اگر این روزها قصد سرمایهگذاری در ملک پوکت یا بانکوک را دارید، احتمالاً حداقل یک بار به یکی از این ابزارهای 'پیشبینی قیمت با هوش مصنوعی' سر زدهاید. خبر خوب و بد را با هم بگوییم: این ابزارها در قیمتگذاری لحظهای واحدها بسیار دقیق عمل میکنند، اما وقتی از آنها میخواهید بگویند قیمت یک پروژه در پوکت طی ۲ تا ۳ سال آینده چقدر میشود، اعتبارشان بهشدت افت میکند. این حرف من نیست؛ نتیجه یک پژوهش تازه در سال ۲۰۲۶ است.
پاسخ کوتاه برای عجلهداران
پژوهشگران دانشگاه فنی وین (TU Wien) در مطالعهای که ژوئن ۲۰۲۶ در ژورنال داوریشده AGILE-GISS (جلد ۷) منتشر شد، ثابت کردند مدلهای پیشبینی قیمت ملک عملاً دقت واقعی خودشان را 'متورم' نشان میدهند. دلیل اصلی، روش نادرست اعتبارسنجی زمانی این مدلهاست، نه ضعف خود الگوریتمها. برای سرمایهگذار ایرانی که میخواهد ملکی در پوکت یا بانکوک بخرد، این یعنی هر پیشبینی بازدهی چندسالهای که صرفاً برچسب 'تولیدشده با هوش مصنوعی' دارد، باید با احتیاط جدی نگاه شود.
داستان از کجا آب میخورد؟
مشکل اصلی، خود الگوریتمها نیست؛ مشکل نحوهی آزمایش و اعتبارسنجی آنهاست، و این موضوع برای سرمایهگذاران ملک تایلندی پیامد مالی مستقیم دارد.
تیم پژوهشی متشکل از Christopher Kmen، Gerhard Navratil و Ioannis Giannopoulos از TU Wien، در مقالهای با عنوان 'When Today's Accuracy Fails Tomorrow' این پدیده را با جزئیات فنی توضیح دادهاند. یافتهی مرکزی آنها این است: مدلهای مکانی-زمانی از یک اریب سیستماتیک به نام 'اریب اعتبارسنجی زمانی' رنج میبرند؛ یعنی در فرایند آموزش، مدل بهنوعی از دادههای آینده 'سرک میکشد' و همین باعث میشود دقتش در آزمایشهای داخلی غیرواقعی به نظر برسد.
عدد و رقم ماجرا هم گویاست: دقت دروننمونهای (in-sample) این مدلها اغلب از ۹۰ درصد فراتر میرود، اما همین که آنها را روی دادههای واقعاً آینده تست میکنند، دقت به ۶۰ تا ۷۰ درصد یا کمتر سقوط میکند. علت اصلی این افت، افقهای پیشبینی کوتاهمدت است که تصویری غیرواقعی از کارایی مدل در دنیای واقعی ارائه میدهد.
در میان روشهای مختلف هوش مصنوعی، XGBoost و مدلهای ترکیبی (ensemble) بهترین عملکرد را داشتند، اما حتی همین مدلها هم بدون اعتبارسنجی زمانی درست، قابلاعتماد نیستند.
چرا برای بازار تایلند این موضوع اهمیت مضاعف دارد؟
یکی از موانع اصلی این حوزه، کمبود دادههای تراکنش باکیفیت است؛ در تایلند این مشکل حتی از اروپا هم جدیتر است، چون سیستم ثبت تراکنشهای ملکی در اروپا شفافتر عمل میکند. وقتی افق پیشبینی کوتاه باشد (بین ۱ تا ۶ ماه)، توهم دقت بالا ایجاد میشود؛ اما در بازههای ۲ تا ۵ ساله، خطای پیشبینی چند برابر میشود.
با این حال، توسعهدهندگان بزرگ در بانکوک و پوکت همین امروز هم از ابزارهای هوش مصنوعی برای قیمتگذاری استفاده میکنند، منتها هیچکدام تصمیم نهایی خود را صرفاً بر پایهی مدلهای ماشینی نمیگیرند.
یک نکته جالب دیگر از یادداشت تحقیقاتی گلدمن ساکس در ژوئیه ۲۰۲۶: هوش مصنوعی بازار کار املاک را حذف نمیکند، بلکه بازتعریف میکند. مشاوران و سرمایهگذارانی که ابزارهای هوش مصنوعی را به کار میگیرند، معمولاً درآمد بیشتری نسبت به کسانی دارند که هنوز به روشهای سنتی متکیاند.
و برای اینکه ببینید این تحلیل چقدر عملی و ملموس است: فقط در پوکت، بین دسامبر ۲۰۲۵ تا مه ۲۰۲۶ حدود ۵۴٬۶۲۸ استعلام واقعی ثبت شده که ۷۱ درصد آن مربوط به اجاره و ۲۹ درصد مربوط به خرید بوده است؛ رقمی که نشان میدهد تحلیل تقاضا با کمک هوش مصنوعی، در بالغترین بازار منطقه هم دیگر یک ابزار جانبی نیست بلکه بخشی از تصمیمگیری واقعی است.
مسیر عملی: قدمبهقدم برای خریدار ایرانی در ۲۰۲۶
اگر میخواهید هوشمندانه از این ابزارها برای ارزیابی ملک تایلند استفاده کنید، این ترتیب را دنبال کنید:
۱. مشخص کنید دقیقاً به کدام نوع تحلیل نیاز دارید سه سطح وجود دارد: غربالگری بازار (پیدا کردن مناطق امیدوارکننده)، ارزشگذاری یک ملک خاص (مقایسه با معاملات مشابه)، و پیشبینی بازدهی آینده. هوش مصنوعی در دو مورد اول عملکرد خوبی دارد؛ در مورد سوم، هنوز نه.
۲. عدد مدل را با دادههای باز مقایسه کنید پلتفرمهایی مانند DDproperty و Hipflat شاخص قیمت به تفکیک منطقه منتشر میکنند. خروجی مدل هوش مصنوعی را با روند واقعی قیمت طی ۳ سال گذشته مقایسه کنید. اگر اختلاف بیش از ۱۵ درصد بود، به آن مدل اعتماد نکنید.
۳. درخواست اعتبارسنجی خارجازنمونه بدهید مطالعه ۲۰۲۶ AGILE-GISS صریح میگوید: مدلی که فقط روی دادههای تاریخی (دروننمونه) تست شده، ارزش اعتماد ندارد. از هرکسی که پیشبینی هوش مصنوعی به شما ارائه میدهد بپرسید آیا مدل روی دادههایی که هرگز در آموزش 'ندیده' هم تست شده است یا نه.
۴. داده مختص همان منطقه هدف را جمع کنید مدلهای هوش مصنوعی در مناطق پرداده بهتر کار میکنند. برای پوکت (بانگ تائو، لاگونا)، بانکوک (سوخومویت، سیلوم) و پاتایا (وونگآمات) داده کافی وجود دارد. اما برای مناطق کمترنقشهبرداریشده مثل کرابی یا کوه سامویی، دقت مدلها بهطور محسوسی پایینتر است.
۵. بلیت سفر بازدید را از قبل رزرو کنید بازدید حضوری از ملک هنوز جایگزینناپذیر است. هوش مصنوعی میتواند عدد و رقم نشان دهد، اما کیفیت ساخت، وضعیت واقعی زیرساخت، یا حسوحال یک محله را نمیتواند توصیف کند.
۶. برای بررسی نهایی از یک مشاور محلی کمک بگیرید هوش مصنوعی یک فیلتر مرحله اول است. کارش این است که از میان ۲۰۰ گزینه، ۱۰ گزینه را جدا کند. اما تصمیم نهایی باید با کسی باشد که قوانین محلی، اعتبار سازنده، و ظرافتهای خاص هر پروژه را میشناسد. تیم املاک تایلند دقیقاً همین نقش را در کنار دادههای هوش مصنوعی ایفا میکند.
۷. دادهها را هر ۳ تا ۶ ماه بهروزرسانی کنید بازار تایلند سریع حرکت میکند. مدلی که با دادههای اوایل ۲۰۲۵ آموزش دیده، ممکن است پروژههای زیرساختی جدید مثل توسعه خطوط BTS در بانکوک یا تغییرات قوانین ویزا را نادیده بگیرد.
جمعبندی
درس اصلی مطالعه AGILE-GISS 2026 ساده است: هوش مصنوعی در حوزه ملک، ابزار تحلیلی قدرتمندی است اما پیشبینیکنندهی ضعیفی برای آینده. از آن برای کاری که در آن خوب است استفاده کنید (پردازش حجم بالای داده و کشف الگوها) و تصمیمهای استراتژیک را بر پایه تحلیل کارشناسی، شناخت بازار محلی، و عقل سلیم بگیرید.
منبع: تایگر
آماده سرمایهگذاری در تایلند هستید؟ کارشناسان ما کمک میکنند ملک ایدهآل خودتان را پیدا کنید.