1. Nu un număr, ci un interval de încredere: remodelarea evaluării

Aceeași casă, cifre diferite

În 2021, o casă unifamilială cu trei dormitoare dintr-o suburbie a orașului Austin, Texas, a produs două răspunsuri.

Unul a fost dat de o persoană. Un evaluator cu douăzeci de ani de experiență pe piața locală a inspectat casa, a verificat starea acoperișului, lumina din curtea din spate, înălțimea gardului față de terenul vecinului, a comparat-o cu trei case similare vândute recent și a atașat un preț. Celălalt a fost dat de un algoritm. Modelul automat de evaluare al Zillow (AVM — Automated Valuation Model), „Zestimate,” a rulat simultan mii de variabile și a produs un număr în câteva secunde. Suprafață, orientare, etaj, circumscripție școlară, istoricul recent al vânzărilor locale, chiar dacă apărea sau nu o piscină în fotografiile aeriene.

Cele două cifre au diferit. Nu e o surpriză — și evaluatorii umani sunt frecvent în dezacord unii cu alții. Ce a fost cu adevărat surprinzător s-a întâmplat apoi. Zillow a avut atâta încredere în răspunsul propriului algoritm, încât a început să cumpere case direct la acel preț. Afacerea, numită „iBuying,” se baza pe o propunere simplă și îndrăzneață: dacă AI-ul evaluează corect, de ce n-am cumpăra și vinde noi înșine la acel preț? Doar în trimestrul al treilea din 2021, Zillow a pierdut 421 de milioane de dolari din această afacere. Înainte de sfârșitul anului, Zillow Offers s-a închis complet, iar compania a disponibilizat o mare parte din angajați. Cifra pierderii pe întregul an și mărturisirea directorului general, consemnată public, sunt tratate în detaliu în Capitolul 8.¹ În aceeași perioadă, experimentele de iBuying din Europa și Asia au fost reduse sau închise discret — printre ele, câteva startup-uri britanice și operațiunile interne de cumpărare ale unor mari platforme de brokeraj chinezești. Nu a fost eroarea de judecată a unei singure companii. Greșeala — confundarea „unei etichete de preț corecte” cu „lichiditatea de piață pentru a cumpăra și vinde efectiv la acel preț” — s-a repetat pe mai multe continente.

Precizia Zestimate în sine nu era rea. Față de casele efectiv de vânzare, rata de eroare era în jur de 2%, mai strânsă decât reușesc majoritatea evaluatorilor umani.¹ Compania a ars totuși sute de milioane de dolari în câteva trimestre.

Motivul stă într-o distincție care traversează întregul capitol. „A ști cât valorează ceva” și „a avea curajul și oportunitatea de a cumpăra și vinde efectiv la acel preț” sunt probleme complet diferite. AI-ul este bun la prima. A doua rămâne, și probabil va rămâne multă vreme, un domeniu încâlcit cu lichiditatea pieței, momentul potrivit și judecata umană. Schimbarea reală din evaluarea imobiliară din ultimii cinci ani nu este povestea simplă că „AI-ul a devenit mai precis decât oamenii.” Chiar întrebarea s-a schimbat. Nu „cât valorează această clădire,” ci „cum arată distribuția de probabilitate a valorii acestei clădiri.”

De la o eră a preciziei la o eră a intervalelor de încredere

William Poorvu, a cărui carte din 1999, The Real Estate Game, este un clasic al investițiilor imobiliare, formulează un argument care merită reluat: imobiliarele sunt judecate, de cele mai multe ori, nu printr-un tabel elaborat, ci printr-o „analiză pe colțul plicului.” Chiar predând imobiliare la Harvard, el remarca faptul că, în timp ce mediul academic aluneca spre modele tot mai elaborate, practicienii filtrau rapid oportunitățile folosind doar câteva rapoarte esențiale — venitul operațional net (NOI), randamentul capitalului propriu (ROE), prețul de achiziție raportat la costul de înlocuire. Calculul pe care îl mâzgălea pe un carnet galben în timp ce vorbea la telefon cu un broker este, și astăzi, izbitor de simplu: împarte prețul de achiziție la suprafață pentru a obține prețul pe metru pătrat, compară-l cu costul construirii unei clădiri noi pentru a estima cât de sigur este prețul, apoi calculează ce procent din capitalul propriu investit generează chiria, după scăderea costurilor operaționale și a serviciului datoriei. El numea această analogie „supa de pui a bunicii” — un rezultat care iese aproximativ corect de fiecare dată, fără o rețetă precisă.

Douăzeci și cinci de ani mai târziu, merită să răsturnăm această analogie. Evaluarea imobiliară în era AI nu a ajuns la mâna bunicii — a ajuns la extrema opusă. O mașinărie ultra-precisă care cuantifică mii de variabile, se antrenează pe milioane de tranzacții istorice și își gestionează rata de eroare până la zecimală. Și totuși, ceea ce a oferit această precizie practicienilor nu este „încă un număr mai precis.” Ironic, este întrebarea cât de mult să ai încredere în acel număr, în primul rând.

Motivul este simplu. Rata de eroare a unui AVM nu este uniformă. Pe piețe lichide cu active standardizate, rata de eroare poate coborî la 2-3%. O casă suburbană cu trei dormitoare din Statele Unite este cazul clasic — datele sunt abundente.² Treci la piețe cu volum redus de tranzacții, active comerciale distincte sau o clasă de active emergentă abia apărută (centrele de date, discutate mai târziu, sunt exemplul principal), iar rata de eroare depășește ușor 10%. Cauza este raritatea datelor. Același model, aceeași companie, produce numere unde „acesta este aproape adevăr sfânt” și „acesta e cel mult un ghid aproximativ” coexistă unul lângă altul. Un AVM este esențial o evaluare prin comparabile rulată la viteză extremă. Acolo unde o persoană își formează o impresie din cinci sau șase comparabile într-un singur apel telefonic, mașina scanează mii de comparabile în aceeași clipă. Dar pe o piață fără nimic de scanat — fără istoric de tranzacții — nici măcar cea mai rapidă mașină nu are cu ce lucra.

O sensibilitate s-a înrădăcinat discret, dar ferm, în industrie în ultimii cinci ani. Măsura unui model bun de evaluare nu mai este „cât de precisă este cifra pe care o produce,” ci „îți spune cât de multă încredere să ai în acea cifră.” Intervalul de încredere — un concept împrumutat din statistică — a devenit parte din vocabularul de lucru al practicii imobiliare. În locul unei declarații plate, unice — „această clădire valorează 1 milion de dolari” — un răspuns precum „această clădire valorează, cu 90% încredere, între 950.000 și 1.050.000 de dolari, deși acest interval se sprijină doar pe trei vânzări comparabile recente, iar eșantionul este redus” este acum răspunsul în care oamenii au încredere. Nu precizia, ci onestitatea a devenit noul standard.

Subscrierea în opt minute, și prețul ei

Nicăieri nu s-a văzut mai dramatic această schimbare decât în subscrierea creditelor imobiliare comerciale. Tradițional, un credit imobiliar comercial era un proces birocratic — 30 până la 45 de zile de la documente până la aprobare, trecând de mai multe ori prin mâinile bancherilor și analiștilor. Citirea contractelor de închiriere unul câte unul, transcrierea manuală în tabele a chiriilor pentru fiecare chiriaș, verificarea cifrelor din situațiile de operare față de anii anteriori, construirea manuală a modelelor de flux de numerar. Așa cum calculul pe colțul plicului descris mai sus se încheia într-un singur apel telefonic, logica de fond a acestei munci este ea însăși simplă. Scara este cea care diferă. Aceeași aritmetică pe care un investitor individual o folosește pentru a examina o singură clădire, o bancă trebuie s-o repete pe sute de tranzacții în fiecare zi.

În ultimii cinci ani, s-au acumulat rapoarte despre adoptarea subscrierii AI la bănci: reducere de 50-75% a timpului de subscriere, economii de costuri de până la 20%.³ Pentru tranzacții cu termeni clari și bine definiți, au apărut cazuri în care AI-ul citește documentele, construiește automat modelul de flux de numerar și încheie subscrierea în opt minute. O muncă ce lua altădată unui analist câteva săptămâni, o mașină o rezolvă acum în timpul necesar unei cești de cafea.

Această viteză vine cu un preț: un număr tot mai mare de „cutii negre” în care e greu de explicat de ce a ieșit un anumit număr. Un analist uman poate articula raționamentul din spatele unei judecăți — „am redus probabilitatea de reînnoire a acestui chiriaș pentru că vânzările lui recente au fost șubrede.” Când un model AI ajunge la aceeași concluzie, este mult mai greu de spus dacă acea concluzie derivă cu adevărat din cifrele de vânzări ale chiriașului sau dintr-o distorsiune care s-a strecurat accidental în datele de antrenare. Reglementarea a început să recupereze terenul — târziu, dar rapid — iar punctul de plecare și forma răspunsului diferă de la o țară la alta. În Statele Unite, Interagency Rule privind AVM-urile, intrat în vigoare în 2024, impune gestionarea nivelului de încredere pentru modelele de evaluare, garanții împotriva manipulării datelor și protecții împotriva conflictului de interese.⁴ În Europa, organismul care stabilește standardele pentru industria de evaluare, prin standardul revizuit din 2025, a consacrat principiul că „un AVM nu poate înlocui singur o evaluare formală — trebuie combinat cu o inspecție la fața locului și judecata unui expert.” Acum cinci ani, avantajul competitiv însemna „cât de repede poți adopta AI-ul.” Astăzi înseamnă „cât de apărat poți explica judecata acelui AI” — o nouă axă competitivă care traversează fiecare continent.

Treizeci de oameni cumpără un gigant

Un alt eveniment surprinde acest arc de cinci ani. În 2021, JLL — una dintre cele mai mari firme de servicii imobiliare din lume — a achiziționat Skyline AI, un startup de date din Israel și New York cu puțin peste treizeci de angajați. Ce anume a construit exact această companie și cum a fost folosită după achiziție este tratat în detaliu în Capitolul 2.⁵

Întrebarea ridicată de această achiziție era simplă și tăioasă: poate o mică echipă de data scientists să prezică viitorul unui activ mai precis decât o organizație construită de-a lungul deceniilor din brokeri și evaluatori? Răspunsul industriei a fost chiar achiziția. Nu a fost un mod izolat de a dobândi capacitate — în următorii cinci ani, marile firme de brokeraj și de administrare a activelor au ales repetat să cumpere în loc să construiască intern. Asia a adoptat o abordare oarecum diferită. O mare platformă chinezească de brokeraj imobiliar, în loc să achiziționeze, a construit o echipă mare de inginerie a datelor intern și a dezvoltat propriile funcții de asistare a evaluării prin AI — inclusiv instrumente de recunoaștere a imaginilor pentru a citi starea unei proprietăți din fotografii. Cumpărare versus construire au divergut, dar concluzia — că, pe toate continentele, capacitatea AI a devenit un activ competitiv esențial pentru firmele de servicii imobiliare — s-a menținut. Statisticile proprii ale JLL (numărul de cazuri de utilizare AI, rata de adoptare pilot instituțională) sunt de asemenea tratate în Capitolul 2. Evaluarea nu mai este experimentul câtorva pionieri. A devenit fluxul de lucru standard al industriei.

Un algoritm care a construit o coluziune fără să știe

Nu totul din acest arc de cinci ani este o poveste luminoasă. Cea mai dramatică răsturnare este cazul RealPage, un software de stabilire a chiriilor. Software-ul aduna informații confidențiale de preț de la mai mulți proprietari și recomanda o „chirie optimă” pentru fiecare clădire. Logica suna rezonabil — aceeași premisă ca a unui AVM: mai multe date produc un preț mai precis.

Problema a fost că mai mulți proprietari din același oraș foloseau simultan acest software. Niciun proprietar individual nu a discutat vreodată coluziune cu altul. Dar pentru că fiecare își alimenta datele de preț ale propriei clădiri în același algoritm, iar algoritmul sintetiza acea informație în aceeași concluzie șoptită fiecăruia — „toți ceilalți folosesc și ei același software, deci piața poate suporta o majorare coordonată a chiriei” — a apărut o structură care funcționa ca o coluziune fără ca nimeni să fi acceptat explicit să se coalizeze. Potrivit plângerii Departamentului de Justiție al SUA, un proprietar a început să majoreze chiriile la o săptămână de la adoptarea software-ului și le majorase cu peste 25% în unsprezece luni.⁶ Procesul american privind algoritmul chiriilor a acuzat efectiv acest lucru drept facilitare a coluziunii, iar în noiembrie 2025 compania de software a ajuns la o înțelegere cu Departamentul de Justiție — fără a-și recunoaște vinovăția — acceptând să renunțe la funcția de recomandare a chiriei care folosea informații competitive confidențiale.⁶

Acest caz contează dincolo de orice companie sau țară individuală. Este prima respingere legală majoră a narativei conform căreia „AI-ul face piețele mai eficiente.” O îngrijorare similară a apărut deja dincolo de Atlantic — nu în imobiliare, ci în comerțul cu benzină în Europa, unde un val de stații care au trecut la același algoritm de preț a fost urmat de o creștere comună a marjelor, atrăgând atenția autorităților de concurență. Industrie diferită, aceeași structură. Lăsând deoparte legislația fiecărei țări și privind principiul de fond: în momentul în care mai mulți concurenți rulează simultan același algoritm de preț, acel algoritm se plasează la granița dintre un instrument de eficiență și un mecanism de coluziune. Fiecare parte se comportă rațional pe cont propriu, dar rezultatul funcționează colectiv ca o înțelegere de cartel — o nouă specie de eșec de piață. Aceasta este cea mai neașteptată lecție a primilor cinci ani de evaluare AI, și nu se limitează la o singură țară.

Evaluatorul nu dispare — se relochează

Ce se întâmplă, la finalul tuturor acestora, cu profesiile de evaluator și broker? Cei cinci ani de date indică un răspuns care e „relocare,” nu „dispariție.”

Există muncă reală pe care AI-ul a preluat-o clar: extragerea și listarea comparabilelor, calcularea prețurilor pentru active standardizate, citirea situațiilor de chirie și construirea modelelor de flux de numerar. Aceste sarcini repetitive, cantitative, sunt acum mai rapide pentru mașini decât pentru oameni — și, pentru active standard, mai precise. De aceea marile firme de brokeraj au cumpărat integral companii precum Skyline AI, în loc să construiască intern. Capacitatea de calcul repetitiv nu mai este o pagină pe care un om trebuie s-o completeze manual; este o componentă pe care o cumperi de pe raft.

Tocmai de aceea, caracterul muncii rămase oamenilor s-a schimbat. Întrebarea cu care se confruntă acum un evaluator nu mai este „cu cât s-a vândut recent o clădire comparabilă” — la asta un algoritm răspunde deja în câteva secunde. În schimb, oamenii s-au mutat spre întrebările pe care datele încă nu le surprind: Cum evaluezi un activ fără comparabile relevante din care modelul să tragă concluzii? Se conturează o schimbare în compoziția chiriașilor din acest cartier pe care datele n-au surprins-o încă? Ascunde vânzătorul o situație disperată? Insistența organismului european de standarde de evaluare că „un AVM trebuie combinat cu inspecția la fața locului și judecata unui expert” merge în aceeași direcție — instituționalizează o structură în care răspunsul mașinii și răspunsul omului stau unul lângă altul, iar o persoană semnalează unde diverg.

Rolul brokerului s-a schimbat într-un mod similar. A spune cuiva prețul de piață curent și-a pierdut valoarea de raritate, acum că oricine îl poate verifica pe telefon în câteva secunde. Ceea ce câștigă valoare în schimb este citirea situației reale a celeilalte părți peste masa negocierii și navigarea variabilelor care nu se reduc la cifre — reglementare, relații comunitare, parteneriate. Noua diviziune a muncii pe care au produs-o acești cinci ani este aceasta: mașina calculează „cât valorează” acolo unde datele sunt abundente; omul judecă „poate fi de încredere acest număr” acolo unde datele sunt rare sau n-au fost niciodată reductibile la cifre. Nu o slujbă pierdută. Una relocată.

Ce urmează după intervalul de încredere

Care părți din acest arc de cinci ani vor mai fi valabile peste trei ani, sau într-o altă țară? Se disting trei întrebări.

În primul rând, limita structurală conform căreia precizia evaluării AI crește direct cu densitatea datelor nu dispare. Pentru active standardizate pe piețe lichide, AI-ul va continua să depășească oamenii cu o precizie mai fină. Pentru active rare, specializate, și clase de active nou-apărute, experiența și intuiția umană vor păstra avantajul. Această linie de graniță se va tot deplasa pe măsură ce modelele AI se îmbunătățesc, dar nu va dispărea complet.

În al doilea rând, „predicția” și „decizia de a desfășura efectiv capital pe baza acelei predicții” vor rămâne separate. Zillow a pierdut peste 400 de milioane de dolari nu pentru că modelul său a greșit, ci pentru că transformarea unei predicții corecte într-o tranzacție reală s-a lovit de lichiditatea pieței și de momentul potrivit — variabile cu care un model statistic are dificultăți. Acest decalaj este puțin probabil să se închidă, oricât de sofisticat ar deveni AI-ul, pentru că imobiliarele nu sunt un activ care se vinde în clipa în care vrei să-l vinzi.

În al treilea rând, riscul structural care apare atunci când mai mulți concurenți folosesc simultan același instrument va continua să urmărească această industrie, indiferent cum evoluează reglementarea. Instrumentele de evaluare au trecut deja de la a fi un ajutor pentru judecata individuală la a fi infrastructură care modelează direct formarea prețurilor pe întreaga piață. Cine supraveghează această infrastructură, și cum, este o întrebare care abia a început să fie pusă.

Ce au lăsat în urmă ultimii cinci ani nu este o poveste simplă de câștig-pierdere în care „AI-ul a înlocuit oamenii.” Însuși modul în care punem întrebarea despre valoarea imobiliară s-a schimbat. Obișnuia să fie așa: un singur număr, semnat de un singur evaluator, era răspunsul. Acum, un semn de întrebare urmează acel număr ca de la sine: cât de mult poate fi cu adevărat de încredere acest număr? Capacitatea de a răspunde onest la acel semn de întrebare a devenit noua calificare cerută atât de oamenii, cât și de mașinile care lucrează în imobiliare, în era AI.

Acum e timpul să ducem acel semn de întrebare mai departe, spre următoarea întrebare. De ce este AI-ul atât de hotărât să calculeze valoarea imobiliară cu atâta precizie? Și unde, mai exact, trăiește AI-ul însuși?

---

Regula jocului Un model rezumă piața; nu creează piața. AI-ul este la fel de inteligent pe cât sunt de adânci datele, iar a cunoaște numărul corect nu înseamnă a avea curajul și momentul potrivit pentru a pune efectiv capital în spatele lui. Așa că partea care câștigă nu este cea cu modelul mai sofisticat — este cea care știe exact cât de mult poate fi de încredere acel model și unde trebuie să preia inițiativa un om.

---

Surse

Footnotes

1. Zillow a derulat o afacere de iBuying (Zillow Offers) din 2018, folosind propriul AVM „Zestimate” pentru a cumpăra și vinde direct case, dar s-a retras după ce a pierdut 421 de milioane de dolari în T3 2021. Rata de eroare a Zestimate față de listările de pe piață a fost raportată la aproximativ 2%. (The Close, „Zillow Estimates Ultimate Guide”; Best Practice AI, „Zillow provides real estate price estimates”) ↩ ↩²

2. Despre ratele de eroare ale AVM-urilor — materialele de industrie citează în general 2-3% pentru activele rezidențiale standard și 5-15% pentru activele nestandard sau comerciale. (PatSnap, „AI property valuation technology landscape 2026”; BusinessWire, „PropStream Announces New AVM & AI Innovations”) ↩

3. Materiale ale furnizorilor/consultanților din industrie (Blooma, GrowthFactor, Alpaca etc.) — băncile care adoptă subscrierea AI raportează o reducere de 50-75% a timpului de analiză, economii de costuri de până la 20% și cazuri de subscriere sub 8 minute pentru tranzacții bine definite. Se remarcă o variație semnificativă între instituții și eșantioane; nu sunt statistici standardizate de industrie. ↩

4. Interagency Rule american privind AVM-urile (în vigoare din 2024) impune gestionarea nivelului de încredere pentru modelele de evaluare, garanții împotriva manipulării datelor și protecții împotriva conflictului de interese. Au intrat în vigoare și cerințe suplimentare de conformitate regională, precum legea AI din Colorado, 2026. ↩

5. JLL a achiziționat Skyline AI, un startup israeliano-newyorkez de AI pentru imobiliare comerciale, în 2021. Specificațiile complete, utilizarea post-achiziție și statisticile de adoptare AI ale JLL sunt tratate în Capitolul 2. (JLL Newsroom; AI Business; PitchBook) ↩

6. Departamentul de Justiție al SUA a acuzat compania de software de stabilire a chiriilor RealPage, în august 2024, de facilitarea coluziunii algoritmice, citând un caz în care un proprietar a început să majoreze chiriile la o săptămână de la adoptare și le majorase cu peste 25% în unsprezece luni. În noiembrie 2025, RealPage a ajuns la o înțelegere cu Departamentul de Justiție fără a-și recunoaște vinovăția, acceptând să renunțe la funcțiile de recomandare a chiriei care foloseau informații competitive confidențiale. (anunț oficial DOJ; ProPublica; NPR; Holland & Knight) ↩ ↩²