az eredmény kollektíven úgy működik, mint egy kartell — a piaci kudarc egy új faja. Ez az AI-alapú értékelés első öt évének legváratlanabb tanulsága, és nem korlátozódik egyetlen országra sem.

Az értékbecslő nem tűnik el — csak átköltözik

Mi lesz hát végül az értékbecslő és a bróker szakmájával? Az öt év adatai egy olyan válaszra mutatnak, amely inkább “átköltözés”, mintsem “kihalás”.

Van olyan munka, amelyet az AI egyértelműen átvett: az összehasonlító ingatlanok lekérdezése és listázása, a standardizált eszközök árának kiszámítása, a bérleti bevételi listák beolvasása és a cash flow-modellek felépítése. Ezek az ismétlődő, számszerűsíthető feladatok ma már gyorsabban mennek gépnek, mint embernek — és standard eszközök esetén pontosabban is. Épp ezért vásárolták fel a nagy közvetítő cégek egyben az olyan cégeket, mint a Skyline AI, saját fejlesztés helyett. Az ismétlődő számítási képesség már nem olyan üres hely, amelyet kézzel kell kitölteni; olyan komponens, amelyet készen lehet megvenni.

Pontosan emiatt változott meg az embereknél maradt munka jellege. Az értékbecslő ma már nem azzal a kérdéssel küzd, hogy “mennyiért kelt el egy hasonló épület nemrég” — erre a gép már másodpercek alatt válaszol. Ehelyett az emberek azok felé a kérdések felé mozdultak el, amelyeket az adat még nem fog meg: Hogyan értékelünk egy olyan eszközt, amelyhez nincs a modell számára érdemi összehasonlítási alap? Formálódik-e olyan elmozdulás a bérlői összetételben ebben a városrészben, amelyet az adatok még nem érzékeltek? Az eladó eltitkol-e egy kétségbeejtő helyzetet? Az európai értékbecslési szabványokat meghatározó testület ragaszkodása ahhoz, hogy “egy AVM-et helyszíni szemlével és szakértői ítélettel kell kombinálni”, ugyanebbe az irányba mutat — intézményesíti azt a szerkezetet, amelyben a gép válasza és az ember válasza egymás mellett áll, és az ember mutat rá arra, hol térnek el egymástól.

A bróker szerepe hasonlóan alakult át. Az, hogy valaki megmondja a piaci árat, elvesztette a ritkaságértékét, hiszen ma bárki másodpercek alatt leellenőrizheti a telefonján. Ehelyett az ér el értéket, aki a tárgyalóasztal túloldalán ki tudja olvasni a másik fél valós helyzetét, és el tud igazodni azokban a változókban, amelyek nem redukálhatók számokra — szabályozás, közösségi kapcsolatok, partnerségek. Az elmúlt öt év által kialakított új munkamegosztás a következő: a gép kiszámítja, “mennyit ér”, ahol bőséges az adat; az ember eldönti, “megbízhatunk-e ebben a számban”, ahol az adat gyér, vagy eleve nem is redukálható számokra. Nem elveszett munkahely. Csak átköltözött egy.

Ami a konfidenciaintervallum után jön

Melyik része marad hát igaz ennek az öt évnek három év múlva, vagy egy másik országban? Három kérdés emelkedik ki.

Először: az a strukturális korlát, hogy az AI-alapú értékelés pontossága közvetlenül az adatsűrűséggel skálázódik, nem tűnik el. A likvid piacokon lévő standardizált eszközöknél az AI továbbra is finomabb pontossággal fogja túlszárnyalni az embert. A ritka, egyedi eszközöknél és az újonnan kialakuló eszközosztályoknál az emberi tapasztalat és intuíció megtartja az előnyét. Ez a határvonal folyamatosan el fog tolódni, ahogy az AI-modellek fejlődnek, de teljesen nem fog eltűnni.

Másodszor: a “predikció” és “a döntés, hogy tényleges tőkét mozgassunk ennek a predikciónak az erejére alapozva” továbbra is elkülönül egymástól. A Zillow nem azért bukott több mint 400 millió dollárt, mert a modellje téves volt, hanem mert a pontos predikció tényleges tranzakcióvá alakítása a piaci likviditásba és az időzítésbe ütközött — olyan változókba, amelyekkel egy statisztikai modell nehezen boldogul. Ez a rés valószínűleg nem fog bezárulni, bármennyire is kifinomulttá válik az AI, mert az ingatlan nem olyan eszköz, amely a kívánság pillanatában eladhatóvá válik.

Harmadszor: az a strukturális kockázat, amely akkor keletkezik, amikor több versenytárs egyszerre használja ugyanazt az eszközt, tovább fogja kísérni ezt az iparágat, bárhogy is fejlődjön a szabályozás. Az értékelési eszközök már túlléptek azon, hogy csupán az egyéni ítélőképesség segédeszközei legyenek — a piac egészének árképzését közvetlenül alakító infrastruktúrává váltak. Hogy ezt az infrastruktúrát ki és hogyan felügyeli, olyan kérdés, amelynek megválaszolása még csak most kezdődött.

Amit az elmúlt öt év hátrahagyott, nem az az egyszerű győztes-vesztes történet, hogy “az AI leváltotta az embert”. Maga a mód, ahogyan az ingatlan értékét firtatjuk, változott meg. Régen egyetlen szám, amelyet egyetlen értékbecslő szignózott alá, volt a válasz. Ma ezt a számot automatikusan egy kérdőjel követi: mennyire bízhatunk meg ténylegesen ebben a számban? Az a képesség, hogy ezt a kérdőjelet őszintén meg tudjuk válaszolni, vált az AI korában az ingatlanpiacon dolgozó emberekkel és gépekkel szemben egyaránt támasztott új követelménnyé.

Ideje most ezt a kérdőjelet a következő kérdésbe átvinni. Miért ennyire elszánt az AI abban, hogy ilyen precizitással számítsa ki az ingatlan értékét? És pontosan hol is él maga az AI?

---

A játék szabálya Egy modell összefoglalja a piacot; nem ő teremti azt. Az AI csak annyira okos, amilyen mély az adat, és a pontos szám ismerete nem jelenti azt, hogy megvan a merszünk és az időzítésünk ahhoz, hogy ténylegesen tőkét is mozgassunk mögötte. Így nem az a fél nyer, amelyiknek kifinomultabb a modellje — hanem az, amelyik pontosan tudja, meddig lehet megbízni abban a modellben, és hol kell átvennie a szót az embernek.

---

Források

Footnotes

1. A Zillow 2018-tól működtette az iBuying üzletágát (Zillow Offers), amelyben saját AVM-jét, a “Zestimate”-et használva közvetlenül vásárolt és adott el házakat, de 2021 harmadik negyedévében elszenvedett 421 millió dolláros veszteség után visszavonult. A Zestimate hibaarányát a piacra került ingatlanokhoz képest nagyjából 2%-ra becsülték. (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²

2. Az AVM hibaarányairól — az iparági anyagok általánosan 2–3%-ot idéznek a standard lakóingatlanoknál, és 5–15%-ot a nem szabványos vagy kereskedelmi eszközöknél. (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩

3. Iparági szállítói/tanácsadói anyagok (Blooma, GrowthFactor, Alpaca stb.) — az AI-alapú hitelbírálatot bevezető bankok 50–75%-os csökkenést jelentenek a felülvizsgálati időben, akár 20%-os költségmegtakarítást, és jól meghatározott ügyleteknél nyolc percnél is rövidebb hitelbírálati eseteket. Intézményenként és mintánként jelentős eltérés lehetséges; nem szabványosított iparági statisztika. ↩

4. Az amerikai, hatóságközi AVM-szabályozás (Interagency Rule on AVMs, 2024-ben lépett hatályba) előírja az értékelési modellek konfidenciakezelését, az adatmanipuláció elleni védelmet és az összeférhetetlenségi garanciákat. Emellett további regionális megfelelőségi előírások is hatályba léptek, mint például Colorado 2026-os AI-törvénye. ↩

5. A JLL 2021-ben felvásárolta a Skyline AI-t, egy Izraelben és New Yorkban működő kereskedelmiingatlan-AI startupot. A teljes specifikációk, a felvásárlás utáni felhasználás, valamint a JLL AI-bevezetési statisztikái a 2. fejezetben szerepelnek. (JLL Newsroom; AI Business; PitchBook) ↩

6. Az amerikai Igazságügyi Minisztérium 2024 augusztusában vádat emelt a RealPage bérletiár-megállapító szoftvercég ellen algoritmikus összejátszás elősegítése miatt, egy olyan esetre hivatkozva, amelyben az egyik bérbeadó a bevezetés után egy héten belül emelni kezdte a bérleti díjakat, és tizenegy hónap alatt több mint 25%-kal emelte azokat. 2025 novemberében a RealPage — a felelősség elismerése nélkül — megegyezett az Igazságügyi Minisztériummal, és vállalta, hogy leállítja a bizalmas versenyadatokat felhasználó bérletidíj-javaslat funkciókat. (DOJ hivatalos közlemény; ProPublica; NPR; Holland & Knight) ↩ ↩²