1. Bukan nombor tetapi sekitar keyakinan: Pembentukan semula penilaian

Rumah sama, angka berbeza

Pada 2021, sebuah rumah sesebuah tiga bilik tidur di pinggir Austin, Texas, menghasilkan dua jawapan.

Satu diberikan oleh manusia. Seorang jurunilai berpengalaman dua puluh tahun di pasaran tempatan itu berjalan meninjau rumah, memeriksa keadaan bumbung, cahaya matahari di halaman belakang, tinggi pagar berbanding lot jiran, membandingkannya dengan tiga rumah setanding yang baru dijual, lalu menampalkan tag harga. Satu lagi diberikan oleh algoritma. AVM (Automated Valuation Model) Zillow — “Zestimate” — memproses ribuan pemboleh ubah serentak dan menghasilkan angka dalam beberapa saat. Keluasan lantai, orientasi, tingkat, daerah sekolah, sejarah jualan tempatan terkini, malah sama ada kolam renang muncul dalam gambar udara.

Kedua-dua angka itu berbeza. Itu tidak menghairankan — jurunilai manusia pun kerap tidak sependapat sesama sendiri. Apa yang benar-benar mengejutkan berlaku selepas itu. Zillow mempercayai jawapan algoritmanya sendiri sehingga mula membeli rumah secara terus pada harga tersebut. Perniagaan ini, dipanggil “iBuying,” bersandarkan satu tesis yang mudah namun berani: jika AI menetapkan harga dengan tepat, mengapa kita sendiri tidak boleh membeli dan menjual pada harga itu? Pada suku ketiga sahaja 2021, Zillow merugi $421 juta dalam perniagaan ini. Sebelum tahun itu berakhir, Zillow Offers ditutup sepenuhnya, dan syarikat itu memberhentikan sebahagian besar tenaga kerjanya. Angka kerugian penuh setahun dan pengakuan rasmi CEO sendiri dibincangkan secara terperinci dalam Bab 8.¹ Sekitar waktu yang sama, eksperimen iBuying di Eropah dan Asia mengecil atau senyap-senyap ditutup — antaranya beberapa startup UK, dan operasi pembelian dalaman beberapa platform pembrokeran hartanah besar China. Ini bukan salah pertimbangan satu syarikat. Kesilapan itu — mengelirukan “tag harga yang tepat” dengan “kecairan pasaran untuk benar-benar membeli dan menjual pada harga itu” — berulang di merentas beberapa benua.

Ketepatan Zestimate itu sendiri tidak buruk. Berbanding rumah yang benar-benar di pasaran, kadar ralatnya sekitar 2%, lebih ketat daripada kebanyakan jurunilai manusia.¹ Syarikat itu tetap menghabiskan beratus-ratus juta dolar dalam masa beberapa suku tahun sahaja.

Sebabnya terletak pada satu perbezaan yang berjalan sepanjang bab ini. “Mengetahui nilai sesuatu” dan “mempunyai keberanian serta ketepatan masa untuk benar-benar membeli dan menjual pada harga itu” adalah dua masalah yang sama sekali berbeza. AI mahir dalam perkara pertama. Perkara kedua kekal, dan berkemungkinan akan kekal untuk masa yang lama, sebagai wilayah yang terjerat dengan kecairan pasaran, ketepatan masa, dan pertimbangan manusia. Perubahan sebenar dalam penilaian hartanah sepanjang lima tahun kebelakangan bukanlah cerita mudah bahawa “AI menjadi lebih tepat daripada manusia.” Persoalan itu sendiri yang berubah. Bukan “berapa nilai bangunan ini,” tetapi “seperti apa taburan kebarangkalian nilai bangunan ini.”

Daripada zaman ketepatan kepada zaman sekitar keyakinan

William Poorvu, yang bukunya The Real Estate Game (1999) menjadi karya klasik pelaburan hartanah, membuat hujah yang wajar dinilai semula: hartanah dinilai, kebanyakan masa, bukan melalui hamparan hitung (spreadsheet) yang rumit tetapi melalui “analisis di belakang sampul surat.” Sambil mengajar hartanah di Harvard, beliau mencatatkan bahawa walaupun dunia akademik bergerak ke arah model yang semakin rumit, pengamal industri menapis peluang dengan cepat menggunakan hanya beberapa nisbah teras — pendapatan operasi bersih (NOI), pulangan atas ekuiti (ROE), harga belian berbanding kos gantian. Pengiraan yang beliau coretkan pada kertas nota kuning semasa menerima panggilan telefon broker itu, sehingga kini, menakjubkan dalam kesederhanaannya: bahagikan harga belian dengan keluasan lantai untuk mendapat harga per kaki persegi, bandingkan itu dengan kos membina baharu untuk menilai keselamatan harga, kemudian kira peratusan ekuiti yang dilaburkan yang dihasilkan oleh sewa selepas menolak kos operasi dan khidmat hutang. Beliau menamakan analogi ini “sup ayam nenek” — hasil yang keluar lebih kurang tepat setiap kali, tanpa memerlukan resipi yang persis.

Dua puluh lima tahun kemudian, wajar membalikkan analogi itu. Penilaian hartanah dalam era AI bukannya sampai kepada sentuhan nenek — ia sampai kepada hujung yang bertentangan. Sebuah mesin ultra-tepat yang mengukur ribuan pemboleh ubah, dilatih dengan berjuta-juta transaksi sejarah, dan mengurus kadar ralatnya sehingga ke titik perpuluhan. Namun apa yang ketepatan ini berikan kepada pengamal industri bukanlah “satu lagi angka yang lebih tepat.” Secara ironinya, ia adalah persoalan sejauh mana harus mempercayai angka itu pada mulanya.

Sebabnya mudah. Kadar ralat sesebuah AVM tidak seragam. Dalam pasaran cair dengan aset piawai, kadar ralat boleh jatuh ke 2–3%. Sebuah rumah pinggir bandar tiga bilik tidur di Amerika Syarikat adalah kes klasik — datanya berlimpah.² Beralih ke pasaran dengan volum transaksi nipis, aset komersial yang unik, atau kelas aset baharu yang baru muncul (pusat data, yang dibincangkan kemudian, contoh utamanya), kadar ralat mudah melebihi 10%. Kekurangan data punca utamanya. Model yang sama, syarikat yang sama, menghasilkan angka yang mana satu “hampir seperti pasti” dan yang satu lagi “sekadar panduan kasar” wujud bersebelahan. Sebuah AVM pada dasarnya penilaian jualan setanding (comparable sales) yang dijalankan pada kelajuan melampau. Jika seseorang membentuk gambaran daripada lima atau enam setanding dalam satu panggilan telefon, mesin mengimbas ribuan setanding pada saat yang sama. Tetapi dalam pasaran tanpa apa-apa untuk diimbas — tiada rekod transaksi — mesin yang paling pantas sekalipun tiada bahan untuk digunakan.

Satu kepekaan telah, secara senyap tetapi teguh, tertanam dalam industri sepanjang lima tahun kebelakangan. Ukuran model penilaian yang baik bukan lagi “sejauh mana tepat angka yang dihasilkannya” tetapi “adakah ia memberitahu sejauh mana keyakinan yang patut ada terhadap angka itu.” Sekitar keyakinan (confidence interval) — konsep yang dipinjam daripada statistik — telah menjadi sebahagian daripada perbendaharaan kerja amalan hartanah. Berbanding satu pengisytiharan tegas — “bangunan ini bernilai $1 juta” — jawapan seperti “bangunan ini bernilai, dengan keyakinan 90%, antara $950,000 dan $1,050,000, walaupun julat ini bersandar hanya pada tiga jualan setanding terkini dan sampelnya nipis” kini menjadi jawapan yang dipercayai. Bukan ketepatan tetapi kejujuran telah menjadi piawaian baharu.

Underwriting lapan minit, dan harganya

Tiada tempat yang menunjukkan perubahan ini lebih dramatik berbanding penilaian pinjaman (underwriting) hartanah komersial. Secara tradisional, pinjaman hartanah komersial adalah proses birokratik — 30 hingga 45 hari daripada kertas kerja kepada kelulusan, melalui tangan jurubank dan penganalisis beberapa kali. Membaca perjanjian sewa satu demi satu, menyalin roll sewa penyewa demi penyewa ke dalam hamparan hitung, mengesahkan angka pada penyata operasi berbanding tahun-tahun sebelumnya, membina model aliran tunai secara manual. Sama seperti pengiraan belakang sampul surat yang digambarkan di atas selesai dalam satu panggilan telefon, logik asas kerja ini sendiri mudah. Skala yang berbeza. Aritmetik yang sama digunakan seorang pelabur individu untuk menapis satu bangunan, bank perlu ulang pada beratus-ratus urus niaga setiap hari.

Sepanjang lima tahun kebelakangan, laporan penggunaan underwriting AI di bank bertimbun: pengurangan 50–75% dalam masa underwriting, penjimatan kos sehingga 20%.³ Bagi urus niaga dengan terma yang jelas dan tersusun rapi, terdapat kes di mana AI membaca dokumen, membina model aliran tunai secara automatik, dan menyelesaikan underwriting dalam lapan minit. Kerja yang dahulu mengambil masa beberapa minggu untuk seorang penganalisis, kini mesin selesaikan dalam masa secawan kopi habis diminum.

Kelajuan itu ada harganya: semakin banyak “kotak hitam” (black box) di mana sukar untuk menjelaskan mengapa sesuatu angka terhasil. Seorang penganalisis manusia boleh menerangkan sebab di sebalik pertimbangannya — “saya menurunkan kebarangkalian pembaharuan penyewa ini kerana jualan mereka baru-baru ini goyah.” Apabila model AI mencapai kesimpulan yang sama, jauh lebih sukar untuk mengesahkan sama ada kesimpulan itu benar-benar berpunca daripada angka jualan penyewa itu, atau daripada bias yang secara tidak sengaja terselit dalam data latihan. Kawal selia turut mula mengejar — lewat, tetapi pantas — dan titik permulaan serta bentuk respons berbeza mengikut negara. Di Amerika Syarikat, Interagency Rule on AVMs, yang berkuat kuasa pada 2024, mewajibkan pengurusan keyakinan bagi model penilaian, perlindungan terhadap manipulasi data, dan perlindungan konflik kepentingan.⁴ Di Eropah, badan yang menetapkan piawaian industri penilaian, melalui piawaian semakan semula 2025-nya, mengukuhkan prinsip bahawa “AVM tidak boleh menggantikan penilaian rasmi dengan sendirinya — ia mesti digabungkan dengan pemeriksaan tapak dan pertimbangan pakar.” Lima tahun lalu, kelebihan daya saing bermaksud “seberapa pantas anda boleh menerima pakai AI.” Hari ini, ia bermaksud “seberapa munasabahnya anda boleh menjelaskan pertimbangan AI itu” — paksi persaingan baharu yang merentasi setiap benua.

Tiga puluh orang membeli gergasi

Satu lagi peristiwa merangkumi lengkung lima tahun ini. Pada 2021, JLL — antara firma perkhidmatan hartanah terbesar di dunia — mengambil alih Skyline AI, sebuah startup data berpangkalan di Israel dan New York dengan jumlah pekerja hanya lebih tiga puluh orang. Apa sebenarnya yang dibina syarikat ini, dan bagaimana ia digunakan selepas pengambilalihan, dibincangkan secara terperinci dalam Bab 2.⁵

Persoalan yang dibangkitkan oleh pengambilalihan ini mudah dan tajam: bolehkah sepasukan kecil saintis data meramal masa depan sesuatu aset dengan lebih tepat berbanding organisasi yang dibina sepanjang dekad oleh broker dan jurunilai? Jawapan industri adalah pengambilalihan itu sendiri. Ini bukanlah cara terpencil untuk memperoleh keupayaan — sepanjang lima tahun berikutnya, firma pembrokeran dan pengurus aset utama berulang kali memilih untuk membeli berbanding membina sendiri. Asia mengambil pendekatan yang agak berbeza. Sebuah platform pembrokeran hartanah besar China, berbanding mengambil alih, membina pasukan kejuruteraan data dalaman yang besar dan membangunkan ciri bantuan penilaian AI sendiri secara dalaman — termasuk alat pengecaman imej untuk membaca keadaan senarai daripada gambar. Beli berbanding bina berbeza, tetapi kesimpulan — bahawa keupayaan AI telah menjadi aset persaingan teras bagi firma perkhidmatan hartanah — kekal sama merentas benua. Statistik sokongan JLL sendiri (bilangan kes penggunaan AI, kadar penerimaan pakai perintis institusi) turut dibincangkan dalam Bab 2. Penilaian bukan lagi eksperimen segelintir penerima awal. Ia telah menjadi aliran kerja standard industri.

Algoritma yang membina kolusi tanpa disedarinya sendiri

Bukan segala-galanya dalam lengkung lima tahun ini adalah cerita cerah. Kebalikan paling dramatik ialah kes RealPage, sebuah perisian penetapan sewa. Perisian ini mengumpulkan maklumat harga sulit daripada pelbagai tuan tanah dan mengesyorkan “sewa optimum” untuk setiap bangunan. Logiknya kedengaran munasabah — premis yang sama seperti AVM: lebih banyak data menghasilkan harga yang lebih tepat.

Masalahnya ialah beberapa tuan tanah dalam bandar yang sama menggunakan perisian ini secara serentak. Tiada tuan tanah individu yang pernah berbincang tentang kolusi dengan yang lain. Tetapi kerana semua orang memasukkan data harga bangunan mereka sendiri ke dalam algoritma yang sama, dan algoritma itu mensintesis maklumat itu menjadi kesimpulan berbisik yang sama untuk setiap mereka — “semua orang lain juga menggunakan perisian yang sama, jadi pasaran boleh menampung kenaikan sewa yang diselaraskan” — satu struktur muncul yang berfungsi seperti kolusi tanpa sesiapa pun secara eksplisit bersetuju untuk berkolusi. Menurut aduan Jabatan Kehakiman AS, seorang tuan tanah mula menaikkan sewa dalam masa seminggu selepas menggunakan perisian itu dan telah menaikkannya lebih 25% dalam masa sebelas bulan.⁶ Saman algoritma sewa AS itu secara berkesan mendakwa ini sebagai memudahkan kolusi, dan pada November 2025 syarikat perisian itu berdamai dengan Jabatan Kehakiman — tanpa mengakui kesalahan — bersetuju untuk menghentikan ciri cadangan sewa yang menggunakan maklumat persaingan sulit.⁶

Kes ini penting melampaui mana-mana syarikat atau negara tunggal. Ia bantahan undang-undang besar pertama terhadap naratif bahawa “AI menjadikan pasaran lebih cekap.” Kebimbangan serupa telah muncul di seberang Atlantik — bukan dalam hartanah tetapi dalam runcit petrol di Eropah, di mana gelombang stesen yang beralih kepada algoritma penetapan harga yang sama diikuti dengan kenaikan margin serentak, menarik perhatian pihak berkuasa persaingan. Industri berbeza, struktur sama. Ketepikan statut mana-mana negara tunggal dan lihat prinsip asasnya: sebaik sahaja beberapa pesaing menjalankan algoritma penetapan harga yang sama secara serentak, algoritma itu berada di garis antara alat kecekapan dan mekanisme kolusi. Setiap pihak bertindak rasional secara berasingan, namun hasilnya berfungsi secara kolektif seperti kartel — spesies baharu kegagalan pasaran. Ini pengajaran paling tidak dijangka daripada lima tahun pertama penilaian AI, dan ia tidak terhad kepada mana-mana negara sahaja.

Jurunilai tidak pupus — mereka berpindah tempat

Jadi apa yang berlaku, pada akhirnya, kepada profesion jurunilai dan broker? Data lima tahun ini menunjukkan jawapan yang lebih “berpindah tempat,” bukan “kepupusan.”

Ada kerja sebenar yang jelas telah diambil alih AI: mengeluar dan menyenaraikan setanding, mengira harga bagi aset piawai, membaca roll sewa dan membina model aliran tunai. Tugas berulang dan kuantitatif ini kini lebih pantas dilakukan mesin berbanding manusia — dan, bagi aset standard, lebih tepat. Itulah sebabnya firma pembrokeran utama membeli syarikat seperti Skyline AI secara keseluruhan berbanding membina sendiri. Keupayaan pengiraan berulang bukan lagi ruang kosong yang perlu diisi manusia secara manual; ia komponen yang dibeli terus siap pakai.

Justeru itu, sifat kerja yang tinggal untuk manusia telah berubah. Persoalan yang kini digelutkan jurunilai bukan “berapa harga jualan terkini bangunan setanding” — mesin sudah menjawab itu dalam beberapa saat. Sebaliknya, manusia telah beralih kepada persoalan yang masih tidak ditangkap data: Bagaimana menilai aset yang tiada setanding bermakna untuk digunakan model? Adakah terdapat perubahan sedang berlaku dalam komposisi penyewa kawasan ini yang belum ditangkap data? Adakah penjual menyembunyikan keadaan yang terdesak? Penegasan badan piawaian penilaian Eropah bahawa “AVM mesti digabungkan dengan pemeriksaan tapak dan pertimbangan pakar” berada dalam nada yang sama — ia melembagakan struktur di mana jawapan mesin dan jawapan manusia duduk bersebelahan, dan manusia menunjukkan di mana keduanya berbeza.

Peranan broker turut berubah dengan cara yang serupa. Memberitahu seseorang kadar semasa telah kehilangan nilai kelangkaannya kini bila-bila orang boleh menyemaknya di telefon dalam beberapa saat. Yang memperoleh nilai sebaliknya ialah membaca situasi sebenar pihak lawan di meja rundingan, dan menavigasi pemboleh ubah yang tidak boleh diturunkan kepada angka — kawal selia, hubungan komuniti, perkongsian. Pembahagian kerja baharu yang dihasilkan lima tahun ini adalah begini: mesin mengira “berapa nilainya” di mana data berlimpah; manusia menilai “patutkah angka ini dipercayai” di mana data nipis atau tidak pernah boleh diturunkan kepada angka sejak asal. Bukan pekerjaan yang hilang. Pekerjaan yang berpindah tempat.

Apa yang datang selepas sekitar keyakinan

Jadi bahagian mana daripada lengkung lima tahun ini akan kekal benar tiga tahun dari sekarang, atau di negara berbeza? Tiga persoalan menonjol.

Pertama, had struktur bahawa ketepatan penilaian AI berkadar terus dengan kepadatan data tidak akan hilang. Bagi aset piawai dalam pasaran cair, AI akan terus mengatasi manusia dengan ketepatan yang lebih halus. Bagi aset jarang dan khusus serta kelas aset yang baru muncul, pengalaman dan intuisi manusia akan terus mengekalkan kelebihan. Garis sempadan itu akan terus beralih seiring model AI bertambah baik, tetapi ia tidak akan hilang sepenuhnya.

Kedua, “ramalan” dan “keputusan untuk benar-benar mengagihkan modal berdasarkan ramalan itu” akan kekal berasingan. Zillow merugi lebih $400 juta bukan kerana modelnya salah, tetapi kerana menukar ramalan yang tepat kepada urus niaga sebenar terbentur kecairan pasaran dan ketepatan masa — pemboleh ubah yang sukar dikendalikan model statistik. Jurang itu tidak berkemungkinan tertutup walau secanggih mana pun AI, kerana hartanah bukan aset yang terjual sebaik sahaja seseorang mahu menjualnya.

Ketiga, risiko struktur yang timbul apabila beberapa pesaing menggunakan alat yang sama secara serentak akan terus mengekori industri ini tidak kira bagaimana kawal selia berkembang. Alat penilaian telah pun melintasi daripada bantuan pertimbangan individu kepada infrastruktur yang secara langsung membentuk pembentukan harga di seluruh pasaran. Siapa yang mengawasi infrastruktur ini, dan bagaimana, adalah persoalan yang baru sahaja bermula.

Apa yang lima tahun lalu tinggalkan bukan cerita mudah menang-kalah “AI menggantikan manusia.” Cara kita bertanya tentang nilai hartanah itu sendiri telah berubah. Dahulu, satu angka, ditandatangani oleh seorang jurunilai, adalah jawapan. Kini, tanda soal mengikuti angka itu sebagai perkara biasa: sejauh mana angka ini benar-benar boleh dipercayai? Keupayaan menjawab tanda soal itu dengan jujur telah menjadi kelayakan baharu yang dituntut daripada manusia dan mesin yang bekerja dalam hartanah pada era AI.

Kini masanya membawa tanda soal itu ke persoalan seterusnya. Mengapa AI begitu berazam mengira nilai hartanah dengan ketepatan sebegini? Dan di mana sebenarnya AI itu sendiri berada?

---

Peraturan Permainan Model meringkaskan pasaran; ia tidak mencipta pasaran. AI hanya sepintar dalam data yang mendalam, dan mengetahui angka yang tepat tidak bermakna mempunyai keberanian serta ketepatan masa untuk benar-benar meletakkan modal di sebaliknya. Jadi pihak yang menang bukanlah pihak dengan model yang lebih canggih — ia pihak yang tahu tepat sejauh mana model itu boleh dipercayai, dan di mana manusia perlu mengambil alih.

---

Sumber

Footnotes

1. Zillow menjalankan perniagaan iBuying (Zillow Offers) sejak 2018, menggunakan AVM sendiri “Zestimate” untuk membeli dan menjual rumah secara terus, tetapi menarik diri selepas merugi $421 juta pada suku ketiga 2021. Kadar ralat Zestimate berbanding senarai di pasaran dilaporkan sekitar 2%. (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²

2. Mengenai kadar ralat AVM — bahan industri secara meluas memetik 2–3% bagi aset kediaman standard dan 5–15% bagi aset bukan standard atau komersial. (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩

3. Bahan vendor/perundingan industri (Blooma, GrowthFactor, Alpaca, dll.) — bank yang menerima pakai underwriting AI melaporkan pengurangan 50–75% dalam masa semakan, penjimatan kos sehingga 20%, dan kes underwriting bawah 8 minit bagi urus niaga yang tersusun rapi. Perhatikan variasi ketara mengikut institusi dan sampel; bukan statistik industri yang diseragamkan. ↩

4. Interagency Rule on AVMs AS (berkuat kuasa 2024) mewajibkan pengurusan keyakinan bagi model penilaian, perlindungan terhadap manipulasi data, dan perlindungan konflik kepentingan. Keperluan pematuhan wilayah tambahan, seperti undang-undang AI Colorado 2026, turut berkuat kuasa. ↩

5. JLL mengambil alih Skyline AI, sebuah startup AI hartanah komersial berpangkalan di Israel/New York, pada 2021. Spesifikasi penuh, penggunaan selepas pengambilalihan, dan statistik penerimaan AI JLL dibincangkan dalam Bab 2. (JLL Newsroom; AI Business; PitchBook) ↩

6. Jabatan Kehakiman AS mendakwa syarikat perisian penetapan sewa RealPage pada Ogos 2024 kerana memudahkan kolusi algoritma, memetik kes seorang tuan tanah yang mula menaikkan sewa dalam masa seminggu selepas penggunaan dan telah menaikkannya lebih 25% dalam masa sebelas bulan. Pada November 2025, RealPage berdamai dengan Jabatan Kehakiman tanpa mengakui kesalahan, bersetuju menghentikan ciri cadangan sewa yang menggunakan maklumat persaingan sulit. (Pengumuman rasmi DOJ; ProPublica; NPR; Holland & Knight) ↩ ↩²