1. 不是一個數字,而是一個信賴區間:估價方式的重塑

同一棟房子,不同的數字

2021年,德州奧斯汀郊區一棟三房獨棟住宅,給出了兩個答案。

一個是人給的。一位在當地市場深耕二十年的估價師走訪這棟房子,檢查屋頂的狀況、後院的採光、與鄰居地界之間圍籬的高度,拿它跟三筆近期成交的可比物件相比,然後貼上一個價格標籤。另一個是演算法給的。Zillow的自動估價模型(AVM,Automated Valuation Model)——「Zestimate」——同時運算數千個變數,幾秒鐘內就跑出一個數字。坪數、座向、樓層、學區、當地近期成交紀錄,甚至連空拍照片裡有沒有拍到一座游泳池,都納入考量。

這兩個數字並不相同。這並不令人意外——人類估價師彼此之間也經常意見不合。真正令人意外的,是接下來發生的事。Zillow對自己演算法給出的答案信任到,直接以這個價格開始收購房屋。這門被稱為「iBuying」的生意,建立在一個簡單而大膽的命題之上:如果AI能精準定價,我們何不乾脆自己以這個價格買進賣出?單是2021年第三季,Zillow就在這門生意上虧損了4.21億美元。年底之前,Zillow Offers整個業務就此關閉,公司也裁撤了大批員工。全年虧損金額與執行長本人的公開自白,將在第8章詳述。¹同一時期,歐洲與亞洲的iBuying實驗也紛紛縮減規模或悄悄收攤——幾家英國新創公司,以及幾家中國大型仲介平台的自營收購業務,都在其列。這不是單一公司的誤判。「把『精準的價格標籤』和『真正能以這個價格買賣的市場流動性』混為一談」這個錯誤,在多個大陸上不斷重演。

Zestimate本身的準確度並不差。相對於實際掛牌待售的房屋,誤差率約在2％左右,比多數人類估價師的表現還要緊密。¹但這家公司仍在短短幾個季度內燒掉了數億美元。

原因在於一項貫穿本章全文的區別。「知道一項東西值多少錢」和「有膽識、有時機感,真正以這個價格買賣」,是兩個完全不同的問題。 AI擅長前者。後者則依然是——而且很可能長期都會是——一個糾纏著市場流動性、時機拿捏與人類判斷的領域。過去五年來,不動產估價領域真正的轉變,並不是「AI變得比人更準確」這種單純的故事。變的是問題本身。不再是「這棟建築值多少錢」,而是「這棟建築值多少錢的機率分布長什麼樣子」。

從精準的年代到信賴區間的年代

威廉・普爾武(William Poorvu)——其1999年著作《The Real Estate Game》是不動產投資的經典之作——提出了一個至今仍值得重溫的論點:不動產的判斷,絕大多數時候依靠的不是一份精細的試算表,而是「信封背面分析」(back-of-the-envelope analysis)。即使在哈佛任教不動產課程期間,他也注意到,當學術界朝著越來越繁複的模型演進時,實務工作者卻只靠少數幾個核心比率——淨營運收益(NOI)、股東權益報酬率(ROE)、購買價相對於重建成本——就能快速篩選機會。他在接聽仲介電話時隨手寫在黃色便條紙上的那套算法,即使到了今天,依然以其簡潔令人驚豔:用購買價除以坪數得出每坪單價,拿這個數字與新建成本比較以判斷價格是否安全,再算出扣除營運成本與償債支出後,租金能為投入的股權貢獻多少百分比。他把這套類比稱為「祖母的雞湯」——一種每次都能大致算對、卻不需要精確食譜的結果。

二十五年後,值得把這個類比反過來看。AI時代的不動產估價,並沒有走向祖母的手感,而是走向了完全相反的極端。一台將數千個變數量化、在數百萬筆歷史成交紀錄上訓練、把誤差率控制到小數點後幾位的超精密機器。然而,這份精密帶給實務工作者的,並不是「多一個更準確的數字」。諷刺的是,它帶來的,是這個數字究竟該被信任到什麼程度這個問題。

原因很簡單。AVM的誤差率並非均一。在資產標準化、交易活絡的市場中,誤差率可以低到2％到3％。美國郊區的三房住宅正是典型案例——資料量豐富。²但一旦轉到交易量稀薄、商業資產性質特殊,或是一個才剛剛誕生的新興資產類別(稍後會提到的資料中心正是最佳例子)的市場,誤差率很容易超過10％。資料稀缺是原因所在。同一個模型、同一家公司,產出的數字裡,「這個幾乎可以當成聖經」與「這個頂多只能當作粗略參考」並存於同一份報告之中。AVM本質上,就是一種以極快速度執行的可比物件估價。人類靠一通電話裡的五、六個可比物件形成印象,而機器則在同一瞬間掃描數千筆可比物件。但在一個什麼都掃描不到的市場——沒有交易紀錄可查——即使是最快的機器,也無米可炊。

過去五年,業界悄悄地、但堅定地扎下了一種新的感受力。判斷一個好的估價模型的標準,不再是「它產出的數字有多準」,而是「它有沒有告訴你,對這個數字應該有多少信心」。信賴區間——一個借自統計學的概念——已成為不動產實務工作語彙的一部分。與其給出一個平鋪直敘的答案——「這棟大樓值100萬美元」——不如給出這樣的答案:「這棟大樓的價值,在90％的信心水準下,落在95萬美元到105萬美元之間,不過這個區間僅建立在三筆近期可比成交案例之上,樣本偏薄」——這才是如今人們願意信任的答案。誠實,而不是精準,已經成為新的標準。

八分鐘完成的核保,以及它的代價

這種轉變,在商業不動產貸款核保領域展現得最為戲劇化。傳統上,一筆商業不動產貸款是一個官僚流程——從文件作業到核准,需要30到45天,經手多位銀行員與分析師。逐份閱讀租約、把每個租戶的租金明細逐條抄進試算表、將營運報表上的數字對照往年一一驗證、手動建立現金流模型。就像前文所述的信封背面計算能在一通電話裡完成一樣,這項工作背後的邏輯本身其實很簡單,不同的只是規模。個別投資人用來篩選一棟大樓的算術,銀行每天要在數百筆交易上重複執行。

過去五年,銀行採用AI核保的報告不斷累積:核保時間縮短50％到75％,成本節省最高達20％。³對於條款清楚明確的交易,已經出現AI閱讀文件、自動建立現金流模型、八分鐘內完成核保的案例。分析師過去需要花上好幾週的工作,機器如今在喝完一杯咖啡的時間內就能處理完畢。

這份速度的代價,是「黑盒子」問題日益增加——難以解釋一個特定數字究竟是怎麼算出來的。人類分析師能清楚說明一項判斷背後的推理——「因為這個租戶近期的銷售表現不佳,我把他的續約機率調低了」。當一個AI模型得出同樣的結論時,卻很難判斷這個結論究竟是真的源自租戶的銷售數字,還是源自訓練資料中意外混入的某種偏誤。監管也開始跟上——雖然來得晚,但速度很快——而且各國的起點與應對方式各不相同。在美國,2024年生效的《跨機構AVM規則》(Interagency Rule on AVMs)要求對估價模型進行信心管理、防範資料操縱,並設有利益衝突防護措施。⁴在歐洲,制定估價業界標準的機構,透過2025年修訂的標準,確立了「AVM不能單獨取代正式估價——必須結合現場勘查與專家判斷」這項原則。五年前,競爭優勢意味著「你能多快採用AI」。如今,它意味著「你能多有說服力地解釋AI的判斷」——這是一條橫跨每個大陸的新競爭軸線。

三十個人買下一個巨人

再舉一件事來捕捉這五年的軌跡。2021年,全球最大的不動產服務公司之一仲量聯行(JLL),收購了Skyline AI——一家總部設在以色列與紐約、員工僅三十餘人的數據新創公司。這家公司究竟做了什麼、收購後又如何被運用,將在第2章詳述。⁵

這起收購提出的問題,既簡單又尖銳:一個由數據科學家組成的小團隊,能不能比一個由經紀人與估價師歷經數十年打造出來的組織,更準確地預測一項資產的未來?業界的答案,就是這起收購本身。這並非一種孤立的能力取得方式——在接下來的五年裡,主要的經紀公司與資產管理公司,一再選擇用「買」而非「建」的方式來取得這項能力。亞洲則採取了略有不同的路線。一家中國大型不動產仲介平台,並非透過收購,而是自行建立了一支龐大的內部數據工程團隊,自行開發AI輔助估價功能——其中包括能從照片辨識物件狀況的影像辨識工具。「買」還是「建」的路徑不同,但結論——AI能力已成為不動產服務業的核心競爭資產——在各大洲皆然。仲量聯行自身的佐證統計數字(AI應用案例的數量、機構試點採用率)同樣在第2章詳述。估價已不再是少數早期採用者的實驗。它已成為業界的標準工作流程。

一套演算法建構出它自己都不知情的勾結

這五年的軌跡並非全是光明的故事。最戲劇性的一次反轉,是租金設定軟體RealPage的案例。這套軟體匯集多位房東的機密定價資訊,為每棟大樓推薦一個「最適租金」。這套邏輯聽起來合情合理——與AVM相同的前提:資料越多,價格就越準。

問題出在,同一座城市裡的多位房東同時使用這套軟體。沒有任何一位房東曾與另一位房東商討過勾結。但因為每個人都把自己大樓的定價資料餵進了同一套演算法,而這套演算法又把這些資訊整合成同一種悄悄傳達給每個人的結論——「大家都在用同一套軟體,所以市場可以承受一波協同的租金調漲」——一種在功能上等同於勾結、卻沒有任何人明確達成勾結協議的結構就此誕生了。根據美國司法部的起訴書,有一位房東在採用這套軟體一週內就開始調漲租金,十一個月內漲幅超過25％。⁶美國這起租金演算法訴訟,實質上將此定性為協助勾結,2025年11月,這家軟體公司與司法部達成和解——未承認任何不法行為——同意停止使用機密競爭資訊的租金推薦功能。⁶

這起案例的重要性,超越了任何單一公司或國家。這是「AI讓市場更有效率」這則敘事,首度遭遇的重大法律反駁。大西洋彼岸也已浮現類似的疑慮——不是在不動產領域,而是在歐洲的加油站零售業:一波加油站轉用同一套定價演算法後,緊接著出現了利潤率同步上升的現象,引起了競爭主管機關的注意。不同的產業,相同的結構。撇開各國法規的細節不談,直指底層原理:當多個競爭對手同時運行同一套定價演算法時,這套演算法就站在「效率工具」與「勾結機制」之間的分界線上。每一方各自理性行事,結果卻在集體層面上表現得如同一個卡特爾——這是一種新品種的市場失靈。這是AI估價頭五年最出人意料的教訓,而且它並不侷限於任何單一國家。

估價師並未消失——只是換了位置

那麼,經歷了這一切之後,估價師與經紀人這兩個職業會怎麼樣?這五年的數據所指向的答案,是「換位置」,而不是「滅絕」。

有一部分工作,AI顯然已經接手:拉取並列出可比物件、計算標準化資產的價格、閱讀租金明細並建立現金流模型。這些重複性、量化的工作,對機器來說如今比人更快——而對於標準化資產而言,也更準確。正因如此,大型經紀公司才會整批買下像Skyline AI這樣的公司,而不是自行從頭建立。重複性計算能力,不再是一片需要人類手動填補的空白,而是一個可以現成購買的元件。

也正因為如此,留給人的工作性質改變了。如今估價師要面對的問題,不再是「一棟可比大樓最近賣了多少錢」——機器早已在幾秒鐘內回答了這個問題。取而代之的,是人們轉向了資料尚未捕捉到的問題:一棟沒有可供模型參照的可比物件的資產,該如何估價?這個社區的租戶結構是否正醞釀著資料還未捕捉到的變化?賣方是否隱瞞了某種急迫的處境?歐洲估價標準機構堅持「AVM必須結合現場勘查與專家判斷」這項要求,正是出於同一脈絡——它把機器的答案與人的答案並列的結構制度化,由人指出兩者出現分歧之處。

經紀人的角色也以類似的方式發生了轉變。當任何人都能在幾秒鐘內用手機查到行情價,告訴別人行情已經失去了稀缺價值。真正產生價值的,是在談判桌上讀懂對方的真實處境,並在無法化約為數字的變數——法規、社區關係、合作夥伴關係——之間周旋。這五年產生的新分工是:在資料豐富之處,機器計算「值多少錢」;在資料稀薄之處,或者從一開始就無法化約成數字之處,由人判斷「這個數字是否值得信任」。不是一份消失的工作,而是一份換了位置的工作。

信賴區間之後,還有什麼

那麼,這五年的軌跡裡,有哪些部分在三年後、或換一個國家依然成立?有三個問題值得注意。

第一,AI估價準確度與資料密度直接掛鉤這項結構性限制,不會消失。對於流動性市場中的標準化資產,AI會持續以更細緻的精準度勝過人類。對於罕見、特殊的資產與新興資產類別,人類的經驗與直覺仍將保持優勢。這條界線會隨著AI模型的進步而持續移動,但不會完全消失。

第二,「預測」與「憑這份預測真正把資本投入下去的決策」,將維持是分開的兩件事。Zillow虧損超過4億美元,不是因為它的模型算錯了,而是因為把一份準確的預測轉化為一筆實際交易的過程中,撞上了市場流動性與時機——這是統計模型難以處理的變數。無論AI變得多麼精密,這道落差都不太可能被完全消弭,因為不動產不是一種你想賣就能立刻賣掉的資產。

第三,當多個競爭者同時使用同一套工具時所產生的結構性風險,無論監管如何演進,都會持續跟隨著這個產業。估價工具已經從輔助個人判斷的工具,跨越成為直接形塑整個市場定價過程的基礎設施。這套基礎設施該由誰監督、如何監督,這個問題才剛剛開始被提出。

過去五年留下的,並不是一個「AI取代了人」的簡單輸贏故事。我們提問不動產價值的方式本身變了。過去,一位估價師簽下的單一數字就是答案。現在,一個問號理所當然地跟隨著這個數字:這個數字究竟能被信任到什麼程度?誠實地回答這個問號的能力,已成為AI時代不動產業界,無論是人還是機器,都被要求具備的新資格。

現在,是時候把這個問號帶進下一個問題了。為什麼AI如此執著地要以這樣的精確度計算不動產的價值?而AI本身,究竟又住在哪裡?

遊戲法則 模型能總結市場,但不能創造市場。AI只有在資料夠深的地方才夠聰明,而知道準確的數字,不等於擁有把資本真正押上去的膽識與時機感。因此,最終勝出的一方,不是擁有更精密模型的一方,而是精準知道那個模型能被信任到什麼程度、以及哪裡必須由人接手的一方。

資料來源

Zillow自2018年起經營iBuying業務(Zillow Offers),用自家的AVM「Zestimate」直接買賣房屋,但在2021年第三季虧損4.21億美元後撤出。Zestimate相對於掛牌待售物件的誤差率,據報約為2％。(The Close, “Zillow Estimates Ultimate Guide”;Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²
關於AVM誤差率(標準住宅資產2％至3％ vs. 稀缺資料市場超過10％)——(PatSnap, “AI property valuation technology landscape 2026”;BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩
產業廠商/顧問資料(Blooma、GrowthFactor、Alpaca等)——採用AI核保的銀行報告核保審查時間縮短50％至75％,成本節省最高達20％,並有條款明確的交易在八分鐘內完成核保的案例。註:各機構之間差異顯著,並非標準化的產業統計。 ↩
美國《跨機構AVM規則》(2024年生效)要求對估價模型進行信心管理、防範資料操縱,並設有利益衝突防護措施。此外,如科羅拉多州2026年的AI法案等地區性合規要求也已生效。 ↩
仲量聯行於2021年收購Skyline AI,一家總部位於以色列/紐約的商業不動產AI新創公司。完整規格、收購後的運用方式,以及仲量聯行的AI採用統計數字,詳見第2章。(JLL Newsroom;AI Business;PitchBook) ↩
美國司法部於2024年8月起訴租金定價軟體公司RealPage協助演算法勾結,並引用一起房東在採用軟體一週內開始漲租、十一個月內漲幅超過25％的案例。2025年11月,RealPage與司法部達成和解,未承認任何不法行為,同意停止使用機密競爭資訊的租金推薦功能。(美國司法部官方公告;ProPublica;NPR;Holland & Knight) ↩ ↩²

不是一個數字,而是一個信賴區間:估價方式的重塑