1. ไม่ใช่ตัวเลขเดียว แต่คือช่วงความเชื่อมั่น: การปรับโฉมโลกของการประเมินมูลค่า

บ้านหลังเดียวกัน แต่ตัวเลขไม่เท่ากัน

ปี 2021 บ้านเดี่ยวสามห้องนอนหลังหนึ่งในย่านชานเมืองออสติน รัฐเท็กซัส ให้คำตอบสองแบบ

คำตอบแรกมาจากคน ผู้ประเมินราคาที่คลุกคลีอยู่ในตลาดท้องถิ่นมายี่สิบปี เดินสำรวจบ้าน ตรวจสภาพหลังคา ดูแสงแดดที่ส่องเข้าสนามหลังบ้าน วัดความสูงของรั้วเทียบกับที่ดินข้างเคียง เทียบกับบ้านที่ขายไปแล้วสามหลังใกล้เคียง แล้วจึงติดป้ายราคา ส่วนคำตอบที่สองมาจากอัลกอริทึม โมเดล AVM (Automated Valuation Model หรือแบบจำลองประเมินมูลค่าอัตโนมัติ) ของ Zillow ที่รู้จักกันในชื่อ “Zestimate” ประมวลตัวแปรนับพันพร้อมกันแล้วให้ตัวเลขออกมาภายในไม่กี่วินาที ทั้งพื้นที่ใช้สอย ทิศทางบ้าน ชั้นที่ตั้ง เขตโรงเรียน ประวัติการซื้อขายในละแวกนั้น ไปจนถึงว่ามีสระว่ายน้ำปรากฏในภาพถ่ายทางอากาศหรือไม่

ตัวเลขทั้งสองไม่ตรงกัน เรื่องนี้ไม่แปลกอะไร เพราะแม้แต่ผู้ประเมินที่เป็นคนด้วยกันเองก็ยังมีความเห็นต่างกันเป็นปกติ สิ่งที่น่าประหลาดใจจริง ๆ เกิดขึ้นหลังจากนั้น เมื่อ Zillow เชื่อมั่นในคำตอบของอัลกอริทึมตัวเองมากพอจะเริ่มซื้อบ้านตรง ๆ ด้วยราคานั้น ธุรกิจที่ชื่อ “iBuying” ตั้งอยู่บนสมมติฐานที่เรียบง่ายแต่กล้าหาญ นั่นคือถ้า AI ตั้งราคาได้แม่นยำ ทำไมเราจะซื้อขายด้วยราคานั้นเองไม่ได้ล่ะ เฉพาะไตรมาสสามของปี 2021 เพียงไตรมาสเดียว Zillow ขาดทุนจากธุรกิจนี้ไปถึง 421 ล้านดอลลาร์ ก่อนสิ้นปีนั้น Zillow Offers ก็ปิดตัวลงทั้งหมด และบริษัทต้องปลดพนักงานจำนวนมาก ตัวเลขขาดทุนรวมทั้งปีและคำสารภาพต่อสาธารณะของซีอีโอเอง มีรายละเอียดอยู่ในบทที่ 8¹ ในช่วงเวลาใกล้เคียงกัน การทดลอง iBuying ในยุโรปและเอเชียก็ทยอยลดขนาดหรือยุติอย่างเงียบ ๆ เช่นกัน ทั้งสตาร์ทอัพในสหราชอาณาจักรหลายแห่ง และหน่วยธุรกิจซื้อบ้านในเครือของแพลตฟอร์มนายหน้าอสังหาริมทรัพย์รายใหญ่ของจีนบางแห่ง นี่ไม่ใช่ความผิดพลาดของบริษัทใดบริษัทหนึ่ง ความเข้าใจผิดที่ว่า “ราคาที่แม่นยำ” กับ “สภาพคล่องของตลาดที่จะซื้อขายได้จริงในราคานั้น” คือเรื่องเดียวกัน เกิดซ้ำแล้วซ้ำเล่าในหลายทวีป

ความแม่นยำของ Zestimate เองไม่ได้แย่เลย เมื่อเทียบกับบ้านที่วางขายอยู่จริง อัตราความคลาดเคลื่อนอยู่ที่ราว 2% ซึ่งแม่นยำกว่าที่ผู้ประเมินซึ่งเป็นมนุษย์ส่วนใหญ่ทำได้ด้วยซ้ำ¹ แต่บริษัทกลับเผาเงินไปหลายร้อยล้านดอลลาร์ภายในเวลาไม่กี่ไตรมาส

เหตุผลอยู่ที่ความแตกต่างข้อหนึ่งซึ่งจะวนเวียนอยู่ตลอดทั้งบทนี้ “การรู้ว่าสิ่งหนึ่งมีมูลค่าเท่าไร” กับ “การมีความกล้าและจังหวะที่จะซื้อขายในราคานั้นจริง ๆ” เป็นคนละปัญหากันโดยสิ้นเชิง AI เก่งในเรื่องแรก ส่วนเรื่องหลังยังคงเป็นเรื่องของสภาพคล่องตลาด จังหวะเวลา และวิจารณญาณของมนุษย์ ซึ่งน่าจะเป็นเช่นนี้ไปอีกนาน การเปลี่ยนแปลงที่แท้จริงในวงการประเมินมูลค่าอสังหาริมทรัพย์ตลอดห้าปีที่ผ่านมา ไม่ใช่เรื่องง่าย ๆ ว่า “AI แม่นยำกว่าคน” แต่คำถามเองได้เปลี่ยนไป จากเดิมที่ถามว่า “อาคารหลังนี้มีมูลค่าเท่าไร” กลายเป็น “การกระจายตัวของความน่าจะเป็นในมูลค่าของอาคารหลังนี้มีหน้าตาเป็นอย่างไร”

จากยุคแห่งความแม่นยำ สู่ยุคของช่วงความเชื่อมั่น

วิลเลียม พัวร์วู (William Poorvu) ผู้เขียนหนังสือคลาสสิกด้านการลงทุนอสังหาริมทรัพย์เรื่อง The Real Estate Game ตีพิมพ์ปี 1999 เสนอมุมมองที่ยังคุ้มค่าแก่การหวนกลับไปทบทวน นั่นคืออสังหาริมทรัพย์ส่วนใหญ่ไม่ได้ถูกตัดสินด้วยสเปรดชีตอันซับซ้อน แต่ด้วย “การคำนวณคร่าว ๆ บนหลังซองจดหมาย” แม้ตัวเขาเองจะสอนวิชาอสังหาริมทรัพย์อยู่ที่ฮาร์วาร์ด เขาก็ยังสังเกตว่าขณะที่แวดวงวิชาการมุ่งไปสู่โมเดลที่ซับซ้อนขึ้นเรื่อย ๆ นักปฏิบัติจริงกลับคัดกรองโอกาสด้วยอัตราส่วนหลักเพียงไม่กี่ตัว เช่น รายได้สุทธิจากการดำเนินงาน (NOI - Net Operating Income) ผลตอบแทนต่อส่วนของผู้ถือหุ้น (ROE) และราคาซื้อเทียบกับต้นทุนสร้างทดแทน การคำนวณที่เขาขีดเขียนบนกระดาษโน้ตสีเหลืองระหว่างรับโทรศัพท์จากนายหน้า ยังคงน่าทึ่งในความเรียบง่ายแม้จะผ่านมานาน คือเอาราคาซื้อหารด้วยพื้นที่ใช้สอยเพื่อได้ราคาต่อตารางฟุต เทียบกับต้นทุนก่อสร้างใหม่เพื่อประเมินว่าราคานั้นปลอดภัยแค่ไหน แล้วคำนวณว่าค่าเช่าหลังหักต้นทุนดำเนินงานและภาระหนี้ให้ผลตอบแทนกี่เปอร์เซ็นต์ของทุนที่ลงไป เขาเรียกวิธีนี้ว่า “ซุปไก่ของคุณยาย” ผลลัพธ์ที่ออกมาถูกต้องโดยประมาณทุกครั้ง โดยไม่ต้องมีสูตรตายตัว

ยี่สิบห้าปีผ่านไป น่าสนใจที่จะพลิกมุมมองนั้นดู การประเมินมูลค่าอสังหาริมทรัพย์ในยุค AI ไม่ได้ไปถึงจุดที่เหมือนฝีมือคุณยาย แต่กลับไปในทิศทางตรงกันข้ามสุดขั้ว กลายเป็นเครื่องจักรที่แม่นยำสูงมาก คำนวณตัวแปรนับพัน เรียนรู้จากธุรกรรมในอดีตนับล้านรายการ และควบคุมอัตราความคลาดเคลื่อนได้ถึงระดับทศนิยม แต่สิ่งที่ความแม่นยำระดับนี้มอบให้นักปฏิบัติจริงกลับไม่ใช่ “ตัวเลขที่แม่นยำขึ้นอีกหนึ่งตัว” อย่างน่าประหลาด มันกลับกลายเป็นคำถามว่าควรเชื่อตัวเลขนั้นมากแค่ไหนต่างหาก

เหตุผลนั้นเรียบง่าย อัตราความคลาดเคลื่อนของ AVM ไม่ได้สม่ำเสมอ ในตลาดที่มีสภาพคล่องสูงและสินทรัพย์เป็นมาตรฐาน อัตราความคลาดเคลื่อนอาจต่ำถึง 2-3% บ้านเดี่ยวสามห้องนอนในชานเมืองสหรัฐฯ คือกรณีตัวอย่างคลาสสิก เพราะข้อมูลมีอยู่มหาศาล² แต่พอเปลี่ยนไปเป็นตลาดที่มีปริมาณธุรกรรมเบาบาง สินทรัพย์เชิงพาณิชย์ที่มีลักษณะเฉพาะตัว หรือประเภทสินทรัพย์ใหม่ที่เพิ่งถือกำเนิด (ดาต้าเซ็นเตอร์ซึ่งจะกล่าวถึงในภายหลังคือตัวอย่างชั้นดี) อัตราความคลาดเคลื่อนก็พุ่งเกิน 10% ได้ง่าย ๆ สาเหตุคือความขาดแคลนข้อมูล โมเดลเดียวกัน บริษัทเดียวกัน สามารถให้ตัวเลขที่ “แม่นเกือบเป๊ะ” และตัวเลขที่ “เป็นแค่แนวทางคร่าว ๆ” อยู่คู่กันได้ในเวลาเดียวกัน โดยพื้นฐานแล้ว AVM คือการประเมินราคาแบบเทียบเคียง (comparable sales) ที่ทำงานด้วยความเร็วสุดขีด ในขณะที่คนสร้างความประทับใจจากคู่เทียบห้าหกรายการระหว่างคุยโทรศัพท์ครั้งเดียว เครื่องจักรกวาดคู่เทียบนับพันรายการในพริบตาเดียวกัน แต่ในตลาดที่ไม่มีอะไรให้กวาด คือไม่มีบันทึกธุรกรรมเลย แม้แต่เครื่องจักรที่เร็วที่สุดก็ไม่มีอะไรให้ทำงานด้วย

สำนึกอย่างหนึ่งได้หยั่งรากลงในวงการอย่างเงียบ ๆ แต่มั่นคงตลอดห้าปีที่ผ่านมา มาตรวัดโมเดลประเมินมูลค่าที่ดีไม่ใช่ “ให้ตัวเลขแม่นแค่ไหน” อีกต่อไป แต่เป็น “บอกได้หรือไม่ว่าควรเชื่อมั่นในตัวเลขนั้นมากแค่ไหน” แนวคิดช่วงความเชื่อมั่น (confidence interval) ซึ่งยืมมาจากสถิติ ได้กลายเป็นส่วนหนึ่งของคำศัพท์ที่ใช้ทำงานจริงในวงการอสังหาริมทรัพย์ แทนที่จะประกาศตัวเลขเดียวราบเรียบว่า “อาคารนี้มีมูลค่า 1 ล้านดอลลาร์” คำตอบแบบ “อาคารนี้มีมูลค่าอยู่ระหว่าง 950,000 ถึง 1,050,000 ดอลลาร์ ด้วยความเชื่อมั่น 90% แม้ช่วงนี้จะอิงจากธุรกรรมเทียบเคียงเพียงสามรายการล่าสุด และตัวอย่างยังบางมาก” กลับกลายเป็นคำตอบที่คนไว้วางใจมากกว่า ไม่ใช่ความแม่นยำแต่ความซื่อตรงต่างหากที่กลายเป็นมาตรฐานใหม่

การปล่อยสินเชื่อภายในแปดนาที และราคาที่ต้องจ่าย

การเปลี่ยนแปลงนี้ไม่มีที่ไหนแสดงตัวชัดเจนไปกว่าในกระบวนการปล่อยสินเชื่ออสังหาริมทรัพย์เชิงพาณิชย์ (commercial real estate loan underwriting) แต่เดิมกระบวนการนี้เป็นงานราชการที่ยืดยาว ใช้เวลา 30-45 วันตั้งแต่เริ่มเอกสารจนถึงอนุมัติ ผ่านมือนักวิเคราะห์และธนาคารหลายต่อหลายรอบ อ่านสัญญาเช่าทีละฉบับ พิมพ์ข้อมูลค่าเช่ารายผู้เช่าลงสเปรดชีตทีละราย ตรวจสอบตัวเลขในงบดำเนินงานเทียบกับปีก่อนหน้า และสร้างโมเดลกระแสเงินสดด้วยมือ เช่นเดียวกับการคำนวณคร่าว ๆ บนหลังซองจดหมายที่กล่าวไปข้างต้น ซึ่งจบได้ภายในการโทรครั้งเดียว ตรรกะพื้นฐานของงานนี้ก็เรียบง่ายไม่ต่างกัน สิ่งที่ต่างคือขนาด การคำนวณแบบเดียวกับที่นักลงทุนรายบุคคลใช้คัดกรองอาคารหลังเดียว ธนาคารต้องทำซ้ำเป็นร้อย ๆ ดีลทุกวัน

ตลอดห้าปีที่ผ่านมา รายงานการนำ AI มาใช้ในการปล่อยสินเชื่อของธนาคารต่าง ๆ พอกพูนขึ้นเรื่อย ๆ ทั้งเวลาปล่อยสินเชื่อที่ลดลง 50-75% และต้นทุนที่ประหยัดได้สูงสุดถึง 20%³ สำหรับดีลที่มีเงื่อนไขชัดเจนไม่ซับซ้อน มีกรณีที่ AI อ่านเอกสาร สร้างโมเดลกระแสเงินสดโดยอัตโนมัติ และปิดงานปล่อยสินเชื่อได้ภายในแปดนาที งานที่นักวิเคราะห์เคยใช้เวลาหลายสัปดาห์ เครื่องจักรจัดการเสร็จในเวลาไม่ต่างจากการดื่มกาแฟหมดถ้วยหนึ่ง

แต่ความเร็วนั้นมาพร้อมราคาที่ต้องจ่าย นั่นคือ “กล่องดำ” ที่นับวันจะเพิ่มขึ้น ซึ่งยากจะอธิบายว่าทำไมตัวเลขหนึ่ง ๆ จึงออกมาแบบนั้น นักวิเคราะห์ที่เป็นคนสามารถอธิบายเหตุผลเบื้องหลังการตัดสินใจได้ เช่น “ผมลดโอกาสต่อสัญญาของผู้เช่ารายนี้ลง เพราะยอดขายล่าสุดของเขาเริ่มไม่มั่นคง” แต่เมื่อโมเดล AI สรุปผลแบบเดียวกัน กลับยากกว่ามากที่จะบอกได้ว่าข้อสรุปนั้นมาจากยอดขายของผู้เช่าจริง ๆ หรือมาจากอคติบางอย่างที่แฝงเข้าไปในข้อมูลฝึกสอนโดยบังเอิญ ฝั่งกฎระเบียบเองก็เริ่มไล่ตามทัน แม้จะช้าแต่ก็เร็วขึ้นเรื่อย ๆ โดยจุดเริ่มต้นและรูปแบบการตอบสนองแตกต่างกันไปตามแต่ละประเทศ ในสหรัฐฯ กฎ Interagency Rule on AVMs ที่มีผลบังคับใช้ปี 2024 กำหนดให้ต้องมีการจัดการระดับความเชื่อมั่นของโมเดลประเมินมูลค่า มาตรการป้องกันการบิดเบือนข้อมูล และการป้องกันผลประโยชน์ทับซ้อน⁴ ในยุโรป องค์กรที่กำหนดมาตรฐานวิชาชีพประเมินราคา ผ่านมาตรฐานฉบับปรับปรุงปี 2025 ได้ตอกย้ำหลักการที่ว่า “AVM ไม่สามารถทดแทนการประเมินราคาอย่างเป็นทางการได้ด้วยตัวเอง ต้องใช้ควบคู่กับการลงพื้นที่ตรวจสอบและวิจารณญาณของผู้เชี่ยวชาญ” ห้าปีก่อน ความได้เปรียบในการแข่งขันหมายถึง “ใครนำ AI มาใช้ได้เร็วกว่ากัน” วันนี้มันหมายถึง “ใครสามารถอธิบายการตัดสินใจของ AI นั้นได้อย่างมีเหตุผลรองรับมากกว่ากัน” ซึ่งเป็นแกนการแข่งขันใหม่ที่ตัดผ่านทุกทวีป

สามสิบคนซื้อยักษ์ใหญ่

อีกเหตุการณ์หนึ่งที่สะท้อนภาพรวมห้าปีนี้ได้ชัดเจน ในปี 2021 บริษัท JLL หนึ่งในผู้ให้บริการอสังหาริมทรัพย์รายใหญ่ที่สุดของโลก เข้าซื้อกิจการ Skyline AI สตาร์ทอัพด้านข้อมูลที่มีฐานอยู่ในอิสราเอลและนิวยอร์ก มีพนักงานเพียงกว่าสามสิบคน รายละเอียดว่าบริษัทนี้สร้างอะไรขึ้นมา และถูกนำไปใช้อย่างไรหลังการเข้าซื้อ มีอยู่ในบทที่ 2⁵

คำถามที่การเข้าซื้อกิจการครั้งนี้จุดขึ้นนั้นเรียบง่ายแต่แหลมคม ทีมนักวิทยาศาสตร์ข้อมูลกลุ่มเล็ก ๆ จะทำนายอนาคตของสินทรัพย์ได้แม่นยำกว่าองค์กรที่สร้างมาหลายสิบปีด้วยนายหน้าและผู้ประเมินราคาหรือไม่ คำตอบของวงการคือการเข้าซื้อกิจการนั่นเอง นี่ไม่ใช่วิธีเดียวโดด ๆ ที่ใช้ในการเข้าถึงขีดความสามารถนี้ ตลอดห้าปีต่อมา บริษัทนายหน้าและบริษัทบริหารสินทรัพย์รายใหญ่ต่างเลือกซื้อมากกว่าสร้างเองซ้ำแล้วซ้ำเล่า ฝั่งเอเชียเลือกแนวทางที่ต่างออกไปเล็กน้อย แพลตฟอร์มนายหน้าอสังหาริมทรัพย์รายใหญ่ของจีนแห่งหนึ่ง เลือกสร้างทีมวิศวกรรมข้อมูลขนาดใหญ่ในองค์กรของตนเอง แทนที่จะเข้าซื้อกิจการ และพัฒนาฟีเจอร์ช่วยประเมินมูลค่าด้วย AI ขึ้นเอง รวมถึงเครื่องมือจดจำภาพเพื่ออ่านสภาพของอสังหาริมทรัพย์จากรูปถ่ายประกาศขาย แนวทางซื้อกับสร้างเองแตกต่างกัน แต่ข้อสรุปที่ว่าขีดความสามารถด้าน AI ได้กลายเป็นสินทรัพย์การแข่งขันหลักของบริษัทบริการอสังหาริมทรัพย์ กลับเหมือนกันในทุกทวีป สถิติสนับสนุนของ JLL เอง ทั้งจำนวนกรณีการใช้งาน AI และอัตราการนำร่องใช้งานในระดับสถาบัน ก็ปรากฏอยู่ในบทที่ 2 เช่นกัน การประเมินมูลค่าด้วย AI ไม่ใช่การทดลองของผู้บุกเบิกกลุ่มเล็ก ๆ อีกต่อไป แต่กลายเป็นขั้นตอนการทำงานมาตรฐานของวงการไปแล้ว

อัลกอริทึมที่สร้างการฮั้วกันโดยไม่รู้ตัว

ไม่ใช่ทุกอย่างในเรื่องราวห้าปีนี้จะเป็นเรื่องสดใส กรณีพลิกผันที่รุนแรงที่สุดคือกรณีของ RealPage ซอฟต์แวร์กำหนดค่าเช่า ซอฟต์แวร์นี้รวบรวมข้อมูลราคาลับของเจ้าของอาคารหลายราย แล้วแนะนำ “ค่าเช่าที่เหมาะสมที่สุด” ให้แต่ละอาคาร ตรรกะเบื้องหลังฟังดูสมเหตุสมผล เป็นสมมติฐานเดียวกับ AVM คือยิ่งมีข้อมูลมากยิ่งได้ราคาที่แม่นยำขึ้น

ปัญหาคือเจ้าของอาคารหลายรายในเมืองเดียวกันใช้ซอฟต์แวร์นี้พร้อมกัน ไม่มีเจ้าของอาคารรายใดเคยพูดคุยเรื่องการฮั้วราคากับอีกฝ่ายเลยแม้แต่ครั้งเดียว แต่เพราะทุกคนป้อนข้อมูลราคาของอาคารตัวเองเข้าไปในอัลกอริทึมเดียวกัน และอัลกอริทึมนั้นสังเคราะห์ข้อมูลออกมาเป็นข้อสรุปกระซิบเดียวกันให้ทุกคนว่า “คนอื่นก็ใช้ซอฟต์แวร์ตัวเดียวกันหมด ดังนั้นตลาดรับได้กับการขึ้นค่าเช่าพร้อมกัน” โครงสร้างที่ทำงานเหมือนการฮั้วกันจึงก่อตัวขึ้น โดยไม่มีใครตกลงฮั้วกันอย่างเปิดเผยเลย ตามคำฟ้องของกระทรวงยุติธรรมสหรัฐฯ เจ้าของอาคารรายหนึ่งเริ่มขึ้นค่าเช่าภายในหนึ่งสัปดาห์หลังใช้ซอฟต์แวร์ และขึ้นค่าเช่าไปแล้วกว่า 25% ภายในสิบเอ็ดเดือน⁶ คดีความเรื่องอัลกอริทึมกำหนดค่าเช่าในสหรัฐฯ ตั้งข้อหานี้ในลักษณะการช่วยเหลือให้เกิดการฮั้วกัน และในเดือนพฤศจิกายน 2025 บริษัทซอฟต์แวร์ได้ยอมความกับกระทรวงยุติธรรม โดยไม่ยอมรับว่าทำผิด แต่ตกลงยกเลิกฟีเจอร์แนะนำค่าเช่าที่ใช้ข้อมูลการแข่งขันที่เป็นความลับ⁶

กรณีนี้มีความสำคัญเกินกว่าบริษัทหรือประเทศใดประเทศหนึ่ง มันเป็นการหักล้างทางกฎหมายครั้งใหญ่ครั้งแรกต่อวาทกรรมที่ว่า “AI ทำให้ตลาดมีประสิทธิภาพมากขึ้น” ความกังวลคล้ายกันนี้เคยปรากฏขึ้นแล้วอีกฝั่งของมหาสมุทรแอตแลนติก ไม่ใช่ในวงการอสังหาริมทรัพย์ แต่ในธุรกิจค้าปลีกน้ำมันในยุโรป ที่คลื่นของสถานีบริการน้ำมันซึ่งเปลี่ยนมาใช้อัลกอริทึมตั้งราคาแบบเดียวกัน ตามมาด้วยการขึ้นส่วนต่างกำไรพร้อมกัน จนดึงความสนใจจากหน่วยงานกำกับดูแลการแข่งขันทางการค้า คนละธุรกิจ แต่โครงสร้างเดียวกัน หากมองข้ามกฎหมายเฉพาะของแต่ละประเทศแล้วดูที่หลักการพื้นฐาน จะพบว่าเมื่อใดที่คู่แข่งหลายรายใช้อัลกอริทึมตั้งราคาตัวเดียวกันพร้อมกัน อัลกอริทึมนั้นก็ยืนอยู่บนเส้นแบ่งบาง ๆ ระหว่างเครื่องมือเพิ่มประสิทธิภาพกับกลไกการฮั้วกัน แต่ละฝ่ายทำตัวอย่างมีเหตุผลในแบบของตัวเอง แต่ผลลัพธ์รวมกลับทำงานเหมือนเป็นแก๊งฮั้วราคา นับเป็นความล้มเหลวของตลาดรูปแบบใหม่ นี่คือบทเรียนที่คาดไม่ถึงที่สุดจากห้าปีแรกของการประเมินมูลค่าด้วย AI และไม่ได้จำกัดอยู่แค่ประเทศใดประเทศหนึ่ง

ผู้ประเมินราคาไม่ได้หายไป แค่ย้ายที่ทำงาน

แล้วท้ายที่สุด อาชีพผู้ประเมินราคาและนายหน้าจะเป็นอย่างไร ข้อมูลตลอดห้าปีที่ผ่านมาชี้ไปในทิศทาง “การย้ายที่” ไม่ใช่ “การสูญพันธุ์”

มีงานจริงที่ AI เข้ามาแทนที่อย่างชัดเจนแล้ว ทั้งการดึงและรวบรวมรายการเทียบเคียง การคำนวณราคาสำหรับสินทรัพย์มาตรฐาน การอ่านตารางค่าเช่าและสร้างโมเดลกระแสเงินสด งานที่ซ้ำซากและเป็นเชิงปริมาณเหล่านี้ เครื่องจักรทำได้เร็วกว่าคนแล้ว และสำหรับสินทรัพย์มาตรฐานก็ยังแม่นยำกว่าด้วย นั่นคือเหตุผลว่าทำไมบริษัทนายหน้ารายใหญ่จึงเลือกซื้อบริษัทอย่าง Skyline AI ทั้งยวงแทนที่จะสร้างขึ้นเอง ขีดความสามารถในการคำนวณซ้ำ ๆ ไม่ใช่ช่องว่างที่คนต้องเติมด้วยมืออีกต่อไป แต่กลายเป็นชิ้นส่วนที่ซื้อสำเร็จรูปได้เลย

ด้วยเหตุนี้เอง ลักษณะของงานที่เหลืออยู่ให้คนทำจึงเปลี่ยนไป คำถามที่ผู้ประเมินราคาต้องขบคิดในวันนี้ ไม่ใช่ “อาคารเทียบเคียงหลังนั้นขายไปในราคาเท่าไร” อีกต่อไป เพราะเครื่องจักรตอบได้ภายในไม่กี่วินาทีอยู่แล้ว แต่คนได้ขยับไปสู่คำถามที่ข้อมูลยังจับไม่ได้ อาทิ จะประเมินมูลค่าสินทรัพย์ที่ไม่มีคู่เทียบที่มีความหมายให้โมเดลอ้างอิงได้อย่างไร มีความเปลี่ยนแปลงในองค์ประกอบผู้เช่าในย่านนี้ที่ข้อมูลยังจับไม่ทันหรือไม่ ผู้ขายกำลังปิดบังสถานการณ์ที่จนตรอกอยู่หรือเปล่า จุดยืนขององค์กรกำหนดมาตรฐานประเมินราคาของยุโรปที่ว่า “AVM ต้องใช้ควบคู่กับการลงพื้นที่ตรวจสอบและวิจารณญาณของผู้เชี่ยวชาญ” ก็อยู่ในแนวทางเดียวกันนี้ คือทำให้เป็นระบบที่คำตอบของเครื่องจักรและคำตอบของมนุษย์อยู่เคียงข้างกัน และให้คนเป็นผู้ชี้ว่าทั้งสองแตกต่างกันตรงไหน

บทบาทของนายหน้าก็เปลี่ยนไปในทำนองเดียวกัน การบอกราคาตลาดปัจจุบันสูญเสียคุณค่าความหายากไปแล้ว เพราะใครก็ตรวจสอบได้เองผ่านมือถือภายในไม่กี่วินาที สิ่งที่สร้างมูลค่าแทนคือการอ่านสถานการณ์จริงของอีกฝ่ายบนโต๊ะเจรจา และการนำทางตัวแปรที่ไม่อาจย่อลงเป็นตัวเลขได้ อย่างกฎระเบียบ ความสัมพันธ์กับชุมชน หรือพันธมิตรทางธุรกิจ การแบ่งงานรูปแบบใหม่ที่ห้าปีนี้ผลิตขึ้นมาคือ เครื่องจักรคำนวณว่า “มูลค่าเท่าไร” ในจุดที่ข้อมูลมีอยู่มาก ส่วนคนตัดสินว่า “ตัวเลขนี้ควรเชื่อได้หรือไม่” ในจุดที่ข้อมูลบางเบาหรือไม่เคยย่อลงเป็นตัวเลขได้ตั้งแต่แรก ไม่ใช่งานที่หายไป แต่เป็นงานที่ย้ายที่

สิ่งที่จะมาหลังช่วงความเชื่อมั่น

แล้วส่วนไหนของภาพรวมห้าปีนี้จะยังคงเป็นจริงในอีกสามปีข้างหน้า หรือในประเทศอื่น มีสามคำถามที่โดดเด่นออกมา

ข้อแรก ข้อจำกัดเชิงโครงสร้างที่ความแม่นยำของการประเมินมูลค่าด้วย AI ขยับขึ้นตรงตามความหนาแน่นของข้อมูล จะยังไม่หายไปไหน สำหรับสินทรัพย์มาตรฐานในตลาดที่มีสภาพคล่องสูง AI จะยังคงให้คำตอบที่ละเอียดแม่นยำกว่าคนต่อไป ส่วนสินทรัพย์ที่หายากและมีความเฉพาะตัวสูง รวมถึงประเภทสินทรัพย์ใหม่ที่เพิ่งเกิดขึ้น ประสบการณ์และสัญชาตญาณของมนุษย์จะยังคงได้เปรียบอยู่ เส้นแบ่งนั้นจะขยับไปเรื่อย ๆ ตามการพัฒนาของโมเดล AI แต่จะไม่หายไปทั้งหมด

ข้อที่สอง “การทำนาย” กับ “การตัดสินใจลงทุนจริงบนความเชื่อมั่นในคำทำนายนั้น” จะยังคงแยกจากกันต่อไป Zillow ขาดทุนกว่า 400 ล้านดอลลาร์ ไม่ใช่เพราะโมเดลผิดพลาด แต่เพราะการแปลงคำทำนายที่แม่นยำให้กลายเป็นธุรกรรมจริง ไปติดขัดอยู่ที่สภาพคล่องตลาดและจังหวะเวลา ซึ่งเป็นตัวแปรที่โมเดลทางสถิติจัดการได้ยาก ช่องว่างนี้ไม่น่าจะปิดลงไม่ว่า AI จะซับซ้อนขึ้นแค่ไหน เพราะอสังหาริมทรัพย์ไม่ใช่สินทรัพย์ที่ขายได้ทันทีที่อยากขาย

ข้อที่สาม ความเสี่ยงเชิงโครงสร้างที่เกิดขึ้นเมื่อคู่แข่งหลายรายใช้เครื่องมือเดียวกันพร้อมกัน จะยังคงตามหลอกหลอนวงการนี้ไม่ว่ากฎระเบียบจะพัฒนาไปอย่างไร เครื่องมือประเมินมูลค่าได้ข้ามพ้นจากการเป็นเพียงตัวช่วยวิจารณญาณส่วนบุคคล ไปสู่การเป็นโครงสร้างพื้นฐานที่กำหนดการก่อตัวของราคาทั่วทั้งตลาดโดยตรงแล้ว ใครจะเป็นผู้กำกับดูแลโครงสร้างพื้นฐานนี้ และด้วยวิธีใด ยังเป็นคำถามที่เพิ่งเริ่มต้นเท่านั้น

สิ่งที่ห้าปีที่ผ่านมาทิ้งไว้ ไม่ใช่เรื่องราวแพ้ชนะง่าย ๆ ว่า “AI แทนที่คน” วิธีที่เราตั้งคำถามเกี่ยวกับมูลค่าอสังหาริมทรัพย์เองได้เปลี่ยนไป แต่ก่อนตัวเลขเดียวที่ผู้ประเมินราคาคนเดียวลงนามรับรอง คือคำตอบสุดท้าย แต่วันนี้ เครื่องหมายคำถามจะตามหลังตัวเลขนั้นเสมอ นั่นคือตัวเลขนี้เชื่อได้จริงมากแค่ไหน ความสามารถในการตอบเครื่องหมายคำถามนั้นอย่างซื่อตรง ได้กลายเป็นคุณสมบัติใหม่ที่เรียกร้องจากทั้งคนและเครื่องจักรที่ทำงานในวงการอสังหาริมทรัพย์ยุค AI

ถึงเวลาแล้วที่จะพาเครื่องหมายคำถามนี้ไปสู่คำถามต่อไป ทำไม AI ถึงมุ่งมั่นคำนวณมูลค่าอสังหาริมทรัพย์อย่างละเอียดขนาดนี้ และท้ายที่สุดแล้ว AI เองอาศัยอยู่ที่ไหนกันแน่

---

กฎของเกม โมเดลสรุปภาพตลาด แต่มันไม่ได้สร้างตลาด AI จะฉลาดได้ก็เท่าที่ข้อมูลจะลึกซึ้ง และการรู้ตัวเลขที่แม่นยำไม่ได้แปลว่ามีความกล้าและจังหวะที่จะทุ่มเงินลงทุนจริง ฝ่ายที่จะชนะจึงไม่ใช่ฝ่ายที่มีโมเดลซับซ้อนที่สุด แต่คือฝ่ายที่รู้แน่ชัดว่าโมเดลนั้นเชื่อได้แค่ไหน และจุดไหนที่มนุษย์ต้องเข้ามารับช่วงต่อ

---

แหล่งอ้างอิง

Footnotes

1. Zillow ดำเนินธุรกิจ iBuying (Zillow Offers) ตั้งแต่ปี 2018 โดยใช้ AVM ของตนเองที่ชื่อ “Zestimate” ในการซื้อขายบ้านโดยตรง แต่ถอนตัวหลังขาดทุน 421 ล้านดอลลาร์ในไตรมาสสามของปี 2021 อัตราความคลาดเคลื่อนของ Zestimate เทียบกับรายการที่วางขายอยู่จริง มีรายงานอยู่ที่ราว 2% (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²

2. เกี่ยวกับอัตราความคลาดเคลื่อนของ AVM — เอกสารในอุตสาหกรรมอ้างอิงกันโดยทั่วไปที่ 2-3% สำหรับสินทรัพย์ที่อยู่อาศัยมาตรฐาน และ 5-15% สำหรับสินทรัพย์ไม่มาตรฐานหรือเชิงพาณิชย์ (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩

3. เอกสารจากผู้ให้บริการ/บริษัทที่ปรึกษาในอุตสาหกรรม (Blooma, GrowthFactor, Alpaca และอื่น ๆ) ธนาคารที่นำ AI มาใช้ในการปล่อยสินเชื่อรายงานว่าลดเวลาตรวจสอบได้ 50-75% ประหยัดต้นทุนได้สูงสุด 20% และมีกรณีปล่อยสินเชื่อภายในเวลาไม่ถึง 8 นาทีสำหรับดีลที่มีเงื่อนไขชัดเจน หมายเหตุ ความแปรผันแตกต่างกันมากในแต่ละสถาบันและตัวอย่าง ไม่ใช่สถิติมาตรฐานของอุตสาหกรรม ↩

4. กฎ Interagency Rule on AVMs ของสหรัฐฯ (มีผลบังคับใช้ปี 2024) กำหนดให้ต้องมีการจัดการระดับความเชื่อมั่นของโมเดลประเมินมูลค่า มาตรการป้องกันการบิดเบือนข้อมูล และการป้องกันผลประโยชน์ทับซ้อน นอกจากนี้ยังมีข้อกำหนดการปฏิบัติตามกฎระเบียบระดับภูมิภาคเพิ่มเติม เช่น กฎหมาย AI ของรัฐโคโลราโดปี 2026 ที่มีผลบังคับใช้แล้วเช่นกัน ↩

5. JLL เข้าซื้อกิจการ Skyline AI สตาร์ทอัพด้าน AI สำหรับอสังหาริมทรัพย์เชิงพาณิชย์ที่มีฐานอยู่ในอิสราเอลและนิวยอร์ก ในปี 2021 รายละเอียดทั้งหมด การใช้งานหลังการเข้าซื้อกิจการ และสถิติการนำ AI มาใช้ของ JLL มีอยู่ในบทที่ 2 (JLL Newsroom; AI Business; PitchBook) ↩

6. กระทรวงยุติธรรมสหรัฐฯ ตั้งข้อหาบริษัทซอฟต์แวร์กำหนดราคาค่าเช่า RealPage ในเดือนสิงหาคม 2024 ว่าช่วยเหลือให้เกิดการฮั้วราคาผ่านอัลกอริทึม โดยอ้างถึงกรณีที่เจ้าของอาคารรายหนึ่งเริ่มขึ้นค่าเช่าภายในหนึ่งสัปดาห์หลังใช้ซอฟต์แวร์ และขึ้นค่าเช่าไปแล้วกว่า 25% ภายในสิบเอ็ดเดือน ในเดือนพฤศจิกายน 2025 RealPage ยอมความกับกระทรวงยุติธรรมโดยไม่ยอมรับว่าทำผิด และตกลงยกเลิกฟีเจอร์แนะนำค่าเช่าที่ใช้ข้อมูลการแข่งขันที่เป็นความลับ (DOJ official announcement; ProPublica; NPR; Holland & Knight) ↩ ↩²