1. Non un numero ma un intervallo di confidenza: la trasformazione della valutazione

Stessa casa, numeri diversi

Nel 2021, una casa unifamiliare con tre camere in un sobborgo di Austin, in Texas, ha prodotto due risposte.

Una l’ha data una persona. Un perito con vent’anni di esperienza sul mercato locale ha visitato la casa, controllato lo stato del tetto, l’esposizione al sole del giardino, l’altezza della recinzione rispetto al lotto vicino, l’ha confrontata con tre immobili comparabili venduti di recente e ha attribuito un prezzo. L’altra risposta l’ha data un algoritmo. L’AVM (Automated Valuation Model, modello di valutazione automatizzata) di Zillow — lo “Zestimate” — ha elaborato migliaia di variabili contemporaneamente e prodotto un numero in pochi secondi. Metratura, orientamento, piano, distretto scolastico, storico recente delle vendite locali, persino la presenza di una piscina rilevata dalle foto aeree.

I due numeri erano diversi. Non è una sorpresa: anche i periti umani sono spesso in disaccordo tra loro. La vera sorpresa è arrivata dopo. Zillow si è fidata abbastanza della risposta del proprio algoritmo da iniziare a comprare case direttamente a quel prezzo. Il business, chiamato “iBuying”, si reggeva su una proposta semplice e audace: se l’AI prezza in modo accurato, perché non dovremmo comprare e vendere noi stessi a quel prezzo? Solo nel terzo trimestre del 2021, Zillow ha perso 421 milioni di dollari su questo business. Prima della fine dell’anno, Zillow Offers ha chiuso completamente, e l’azienda ha licenziato una grande parte del personale. La perdita annuale complessiva e l’ammissione a verbale dell’amministratore delegato sono trattate nel dettaglio nel Capitolo 8.¹ Nello stesso periodo, esperimenti di iBuying in Europa e in Asia si sono ridimensionati o sono stati chiusi silenziosamente — tra questi, diverse startup britanniche e le divisioni interne di acquisto di alcune grandi piattaforme di intermediazione immobiliare cinesi. Non è stato l’errore di un’unica azienda. L’errore — confondere “un prezzo accurato” con “la liquidità di mercato necessaria per comprare e vendere realmente a quel prezzo” — si è ripetuto su più continenti.

L’accuratezza dello Zestimate in sé non era scarsa. Sugli immobili effettivamente sul mercato, il tasso di errore si aggirava intorno al 2%, più contenuto di quanto riescano a fare la maggior parte dei periti umani.¹ Eppure l’azienda ha bruciato centinaia di milioni di dollari nel giro di pochi trimestri.

Il motivo risiede in una distinzione che attraversa l’intero capitolo. “Sapere quanto vale qualcosa” e “avere il coraggio e il tempismo per comprare e vendere realmente a quel prezzo” sono problemi completamente diversi. L’AI è brava nel primo. Il secondo resta, e probabilmente resterà a lungo, un ambito intrecciato con la liquidità di mercato, il tempismo e il giudizio umano. Il vero cambiamento nella valutazione immobiliare degli ultimi cinque anni non è la storia semplicistica secondo cui “l’AI è diventata più accurata delle persone”. È la domanda stessa a essere cambiata. Non più “quanto vale questo edificio”, ma “che aspetto ha la distribuzione di probabilità di quanto vale questo edificio”.

Da un’era della precisione a un’era degli intervalli di confidenza

William Poorvu, il cui libro del 1999 The Real Estate Game è un classico dell’investimento immobiliare, propone un argomento che vale la pena rileggere: l’immobiliare viene giudicato, nella maggior parte dei casi, non tramite un foglio di calcolo elaborato ma con “analisi da retro di una busta”. Pur insegnando real estate ad Harvard, notava che mentre il mondo accademico derivava verso modelli sempre più complessi, i professionisti filtravano rapidamente le opportunità usando solo una manciata di rapporti chiave — reddito operativo netto (NOI), rendimento sul capitale proprio (ROE), prezzo d’acquisto rispetto al costo di ricostruzione. Il calcolo che scarabocchiava su un blocco giallo mentre rispondeva alla telefonata di un mediatore è, ancora oggi, sorprendente nella sua semplicità: dividere il prezzo d’acquisto per la metratura per ottenere il prezzo al metro quadro, confrontarlo con il costo di una nuova costruzione per valutare quanto sia sicuro il prezzo, poi calcolare quale percentuale del capitale investito rende l’affitto dopo aver sottratto costi operativi e servizio del debito. Chiamava questa analogia “la zuppa di pollo della nonna” — un risultato che esce grosso modo giusto ogni volta, senza bisogno di una ricetta precisa.

A venticinque anni di distanza, vale la pena ribaltare quell’analogia. La valutazione immobiliare nell’era dell’AI non è approdata al tocco della nonna: è approdata all’estremo opposto. Una macchina ultraprecisa che quantifica migliaia di variabili, si addestra su milioni di transazioni storiche e gestisce il proprio tasso di errore al decimale. Eppure ciò che questa precisione ha consegnato ai professionisti non è “un numero ancora più accurato”. Paradossalmente, è la domanda su quanto fidarsi di quel numero, prima di tutto.

Il motivo è semplice. Il tasso di errore di un AVM non è uniforme. Nei mercati liquidi con asset standardizzati, il tasso di errore può scendere al 2-3%. Una casa suburbana a tre camere negli Stati Uniti è il caso classico: i dati abbondano.² Spostandosi verso mercati con volumi di transazione ridotti, asset commerciali particolari o una classe di attivo (asset class) emergente appena nata (i data center, trattati più avanti, ne sono l’esempio principale), il tasso di errore supera facilmente il 10%. La scarsità di dati ne è la causa. Lo stesso modello, la stessa azienda, produce numeri in cui convivono casi “vicini al vangelo” e casi che sono “al massimo un’indicazione approssimativa”. Un AVM è essenzialmente una valutazione per comparabili eseguita a velocità estrema. Dove una persona forma un’impressione da cinque o sei comparabili durante un’unica telefonata, la macchina scansiona migliaia di comparabili nello stesso istante. Ma in un mercato senza nulla da scansionare — nessuno storico di transazioni — anche la macchina più veloce non ha materiale su cui lavorare.

Una sensibilità si è radicata, silenziosamente ma saldamente, nel settore negli ultimi cinque anni. La misura di un buon modello di valutazione non è più “quanto è accurato il numero che produce”, ma “ti dice quanto fidarti di quel numero”. L’intervallo di confidenza — un concetto preso in prestito dalla statistica — è entrato nel vocabolario operativo della pratica immobiliare. Invece di una dichiarazione secca e univoca — “questo edificio vale 1 milione di dollari” — una risposta come “questo edificio vale, con un livello di confidenza del 90%, tra 950.000 e 1.050.000 dollari, sebbene questo intervallo si basi su solo tre vendite comparabili recenti e il campione sia esiguo” è oggi la risposta di cui ci si fida. Non la precisione ma l’onestà è diventata il nuovo standard.

L’underwriting da otto minuti, e il suo prezzo

In nessun luogo questo cambiamento si è manifestato in modo più drammatico che nell’underwriting dei prestiti immobiliari commerciali. Tradizionalmente, un prestito immobiliare commerciale era un processo burocratico — da 30 a 45 giorni dalla pratica all’approvazione, passando più volte per le mani di banchieri e analisti. Leggere i contratti di locazione uno per uno, trascrivere in fogli di calcolo il rent roll inquilino per inquilino, verificare i numeri dei conti economici confrontandoli con gli anni precedenti, costruire a mano i modelli di flusso di cassa. Proprio come il calcolo da retro di busta descritto sopra si esauriva in un’unica telefonata, anche la logica sottostante a questo lavoro è di per sé semplice. È la scala a essere diversa. La stessa aritmetica che un investitore privato usa per selezionare un singolo edificio, una banca deve ripeterla su centinaia di operazioni ogni giorno.

Negli ultimi cinque anni si sono accumulate segnalazioni sull’adozione dell’underwriting AI nelle banche: riduzione del 50-75% dei tempi di underwriting, risparmi sui costi fino al 20%.³ Per operazioni con termini puliti e ben definiti, sono emersi casi in cui l’AI legge i documenti, costruisce automaticamente il modello di flusso di cassa e completa l’underwriting in otto minuti. Un lavoro che un tempo richiedeva a un analista diverse settimane, oggi una macchina lo gestisce nel tempo di finire una tazza di caffè.

Quella velocità ha un prezzo: un numero crescente di “scatole nere” in cui è difficile spiegare perché sia uscito un certo numero. Un analista umano può articolare il ragionamento dietro un giudizio — “ho abbassato la probabilità di rinnovo di questo inquilino perché le sue vendite recenti sono state deboli”. Quando un modello di AI arriva alla stessa conclusione, è molto più difficile stabilire se quella conclusione derivi davvero dai dati di vendita dell’inquilino o da qualche distorsione insinuatasi per caso nei dati di addestramento. Anche la regolamentazione ha cominciato a recuperare terreno — in ritardo, ma rapidamente — e il punto di origine e la forma della risposta variano da paese a paese. Negli Stati Uniti, l’Interagency Rule sugli AVM, entrata in vigore nel 2024, impone la gestione del livello di confidenza per i modelli di valutazione, salvaguardie contro la manipolazione dei dati e tutele contro i conflitti d’interesse.⁴ In Europa, l’organismo che fissa gli standard del settore delle perizie, con il suo standard rivisto del 2025, ha consolidato il principio che “un AVM non può sostituire da solo una perizia formale — va combinato con un sopralluogo e con il giudizio di un esperto”. Cinque anni fa, il vantaggio competitivo era “quanto velocemente riesci ad adottare l’AI”. Oggi è “quanto in modo difendibile riesci a spiegare il giudizio dell’AI” — un nuovo asse competitivo che attraversa ogni continente.

Trenta persone comprano un gigante

Un altro evento sintetizza questi cinque anni. Nel 2021, JLL — una delle più grandi società di servizi immobiliari al mondo — ha acquisito Skyline AI, una startup di dati con sede tra Israele e New York e un organico di poco superiore alle trenta persone. Cosa esattamente questa azienda avesse costruito, e come sia stata utilizzata dopo l’acquisizione, è trattato nel dettaglio nel Capitolo 2.⁵

La domanda sollevata da questa acquisizione era semplice e tagliente: può un piccolo team di data scientist prevedere il futuro di un asset con maggiore accuratezza rispetto a un’organizzazione costruita in decenni da mediatori e periti? La risposta del settore è stata l’acquisizione stessa. Non è stato un modo isolato di procurarsi capacità: nei cinque anni successivi, grandi società di intermediazione e di gestione patrimoniale hanno scelto ripetutamente di comprare piuttosto che costruire internamente. L’Asia ha seguito un approccio in parte diverso. Una grande piattaforma cinese di intermediazione immobiliare, invece di acquisire, ha costruito internamente un ampio team di ingegneria dei dati e sviluppato in proprio funzionalità di assistenza alla valutazione basate sull’AI — inclusi strumenti di riconoscimento delle immagini per leggere lo stato di un annuncio dalle fotografie. Comprare contro costruire hanno preso strade diverse, ma la conclusione — che la capacità AI è diventata un asset competitivo centrale per le società di servizi immobiliari — vale su tutti i continenti. Anche le statistiche di supporto di JLL (numero di casi d’uso dell’AI, tassi di adozione pilota a livello istituzionale) sono trattate nel Capitolo 2. La valutazione non è più l’esperimento di un pugno di innovatori. È diventata un flusso di lavoro standard del settore.

Un algoritmo che ha costruito una collusione senza saperlo

Non tutto in questi cinque anni è una storia luminosa. Il rovesciamento più drammatico è il caso di RealPage, un software per la fissazione degli affitti. Il software raccoglieva informazioni di prezzo riservate da più proprietari e raccomandava un “affitto ottimale” per ogni edificio. La logica sembrava ragionevole — la stessa premessa di un AVM: più dati producono un prezzo più accurato.

Il problema è che più proprietari nella stessa città usavano questo software contemporaneamente. Nessun singolo proprietario ha mai discusso di collusione con un altro. Ma poiché tutti immettevano i dati di prezzo del proprio edificio nello stesso algoritmo, e l’algoritmo sintetizzava quell’informazione nella stessa conclusione sussurrata a ciascuno — “anche tutti gli altri stanno usando lo stesso software, quindi il mercato può sostenere un aumento coordinato dell’affitto” — è emersa una struttura che funzionava come una collusione senza che nessuno avesse esplicitamente concordato di colludere. Secondo la denuncia del Dipartimento di Giustizia statunitense, un proprietario ha iniziato ad aumentare gli affitti entro una settimana dall’adozione del software e li aveva aumentati di oltre il 25% in undici mesi.⁶ La causa statunitense sugli algoritmi degli affitti ha di fatto imputato a questo la facilitazione della collusione, e nel novembre 2025 la società produttrice del software ha raggiunto un accordo con il Dipartimento di Giustizia — senza ammettere alcuna colpa — impegnandosi a interrompere la funzione di raccomandazione degli affitti che utilizzava informazioni competitive riservate.⁶

Questo caso conta al di là della singola azienda o del singolo paese. È la prima grande confutazione legale della narrazione secondo cui “l’AI rende i mercati più efficienti”. Una preoccupazione simile è già emersa dall’altra parte dell’Atlantico — non nell’immobiliare ma nella vendita al dettaglio di carburante in Europa, dove un’ondata di stazioni di servizio passate allo stesso algoritmo di prezzo è stata seguita da un aumento congiunto dei margini, attirando l’attenzione delle autorità garanti della concorrenza. Settore diverso, stessa struttura. Al di là delle normative specifiche di ciascun paese, guardando al principio sottostante: nel momento in cui più concorrenti eseguono simultaneamente lo stesso algoritmo di prezzo, quell’algoritmo si colloca sulla linea di confine tra strumento di efficienza e meccanismo di collusione. Ogni parte si comporta razionalmente per conto proprio, eppure il risultato funziona collettivamente come un cartello — una nuova specie di fallimento di mercato. È la lezione più inattesa dei primi cinque anni della valutazione con AI, e non è confinata a un solo paese.

Il perito non sta scomparendo: si sta ricollocando

Cosa accade, dunque, alla fine di tutto questo, alle professioni di perito e mediatore? I cinque anni di dati indicano una risposta che è “ricollocazione”, non “estinzione”.

C’è un lavoro reale che l’AI ha chiaramente assorbito: estrarre ed elencare comparabili, calcolare i prezzi per asset standardizzati, leggere i rent roll e costruire modelli di flusso di cassa. Questi compiti ripetitivi e quantitativi sono ormai più veloci per le macchine che per le persone — e, per gli asset standard, più accurati. È esattamente per questo che grandi società di intermediazione hanno comprato aziende come Skyline AI in blocco invece di costruire internamente. La capacità di calcolo ripetitivo non è più una casella che un essere umano deve riempire a mano; è un componente che si acquista già pronto.

Proprio per questo, la natura del lavoro rimasto alle persone è cambiata. La domanda con cui oggi si confronta un perito non è “a quanto è stato venduto di recente un immobile comparabile” — una macchina risponde già in pochi secondi. Le persone si sono spostate verso le domande che i dati ancora non catturano: come si valuta un asset privo di comparabili significativi su cui il modello possa basarsi? C’è un cambiamento in corso nella composizione degli inquilini di questo quartiere che i dati non hanno ancora rilevato? Il venditore sta nascondendo una situazione disperata? L’insistenza dell’organismo europeo di standard peritali secondo cui “un AVM va combinato con sopralluogo e giudizio di un esperto” va nella stessa direzione: istituzionalizza una struttura in cui la risposta della macchina e quella della persona si affiancano, e una persona indica dove divergono.

Il ruolo del mediatore si è spostato in modo analogo. Dire a qualcuno il prezzo corrente ha perso valore di scarsità ora che chiunque può verificarlo sul telefono in pochi secondi. Ciò che guadagna valore è leggere la reale situazione della controparte al tavolo delle trattative, e orientarsi tra variabili che non si riducono a numeri — regolamentazione, relazioni con la comunità, partnership. La nuova divisione del lavoro prodotta da questi cinque anni è questa: la macchina calcola “quanto vale” dove i dati sono abbondanti; la persona giudica “se ci si può fidare di questo numero” dove i dati sono scarsi o non sono mai stati riducibili a numeri fin dall’inizio. Non un lavoro perso. Un lavoro ricollocato.

Cosa viene dopo l’intervallo di confidenza

Quali parti di questi cinque anni resteranno valide tra tre anni, o in un paese diverso? Emergono tre domande.

Primo, il limite strutturale secondo cui l’accuratezza della valutazione AI scala direttamente con la densità dei dati non sta scomparendo. Per gli asset standardizzati nei mercati liquidi, l’AI continuerà a superare le persone con una precisione più fine. Per gli asset rari e specializzati e le classi di attivo di nuova formazione, l’esperienza e l’intuizione umana manterranno il vantaggio. Quella linea di confine continuerà a spostarsi man mano che i modelli AI migliorano, ma non scomparirà del tutto.

Secondo, “la previsione” e “la decisione di impiegare effettivamente capitale sulla base di quella previsione” resteranno separate. Zillow ha perso oltre 400 milioni di dollari non perché il suo modello fosse sbagliato, ma perché trasformare una previsione accurata in una transazione reale si è scontrato con liquidità di mercato e tempismo — variabili che un modello statistico fatica a gestire. È improbabile che questo divario si chiuda, per quanto l’AI diventi sofisticata, perché l’immobiliare non è un asset che si vende nell’istante in cui si desidera venderlo.

Terzo, il rischio strutturale che emerge quando più concorrenti usano simultaneamente lo stesso strumento continuerà a seguire questo settore, indipendentemente da come evolverà la regolamentazione. Gli strumenti di valutazione sono già passati dall’essere un ausilio al giudizio individuale a costituire un’infrastruttura che plasma direttamente la formazione dei prezzi sull’intero mercato. Chi sorveglia questa infrastruttura, e come, è una domanda appena cominciata.

Ciò che gli ultimi cinque anni hanno lasciato non è una semplice storia di vittoria o sconfitta in cui “l’AI ha sostituito le persone”. È il modo stesso in cui ci interroghiamo sul valore immobiliare a essere cambiato. Prima, un unico numero, firmato da un unico perito, era la risposta. Ora, un punto interrogativo segue quel numero come una prassi: quanto ci si può davvero fidare di questo numero? La capacità di rispondere onestamente a quel punto interrogativo è diventata la nuova qualifica richiesta sia alle persone sia alle macchine che operano nell’immobiliare nell’era dell’AI.

Ora è il momento di portare quel punto interrogativo nella domanda successiva. Perché l’AI è così determinata a calcolare il valore immobiliare con tanta precisione? E dove, esattamente, vive l’AI stessa?

---

Regola del gioco Un modello riassume il mercato; non lo crea. L’AI è intelligente solo quanto sono profondi i dati, e conoscere il numero accurato non significa avere il coraggio e il tempismo per impegnare davvero il capitale su quella base. Perciò a vincere non è chi ha il modello più sofisticato, ma chi sa esattamente fino a che punto ci si può fidare di quel modello, e dove deve subentrare una persona.

---

Fonti

Footnotes

1. Zillow ha gestito un’attività di iBuying (Zillow Offers) dal 2018, usando il proprio AVM “Zestimate” per comprare e vendere case direttamente, ma si è ritirata dopo aver perso 421 milioni di dollari nel terzo trimestre del 2021. Il tasso di errore dello Zestimate rispetto agli annunci sul mercato è stato riportato intorno al 2%. (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²

2. Sui tassi di errore degli AVM — i materiali di settore citano ampiamente il 2-3% per gli asset residenziali standard e il 5-15% per quelli non standard o commerciali. (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩

3. Materiali di fornitori/consulenti del settore (Blooma, GrowthFactor, Alpaca, ecc. ) — le banche che adottano l’underwriting AI riportano una riduzione del 50-75% dei tempi di revisione, risparmi sui costi fino al 20%, e casi di underwriting sotto gli otto minuti per operazioni ben definite. Da notare una variabilità significativa per istituzione e campione; non sono statistiche di settore standardizzate. ↩

4. L’Interagency Rule statunitense sugli AVM (in vigore dal 2024) impone la gestione del livello di confidenza per i modelli di valutazione, salvaguardie contro la manipolazione dei dati e tutele contro i conflitti d’interesse. Sono entrati in vigore anche ulteriori requisiti di conformità regionali, come la legge sull’AI del Colorado del 2026. ↩

5. JLL ha acquisito Skyline AI, una startup di AI immobiliare commerciale con sede tra Israele e New York, nel 2021. Le specifiche complete, l’utilizzo post-acquisizione e le statistiche di adozione dell’AI di JLL sono trattate nel Capitolo 2. (JLL Newsroom; AI Business; PitchBook) ↩

6. Il Dipartimento di Giustizia statunitense ha accusato nell’agosto 2024 la società di software di fissazione degli affitti RealPage di facilitare una collusione algoritmica, citando un caso in cui un proprietario ha iniziato ad aumentare gli affitti entro una settimana dall’adozione e li aveva aumentati di oltre il 25% in undici mesi. Nel novembre 2025, RealPage ha raggiunto un accordo con il Dipartimento di Giustizia senza ammettere colpe, impegnandosi a interrompere le funzioni di raccomandazione degli affitti che utilizzavano informazioni competitive riservate. (Annuncio ufficiale del DOJ; ProPublica; NPR; Holland & Knight) ↩ ↩²