2021 yılında, Teksas'ın Austin banliyösündeki üç yatak odalı bir müstakil ev, iki farklı cevap üretti.

1. Bir sayı değil, bir güven aralığı: değerlemenin yeniden şekillenişi

Aynı ev, farklı rakamlar

2021 yılında, Teksas’ın Austin banliyösündeki üç yatak odalı bir müstakil ev, iki farklı cevap üretti.

Birincisi bir insandan geldi. Yerel piyasada yirmi yılını geçirmiş bir eksper evi gezdi, çatının durumuna, arka bahçenin güneş alışına, komşu parselle arasındaki çitin yüksekliğine baktı, yakın zamanda satılmış üç emsal evle karşılaştırdı ve bir fiyat etiketi yapıştırdı. İkincisi ise bir algoritmadan geldi. Zillow’un AVM’si (otomatik değerleme modeli) — yani “Zestimate” — binlerce değişkeni aynı anda işleyip saniyeler içinde bir rakam üretti. Metrekare, cephe yönü, kat, okul bölgesi, bölgedeki son satış geçmişi, hatta hava fotoğraflarında havuz görünüp görünmediği.

İki rakam birbirinden farklıydı. Bunda şaşırtıcı bir yan yok — insan eksperler de birbirleriyle sık sık uyuşmaz. Asıl şaşırtıcı olan, sonrasında yaşananlardı. Zillow, kendi algoritmasının cevabına o kadar güvendi ki evleri bizzat o fiyattan satın almaya başladı. “iBuying” adı verilen bu iş modeli, basit ve cüretkâr bir önermeye dayanıyordu: Yapay zekâ fiyatı doğru hesaplıyorsa, neden o fiyattan alım satımı biz yapmayalım? Zillow yalnızca 2021’in üçüncü çeyreğinde bu işten $421 milyon zarar etti. Yıl bitmeden Zillow Offers tamamen kapatıldı ve şirket, çalışanlarının önemli bir bölümünü işten çıkardı. Yıllık toplam zarar rakamı ve CEO’nun kayıtlara geçen kendi itirafı, 8. Bölüm’de ayrıntılı olarak ele alınıyor.¹ Aynı dönemde Avrupa ve Asya’daki iBuying denemeleri de küçüldü ya da sessizce tasfiye edildi — aralarında birkaç İngiliz girişimi ve bazı büyük Çinli aracılık platformlarının kendi bünyelerindeki alım operasyonları da vardı. Bu, tek bir şirketin yanlış kararı değildi. “Doğru fiyat etiketi” ile “o fiyattan gerçekten alıp satabilecek piyasa likiditesi”ni birbirine karıştırma hatası, birden fazla kıtada kendini tekrarladı.

Zestimate’in isabet oranı aslında fena değildi. Fiilen piyasada olan evlerde hata payı 2% civarında seyrediyordu — çoğu insan eksperin başardığından daha dar bir aralık.¹ Buna rağmen şirket, birkaç çeyrek içinde yüz milyonlarca doları eritti.

Bunun nedeni, bu bölümün tamamına yayılan bir ayrımda gizli. “Bir şeyin ne ettiğini bilmek” ile “o fiyattan gerçekten alıp satacak cesarete ve zamanlamaya sahip olmak” tamamen farklı problemlerdir. Yapay zekâ birincisinde iyidir. İkincisi ise piyasa likiditesi, zamanlama ve insan muhakemesiyle iç içe geçmiş bir alan olarak kalmaya — muhtemelen uzun süre daha — devam edecek. Son beş yılda gayrimenkul değerlemesinde yaşanan asıl dönüşüm, “yapay zekâ insandan daha isabetli hale geldi” gibi basit bir hikâye değil. Sorunun kendisi değişti. Artık soru “bu bina ne eder” değil; “bu binanın değerinin olasılık dağılımı neye benziyor.”

Hassasiyet çağından güven aralığı çağına

1999 tarihli kitabı The Real Estate Game gayrimenkul yatırımcılığının klasiklerinden sayılan William Poorvu’nun yeniden hatırlanmayı hak eden bir tezi var: Gayrimenkul, çoğu zaman ayrıntılı bir hesap tablosuyla değil, “zarf arkası hesabıyla” değerlendirilir. Harvard’da gayrimenkul dersleri verirken bile, akademinin giderek daha sofistike modellere kayışına karşılık, uygulamacıların fırsatları birkaç temel oranla — net faaliyet geliri (NOI), özkaynak getirisi (ROE), alım fiyatının yenileme maliyetine oranı — hızla elediğini not düşmüştü. Bir emlakçının telefonuna bakarken sarı bir bloknota karaladığı hesap, bugün bile sadeliğiyle çarpıcı: Alım fiyatını metrekareye böl ve birim fiyatı bul, bunu sıfırdan inşa maliyetiyle karşılaştırıp fiyatın ne kadar güvenli olduğunu tart, sonra kiranın — işletme giderleri ve borç servisi düşüldükten sonra — yatırılan özkaynağın yüzde kaçını geri döndürdüğünü hesapla. Poorvu bu benzetmeye “büyükannenin tavuk çorbası” adını vermişti: Kesin bir tarif gerektirmeden, her seferinde aşağı yukarı doğru çıkan bir sonuç.

Yirmi beş yıl sonra bu benzetmeyi tersine çevirmek gerekiyor. Yapay zekâ çağında gayrimenkul değerlemesi büyükanne dokunuşuna değil, tam tersi uca vardı: Binlerce değişkeni sayısallaştıran, milyonlarca geçmiş işlemle eğitilen ve hata payını virgülden sonraki basamağa kadar yöneten ultra hassas bir makine. Ne var ki bu hassasiyetin uygulamacılara verdiği şey “bir tane daha doğru rakam” olmadı. İronik biçimde, o rakama en başta ne kadar güvenileceği sorusu oldu.

Sebebi basit. Bir AVM’nin hata payı tekdüze değildir. Standartlaşmış varlıkların bulunduğu likit piyasalarda hata payı 2–3% seviyesine inebilir. ABD’nin banliyölerindeki üç yatak odalı ev bunun klasik örneğidir — veri boldur.² İşlem hacmi zayıf piyasalara, kendine özgü ticari varlıklara ya da henüz doğmakta olan bir varlık sınıfına (ileride ele alınacak veri merkezleri bunun en tipik örneği) geçtiğinizde, hata payı rahatlıkla 10%‘un üzerine çıkar. Neden veri kıtlığıdır. Aynı model, aynı şirket; ama üretilen rakamlardan biri “neredeyse kesin”, diğeri “olsa olsa kaba bir pusula” — ikisi yan yana durur. AVM özünde, aşırı hızda çalıştırılan bir emsal karşılaştırma ekspertizidir. İnsan tek bir telefon görüşmesi sırasında beş altı emsalden bir izlenim oluştururken, makine aynı anda binlerce emsali tarar. Ama taranacak bir şeyin — bir işlem kaydının — olmadığı piyasada, en hızlı makinenin bile elinde işleyecek malzeme yoktur.

Son beş yılda sektöre sessizce ama sağlam biçimde bir duyarlılık yerleşti. İyi bir değerleme modelinin ölçüsü artık “ne kadar isabetli bir rakam üretiyor” değil, “o rakama ne kadar güvenilebileceğini söylüyor mu.” İstatistikten ödünç alınan güven aralığı kavramı, gayrimenkul pratiğinin gündelik sözlüğüne girdi. “Bu bina $1 milyon eder” gibi tek ve kesin bir hüküm yerine, “bu bina, 90% güvenle $950,000 ile $1,050,000 arasında bir değere sahip; ancak bu aralık yalnızca üç yakın tarihli emsal satışa dayanıyor ve örneklem zayıf” gibi bir cevap, artık insanların güvendiği cevap. Yeni standart hassasiyet değil, dürüstlük oldu.

Sekiz dakikada kredi analizi — ve bunun bedeli

Bu dönüşümün en dramatik göründüğü yer, ticari gayrimenkul kredilerinin analiz (underwriting) süreci oldu. Geleneksel olarak ticari gayrimenkul kredisi bürokratik bir süreçti: Evraktan onaya 30-45 gün, bankacıların ve analistlerin elinden defalarca geçen dosyalar. Kira sözleşmelerini tek tek okumak, kiracı bazındaki kira çizelgelerini hesap tablolarına aktarmak, faaliyet tablolarındaki rakamları önceki yıllarla doğrulamak, nakit akışı modellerini elle kurmak. Tıpkı yukarıda anlatılan zarf arkası hesabının tek bir telefon görüşmesi içinde tamamlanması gibi, bu işin altında yatan mantık da aslında basittir. Fark ölçektedir. Bireysel yatırımcının tek bir binayı elemek için kullandığı aritmetiği, bir banka her gün yüzlerce dosyada tekrarlamak zorundadır.

Son beş yılda bankaların yapay zekâ destekli kredi analizine geçtiğine dair raporlar üst üste geldi: Analiz süresinde 50–75% kısalma, maliyetlerde 20%‘ye varan tasarruf.³ Şartları temiz ve iyi tanımlanmış dosyalarda, yapay zekânın belgeleri okuyup nakit akışı modelini otomatik kurduğu ve analizi sekiz dakikada bitirdiği örnekler ortaya çıktı. Bir analistin haftalarını alan iş, artık makinenin bir fincan kahve bitene kadar hallettiği bir iş.

Bu hızın bir bedeli var: Belirli bir rakamın neden çıktığını açıklamanın güçleştiği, giderek çoğalan “kara kutular”. İnsan analist, bir kanaatinin gerekçesini dile getirebilir — “bu kiracının yenileme olasılığını düşük yazdım, çünkü son dönem cirosu sallantıda.” Bir yapay zekâ modeli aynı sonuca vardığında, bu sonucun gerçekten kiracının ciro rakamlarına mı, yoksa eğitim verisine kazara sızmış bir yanlılığa mı dayandığını ayırt etmek çok daha zordur. Düzenleme de — geç ama hızlı — arayı kapatmaya başladı; çıkış noktası ve tepkinin biçimi ülkeden ülkeye farklılaşıyor. ABD’de 2024’te yürürlüğe giren AVM’lere ilişkin kurumlararası kural, değerleme modelleri için güven yönetimini, veri manipülasyonuna karşı önlemleri ve çıkar çatışması korumalarını zorunlu kıldı.⁴ Avrupa’da ise ekspertiz sektörünün standartlarını belirleyen kurum, 2025 tarihli revize standardıyla “AVM tek başına resmî ekspertizin yerini alamaz — yerinde inceleme ve uzman kanaatiyle birleştirilmelidir” ilkesini kalıcılaştırdı. Beş yıl önce rekabet avantajı “yapay zekâyı ne kadar hızlı devreye alabiliyorsun” demekti. Bugün ise “o yapay zekânın kararını ne kadar savunulabilir biçimde açıklayabiliyorsun” anlamına geliyor — kıtaları kesen yeni bir rekabet ekseni.

Otuz kişi bir devi satın alıyor

Bu beş yıllık kavisi özetleyen bir olay daha var. 2021’de, dünyanın en büyük gayrimenkul hizmet şirketlerinden JLL, İsrail ve New York merkezli, kadrosu otuz kişiyi ancak aşan veri girişimi Skyline AI’ı satın aldı. Bu şirketin tam olarak ne geliştirdiği ve satın alma sonrasında nasıl kullanıldığı, 2. Bölüm’de ayrıntılı olarak ele alınıyor.⁵

Bu satın almanın gündeme getirdiği soru basit ve keskindi: Küçük bir veri bilimci ekibi, bir varlığın geleceğini, onlarca yılda inşa edilmiş bir emlakçı ve eksper ordusundan daha isabetli tahmin edebilir mi? Sektörün cevabı, satın almanın kendisiydi. Bu, tekil bir yetkinlik edinme yöntemi de değildi — izleyen beş yılda büyük aracılık şirketleri ve varlık yöneticileri, defalarca, kendisi geliştirmek yerine satın almayı seçti. Asya biraz farklı bir yol izledi. Büyük bir Çinli gayrimenkul aracılık platformu, satın almak yerine bünyesinde geniş bir veri mühendisliği ekibi kurdu ve kendi yapay zekâ destekli değerleme özelliklerini — ilan fotoğraflarından mülkün durumunu okuyan görüntü tanıma araçları dahil — şirket içinde geliştirdi. Satın al ile kendin geliştir yolları ayrıştı, ama varılan sonuç — yapay zekâ yetkinliğinin gayrimenkul hizmet şirketleri için çekirdek bir rekabet varlığı haline geldiği — kıtalar boyunca aynı kaldı. JLL’in kendi destekleyici istatistikleri (yapay zekâ kullanım senaryosu sayısı, kurumsal pilot uygulama oranları) de 2. Bölüm’de ele alınıyor. Değerleme artık bir avuç erken benimseyenin deneyi değil. Sektörün standart iş akışı haline geldi.

Bir algoritma, farkında bile olmadığı bir karteli kurdu

Bu beş yıllık kavisin her sayfası parlak bir hikâye değil. En çarpıcı ters köşe, kira belirleme yazılımı RealPage vakası. Bu yazılım, birden fazla ev sahibinin gizli fiyatlama bilgilerini havuzda topluyor ve her bina için “optimal kira” öneriyordu. Mantık kulağa makul geliyordu — AVM ile aynı önerme: Daha çok veri, daha isabetli fiyat demektir.

Sorun şuydu: Aynı şehirdeki birden fazla ev sahibi bu yazılımı aynı anda kullanıyordu. Hiçbir ev sahibi bir diğeriyle oturup kartel konuşmadı. Ama herkes kendi binasının fiyat verisini aynı algoritmaya beslediği ve algoritma bu bilgiyi herkes için aynı fısıltılı sonuca — “diğerleri de aynı yazılımı kullanıyor, dolayısıyla piyasa eşgüdümlü bir kira artışını kaldırır” — dönüştürdüğü için, kimse açıkça anlaşmadan kartel gibi işleyen bir yapı ortaya çıktı. ABD Adalet Bakanlığı’nın iddianamesine göre, bir ev sahibi yazılımı kullanmaya başladıktan bir hafta içinde kiraları artırmaya başladı ve on bir ay içinde artış 25%‘i aşmıştı.⁶ ABD’deki kira algoritması davası bunu fiilen kartele aracılık etmek olarak suçladı ve Kasım 2025’te yazılım şirketi — suçu kabul etmeksizin — Adalet Bakanlığı ile uzlaşarak, gizli rekabet bilgisi kullanan kira önerisi özelliğini kaldırmayı taahhüt etti.⁶

Bu vaka, tek bir şirketin ya da ülkenin ötesinde önem taşıyor. “Yapay zekâ piyasaları daha verimli kılar” anlatısına yöneltilmiş ilk büyük hukuki reddiye bu. Benzer bir endişe Atlantik’in öte yakasında da su yüzüne çıktı — gayrimenkulde değil, Avrupa’daki akaryakıt perakendeciliğinde: Aynı fiyatlama algoritmasına geçen istasyon dalgasını, marjların birlikte yükselmesi izledi ve rekabet otoritelerinin dikkatini çekti. Farklı sektör, aynı yapı. Herhangi bir ülkenin mevzuatını bir kenara bırakıp ilkeye bakalım: Birden fazla rakip aynı fiyatlama algoritmasını aynı anda çalıştırdığı an, o algoritma verimlilik aracı ile kartel mekanizması arasındaki çizginin üzerine oturur. Her taraf kendi başına rasyonel davranır, ama sonuç kolektif olarak bir kartel gibi işler — yepyeni bir piyasa başarısızlığı türü. Yapay zekâ destekli değerlemenin ilk beş yılının en beklenmedik dersi bu ve tek bir ülkeyle sınırlı değil.

Eksper yok olmuyor — yer değiştiriyor

Peki bütün bunların sonunda eksperlik ve emlak danışmanlığı mesleklerine ne oluyor? Beş yılın verisi “yok oluş” değil, “yer değiştirme” cevabını işaret ediyor.

Yapay zekânın açıkça devraldığı işler var: Emsalleri çekip listelemek, standart varlıklar için fiyat hesaplamak, kira çizelgelerini okuyup nakit akışı modeli kurmak. Bu tekrarlı, sayısal işlerde makine artık insandan hızlı — ve standart varlıklarda daha isabetli. Büyük aracılık şirketlerinin Skyline AI gibi şirketleri içeride geliştirmek yerine topluca satın almasının nedeni tam da bu. Tekrarlı hesap yetkinliği artık bir insanın elle doldurması gereken bir boşluk değil; raftan satın alınan bir bileşen.

Tam da bu nedenle, insana kalan işin karakteri değişti. Bir eksperin bugün boğuştuğu soru “emsal bina yakın zamanda kaça satıldı” değil — bunu makine zaten saniyeler içinde cevaplıyor. İnsanlar, verinin hâlâ yakalayamadığı sorulara doğru kaydı: Modelin dayanabileceği anlamlı bir emsali olmayan varlığa nasıl değer biçilir? Bu mahallenin kiracı bileşiminde, verinin henüz kaydetmediği bir kayma mı mayalanıyor? Satıcı, çaresiz durumunu gizliyor olabilir mi? Avrupa ekspertiz standartları kurumunun “AVM, yerinde inceleme ve uzman kanaatiyle birleştirilmelidir” ısrarı da aynı damardan geliyor — makinenin cevabı ile insanın cevabının yan yana durduğu ve ayrıştıkları yeri bir insanın işaret ettiği bir yapıyı kurumsallaştırıyor.

Emlak danışmanının rolü de benzer biçimde kaydı. Rayici söylemek, herkesin saniyeler içinde telefonundan bakabildiği bir çağda kıymetini yitirdi. Değer kazanan ise, masanın karşı tarafının gerçek durumunu okumak ve rakama indirgenmeyen değişkenlerde — düzenleme, mahalle ilişkileri, ortaklıklar — yol bulmak. Bu beş yılın ürettiği yeni iş bölümü şu: Verinin bol olduğu yerde “ne eder” sorusunu makine hesaplar; verinin kıt olduğu ya da en baştan rakama indirgenemediği yerde “bu rakama güvenilmeli mi” kararını insan verir. Kaybolan bir meslek değil. Yer değiştiren bir meslek.

Güven aralığından sonra ne gelecek

Peki bu beş yıllık kavisin hangi kısımları üç yıl sonra da, başka bir ülkede de geçerli olacak? Üç soru öne çıkıyor.

Birincisi, yapay zekâ destekli değerlemenin isabetinin doğrudan veri yoğunluğuyla ölçeklendiği yapısal sınır ortadan kalkmıyor. Likit piyasalardaki standart varlıklarda yapay zekâ, insanı giderek daha ince bir hassasiyetle geçmeye devam edecek. Nadir, özellikli varlıklarda ve yeni doğan varlık sınıflarında ise üstünlük insan deneyiminde ve sezgisinde kalacak. Bu sınır çizgisi modeller geliştikçe kaymaya devam edecek, ama tamamen silinmeyecek.

İkincisi, “tahmin” ile “o tahmine dayanarak fiilen sermaye bağlama kararı” ayrı kalmaya devam edecek. Zillow $400 milyonun üzerinde zararı, modeli yanlış olduğu için değil; isabetli tahmini gerçek bir işleme çevirme sürecinde, istatistiksel bir modelin baş etmekte zorlandığı değişkenlere — piyasa likiditesine ve zamanlamaya — tosladığı için yazdı. Yapay zekâ ne kadar gelişirse gelişsin bu açığın kapanması pek olası değil; çünkü gayrimenkul, satmak istediğiniz an satılan bir varlık değildir.

Üçüncüsü, birden fazla rakibin aynı aracı aynı anda kullanmasından doğan yapısal risk, düzenleme nasıl evrilirse evrilsin bu sektörü izlemeye devam edecek. Değerleme araçları, bireysel kanaate yardımcı olmaktan çıkıp piyasanın genelinde fiyat oluşumunu doğrudan şekillendiren bir altyapıya dönüşmüş durumda. Bu altyapıyı kimin, nasıl denetleyeceği ise daha yeni başlamış bir soru.

Geçtiğimiz beş yılın geride bıraktığı şey, “yapay zekâ insanın yerini aldı” türünden basit bir galibiyet-mağlubiyet hikâyesi değil. Gayrimenkulün değerini sorma biçimimizin kendisi değişti. Eskiden tek bir eksperin imzaladığı tek bir rakam cevaptı. Şimdi o rakamın ardından, doğal olarak, bir soru işareti geliyor: Bu rakama gerçekte ne kadar güvenilebilir? O soru işaretine dürüstçe cevap verebilmek, yapay zekâ çağında gayrimenkulde çalışan hem insanlardan hem de makinelerden istenen yeni yeterlilik oldu.

Şimdi o soru işaretini bir sonraki soruya taşımanın vakti. Yapay zekâ, gayrimenkulün değerini neden bu kadar büyük bir hassasiyetle hesaplamaya bu denli hevesli? Ve o yapay zekânın kendisi, tam olarak nerede yaşıyor?

Oyunun kuralı Model piyasayı özetler; piyasayı yapmaz. Yapay zekâ ancak verisi kadar akıllıdır ve doğru rakamı bilmek, o rakamın arkasına fiilen sermaye koyacak cesarete ve zamanlamaya sahip olmak demek değildir. Dolayısıyla kazanan taraf, daha sofistike modele sahip olan değil; o modele tam olarak nereye kadar güvenilebileceğini ve nerede insanın devralması gerektiğini bilen taraftır.

Kaynaklar

Zillow, 2018’den itibaren kendi AVM’si “Zestimate” ile evleri doğrudan alıp sattığı bir iBuying işi (Zillow Offers) yürüttü, ancak 2021’in üçüncü çeyreğinde $421 milyon zarar ederek çekildi. Zestimate’in piyasadaki ilanlara karşı hata payı yaklaşık 2% olarak raporlanmıştır. (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²
AVM hata payları üzerine — sektör materyalleri standart konut varlıklarında %2–3, standart dışı veya ticari varlıklarda %5–15 aralığını yaygın biçimde aktarır. (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩
Sektör tedarikçisi/danışmanlık materyalleri (Blooma, GrowthFactor, Alpaca vb.) — yapay zekâ destekli kredi analizine geçen bankalar inceleme süresinde 50–75% kısalma, 20%‘ye varan maliyet tasarrufu ve iyi tanımlanmış dosyalarda 8 dakikanın altında analiz vakaları bildiriyor. Kurumlara ve örnekleme göre ciddi farklılıklar bulunduğunu, standartlaştırılmış sektör istatistikleri olmadığını not edin. ↩
ABD’nin AVM’lere ilişkin kurumlararası kuralı (2024’te yürürlükte), değerleme modelleri için güven yönetimini, veri manipülasyonuna karşı önlemleri ve çıkar çatışması korumalarını zorunlu kılıyor. Colorado’nun 2026 yapay zekâ yasası gibi ek bölgesel uyum gereklilikleri de yürürlüğe girmiş durumda. ↩
JLL, İsrail/New York merkezli ticari gayrimenkul yapay zekâ girişimi Skyline AI’ı 2021’de satın aldı. Ayrıntılar, satın alma sonrası kullanım ve JLL’in yapay zekâ benimseme istatistikleri 2. Bölüm’de ele alınıyor. (JLL Newsroom; AI Business; PitchBook) ↩
ABD Adalet Bakanlığı, Ağustos 2024’te kira fiyatlama yazılımı şirketi RealPage’i, bir ev sahibinin yazılımı kullanmaya başladıktan bir hafta içinde kiraları artırmaya başladığı ve on bir ay içinde artışın 25%‘i aştığı bir vakayı emsal göstererek algoritmik kartele aracılıkla suçladı. Kasım 2025’te RealPage, suçu kabul etmeksizin DOJ ile uzlaştı ve gizli rekabet bilgisi kullanan kira önerisi özelliklerini kaldırmayı taahhüt etti. (DOJ resmî duyurusu; ProPublica; NPR; Holland & Knight) ↩ ↩²

Bir sayı değil, bir güven aralığı: değerlemenin yeniden şekillenişi