W 2021 roku trzysypialniowy dom jednorodzinny na przedmieściach Austin w Teksasie dał dwie odpowiedzi.

1. Nie liczba, lecz przedział ufności: przekształcenie wyceny

Ten sam dom, różne liczby

W 2021 roku trzysypialniowy dom jednorodzinny na przedmieściach Austin w Teksasie dał dwie odpowiedzi.

Jedną podał człowiek. Rzeczoznawca z dwudziestoletnim doświadczeniem na lokalnym rynku obszedł dom, sprawdził stan dachu, nasłonecznienie ogrodu, wysokość płotu względem sąsiedniej działki, porównał go z trzema niedawno sprzedanymi podobnymi domami i przypiął mu metkę z ceną. Drugą podał algorytm. AVM (Automated Valuation Model, zautomatyzowany model wyceny) Zillow — “Zestimate” — przetwarzał jednocześnie tysiące zmiennych i w kilka sekund wyliczał liczbę. Metraż, orientacja względem stron świata, piętro, rejon szkolny, historia niedawnych transakcji lokalnych, a nawet to, czy na zdjęciu lotniczym widać basen.

Te dwie liczby się różniły. To nie zaskakuje — nawet ludzcy rzeczoznawcy regularnie się ze sobą nie zgadzają. Naprawdę zaskakujące było to, co wydarzyło się dalej. Zillow zaufał odpowiedzi własnego algorytmu na tyle, że zaczął bezpośrednio kupować domy po tej cenie. Biznes zwany “iBuyingiem” opierał się na prostym i zuchwałym założeniu: jeśli AI wycenia trafnie, dlaczego nie mielibyśmy sami kupować i sprzedawać po tej cenie? Tylko w trzecim kwartale 2021 roku Zillow stracił na tym biznesie 421 milionów dolarów. Zanim rok się skończył, Zillow Offers zostało całkowicie zamknięte, a firma zwolniła sporą część personelu. Pełna roczna strata i oficjalna spowiedź prezesa opisane są szczegółowo w rozdziale 8.¹ Mniej więcej w tym samym czasie eksperymenty z iBuyingiem w Europie i Azji ograniczono lub po cichu wygaszono — wśród nich kilka brytyjskich startupów oraz wewnętrzne operacje skupu kilku dużych chińskich platform maklerskich. To nie był błąd jednej firmy. Pomyłka — pomylenie “trafnej metki cenowej” z “płynnością rynkową pozwalającą faktycznie kupić i sprzedać po tej cenie” — powtórzyła się na wielu kontynentach.

Sama trafność Zestimate nie była zła. Wobec domów faktycznie wystawionych na sprzedaż wskaźnik błędu wynosił około 2%, ciaśniejszy niż u większości ludzkich rzeczoznawców.¹ Mimo to firma spaliła setki milionów dolarów w ciągu kilku kwartałów.

Powód tkwi w rozróżnieniu, które przewija się przez cały ten rozdział. “Wiedzieć, ile coś jest warte” i “mieć odwagę i wyczucie czasu, by faktycznie kupić i sprzedać po tej cenie” to zupełnie inne problemy. AI dobrze radzi sobie z pierwszym. Drugie pozostaje, i zapewne długo jeszcze pozostanie, dziedziną splątaną z płynnością rynku, timingiem i ludzkim osądem. Prawdziwa zmiana w wycenie nieruchomości na przestrzeni ostatnich pięciu lat to nie prosta opowieść, że “AI stała się dokładniejsza niż ludzie”. Zmieniło się samo pytanie. Nie “ile ten budynek jest wart”, lecz “jak wygląda rozkład prawdopodobieństwa tego, ile ten budynek jest wart”.

Od epoki precyzji do epoki przedziałów ufności

William Poorvu, którego wydana w 1999 roku książka The Real Estate Game jest klasykiem inwestowania w nieruchomości, formułuje argument wart przypomnienia: nieruchomości ocenia się przez większość czasu nie za pomocą rozbudowanego arkusza kalkulacyjnego, lecz “analizy na odwrocie koperty”. Choć sam wykładał nieruchomości na Harvardzie, zauważał, że podczas gdy akademia dryfowała ku coraz bardziej rozbudowanym modelom, praktycy szybko filtrują okazje, posługując się garstką kluczowych wskaźników — dochodem operacyjnym netto (NOI), zwrotem z kapitału własnego (ROE), ceną zakupu w stosunku do kosztu odtworzenia. Obliczenie, które nabazgrał na żółtym bloczku, odbierając telefon od pośrednika, uderza nawet dziś swoją prostotą: podziel cenę zakupu przez metraż, by uzyskać cenę za metr, porównaj ją z kosztem budowy od nowa, by ocenić, jak bezpieczna jest cena, a następnie policz, jaki procent zainwestowanego kapitału własnego generuje czynsz po odliczeniu kosztów operacyjnych i obsługi długu. Tę analogię nazywał “rosołem babci” — wynikiem, który za każdym razem wychodzi w przybliżeniu trafny, bez potrzeby precyzyjnego przepisu.

Dwadzieścia pięć lat później warto tę analogię odwrócić. Wycena nieruchomości w erze AI nie dotarła do babcinego dotyku — dotarła do przeciwnej skrajności. Do ultraprecyzyjnej maszyny, która kwantyfikuje tysiące zmiennych, uczy się na milionach historycznych transakcji i zarządza swoim wskaźnikiem błędu co do dziesiątej części procenta. A jednak to, co ta precyzja dała praktykom, to nie “jeszcze dokładniejsza liczba”. Paradoksalnie jest to pytanie o to, na ile w ogóle ufać tej liczbie.

Powód jest prosty. Wskaźnik błędu AVM nie jest jednolity. Na płynnych rynkach ze standaryzowanymi aktywami może spaść do 2–3%. Trzysypialniowy dom na amerykańskim przedmieściu to klasyczny przypadek — danych jest tam pod dostatkiem.² Przejdź do rynków o niskim wolumenie transakcji, wyróżniających się aktywach komercyjnych albo dopiero powstającej klasy aktywów (centra danych, omówione dalej, są tego najlepszym przykładem), a wskaźnik błędu z łatwością przekracza 10%. Przyczyną jest niedostatek danych. Ten sam model, ta sama firma, wydaje liczby, w których “ta jest bliska pewnikowi” i “ta jest w najlepszym razie orientacyjnym szacunkiem” współistnieją obok siebie. AVM to w istocie wycena metodą porównawczą uruchomiona z ekstremalną prędkością. Tam, gdzie człowiek wyrabia sobie wrażenie na podstawie pięciu czy sześciu porównywalnych transakcji podczas jednej rozmowy telefonicznej, maszyna w tej samej chwili przeskanowuje tysiące porównań. Ale na rynku, na którym nie ma czego skanować — bez historii transakcji — nawet najszybsza maszyna nie ma na czym się oprzeć.

Przez ostatnie pięć lat w branży cicho, ale trwale zakorzeniła się pewna wrażliwość. Miarą dobrego modelu wyceny nie jest już “jak dokładną liczbę produkuje”, lecz “czy mówi ci, na ile możesz jej zaufać”. Przedział ufności — pojęcie zapożyczone ze statystyki — stał się częścią roboczego słownika praktyki nieruchomościowej. Zamiast jednej płaskiej deklaracji — “ten budynek jest wart milion dolarów” — odpowiedź w rodzaju “ten budynek jest wart, z 90-procentową pewnością, między 950 tysięcy a 1 050 000 dolarów, choć ten przedział opiera się jedynie na trzech niedawnych porównywalnych transakcjach i próbka jest skromna” jest dziś odpowiedzią, której ludzie ufają. Nowym standardem stała się nie precyzja, lecz uczciwość.

Ośmiominutowy underwriting i jego cena

Nigdzie ta zmiana nie ujawniła się bardziej dramatycznie niż w underwritingu kredytów na nieruchomości komercyjne. Tradycyjnie kredyt na nieruchomość komercyjną był procesem biurokratycznym — od 30 do 45 dni od dokumentów do zatwierdzenia, przechodzącym wielokrotnie przez ręce bankierów i analityków. Czytanie umów najmu jedna po drugiej, przepisywanie zestawień czynszów najemca po najemcy do arkuszy kalkulacyjnych, weryfikowanie liczb z wyciągów operacyjnych względem lat poprzednich, ręczne budowanie modeli przepływów pieniężnych. Podobnie jak opisane wyżej obliczenie na odwrocie koperty mieściło się w jednej rozmowie telefonicznej, logika stojąca za tą pracą sama w sobie jest prosta. Różni się skala. Tę samą arytmetykę, jaką indywidualny inwestor stosuje do przesiania jednego budynku, bank musi powtarzać przy setkach transakcji dziennie.

Przez ostatnie pięć lat narastały doniesienia o wdrażaniu underwritingu AI w bankach: skrócenie czasu underwritingu o 50–75%, oszczędności kosztów sięgające 20%.³ Przy transakcjach o czystych, dobrze zdefiniowanych warunkach pojawiły się przypadki, w których AI czyta dokumenty, automatycznie buduje model przepływów pieniężnych i kończy underwriting w osiem minut. Pracę, która analitykowi zajmowała niegdyś kilka tygodni, maszyna wykonuje teraz w czasie, jaki zajmuje wypicie kawy.

Ta prędkość ma swoją cenę: rośnie liczba “czarnych skrzynek”, w których trudno wyjaśnić, skąd wzięła się dana liczba. Ludzki analityk potrafi wyartykułować rozumowanie stojące za osądem — “obniżyłem prawdopodobieństwo przedłużenia najmu przez tego najemcę, bo jego ostatnia sprzedaż wygląda niepewnie”. Gdy model AI dochodzi do tego samego wniosku, znacznie trudniej stwierdzić, czy wniosek ten rzeczywiście wynika z danych sprzedażowych najemcy, czy z jakiegoś skrzywienia, które przypadkiem wkradło się do danych treningowych. Regulacja zaczęła też nadrabiać zaległości — późno, ale szybko — a punkt wyjścia i kształt odpowiedzi różnią się w zależności od kraju. W Stanach Zjednoczonych Interagency Rule dotyczące AVM-ów, które weszło w życie w 2024 roku, nakazuje zarządzanie poziomem ufności dla modeli wyceny, zabezpieczenia przed manipulacją danymi i ochronę przed konfliktem interesów.⁴ W Europie organ ustalający standardy branży rzeczoznawczej w swoim zrewidowanym standardzie z 2025 roku umocnił zasadę, że “AVM nie może samodzielnie zastąpić formalnej wyceny — musi być połączony z inspekcją na miejscu i osądem eksperta”. Pięć lat temu przewaga konkurencyjna oznaczała “jak szybko wdrożysz AI”. Dziś oznacza “jak wiarygodnie potrafisz wyjaśnić osąd tej AI” — nowa oś konkurencji, która przecina wszystkie kontynenty.

Trzydzieści osób kupuje giganta

Jedno wydarzenie jeszcze lepiej ujmuje ten pięcioletni łuk. W 2021 roku JLL — jedna z największych firm świadczących usługi nieruchomościowe na świecie — przejęła Skyline AI, startup danych z siedzibą w Izraelu i Nowym Jorku, zatrudniający zaledwie nieco ponad trzydzieści osób. Co dokładnie zbudowała ta firma i jak była wykorzystywana po przejęciu, opisano szczegółowo w rozdziale 2.⁵

Pytanie, które postawiło to przejęcie, było proste i przenikliwe: czy niewielki zespół data scientistów może przewidzieć przyszłość aktywa dokładniej niż organizacja zbudowana przez dekady pracy maklerów i rzeczoznawców? Odpowiedzią branży było samo przejęcie. Nie był to odosobniony sposób pozyskiwania kompetencji — przez kolejnych pięć lat duże firmy maklerskie i zarządzające aktywami wielokrotnie wybierały kupowanie zamiast budowania. Azja podeszła do tego nieco inaczej. Duża chińska platforma maklerska nieruchomości, zamiast przejmować, zbudowała duży wewnętrzny zespół inżynierii danych i samodzielnie opracowała własne funkcje AI wspomagające wycenę — w tym narzędzia rozpoznawania obrazu, odczytujące stan oferty ze zdjęć. Kupno versus budowa rozeszły się, ale wniosek — że kompetencje AI stały się kluczowym aktywem konkurencyjnym dla firm świadczących usługi nieruchomościowe — utrzymał się na wszystkich kontynentach. Własne statystyki wspierające JLL (liczba przypadków użycia AI, wskaźniki instytucjonalnego wdrożenia pilotażowego) są również omówione w rozdziale 2. Wycena nie jest już eksperymentem garstki pierwszych entuzjastów. Stała się standardowym procesem roboczym w branży.

Algorytm zbudował zmowę, o której sam nie wiedział

Nie wszystko w tym pięcioletnim łuku to jasna historia. Najbardziej dramatycznym odwróceniem jest przypadek RealPage, oprogramowania do ustalania czynszów. Oprogramowanie gromadziło poufne informacje cenowe od wielu właścicieli i rekomendowało dla każdego budynku “optymalny czynsz”. Logika brzmiała rozsądnie — ta sama przesłanka, co w przypadku AVM: więcej danych daje dokładniejszą cenę.

Problem polegał na tym, że wielu właścicieli w tym samym mieście używało tego oprogramowania jednocześnie. Żaden pojedynczy właściciel nigdy nie rozmawiał z innym o zmowie. Ale ponieważ każdy podawał dane cenowe swojego budynku do tego samego algorytmu, a algorytm syntezował te informacje w ten sam szeptany wniosek dla każdego z nich — “wszyscy inni też używają tego samego oprogramowania, więc rynek zniesie skoordynowaną podwyżkę czynszów” — powstała struktura, która funkcjonowała jak zmowa, choć nikt jawnie się na nią nie umówił. Według pozwu amerykańskiego Departamentu Sprawiedliwości jeden z właścicieli zaczął podnosić czynsze w ciągu tygodnia od wdrożenia oprogramowania i w ciągu jedenastu miesięcy podniósł je o ponad 25%.⁶ Amerykański pozew w sprawie algorytmu czynszowego skutecznie oskarżył to o ułatwianie zmowy, a w listopadzie 2025 roku firma programistyczna ugodziła się z Departamentem Sprawiedliwości — bez przyznania się do winy — zgadzając się zaprzestać funkcji rekomendacji czynszu wykorzystującej poufne informacje konkurencyjne.⁶

Ten przypadek ma znaczenie wykraczające poza jedną firmę czy kraj. To pierwsze poważne prawne obalenie narracji, że “AI czyni rynki bardziej efektywnymi”. Podobny niepokój ujawnił się już po drugiej stronie Atlantyku — nie w nieruchomościach, lecz w detalicznej sprzedaży benzyny w Europie, gdzie fala stacji przechodzących na ten sam algorytm cenowy pociągnęła za sobą wspólny wzrost marż, przyciągając uwagę organów antymonopolowych. Inna branża, ta sama struktura. Odłóżmy na bok przepisy poszczególnych krajów i spójrzmy na zasadę leżącą u podstaw: w chwili, gdy wielu konkurentów jednocześnie uruchamia ten sam algorytm cenowy, algorytm ten balansuje na granicy między narzędziem efektywności a mechanizmem zmowy. Każdy podmiot z osobna zachowuje się racjonalnie, a mimo to wynik działa zbiorowo jak kartel — nowy gatunek zawodności rynku. To najbardziej nieoczekiwana lekcja pierwszych pięciu lat wyceny AI i nie ogranicza się do jednego kraju.

Rzeczoznawca nie znika — przenosi się

Co więc dzieje się na koniec tego wszystkiego z zawodami rzeczoznawcy i pośrednika? Dane z tych pięciu lat wskazują na odpowiedź brzmiącą “przeniesienie”, nie “wymarcie”.

Jest realna praca, którą AI wyraźnie przejęła: wyszukiwanie i zestawianie porównań, kalkulowanie cen dla standaryzowanych aktywów, czytanie zestawień czynszów i budowanie modeli przepływów pieniężnych. Te powtarzalne, ilościowe zadania są teraz szybsze dla maszyn niż dla ludzi — a przy standardowych aktywach również dokładniejsze. Właśnie dlatego duże firmy maklerskie kupowały firmy takie jak Skyline AI w całości, zamiast budować je we własnym zakresie. Zdolność do powtarzalnych obliczeń nie jest już luką, którą człowiek musi wypełnić ręcznie; to komponent, który się kupuje gotowy.

Właśnie z tego powodu zmienił się charakter pracy pozostawionej ludziom. Pytanie, z którym mierzy się dziś rzeczoznawca, to nie “za ile ostatnio sprzedał się porównywalny budynek” — maszyna odpowiada na to już w kilka sekund. Zamiast tego ludzie przesunęli się ku pytaniom, których dane wciąż nie obejmują: jak wycenić aktywo, dla którego model nie ma sensownych porównań? Czy w tej okolicy rodzi się zmiana w składzie najemców, której dane jeszcze nie uchwyciły? Czy sprzedający ukrywa desperacką sytuację? Nalegania europejskiego organu standardów rzeczoznawczych, że “AVM musi być połączony z inspekcją na miejscu i osądem eksperta”, idą w tym samym kierunku — instytucjonalizują strukturę, w której odpowiedź maszyny i odpowiedź człowieka stoją obok siebie, a człowiek wskazuje, gdzie się rozchodzą.

Rola pośrednika zmieniła się w podobny sposób. Powiedzenie komuś, jaka jest aktualna stawka rynkowa, straciło swoją wartość rzadkości, teraz gdy każdy może to sprawdzić na telefonie w kilka sekund. Wartość zdobywa się za to, odczytując prawdziwą sytuację drugiej strony przy stole negocjacyjnym i poruszając się wśród zmiennych, których nie da się sprowadzić do liczb — regulacji, relacji ze społecznością, partnerstw. Nowy podział pracy, jaki wypracowały te pięć lat, wygląda tak: maszyna liczy “ile to jest warte” tam, gdzie danych jest pod dostatkiem; człowiek osądza “czy tej liczbie można ufać” tam, gdzie danych jest mało albo nigdy nie dawały się sprowadzić do liczb. Nie stracona praca. Przeniesiona praca.

Co następuje po przedziale ufności

Które elementy tego pięcioletniego łuku będą wciąż prawdziwe za trzy lata albo w innym kraju? Wyróżniają się trzy pytania.

Po pierwsze, strukturalna granica, w której dokładność wyceny AI skaluje się bezpośrednio z gęstością danych, nigdzie nie zniknie. Przy standaryzowanych aktywach na płynnych rynkach AI będzie nadal przewyższać ludzi coraz drobniejszą precyzją. Przy rzadkich, wyspecjalizowanych aktywach i nowo powstających klasach aktywów przewagę zachowają ludzkie doświadczenie i intuicja. Ta granica będzie się przesuwać w miarę doskonalenia modeli AI, ale całkowicie nie zniknie.

Po drugie, “przewidywanie” i “decyzja o faktycznym zaangażowaniu kapitału na mocy tego przewidywania” pozostaną odrębne. Zillow stracił ponad 400 milionów dolarów nie dlatego, że jego model się mylił, lecz dlatego, że przekształcenie trafnej predykcji w rzeczywistą transakcję natrafiło na płynność rynku i timing — zmienne, z którymi model statystyczny sobie nie radzi. Ta luka raczej się nie zamknie, bez względu na to, jak wyrafinowana stanie się AI, ponieważ nieruchomość nie jest aktywem, które sprzedaje się w chwili, gdy tego chcesz.

Po trzecie, strukturalne ryzyko powstające, gdy wielu konkurentów jednocześnie używa tego samego narzędzia, będzie nadal towarzyszyć tej branży bez względu na to, jak ewoluuje regulacja. Narzędzia wyceny już przekroczyły granicę między pomocą w indywidualnym osądzie a infrastrukturą bezpośrednio kształtującą kształtowanie się cen w całym rynku. Kto i jak nadzoruje tę infrastrukturę, to pytanie, które dopiero się zaczyna.

To, co pozostawiły po sobie ostatnie pięć lat, to nie prosta historia zwycięstwa lub porażki “AI zastąpiła ludzi”. Zmienił się sam sposób, w jaki pytamy o wartość nieruchomości. Kiedyś odpowiedzią była jedna liczba, podpisana przez jednego rzeczoznawcę. Teraz za tą liczbą automatycznie podąża znak zapytania: na ile naprawdę można tej liczbie zaufać? Umiejętność uczciwej odpowiedzi na ten znak zapytania stała się nową kwalifikacją wymaganą zarówno od ludzi, jak i maszyn pracujących w nieruchomościach w erze AI.

Czas teraz przenieść ten znak zapytania do kolejnego pytania. Dlaczego AI tak bardzo zależy na obliczaniu wartości nieruchomości z taką precyzją? I gdzie dokładnie mieszka sama AI?

Zasada gry Model podsumowuje rynek; nie tworzy rynku. AI jest tylko tak mądra, jak głębokie są dane, a znajomość dokładnej liczby nie oznacza posiadania odwagi i wyczucia czasu, by rzeczywiście postawić za nią kapitał. Wygrywa więc nie strona z bardziej wyrafinowanym modelem — wygrywa strona, która dokładnie wie, jak dalece można temu modelowi zaufać i gdzie musi przejąć stery człowiek.

Źródła

Zillow prowadził biznes iBuyingowy (Zillow Offers) od 2018 roku, wykorzystując własny AVM “Zestimate” do bezpośredniego kupna i sprzedaży domów, ale wycofał się po stracie 421 milionów dolarów w III kwartale 2021 roku. Wskaźnik błędu Zestimate wobec ofert wystawionych na sprzedaż raportowano na poziomie około 2%. (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²
W kwestii wskaźników błędu AVM (2–3% dla standardowych aktywów mieszkaniowych vs. 5–15% dla niestandardowych/komercyjnych) materiały branżowe dostawców i badawcze powszechnie cytują ten zakres, ale pojedyncze źródło pierwotne wymaga ponownej weryfikacji przed publikacją. (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩
Materiały branżowe dostawców/konsultingu (Blooma, GrowthFactor, Alpaca itd. ) — banki wdrażające underwriting AI raportują skrócenie czasu przeglądu o 50–75%, oszczędności kosztów do 20% i przypadki underwritingu poniżej 8 minut dla dobrze zdefiniowanych transakcji. Uwaga: znaczna rozbieżność między instytucjami i próbami; nie są to ustandaryzowane statystyki branżowe. ↩
Amerykański Interagency Rule dotyczący AVM-ów (obowiązujący od 2024 roku) nakazuje zarządzanie poziomem ufności dla modeli wyceny, zabezpieczenia przed manipulacją danymi i ochronę przed konfliktem interesów. Weszły w życie także dodatkowe regionalne wymogi zgodności, jak np. prawo Kolorado dotyczące AI z 2026 roku. ↩
JLL przejęło Skyline AI, startup AI dla nieruchomości komercyjnych z siedzibą w Izraelu i Nowym Jorku, w 2021 roku. Pełne dane, sposób wykorzystania po przejęciu i statystyki wdrożenia AI przez JLL omówiono w rozdziale 2. (JLL Newsroom; AI Business; PitchBook) ↩
Amerykański Departament Sprawiedliwości oskarżył firmę RealPage, dostawcę oprogramowania do ustalania czynszów, w sierpniu 2024 roku o ułatwianie zmowy algorytmicznej, przywołując przypadek, w którym jeden z właścicieli zaczął podnosić czynsze w ciągu tygodnia od wdrożenia i w ciągu jedenastu miesięcy podniósł je o ponad 25%. W listopadzie 2025 roku RealPage ugodziło się z Departamentem Sprawiedliwości, bez przyznania się do winy, zgadzając się zaprzestać funkcji rekomendacji czynszu wykorzystujących poufne informacje konkurencyjne. (oficjalne ogłoszenie DOJ; ProPublica; NPR; Holland & Knight) ↩ ↩²

Nie liczba, lecz przedział ufności: przekształcenie wyceny