1. Bukan sekadar angka, melainkan confidence interval (rentang keyakinan): perubahan wajah valuasi properti

Rumah yang sama, angka yang berbeda

Pada 2021, sebuah rumah tinggal tiga kamar di pinggiran Austin, Texas, menghasilkan dua jawaban berbeda.

Jawaban pertama datang dari manusia. Seorang appraiser (juru taksir) dengan pengalaman dua puluh tahun di pasar lokal berkeliling rumah itu, memeriksa kondisi atap, cahaya matahari di halaman belakang, tinggi pagar dibandingkan lahan tetangga, membandingkannya dengan tiga rumah sebanding (comparables, sering disingkat “comps”) yang baru terjual, lalu menempelkan label harga. Jawaban kedua datang dari algoritma. AVM (Automated Valuation Model, model valuasi otomatis) milik Zillow — yang dijuluki “Zestimate” — menjalankan ribuan variabel sekaligus dan menghasilkan angka dalam hitungan detik. Luas bangunan, arah hadap, lantai, distrik sekolah, riwayat transaksi lokal terbaru, bahkan apakah ada kolam renang yang terlihat dalam foto udara.

Kedua angka itu berbeda. Ini bukan hal aneh — sesama appraiser manusia pun kerap berbeda pendapat. Yang benar-benar mengejutkan terjadi setelahnya. Zillow begitu percaya pada jawaban algoritmanya sendiri sehingga mulai membeli rumah secara langsung dengan harga tersebut. Bisnis ini, yang disebut “iBuying,” bertumpu pada proposisi yang sederhana sekaligus nekat: jika AI mampu menetapkan harga secara akurat, mengapa kita tidak membeli dan menjual sendiri dengan harga itu? Hanya dalam kuartal ketiga 2021 saja, Zillow merugi $421 juta dari bisnis ini. Sebelum tahun itu berakhir, Zillow Offers ditutup total, dan perusahaan memangkas sebagian besar tenaga kerjanya. Angka kerugian tahun penuh dan pengakuan langsung sang CEO dibahas lebih rinci di Bab 8.¹ Pada periode yang hampir bersamaan, eksperimen iBuying di Eropa dan Asia juga diperkecil skalanya atau ditutup diam-diam — termasuk beberapa startup asal Inggris, serta unit pembelian internal di sejumlah platform pialang properti besar di Tiongkok. Ini bukan salah perhitungan satu perusahaan saja. Kesalahan yang sama — mencampuradukkan “harga yang akurat” dengan “likuiditas pasar untuk benar-benar bisa membeli dan menjual pada harga itu” — terulang di berbagai benua.

Akurasi Zestimate sendiri sebenarnya tidak buruk. Untuk rumah yang benar-benar berada di pasar, tingkat kesalahannya berkisar 2%, lebih ketat dibanding kebanyakan appraiser manusia.¹ Namun perusahaan tetap menghabiskan ratusan juta dolar hanya dalam hitungan kuartal.

Penyebabnya terletak pada satu pembeda yang menjadi benang merah bab ini. “Mengetahui berapa nilai sesuatu” dan “memiliki keberanian serta timing untuk benar-benar membeli dan menjual pada harga itu” adalah dua persoalan yang sama sekali berbeda. AI unggul dalam hal pertama. Hal kedua tetap — dan kemungkinan besar akan tetap untuk waktu yang lama — menjadi wilayah yang berkelindan dengan likuiditas pasar, timing, dan penilaian manusia. Pergeseran nyata dalam valuasi properti selama lima tahun terakhir bukanlah cerita sederhana bahwa “AI menjadi lebih akurat dari manusia.” Pertanyaannya sendiri yang berubah. Bukan lagi “berapa nilai bangunan ini,” melainkan “seperti apa distribusi probabilitas dari nilai bangunan ini.”

Dari era presisi menuju era confidence interval

William Poorvu, yang bukunya tahun 1999 The Real Estate Game menjadi klasik dalam investasi properti, mengajukan argumen yang masih layak ditengok kembali: properti, sebagian besar waktu, dinilai bukan lewat spreadsheet yang rumit, melainkan lewat “analisis di balik amplop” (back-of-the-envelope analysis). Bahkan ketika mengajar real estat di Harvard, ia mencatat bahwa saat dunia akademik bergerak ke arah model yang makin rumit, praktisi justru menyaring peluang dengan cepat hanya menggunakan segelintir rasio inti — NOI / net operating income (pendapatan operasional bersih), ROE (return on equity, imbal hasil ekuitas), dan harga beli dibandingkan biaya membangun ulang (replacement cost). Perhitungan yang ia coret-coret di atas notepad kuning sambil menerima telepon dari broker, hingga kini, tetap mengesankan karena kesederhanaannya: bagi harga beli dengan luas bangunan untuk mendapatkan harga per meter persegi, bandingkan itu dengan biaya membangun baru untuk mengukur seberapa aman harganya, lalu hitung berapa persen dari ekuitas yang ditanamkan bisa dihasilkan oleh sewa setelah dikurangi biaya operasional dan pembayaran utang (debt service). Ia menyebut analogi ini “sup ayam ala nenek” — hasil yang selalu kira-kira tepat setiap kali, tanpa perlu resep yang presisi.

Dua puluh lima tahun kemudian, ada baiknya analogi itu dibalik. Valuasi properti di era AI bukannya sampai pada sentuhan ala nenek — ia justru sampai pada ekstrem sebaliknya. Sebuah mesin ultra-presisi yang mengukur ribuan variabel, dilatih dari jutaan transaksi historis, dan mengelola tingkat kesalahannya hingga angka desimal. Namun ironisnya, yang diberikan presisi ini kepada praktisi bukanlah “satu angka lagi yang lebih akurat.” Justru soal seberapa besar angka itu bisa dipercaya sejak awal.

Alasannya sederhana. Tingkat kesalahan AVM tidak seragam. Di pasar likuid dengan aset yang terstandardisasi, tingkat kesalahan bisa turun ke 2–3%. Rumah tiga kamar di pinggiran kota Amerika Serikat adalah kasus klasiknya — datanya melimpah.² Namun begitu masuk ke pasar dengan volume transaksi tipis, aset komersial yang khas, atau kelas aset baru yang baru saja muncul (data center, yang dibahas kemudian, adalah contoh utamanya), tingkat kesalahan dengan mudah melampaui 10%. Kelangkaan data adalah penyebabnya. Model yang sama, perusahaan yang sama, menghasilkan angka yang di satu sisi “hampir seperti kebenaran mutlak” dan di sisi lain “sekadar patokan kasar” — berdampingan. AVM pada dasarnya adalah penilaian berbasis comparable sales (perbandingan transaksi sejenis) yang dijalankan dengan kecepatan ekstrem. Ketika manusia membentuk kesan dari lima atau enam comparable dalam satu telepon, mesin memindai ribuan comparable dalam waktu yang sama. Tetapi di pasar tanpa apa pun untuk dipindai — tanpa catatan transaksi — bahkan mesin tercepat sekalipun tidak punya bahan untuk bekerja.

Satu kepekaan telah mengakar diam-diam namun kukuh di industri ini selama lima tahun terakhir. Ukuran model valuasi yang baik bukan lagi “seberapa akurat angka yang dihasilkan,” melainkan “apakah model itu memberi tahu seberapa besar kita boleh percaya pada angka tersebut.” Confidence interval — konsep yang dipinjam dari statistik — kini menjadi bagian dari kosakata kerja praktik properti. Alih-alih pernyataan tunggal yang datar — “bangunan ini bernilai $1 juta” — jawaban seperti “bangunan ini bernilai, dengan tingkat keyakinan 90%, antara $950.000 dan $1.050.000, meski rentang ini hanya bertumpu pada tiga transaksi comparable terbaru dan sampelnya tipis” kini menjadi jawaban yang dipercaya orang. Bukan presisi, melainkan kejujuran, yang menjadi standar baru.

Underwriting delapan menit, dan harganya

Tidak ada tempat di mana pergeseran ini tampak lebih dramatis selain dalam underwriting (proses penjaminan/analisis kelayakan) pinjaman properti komersial. Secara tradisional, pinjaman properti komersial adalah proses birokratis — 30 hingga 45 hari dari berkas hingga persetujuan, melewati tangan banker dan analis berkali-kali. Membaca perjanjian sewa satu per satu, menyalin rent roll (daftar sewa per penyewa) ke spreadsheet, memverifikasi angka pada laporan operasional dibandingkan tahun-tahun sebelumnya, membangun model arus kas secara manual. Sama seperti perhitungan “di balik amplop” yang dijelaskan sebelumnya bisa rampung dalam satu telepon, logika dasar dari pekerjaan ini sebenarnya sederhana. Yang berbeda adalah skalanya. Aritmetika yang sama yang dipakai investor perorangan untuk menyaring satu bangunan, harus diulang bank untuk ratusan transaksi setiap hari.

Selama lima tahun terakhir, laporan tentang adopsi AI underwriting di bank-bank terus bertambah: pengurangan waktu underwriting 50–75%, penghematan biaya hingga 20%.³ Untuk transaksi dengan persyaratan yang bersih dan jelas, muncul kasus di mana AI membaca dokumen, membangun model arus kas secara otomatis, dan merampungkan underwriting dalam delapan menit. Pekerjaan yang dulu memakan waktu berminggu-minggu bagi seorang analis, kini ditangani mesin dalam waktu secangkir kopi.

Kecepatan itu punya harganya sendiri: makin banyak “kotak hitam” (black box) di mana sulit menjelaskan mengapa suatu angka bisa muncul. Analis manusia bisa mengartikulasikan alasan di balik penilaiannya — “saya menurunkan probabilitas perpanjangan sewa penyewa ini karena penjualan mereka belakangan goyah.” Ketika model AI sampai pada kesimpulan yang sama, jauh lebih sulit memastikan apakah kesimpulan itu benar-benar berasal dari angka penjualan si penyewa, atau dari suatu bias yang tanpa sengaja terselip dalam data pelatihan. Regulasi pun mulai mengejar — terlambat, tapi cepat — dan titik asal serta bentuk responsnya berbeda di tiap negara. Di Amerika Serikat, Interagency Rule on AVMs yang berlaku sejak 2024 mewajibkan pengelolaan tingkat keyakinan untuk model valuasi, perlindungan terhadap manipulasi data, dan perlindungan dari konflik kepentingan.⁴ Di Eropa, badan yang menetapkan standar industri penilaian, lewat standar revisinya tahun 2025, menegaskan prinsip bahwa “AVM tidak bisa menggantikan penilaian formal dengan sendirinya — ia harus dipadukan dengan inspeksi lapangan dan penilaian ahli.” Lima tahun lalu, keunggulan kompetitif berarti “seberapa cepat kamu mengadopsi AI.” Kini, artinya “seberapa dapat dipertanggungjawabkan kamu menjelaskan penilaian AI itu” — sebuah sumbu persaingan baru yang melintasi setiap benua.

Tiga puluh orang membeli raksasa

Satu peristiwa lagi merangkum arc lima tahun ini. Pada 2021, JLL — salah satu perusahaan jasa properti terbesar di dunia — mengakuisisi Skyline AI, startup data berbasis di Israel dan New York dengan jumlah karyawan hanya sedikit di atas tiga puluh orang. Apa sebenarnya yang dibangun perusahaan ini, dan bagaimana ia digunakan setelah akuisisi, dibahas lebih rinci di Bab 2.⁵

Pertanyaan yang dimunculkan akuisisi ini sederhana namun tajam: bisakah tim kecil ilmuwan data memprediksi masa depan sebuah aset lebih akurat dibanding organisasi yang dibangun selama puluhan tahun oleh broker dan appraiser? Jawaban industri adalah akuisisi itu sendiri. Ini bukan cara tunggal untuk memperoleh kapabilitas — selama lima tahun berikutnya, perusahaan pialang dan manajer aset besar berulang kali memilih membeli ketimbang membangun sendiri. Asia mengambil pendekatan yang agak berbeda. Sebuah platform pialang properti besar di Tiongkok, alih-alih mengakuisisi, membangun tim rekayasa data internal yang besar dan mengembangkan sendiri fitur bantuan valuasi berbasis AI — termasuk alat pengenalan gambar untuk membaca kondisi sebuah listing dari foto. Buy versus build (beli versus bangun sendiri) berbeda arah, tetapi kesimpulannya — bahwa kapabilitas AI telah menjadi aset kompetitif inti bagi perusahaan jasa properti — berlaku di berbagai benua. Statistik pendukung dari JLL sendiri (jumlah use case AI, tingkat adopsi pilot institusional) juga dibahas di Bab 2. Valuasi bukan lagi eksperimen segelintir early adopter. Ia telah menjadi alur kerja standar industri.

Algoritma yang membangun kolusi tanpa menyadarinya

Tidak semua hal dalam arc lima tahun ini adalah cerita cerah. Pembalikan paling dramatis adalah kasus RealPage, perangkat lunak penetapan sewa (rent-setting software). Perangkat lunak ini mengumpulkan informasi harga rahasia dari berbagai landlord (pemilik properti) dan merekomendasikan “sewa optimal” untuk setiap bangunan. Logikanya terdengar masuk akal — premis yang sama seperti AVM: makin banyak data, makin akurat harganya.

Masalahnya, banyak landlord di kota yang sama menggunakan perangkat lunak ini secara bersamaan. Tidak ada satu pun landlord yang pernah membahas kolusi dengan yang lain. Namun karena semua orang memasukkan data harga bangunan mereka sendiri ke algoritma yang sama, dan algoritma itu menyintesis informasi tersebut menjadi kesimpulan senada bagi masing-masing — “yang lain juga memakai perangkat lunak yang sama, jadi pasar bisa menerima kenaikan sewa yang terkoordinasi” — muncullah struktur yang berfungsi seperti kolusi tanpa ada seorang pun yang secara eksplisit sepakat berkolusi. Menurut gugatan Departemen Kehakiman Amerika Serikat, satu landlord mulai menaikkan sewa dalam seminggu setelah mengadopsi perangkat lunak ini dan telah menaikkannya lebih dari 25% dalam sebelas bulan.⁶ Gugatan algoritma sewa di AS ini pada dasarnya mendakwa hal tersebut sebagai fasilitasi kolusi, dan pada November 2025 perusahaan perangkat lunak itu mencapai kesepakatan (settlement) dengan Departemen Kehakiman — tanpa mengakui kesalahan — dan setuju menghentikan fitur rekomendasi sewa yang menggunakan informasi kompetitif rahasia.⁶

Kasus ini penting melampaui satu perusahaan atau satu negara saja. Ini adalah sanggahan hukum besar pertama terhadap narasi bahwa “AI membuat pasar lebih efisien.” Kekhawatiran serupa sudah muncul di seberang Atlantik — bukan di sektor properti, melainkan di ritel bensin Eropa, di mana gelombang stasiun pengisian yang beralih ke algoritma penetapan harga yang sama diikuti kenaikan margin secara bersamaan, yang menarik perhatian otoritas persaingan usaha. Industri berbeda, struktur sama. Terlepas dari undang-undang masing-masing negara, prinsip dasarnya adalah: begitu banyak kompetitor menjalankan algoritma penetapan harga yang sama secara bersamaan, algoritma itu berada di garis batas antara alat efisiensi dan mekanisme kolusi. Setiap pihak bertindak rasional secara individu, namun hasilnya berfungsi secara kolektif layaknya kartel — spesies baru kegagalan pasar. Ini adalah pelajaran paling tak terduga dari lima tahun pertama valuasi berbasis AI, dan tidak terbatas pada satu negara saja.

Appraiser tidak menghilang — mereka berpindah tempat

Jadi, pada akhirnya, apa yang terjadi pada profesi appraiser dan broker? Data lima tahun terakhir menunjuk pada jawaban “perpindahan,” bukan “kepunahan.”

Ada pekerjaan nyata yang sudah jelas diambil alih AI: menarik dan mendaftar comparable, menghitung harga untuk aset yang terstandardisasi, membaca rent roll dan membangun model arus kas. Tugas-tugas repetitif dan kuantitatif ini kini lebih cepat dikerjakan mesin dibanding manusia — dan, untuk aset standar, lebih akurat pula. Itulah tepatnya mengapa perusahaan pialang besar membeli perusahaan seperti Skyline AI secara utuh alih-alih membangun sendiri. Kapabilitas kalkulasi repetitif bukan lagi kekosongan yang harus diisi manusia secara manual; itu sudah menjadi komponen yang bisa dibeli jadi.

Justru karena itulah, karakter pekerjaan yang tersisa bagi manusia berubah. Pertanyaan yang kini bergulat dengan appraiser bukan lagi “berapa harga jual comparable terbaru” — mesin sudah menjawabnya dalam hitungan detik. Sebaliknya, manusia bergeser ke pertanyaan-pertanyaan yang belum bisa ditangkap data: Bagaimana menilai aset yang tidak memiliki comparable yang berarti bagi model untuk dijadikan acuan? Adakah pergeseran komposisi penyewa di lingkungan ini yang belum terekam data? Apakah penjual menyembunyikan situasi yang sebenarnya terdesak? Ketegasan badan standar penilaian Eropa bahwa “AVM harus dipadukan dengan inspeksi lapangan dan penilaian ahli” berada dalam semangat yang sama — ia melembagakan struktur di mana jawaban mesin dan jawaban manusia berdampingan, dan manusia menunjukkan di mana keduanya berbeda.

Peran broker bergeser dengan cara serupa. Memberi tahu seseorang harga pasar yang berlaku telah kehilangan nilai kelangkaannya sekarang, ketika siapa pun bisa mengeceknya lewat ponsel dalam hitungan detik. Yang justru bernilai adalah membaca situasi sesungguhnya dari pihak lawan di meja negosiasi, dan menavigasi variabel-variabel yang tidak bisa direduksi menjadi angka — regulasi, hubungan komunitas, kemitraan. Pembagian kerja baru yang dihasilkan lima tahun terakhir ini adalah: mesin menghitung “berapa nilainya” di tempat data melimpah; manusia menilai “apakah angka ini bisa dipercaya” di tempat data tipis atau memang sejak awal tidak bisa direduksi menjadi angka. Bukan pekerjaan yang hilang. Melainkan pekerjaan yang berpindah tempat.

Apa yang datang setelah confidence interval

Jadi, bagian mana dari arc lima tahun ini yang masih akan berlaku tiga tahun dari sekarang, atau di negara yang berbeda? Ada tiga pertanyaan yang menonjol.

Pertama, batas struktural bahwa akurasi valuasi AI berskala langsung dengan kepadatan data tidak akan hilang. Untuk aset terstandardisasi di pasar likuid, AI akan terus mengungguli manusia dengan presisi yang lebih halus. Untuk aset langka dan spesifik serta kelas aset yang baru muncul, pengalaman dan intuisi manusia akan terus memegang keunggulan. Garis batas itu akan terus bergeser seiring perbaikan model AI, tetapi tidak akan hilang sepenuhnya.

Kedua, “prediksi” dan “keputusan untuk benar-benar mengerahkan modal berdasarkan kekuatan prediksi itu” akan tetap terpisah. Zillow merugi lebih dari $400 juta bukan karena modelnya salah, melainkan karena mengubah prediksi yang akurat menjadi transaksi nyata terbentur pada likuiditas pasar dan timing — variabel yang sulit ditangani model statistik. Kesenjangan itu tidak mungkin tertutup betapa pun canggihnya AI, karena properti bukan aset yang bisa terjual seketika kita ingin menjualnya.

Ketiga, risiko struktural yang muncul ketika banyak kompetitor menggunakan alat yang sama secara bersamaan akan terus membayangi industri ini terlepas dari bagaimana regulasi berkembang. Alat valuasi sudah melampaui perannya sebagai bantuan bagi penilaian individu dan menjadi infrastruktur yang langsung membentuk pembentukan harga di seluruh pasar. Siapa yang mengawasi infrastruktur ini, dan bagaimana caranya, adalah pertanyaan yang baru saja mulai dijawab.

Yang ditinggalkan lima tahun terakhir bukanlah cerita menang-kalah sederhana bahwa “AI menggantikan manusia.” Cara kita bertanya tentang nilai properti itu sendiri yang berubah. Dulu, satu angka yang ditandatangani satu appraiser adalah jawabannya. Kini, tanda tanya secara alami mengikuti angka itu: seberapa besar angka ini benar-benar bisa dipercaya? Kemampuan menjawab tanda tanya itu secara jujur telah menjadi kualifikasi baru yang dituntut, baik bagi manusia maupun mesin, yang bekerja di sektor properti pada era AI.

Kini saatnya membawa tanda tanya itu ke pertanyaan berikutnya. Mengapa AI begitu bersikeras menghitung nilai properti dengan presisi sebesar ini? Dan di mana sebenarnya AI itu sendiri bermukim?

---

Aturan permainan Model merangkum pasar; ia tidak menciptakan pasar. AI hanya secerdas sedalam apa datanya, dan mengetahui angka yang akurat tidak berarti memiliki keberanian dan timing untuk benar-benar menaruh modal di baliknya. Karena itu, pihak yang menang bukanlah pihak dengan model paling canggih — melainkan pihak yang tahu persis seberapa jauh model itu bisa dipercaya, dan di titik mana manusia harus mengambil alih.

---

Sumber

Footnotes

1. Zillow menjalankan bisnis iBuying (Zillow Offers) sejak 2018, menggunakan AVM miliknya sendiri “Zestimate” untuk membeli dan menjual rumah secara langsung, tetapi menarik diri setelah merugi $421 juta pada Q3 2021. Tingkat kesalahan Zestimate terhadap listing yang berada di pasar dilaporkan berkisar 2%. (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²

2. Mengenai tingkat kesalahan AVM — materi industri secara luas menyebut 2–3% untuk aset residensial standar dan 5–15% untuk aset non-standar atau komersial. (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩

3. Materi vendor/konsultan industri (Blooma, GrowthFactor, Alpaca, dll.) — bank yang mengadopsi AI underwriting melaporkan pengurangan waktu tinjauan 50–75%, penghematan biaya hingga 20%, dan kasus underwriting di bawah 8 menit untuk transaksi dengan persyaratan yang jelas. Perlu dicatat variasi signifikan antar-institusi dan sampel; bukan statistik industri yang terstandardisasi. ↩

4. Interagency Rule on AVMs Amerika Serikat (berlaku sejak 2024) mewajibkan pengelolaan tingkat keyakinan untuk model valuasi, perlindungan terhadap manipulasi data, dan perlindungan dari konflik kepentingan. Persyaratan kepatuhan regional tambahan, seperti undang-undang AI Colorado 2026, juga telah berlaku. ↩

5. JLL mengakuisisi Skyline AI, startup AI properti komersial berbasis di Israel/New York, pada 2021. Spesifikasi lengkap, penggunaan pasca-akuisisi, dan statistik adopsi AI JLL dibahas di Bab 2. (JLL Newsroom; AI Business; PitchBook) ↩

6. Departemen Kehakiman Amerika Serikat mendakwa perusahaan perangkat lunak penetapan sewa RealPage pada Agustus 2024 karena memfasilitasi kolusi algoritmik, mengutip kasus di mana satu landlord mulai menaikkan sewa dalam seminggu setelah adopsi dan telah menaikkannya lebih dari 25% dalam sebelas bulan. Pada November 2025, RealPage mencapai kesepakatan dengan DOJ tanpa mengakui kesalahan, setuju menghentikan fitur rekomendasi sewa yang menggunakan informasi kompetitif rahasia. (DOJ official announcement; ProPublica; NPR; Holland & Knight) ↩ ↩²