Moskova'daki Yüksek Ekonomi Okulu (HSE) araştırmacıları Haziran 2026'da, coğrafi konum verisini, makine öğrenmesini ve büyük dil modellerini (LLM) birleştirerek ticari gayrimenkulü otomatik olarak değerleyen bir model yayınladı. Ortaya çıkan sonuç, Excel tablosuyla çalışan hiçbir insan eksperinin yakalayamayacağı bir isabet oranı. Phuket'te villa ya da kondominyum arayan bir Türk yatırımcı için bu haber uzak bir akademik detay değil; değerleme piyasasının kendisinin gerçek zamanlı olarak yeniden şekillendiğinin işareti.
Otomatik Değerleme Modelleri (AVM) yeni bir kavram değil. Ama artık mülkün konum verisini, metin açıklamalarındaki anlamsal detayları ve yapılandırılmış işlem verilerini aynı anda analiz edebilen 'çok katmanlı' (multimodal) AVM'ler, tamamen yeni bir seviyeyi temsil ediyor. Ve bu teknoloji hâlihazırda Bangkok'taki toplantı odalarından Phuket'teki emlak ofislerine kadar pratikte kullanılıyor.
Kısaca Ne Değişiyor?
- Çok katmanlı AVM'ler en az 3 veri türünü birleştirir: yapılandırılmış veri (fiyat, metrekare), coğrafi veri (konum, altyapı) ve anlamsal veri (LLM'lerin işlediği metin açıklamaları)
- 30 Haziran 2026 tarihinde yayınlanan HSE çalışması, dil modellerinin değerleme sürecine entegre edilmesinin fiyatlama isabetini artırdığını doğruladı
- Tayland'da mülk alacak yatırımcılar için bu, satın alma kararının artık sadece emlakçının sezgisine değil, objektif veriye dayandırılabileceği anlamına geliyor
- Teknoloji cadde mağazalarından kondominyumlara ve villalara kadar, yeterli işlem verisi bulunan her segmentte uygulanabiliyor
- Yapay zekayla değerleme, analiz süresini günlerden dakikalara indiriyor; önde gelen Tayland ajansları benzer manuel incelemelere kıyasla 3-5 dakika karşısında 48 saat rakamlarını paylaşıyor
- Geleneksel eksper raporlarındaki hata payı %10-20 arasında seyrederken, çok katmanlı modeller bunu %5-8'e indirmeyi hedefliyor
HSE Araştırması Aslında Ne Söylüyor?
30 Haziran 2026'da yayınlanan HSE çalışması, gerçek işlem verisi kullanarak LLM tabanlı özellikleri otomatik ticari gayrimenkul değerlemesine entegre eden ilk Rusça dilindeki araştırma olma özelliği taşıyor; veri seti Moskova cadde mağazacılığı piyasasından derlenmiş.
Model, 3 farklı heterojen veri türünü birlikte işliyor: yapılandırılmış, coğrafi ve anlamsal. İsabet oranındaki asıl sıçramayı sağlayan da bu üç verinin bir arada değerlendirilmesi.
Coğrafi bağlam; toplu taşımaya mesafe, yaya trafiği yoğunluğu ve rakip işletmelere yakınlık gibi parametreleri kapsıyor. Tayland'da bunun karşılığı plaja mesafe, havalimanına uzaklık ve alışveriş merkezlerine yakınlık gibi, yatırımcının zaten bildiği ama artık verisel olarak da ölçülen kriterler.
Anlamsal sinyaller ise büyük dil modelleri kullanılarak mülk açıklamalarından çıkarılıyor; 'deniz manzarası', 'sakin mahalle' ya da 'premium işçilik' gibi öznel nitelikleri yakalıyor. Yöntem başka piyasalara da taşınabilir durumda. İşlem verisinin DDproperty ve Hipflat gibi platformlar aracılığıyla giderek daha erişilebilir hale geldiği Tayland, bu uyarlama için doğrudan aday konumunda.
Sayılarla Tayland Piyasası
Makine öğrenmesi tabanlı fiyat tahmin modelleri, artık Bangkok ve Phuket'teki fiyat eğilimlerini %82-87 isabetle 6-12 ay öncesinden öngörebiliyor. Piyasa tahminlerine göre 2026 itibarıyla Güneydoğu Asya genelinde büyük geliştiricilerin %40'ından fazlası, yeni projelerin fiyatlandırmasında yapay zeka analitiği unsurlarını kullanıyor.
HSE modelinin üzerinde test edildiği segment olan cadde mağazacılığı, Tayland'da da yükselişte: Phuket ve Bangkok'ta ticari kira bedelleri geçtiğimiz yıl %12-15 artış gösterdi.
Bir Yatırımcı Olarak Bu Teknolojiyi Nasıl Kullanmalısınız?
1. Neden yapay zeka değerlemesine ihtiyacınız olduğunu netleştirin
Phuket'te kira geliri için kondominyum alıyorsanız, sezonsallığı, doluluk oranını ve kira bedellerini hesaba katan bir model gerekir. Bangkok'ta ticari birim düşünüyorsanız yaya trafiği ve rekabet ortamı öncelikli hale gelir. Aracı seçmeden önce hedefinizi tanımlayın.
2. Temel mülk verilerini toplayın
Konum (GPS koordinatları), metrekare, kat, inşa yılı, kilit altyapıya mesafe. Tayland için özellikle plaja mesafeye (metre cinsinden), havalimanına uzaklığa, bir yönetim şirketinin varlığına ve mevcut kira doluluk oranına dikkat edin.
3. Zaten var olan yapay zeka araçlarını kullanın
HouseCanary, Zillow'un Zestimate'i ve PriceHubble gibi servisler çok katmanlı değerleme unsurlarını çoktan kullanıyor. Henüz tam bir Tayland karşılığı yok, ama DDproperty verilerini Google Maps API'siyle ve ChatGPT ile birleştirerek kendi başlangıç seviyesi anlamsal modelinizi kurabilirsiniz.
4. Coğrafi analizi ekleyin
Mülkün 1-2 km çevresindeki rekabet ortamını haritalayın. Yakında kaç benzer kondominyum var? Ortalama metrekare fiyatı ne? Yeni projeler planlanıyor mu? Bu veriler gelecekteki değeri doğrudan etkiliyor.
5. Yapay zeka çıktısını yerel bir uzmanla doğrulayın
Model bir araç, kâhin değil. Otomatik değerleme, yerel bir uzmanın görüşüyle %10 aralığında örtüşmeli. Fark daha genişse, nedenini araştırın; örneğin model yabancıların Tayland'da arazi sahipliğine ilişkin kısıtlamalar gibi yerel özellikleri hesaba katmamış olabilir.
6. İnceleme gezisinden önce analizinizi hazırlayın
Modelinizi önceden kurmuş şekilde gelin. Hedeflediğiniz mülklere yakın bir yerde konaklama ayarlayın ki hepsini 2-3 gün içinde gezebilesiniz. Yerinde inceleme, yapay zekanın siz Tayland'a inmeden önce topladığı verileri doğrulama fırsatıdır.
7. Modelinizi 3-6 ayda bir güncelleyin
Tayland piyasası hızlı hareket ediyor. Yeni projeler, mevzuat değişiklikleri ve baht'taki dalgalanmalar değerlemeyi doğrudan etkiliyor. Altı aydır güncellenmemiş bir model, artık geçerliliğini yitirmiş rakamlar üretiyor demektir.
Otomatik değerleme artık gayrimenkulün geleceği değil, bugünü. Çok katmanlı modelleri şimdiden kullanan yatırımcılar daha isabetli kararlar alıyor ve adil fiyat ödüyor. Temel kural değişmedi: veriyi yapay zeka sağlıyor, ama son sözü hâlâ insan alıcı söylüyor. Tayland Evleri olarak biz de müşterilerimize mülk seçiminde bu tür veri destekli yaklaşımları öneriyoruz; ama nihai kararın her zaman yerinde görülen, yerel uzmanla teyit edilen bir değerlendirmeye dayanması gerektiğine inanıyoruz.
Kaynak: Kalinka Thailand