1. Geen getal, maar een betrouwbaarheidsinterval: de herijking van de taxatie

Hetzelfde huis, verschillende getallen

In 2021 leverde een driekamer eengezinswoning in een buitenwijk van Austin, Texas, twee antwoorden op.

Het ene kwam van een mens. Een taxateur met twintig jaar ervaring in de lokale markt liep het huis door, controleerde de staat van het dak, de bezonning in de achtertuin, de hoogte van de schutting ten opzichte van het buurperceel, vergeleek het met drie recent verkochte vergelijkbare woningen en hing er een prijskaartje aan. Het andere kwam van een algoritme. Zillows AVM (Automated Valuation Model, geautomatiseerd taxatiemodel) — de “Zestimate” — verwerkte duizenden variabelen tegelijk en produceerde in enkele seconden een getal. Vloeroppervlak, oriëntatie, verdieping, schooldistrict, recente lokale verkoopgeschiedenis, zelfs of er een zwembad te zien was op een luchtfoto.

De twee getallen weken van elkaar af. Dat is niet verrassend — ook menselijke taxateurs zijn het onderling geregeld oneens. Wat daarna gebeurde was echt verrassend. Zillow vertrouwde het antwoord van zijn eigen algoritme zo sterk dat het besloot huizen rechtstreeks tegen die prijs te gaan kopen. Deze activiteit, “iBuying” genoemd, rustte op een simpele en gedurfde stelling: als AI de prijs accuraat inschat, waarom zouden we dan niet zelf tegen die prijs kopen en verkopen? Alleen al in het derde kwartaal van 2021 verloor Zillow 421 miljoen dollar op deze tak. Voor het jaar voorbij was, sloot Zillow Offers de deuren volledig en ontsloeg het bedrijf een groot deel van zijn personeel. Het verliescijfer over het hele jaar en de eigen publieke bekentenis van de CEO komen uitgebreid aan bod in hoofdstuk 8.¹ In diezelfde periode werden iBuying-experimenten in Europa en Azië afgebouwd of stilletjes stopgezet — onder meer bij verscheidene Britse start-ups en de eigen aankoopactiviteiten van enkele grote Chinese makelaarsplatforms. Dit was niet de misrekening van één bedrijf. De fout — “een accuraat prijskaartje” verwarren met “marktliquiditeit om daadwerkelijk tegen die prijs te kopen en te verkopen” — herhaalde zich op meerdere continenten.

De nauwkeurigheid van de Zestimate zelf was niet slecht. Tegenover woningen die daadwerkelijk te koop stonden, lag de foutmarge rond de 2%, scherper dan de meeste menselijke taxateurs presteren.¹ Toch verbrandde het bedrijf binnen enkele kwartalen honderden miljoenen dollars.

De reden schuilt in een onderscheid dat door dit hele hoofdstuk loopt. “Weten wat iets waard is” en “het lef en de timing hebben om daadwerkelijk tegen die prijs te kopen en te verkopen” zijn volstrekt verschillende problemen. AI is goed in het eerste. Het tweede blijft — en zal waarschijnlijk nog lang blijven — een terrein dat verstrengeld is met marktliquiditeit, timing en menselijk oordeel. De echte verschuiving in vastgoedtaxatie van de afgelopen vijf jaar is niet het simpele verhaal dat “AI nauwkeuriger werd dan mensen”. De vraag zelf veranderde. Niet “wat is dit gebouw waard”, maar “hoe ziet de kansverdeling eruit van wat dit gebouw waard is”.

Van een tijdperk van precisie naar een tijdperk van betrouwbaarheidsintervallen

William Poorvu, wiens boek The Real Estate Game uit 1999 een klassieker is in vastgoedbeleggen, doet een uitspraak die het waard is om opnieuw op te pakken: vastgoed wordt meestal niet beoordeeld met een uitgekiend rekenblad, maar met een “rekensom op de achterkant van een sigarendoosje”. Ook toen hij vastgoed doceerde aan Harvard, merkte hij op dat de academische wereld steeds ingewikkeldere modellen ontwikkelde, terwijl praktijkmensen kansen snel filterden met slechts een handvol kernratio’s — netto-exploitatieresultaat (NOI), rendement op eigen vermogen (ROE), aankoopprijs tegenover vervangingswaarde. De berekening die hij op een geel notitieblok krabbelde tijdens een telefoontje met een makelaar, is zelfs nu nog opvallend eenvoudig: deel de aankoopprijs door het vloeroppervlak voor een prijs per vierkante meter, vergelijk dat met de kosten van nieuwbouw om te bepalen hoe veilig de prijs is, en bereken vervolgens welk percentage van het geïnvesteerde eigen vermogen de huur oplevert na aftrek van exploitatiekosten en schuldendienst. Hij noemde deze analogie “oma’s kippensoep” — een uitkomst die telkens ongeveer klopt, zonder dat er een precies recept nodig is.

Vijfentwintig jaar later is het de moeite waard die analogie om te draaien. Vastgoedtaxatie in het AI-tijdperk is niet uitgekomen bij oma’s vingerspitzengefühl — het is uitgekomen bij het tegenovergestelde uiterste. Een ultraprecieze machine die duizenden variabelen kwantificeert, traint op miljoenen historische transacties en de foutmarge tot achter de komma bijstuurt. En toch heeft die precisie de praktijk niet “een nog nauwkeuriger getal” opgeleverd. Ironisch genoeg heeft het juist de vraag opgeleverd hoeveel vertrouwen je in dat getal mag stellen.

De reden is eenvoudig. De foutmarge van een AVM is niet uniform. In liquide markten met gestandaardiseerde vastgoedobjecten kan de foutmarge dalen tot 2–3%. Een driekamer voorstadwoning in de Verenigde Staten is het schoolvoorbeeld — de data zijn overvloedig.² Beweeg je naar markten met een dun transactievolume, kenmerkende commerciële objecten, of een nieuwe assetklasse die net ontstaat (datacenters, later besproken, zijn het beste voorbeeld), dan overstijgt de foutmarge al snel 10%. Schaarste aan data is de oorzaak. Hetzelfde model, hetzelfde bedrijf, produceert getallen waarbij “dit getal is bijna waterdicht” en “dit getal is hooguit een ruwe indicatie” naast elkaar bestaan. Een AVM is in wezen een vergelijkingstaxatie die met extreme snelheid wordt uitgevoerd. Waar een mens tijdens één telefoongesprek een indruk vormt op basis van vijf of zes vergelijkbare objecten, doorzoekt de machine op hetzelfde moment duizenden vergelijkbare objecten. Maar in een markt waar niets te doorzoeken valt — geen transactiegeschiedenis — heeft ook de snelste machine niets om mee te werken.

Een bepaald gevoel heeft zich de afgelopen vijf jaar stilletjes maar stevig genesteld in de branche. De maatstaf voor een goed taxatiemodel is niet langer “hoe nauwkeurig is het getal dat het oplevert”, maar “vertelt het je hoeveel vertrouwen je in dat getal mag stellen”. Het betrouwbaarheidsinterval — een begrip geleend uit de statistiek — is onderdeel geworden van de werkwoordenschat van de vastgoedpraktijk. In plaats van één platte uitspraak — “dit gebouw is 1 miljoen dollar waard” — is een antwoord als “dit gebouw is met 90% betrouwbaarheid tussen de 950.000 en 1.050.000 dollar waard, al rust die bandbreedte op slechts drie recente vergelijkbare verkopen en is de steekproef dun” nu het antwoord dat men vertrouwt. Niet precisie maar eerlijkheid is de nieuwe norm geworden.

De acht-minuten-kredietbeoordeling, en de prijs ervan

Nergens komt deze verschuiving dramatischer naar voren dan bij de kredietbeoordeling van commercieel vastgoed. Traditioneel was een commercieel vastgoedlening een bureaucratisch proces — 30 tot 45 dagen van paperwork tot goedkeuring, meermaals door de handen van bankiers en analisten. Huurovereenkomsten één voor één doorlezen, huurderslijsten huurder voor huurder overtypen in rekenbladen, de cijfers uit exploitatieoverzichten verifiëren tegen voorgaande jaren, kasstroommodellen handmatig opbouwen. Net zoals de eerder beschreven rekensom op de achterkant van een sigarendoosje binnen één telefoongesprek klaar was, is de onderliggende logica van dit werk op zich eenvoudig. Het is de schaal die verschilt. Dezelfde rekensom die een individuele belegger gebruikt om één gebouw te screenen, moet een bank dagelijks herhalen voor honderden deals.

De afgelopen vijf jaar zijn er steeds meer meldingen van de invoering van AI-kredietbeoordeling bij banken: 50–75% kortere doorlooptijd, kostenbesparingen tot 20%.³ Bij deals met heldere, goed gedefinieerde voorwaarden zijn er gevallen waarin AI de documenten leest, automatisch het kasstroommodel opbouwt en de kredietbeoordeling in acht minuten afrondt. Werk waar een analist vroeger weken over deed, handelt een machine nu af in de tijd die het kost om een kopje koffie te drinken.

Die snelheid heeft een prijs: een groeiend aantal “zwarte dozen” waarbij het lastig is te verklaren waarom een bepaald getal eruit rolde. Een menselijke analist kan de redenering achter een oordeel verwoorden — “ik heb de vernieuwingskans van deze huurder naar beneden bijgesteld omdat de recente omzetcijfers wankel waren.” Wanneer een AI-model tot dezelfde conclusie komt, is veel moeilijker vast te stellen of die conclusie echt terug te voeren is op de omzetcijfers van de huurder, of op een vertekening die per ongeluk in de trainingsdata is geslopen. Ook de regelgeving begint in te lopen — laat, maar snel — en oorsprong en vorm van de reactie verschillen per land. In de Verenigde Staten schrijft de Interagency Rule on AVMs, die in 2024 van kracht werd, betrouwbaarheidsmanagement voor taxatiemodellen voor, evenals waarborgen tegen datamanipulatie en bescherming tegen belangenverstrengeling.⁴ In Europa heeft het orgaan dat de standaarden voor de taxatiebranche vaststelt, via zijn herziene standaard uit 2025 het beginsel verankerd dat “een AVM een formele taxatie niet op zichzelf kan vervangen — het moet worden gecombineerd met een inspectie ter plaatse en deskundig oordeel.” Vijf jaar geleden betekende concurrentievoordeel “hoe snel kun je AI invoeren”. Vandaag betekent het “hoe verdedigbaar kun je het oordeel van die AI verklaren” — een nieuwe concurrentie-as die door alle continenten heen loopt.

Dertig mensen kopen een gigant

Nog een gebeurtenis vat deze vijf jaar samen. In 2021 nam JLL — een van de grootste vastgoeddienstverleners ter wereld — Skyline AI over, een datastart-up met vestigingen in Israël en New York en een personeelsbestand van net iets meer dan dertig. Wat dit bedrijf precies bouwde en hoe het na de overname werd ingezet, komt uitgebreid aan bod in hoofdstuk 2.⁵

De vraag die deze overname opriep was simpel en scherp: kan een klein team datawetenschappers de toekomst van een vastgoedobject nauwkeuriger voorspellen dan een organisatie die is opgebouwd uit decennia aan makelaars en taxateurs? Het antwoord van de branche was de overname zelf. Dit was geen geïsoleerde manier om vaardigheden te verwerven — in de vijf jaar erna kozen grote makelaarshuizen en vermogensbeheerders herhaaldelijk voor kopen boven zelf bouwen. Azië koos een enigszins andere aanpak. Een groot Chinees vastgoedmakelaarsplatform bouwde, in plaats van over te nemen, een groot eigen data-engineeringteam op en ontwikkelde zelf AI-taxatiehulpmiddelen — inclusief beeldherkenningstools om de staat van een woning te beoordelen aan de hand van foto’s. Kopen versus zelf bouwen liep uiteen, maar de conclusie — dat AI-vaardigheid een kernvoordeel is geworden voor vastgoeddienstverleners — hield stand over de continenten heen. JLL’s eigen ondersteunende cijfers (aantal AI-toepassingen, adoptiegraad bij institutionele pilots) komen eveneens aan bod in hoofdstuk 2. Taxatie is niet langer het experiment van een handvol koplopers. Het is standaard branchewerkstroom geworden.

Een algoritme bouwde kartelvorming zonder het zelf te weten

Niet alles in deze vijf jaar is een lichtpuntje. De meest dramatische ommekeer is het geval van RealPage, een huurprijssoftware. De software bundelde vertrouwelijke prijsinformatie van meerdere verhuurders en beval voor elk gebouw een “optimale huur” aan. De logica klonk redelijk — dezelfde premisse als bij een AVM: meer data levert een nauwkeuriger prijs op.

Het probleem was dat meerdere verhuurders in dezelfde stad deze software tegelijk gebruikten. Geen enkele individuele verhuurder heeft ooit met een andere over kartelvorming gesproken. Maar doordat iedereen de prijsdata van zijn eigen gebouw in hetzelfde algoritme invoerde, en het algoritme die informatie voor iedereen samensmolt tot dezelfde gefluisterde conclusie — “iedereen gebruikt toch dezelfde software, dus de markt kan een gecoördineerde huurverhoging verdragen” — ontstond een structuur die functioneerde als kartelvorming zonder dat iemand expliciet had afgesproken samen te spannen. Volgens de aanklacht van het Amerikaanse ministerie van Justitie begon één verhuurder binnen een week na invoering van de software de huren te verhogen, en had hij ze binnen elf maanden met meer dan 25% verhoogd.⁶ De Amerikaanse rechtszaak over het huuralgoritme klaagde dit effectief aan als het faciliteren van kartelvorming, en in november 2025 schikte het softwarebedrijf met het ministerie van Justitie — zonder schuld te erkennen — en stemde ermee in de huurprijsaanbevelingsfunctie die vertrouwelijke concurrentiegegevens gebruikte, te staken.⁶

Deze zaak reikt verder dan één bedrijf of land. Het is de eerste grote juridische weerlegging van het verhaal dat “AI markten efficiënter maakt”. Een vergelijkbare zorg is al opgestoken aan de overkant van de Atlantische Oceaan — niet in vastgoed, maar in de Europese benzinehandel, waar een golf van pompstations die overstapten op hetzelfde prijsalgoritme werd gevolgd door een gezamenlijke stijging van de marges, wat de aandacht trok van mededingingsautoriteiten. Andere sector, dezelfde structuur. Laat de wetgeving van een individueel land buiten beschouwing en kijk naar het onderliggende principe: zodra meerdere concurrenten gelijktijdig hetzelfde prijsalgoritme draaien, beweegt dat algoritme zich op de grens tussen efficiëntie-instrument en kartelmechanisme. Elke partij gedraagt zich op zichzelf rationeel, maar de uitkomst functioneert collectief als een kartel — een nieuwe soort marktfalen. Dit is de meest onverwachte les van de eerste vijf jaar AI-taxatie, en ze beperkt zich niet tot één land.

De taxateur verdwijnt niet — hij verhuist

Wat betekent dit alles, uiteindelijk, voor de beroepen van taxateur en makelaar? De data van deze vijf jaar wijzen op een antwoord dat eerder “verhuizing” is dan “uitsterven”.

Er is echt werk dat AI duidelijk heeft overgenomen: vergelijkbare objecten opzoeken en oplijsten, prijzen berekenen voor gestandaardiseerd vastgoed, huurderslijsten lezen en kasstroommodellen opbouwen. Deze repetitieve, kwantitatieve taken gaan machines nu sneller af dan mensen — en, bij standaardobjecten, ook nauwkeuriger. Precies daarom kochten grote makelaarshuizen bedrijven als Skyline AI in hun geheel op, in plaats van zelf te bouwen. Repetitief rekenwerk is niet langer een leemte die een mens handmatig moet invullen; het is een component die je kant-en-klaar inkoopt.

Juist daarom is het karakter van het werk dat mensen overblijft, veranderd. De vraag waar een taxateur nu mee worstelt, is niet meer “voor hoeveel is een vergelijkbaar gebouw recent verkocht” — dat beantwoordt een machine al in seconden. In plaats daarvan zijn mensen opgeschoven naar de vragen die data nog niet vatten: hoe waardeer je een object waarvoor het model geen zinvolle vergelijkingsobjecten heeft? Broeit er in deze buurt een verschuiving in de huurderssamenstelling die de data nog niet hebben opgepikt? Verbergt de verkoper een wanhopige situatie? De eis van het Europese taxatiestandaardenorgaan dat “een AVM moet worden gecombineerd met inspectie ter plaatse en deskundig oordeel” ligt in dezelfde lijn — het institutionaliseert een structuur waarin het antwoord van de machine en het antwoord van de mens naast elkaar staan, en een mens aanwijst waar ze uiteenlopen.

De rol van de makelaar is op vergelijkbare wijze verschoven. Iemand de geldende prijs vertellen heeft zijn schaarstewaarde verloren nu iedereen die in seconden op de telefoon kan opzoeken. Waarde ontstaat nu juist door de werkelijke situatie van de andere partij aan de onderhandelingstafel te doorgronden en te navigeren tussen variabelen die zich niet in getallen laten vangen — regelgeving, buurtrelaties, samenwerkingsverbanden. De nieuwe taakverdeling die deze vijf jaar hebben opgeleverd, is deze: de machine berekent “wat is het waard” waar data overvloedig zijn; de mens beoordeelt “moet dit getal vertrouwd worden” waar data dun zijn of zich sowieso nooit in getallen lieten vangen. Geen verloren baan. Een verhuisde.

Wat komt er na het betrouwbaarheidsinterval

Welke delen van deze vijfjarige ontwikkeling zullen dus over drie jaar, of in een ander land, nog steeds gelden? Drie vragen springen eruit.

Ten eerste: de structurele grens dat de nauwkeurigheid van AI-taxatie rechtstreeks meeschaalt met datadichtheid, verdwijnt niet. Voor gestandaardiseerde objecten in liquide markten zal AI mensen blijven overtreffen met fijnmaziger precisie. Voor zeldzame, gespecialiseerde objecten en nieuw ontstane assetklassen behouden menselijke ervaring en intuïtie hun voorsprong. Die grenslijn zal blijven verschuiven naarmate AI-modellen beter worden, maar zal niet helemaal verdwijnen.

Ten tweede: “voorspelling” en “de beslissing om op basis van die voorspelling daadwerkelijk kapitaal in te zetten” zullen gescheiden blijven. Zillow verloor meer dan 400 miljoen dollar niet omdat het model verkeerd zat, maar omdat het omzetten van een accurate voorspelling in een daadwerkelijke transactie vastliep op marktliquiditeit en timing — variabelen waar een statistisch model moeilijk mee omgaat. Die kloof zal waarschijnlijk niet dichten, hoe geavanceerd AI ook wordt, omdat vastgoed geen asset is dat verkoopt op het moment dat je wilt verkopen.

Ten derde: het structurele risico dat ontstaat wanneer meerdere concurrenten gelijktijdig hetzelfde instrument gebruiken, zal deze branche blijven achtervolgen, ongeacht hoe de regelgeving zich ontwikkelt. Taxatie-instrumenten zijn al overgestapt van een hulpmiddel voor individueel oordeel naar infrastructuur die de prijsvorming in de hele markt rechtstreeks vormgeeft. Wie toezicht houdt op deze infrastructuur, en hoe, is een vraag die nog maar net gesteld wordt.

Wat de afgelopen vijf jaar hebben achtergelaten, is geen simpel winst-verliesverhaal van “AI verving mensen”. De manier waarop we überhaupt naar de waarde van vastgoed vragen, is veranderd. Vroeger was een enkel getal, ondertekend door een enkele taxateur, het antwoord. Nu volgt vanzelfsprekend een vraagteken op dat getal: hoeveel valt er eigenlijk op dit getal te vertrouwen? Het vermogen om dat vraagteken eerlijk te beantwoorden, is de nieuwe kwalificatie geworden die in het AI-tijdperk wordt geëist van zowel mensen als machines die in vastgoed werken.

Nu is het tijd om dat vraagteken mee te nemen naar de volgende vraag. Waarom is AI zo vastberaden om de waarde van vastgoed met zoveel precisie te berekenen? En waar, precies, leeft de AI zelf?

---

Spelregel Een model vat de markt samen; het maakt de markt niet. AI is maar zo slim als de data diep zijn, en het accurate getal kennen betekent niet dat je het lef en de timing hebt om er daadwerkelijk kapitaal achter te zetten. Dus wint niet de partij met het geavanceerdste model — maar de partij die precies weet hoever dat model te vertrouwen is, en waar een mens het moet overnemen.

---

Bronnen

Footnotes

1. Zillow dreef vanaf 2018 een iBuying-activiteit (Zillow Offers), waarbij het zijn eigen AVM “Zestimate” gebruikte om huizen rechtstreeks te kopen en verkopen, maar trok zich terug na een verlies van 421 miljoen dollar in Q3 2021. De foutmarge van de Zestimate tegenover te koop staande woningen werd gerapporteerd op ongeveer 2%. (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²

2. Over AVM-foutmarges (2–3% voor standaard woningvastgoed versus 5–15% voor niet-standaard/commercieel vastgoed) noemen materialen van branche-leveranciers en onderzoek deze bandbreedte breed. (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩

3. Materialen van branche-leveranciers/consultants (Blooma, GrowthFactor, Alpaca e. a. ) — banken die AI-kredietbeoordeling invoeren, rapporteren 50–75% kortere beoordelingstijd, kostenbesparingen tot 20%, en gevallen van kredietbeoordelingen onder de acht minuten bij goed gedefinieerde deals. Let op aanzienlijke variatie per instelling en steekproef; geen gestandaardiseerde branchestatistieken. ↩

4. De Amerikaanse Interagency Rule on AVMs (van kracht sinds 2024) schrijft betrouwbaarheidsmanagement voor taxatiemodellen voor, evenals waarborgen tegen datamanipulatie en bescherming tegen belangenverstrengeling. Aanvullende regionale compliance-eisen, zoals Colorado’s AI-wet van 2026, zijn eveneens van kracht geworden. ↩

5. JLL nam in 2021 Skyline AI over, een in Israël/New York gevestigde AI-start-up voor commercieel vastgoed. Volledige specificaties, gebruik na de overname en JLL’s adoptiecijfers voor AI komen aan bod in hoofdstuk 2. (JLL Newsroom; AI Business; PitchBook) ↩

6. Het Amerikaanse ministerie van Justitie klaagde het huurprijssoftwarebedrijf RealPage in augustus 2024 aan wegens het faciliteren van algoritmische kartelvorming, met een geval waarin één verhuurder binnen een week na invoering de huren begon te verhogen en ze binnen elf maanden met meer dan 25% had verhoogd. In november 2025 schikte RealPage met het ministerie van Justitie, zonder schuld te erkennen, en stemde het ermee in huurprijsaanbevelingsfuncties die vertrouwelijke concurrentiegegevens gebruikten, te staken. (Officiële aankondiging DOJ; ProPublica; NPR; Holland & Knight) ↩ ↩²