Har du sett en AI-generert prisprognose for en leilighet i Bang Tao og lurt på om tallene faktisk holder vann? Du er ikke alene om å stille det spørsmålet, og svaret er mer nyansert enn markedsføringen fra mange proptech-selskaper vil ha det til.
En fersk 2026-studie publisert i det fagfellevurderte tidsskriftet AGILE-GISS (Volum 7) har testet nettopp dette. Forskere ved TU Wien i Wien har gått grundig etter i sømmene på dagens romlig bevisste (spatially-aware) modeller for boligprisprediksjon, og konklusjonen bør få enhver Thailand-investor til å lene seg litt tilbake før man stoler blindt på et AI-verktøy.
Det korte svaret
Modellene i seg selv er ikke problemet. Problemet ligger i hvordan de valideres, og for deg som vurderer å legge penger i thailandsk eiendom har dette direkte økonomiske konsekvenser. Studien viser at prognosemodeller systematisk overvurderer sin egen treffsikkerhet på grunn av mangelfull tidsmessig validering: modellene testes ofte bare på data de allerede kjenner til, ikke på reelt fremtidige perioder.
Nøkkeltallene fra studien:
- In-sample-nøyaktighet (testet på data modellen allerede har sett) ligger ofte over 90%
- Når de samme modellene testes på genuint fremtidige perioder, faller treffsikkerheten til 60-70% eller lavere
- Hovedårsaken er korte prognosehorisonter som ikke reflekterer hvordan modellen faktisk fungerer i praksis over tid
- XGBoost og ensemble-modeller presterer best blant AI-tilnærmingene som ble testet, men selv disse krever tidsbevisst validering for å kunne stoles på
- For deg som vurderer Thailand: å stole blindt på en AI-generert yield-prognose for et konkret prosjekt over 3-5 år er rett og slett risikabelt
- Konklusjonen: AI er verdifullt til sammenligning og screening, men de endelige beslutningene bør fortsatt tas med menneskelig ekspertise i bunn
Hva forskerne faktisk fant
Studien 'When Today's Accuracy Fails Tomorrow' ble publisert i juni 2026 av Christopher Kmen, Gerhard Navratil og Ioannis Giannopoulos ved TU Wien, i det fagfellevurderte tidsskriftet AGILE-GISS, Volum 7.
Det sentrale funnet er noe forskerne kaller temporal validering-bias: en systematisk skjevhet der modellen i praksis 'kikker' på fremtidige data under trening, uten at det er meningen. Dette gir en falsk følelse av presisjon.
Blant metodene som ble testet, kom XGBoost og ulike ensemble-metoder best ut. Men forfatterne understreker at uten skikkelig out-of-sample-testing på reelt fremtidige perioder, forblir selv disse modellene upålitelige for langsiktig bruk.
Et praktisk problem, spesielt relevant for oss som jobber med thailandsk eiendom: kvalitetsdata om faktiske transaksjoner er knappe. I Thailand er dette problemet enda mer akutt enn i Europa, siden eiendomsregistrene her er langt mindre transparente enn i mange europeiske land.
Korte prognosehorisonter, typisk 1-6 måneder, skaper en illusjon av presisjon. Strekker man tidshorisonten til 2-5 år, mangedobles feilmarginen.
Bruker thailandske utviklere AI allerede?
Ja, de store utviklerne i både Bangkok og Phuket bruker allerede AI-verktøy til prising og etterspørselsanalyse. Men ingen av dem baserer de endelige beslutningene sine utelukkende på maskinmodeller. AI brukes som ett av flere verktøy i en større beslutningsprosess, ikke som fasit.
Et forskningsnotat fra Goldman Sachs fra juli 2026 peker i samme retning: AI omformer arbeidsmarkedet i eiendomsbransjen, ikke ved å fjerne jobber, men ved å omorganisere dem. Meglere og investorer som tar i bruk AI-verktøy, tjener som regel mer enn dem som holder fast ved gamle metoder.
Og etterspørselen er reell: i Phuket alene ble det registrert 54 628 faktiske henvendelser mellom desember 2025 og mai 2026, hvorav 71% gjaldt utleie og 29% kjøp. Det viser hvor mye AI-drevet etterspørselsanalyse allerede former beslutningene i regionens mest modne marked.
Slik bruker du AI-verktøy klokt: en praktisk sjekkliste
Hvis du vurderer å bruke AI i din egen Thailand-vurdering i 2026, kan denne rekkefølgen være nyttig:
1. Bestem hvilken type AI-analyse du faktisk trenger
Det finnes tre nivåer: markedsscreening (finne lovende områder), individuell verdivurdering (sammenligning med solgte enheter), og yield-prognoser. AI presterer allerede godt på de to første. På det tredje, ikke ennå.
2. Kryssjekk mot åpne data
Plattformer som DDproperty og Hipflat publiserer prisindekser på distriktnivå. Sammenlign hva en AI-modell foreslår med den faktiske prisutviklingen de siste 3 årene. Hvis avviket overstiger 15%, bør du ikke stole på modellen.
3. Krev out-of-sample-validering
AGILE-GISS-studien fra 2026 er tydelig: en modell som kun er testet på historiske data (in-sample) fortjener ikke tilliten din. Spør alltid den som tilbyr deg en AI-prognose om modellen er testet på data den aldri 'så' under treningen.
4. Samle inn data spesifikt for ditt målområde
AI-modeller presterer bedre i godt dokumenterte områder. For Phuket (Bang Tao, Laguna), Bangkok (Sukhumvit, Silom) og Pattaya (Wongamat) finnes det tilstrekkelig data. I mindre kartlagte områder som Krabi eller Koh Samui er modellene merkbart mindre treffsikre.
5. Bestill befaringsreisen i god tid
Å se en bolig med egne øyne er fortsatt uerstattelig. AI kan vise deg tall, men kan ikke fortelle deg om byggekvaliteten, den reelle infrastrukturen eller følelsen av nabolaget.
6. Hent inn lokal ekspertise til den endelige due diligence-prosessen
AI er et førstelinjefilter. Det kan snevre inn 200 alternativer til 10. Men den endelige avgjørelsen bør tas av noen som kjenner lokal lovgivning, utviklerens rykte og prosjektspesifikke detaljer, gjerne i samarbeid med rådgivere som Eiendom i Thailand.
7. Oppdater datagrunnlaget hver 3.-6. måned
Det thailandske markedet beveger seg raskt. En modell trent på data fra tidlig 2025 kan gå glipp av nye infrastrukturprosjekter, som BTS-utvidelser i Bangkok, eller endringer i visumreglene.
Ofte stilte spørsmål
Kan man stole på en AI-verdivurdering av en thailandsk leilighet?
Delvis. AI-modeller er sterke på sammenligningsanalyser, altså å vise hva en tilsvarende enhet koster i samme nabolag. Men en prognose for prisvekst over 3-5 år er, som AGILE-GISS-studien (Volum 7, 2026) viste, fortsatt svært upålitelig på grunn av temporal validering-bias.
Hvilke AI-modeller presterer best for boligverdivurdering?
XGBoost og ensemble-modeller ga de beste resultatene i 2026-studien. Selv disse krever likevel out-of-sample-testing for å bekrefte at nøyaktigheten er reell.
Hvorfor bommer AI-prognoser over lengre tidshorisonter?
Fordi de fleste modeller kun testes på korte perioder (1-6 måneder), noe som gir en kunstig høy treffsikkerhet. Over en 2-5 års horisont hoper faktorer modellen ikke kunne forutse, som regelendringer, makroøkonomiske sjokk og skift i etterspørsel, seg opp og forsterker feilmarginen.
Bruker thailandske utviklere faktisk AI i praksis?
Ja. Store utviklere i Bangkok bruker AI til prising og etterspørselsanalyse. Men ingen offentlig kjent aktør baserer seg utelukkende på AI som eneste beslutningsverktøy.
Hva kan AI faktisk gjøre for deg som Thailand-investor akkurat nå?
Tre praktiske bruksområder: rask markedsscreening (finne distrikter med økende prismomentum), vurdering av rettferdig pris gjennom sammenlignbare salg, og automatisert overvåking av nye annonser som matcher dine kriterier.
Hvilke data trenger en AI-modell for å gi en pålitelig verdivurdering?
Som et minimum: faktiske transaksjonspriser (ikke annonserte priser), enhetens størrelse, etasje, avstand til transport og sjø, byggeår, og tetthet i nabolaget. Thailands utfordring er begrenset tilgang til reelle transaksjonsregistre.
Er det verdt å betale for AI-baserte verdivurderingstjenester?
Hvis tjenesten er åpen om metodikken sin og viser out-of-sample-testresultater, ja. Hvis den bare gir deg en 'nøyaktig prognose' uten forklaring, nei. Sjekk alltid hvilke data modellen er trent på og hvor nylig den ble oppdatert.
Vil AI erstatte eiendomsmeglere i Thailand?
Ikke innen de neste 5 årene. AI vil overta rutinearbeidet, som boligmatching, innledende analyse og overvåking. Men forhandlinger med utviklere, juridisk due diligence og vurdering av byggekvalitet forblir oppgaver der menneskelig ekspertise fortsatt er avgjørende.
Kjernelærdommen fra AGILE-GISS-studien fra 2026 er enkel: AI i eiendomsbransjen er et kraftfullt analyseverktøy, men en dårlig spåmann. Bruk det til det det er godt til, altså å bearbeide store datamengder og finne mønstre, men ta de strategiske beslutningene basert på ekspertanalyse, lokal markedsforståelse og sunn fornuft.
Kilde: Thaiger
Klar for å investere i Thailand? Våre rådgivere i Eiendom i Thailand hjelper deg gjerne med å finne den rette boligen.