En AI-modell tränad på data från thailändska Land Department gör konsekvent samma misstag: den undervärderar villor på Phuket. Felet ligger inte i algoritmen. Köpekontrakt anger nästan alltid det taxerade värdet som används för att beräkna överlåtelseavgiften, inte det pris som faktiskt betalades. Modellen lär sig lydigt av det den matas med, och resultatet blir en siffra som ingen säljare i verkligheten skulle acceptera.
Den historien svarar egentligen på den större frågan svenska köpare borde ställa innan de litar på ett AI-verktyg: var fungerar tekniken, och var gör den det inte? AI är utmärkt där data är rikligt och rent: korrespondens, dokument, översättning, finansiell modellering, sortering av intressenter. Den fallerar där marknaden i sig är ogenomskinlig, och Thailands andrahandsmarknad för bostäder är precis det.
Var fungerar AI faktiskt för en svensk köpare i Thailand?
Fyra uppgifter levererar mätbar tidsbesparing redan idag: kvalificering av inkommande förfrågningar, flerspråkigt innehåll (engelska, ryska, thailändska, och i praktiken även svenska), genomgång av långa juridiska dokument, samt uppbyggnad av avkastningsmodeller för uthyrning. Automatisk värdering av thailändska andrahandsbostäder fungerar däremot inte tillförlitligt: det finns inget offentligt register över faktiska transaktionspriser, och all tillgänglig träningsdata är skev eftersom den byggs på myndigheternas taxeringsvärden.
Den som förväntar sig en app som spottar ur sig ett korrekt marknadspris på en lägenhet i Bang Tao kommer bli besviken. Den som förväntar sig 8 till 12 timmars sparad tid per vecka på rutinuppgifter ligger närmare verkligheten.
Vad säger den nya forskningen om AI i fastighetsbranschen?
En studie publicerad på arXiv i september 2026 beskriver AI inte som ett enskilt verktyg utan som tre saker samtidigt: kapital, syntetisk arbetskraft och infrastruktur. Tekniken klassas som en generell teknologi, i samma kategori som elektricitet och datorkraft, med samtidiga effekter på produktivitet, företagsstruktur och sysselsättning.
Forskarna identifierar fem kanaler genom vilka AI påverkar produktionen: automation, förstärkning av mänskligt arbete, processoptimering, prognostisering och innovation. Inom fastighetsbranschen är det bara de första två som är brett använda hittills. Prognostisering, till exempel, fungerar meningsfullt för Bangkok, där börsnoterade utvecklare offentliggör finansiella rapporter, men blir meningslös tillämpad på en enskild gata i Rawai.
Studien pekar också på baksidan: delvis förskjutning av jobb och ökad marknadskoncentration till fördel för den som redan sitter på data och beräkningskraft. Den som vann var inte den som köpte en modellprenumeration, utan den som samlat sin egen unika transaktionshistorik. En mäklarfirma med fem års affärshistorik i sitt CRM-system har ett strukturellt övertag som inget abonnemang kan köpa loss.
Kommer AI ersätta mäklare i Thailand?
Nej, men sammansättningen av arbetet förändras. Forskningen beskriver detta som komplementaritet: maskinen tar över repetitiva moment, människan sköter förhandling, verifiering och ansvar. Rutinarbete försvinner, medan värdet av förhandlingsförmåga och lokal marknadskunskap stiger.
Juridisk kontroll av en chanote-titel (den thailändska äganderättshandlingen) eller av hur mycket som återstår av kondominiets 49-procentskvot för utländskt ägande, signeras fortfarande av en människa. Ingen AI-modell, oavsett konfiguration, kan ersätta det. Enligt den thailändska kondominiumlagen (Condominium Act) får utlänningar äga högst 49 procent av den totala golvarean i ett kondominiumprojekt med frihold. Det är ett absolut juridiskt tak, och det enda sättet att få exakt siffra på hur mycket av kvoten som är kvar är ett brev från förvaltningsbolaget, inte ett skript.
Varför visar AI-värderingar fel pris på en lägenhet i Phuket?
Här är kärnan i problemet svenska investerare oftast missar. Thailands skattemyndighet (Treasury Department) fastställer taxeringsvärden i cykler, den nuvarande cykeln täcker 2023 till 2026, och detta värde används för att beräkna den 2-procentiga överlåtelseavgiften vid försäljning. Det är just detta taxerade värde, inte marknadspriset, som hamnar i de flesta tillgängliga dataset.
Skillnaden kan vara betydande på andrahandsobjekt i turistorter, enligt marknadsuppskattningar. Som referenspunkt kan en automatiserad värdering vara användbar. Som underlag för en förhandling om faktiskt pris, är den det inte.
Det finns även en försäljningsskatt att räkna med: Specific Business Tax vid återförsäljning inom fem år från köpet ligger på 3,3 procent av det högre av transaktionspriset eller det taxerade värdet. AI klarar denna typ av regelberäkning felfritt, förutsatt att den matas med korrekta indata. Problemet är sällan formeln. Problemet är vad som stoppas in i den.
Hur kommer jag igång med AI som mäklare eller investerare?
Börja inte med försäljning. Börja med översättning och lokalisering, det ger omedelbara resultat i ett arbetsflöde mellan engelska, ryska, thailändska och svenska för objektbeskrivningar och korrespondens med utvecklare. Bygg en ordlista med termer som chanote, leasehold, freehold och sinking fund, och mata in den tillsammans med texten, annars blir översättningen juridiskt meningslös.
Exportera sedan din egen data från de senaste 24 månaderna: klientkorrespondens, visningshistorik, orsaker till förlorade affärer, faktiska slutpriser. Utan detta underlag kör varje modell på någon annans statistik, och för Thailand är den statistiken svag.
Mät din utgångspunkt innan du börjar. Följ hur många timmar per vecka som går till att besvara meddelanden, ta fram objektlistor, översätta annonser och kontrollera betalningsvillkor. Mät före implementering, annars går det aldrig att bevisa effekten senare.
Bygg en avkastningskalkyl i ett kalkylblad och låt modellen sköta formlerna. Räkna in de 2 procenten i överlåtelseavgift, källskatt, de 3,3 procenten i Specific Business Tax vid försäljning inom fem år, förvaltningsavgifter och vakans mellan hyresgäster. Modeller skriver bra formler men gissar dåligt på indata, så sätt själv siffrorna.
Ta in dokumentgranskning för de tunga papperen. Ett köpekontrakt med en thailändsk utvecklare löper lätt på 40 sidor. Ladda upp det och be modellen extrahera betalningsschema, förseningsviten och uppsägningsvillkor. Läs sedan igenom klausulerna själv, modellen hittar dem snabbt men missar ofta hänvisningar till bilagor som ligger inbäddade i texten.
Gör kvalificeringen av intressenter halvautomatisk. En bot samlar in budget, tidsram, syfte med köpet och tidszon, en människa tar över redan i det andra meddelandet. Ett helt automatiserat samtal om en fastighet på 15 miljoner baht kostar dig kunden.
Samma verktyg fungerar bra för att planera visningsresor. En modell klarar av att lägga en rimlig tvådagarsrutt över tre distrikt med hänsyn till trafiken på Phuket, även om flyg och boende runt visningsdatumen är bäst att boka separat och tidigt, eftersom priserna under högsäsong stiger snabbare än planerna ändras.
En gång i månaden: skala bort det som inte fungerar. De flesta team som testar tio AI-användningsfall behåller i slutänden bara två eller tre.
Vilket AI-användningsfall är mest överskattat?
Att generera objektbeskrivningar. Det är det mest populära och samtidigt mest överskattade användningsfallet som finns. Texten blir polerad, men konverteringen förbättras inte, och en köpare som redan bläddrat igenom tio hemsidor under en vecka börjar känna igen maskinens rytm och slutar lita på annonsen. Vill man ha ett starkt resultat istället för tio medelmåttiga bör pengarna läggas på dokument och kalkyler, inte på marknadstext.
Vår rekommendation: en enskild mäklare i Thailand idag bör koncentrera AI-satsningen till korrespondens och dokument, punkt slut. Allt annat lönar sig först vid en volym av flera dussin affärer per år. Om du stänger två affärer per kvartal är det mer ärligt att lägga den tiden på att fördjupa kunskapen om det distrikt du redan känner bättre än dina konkurrenter. Om din verksamhet ligger under den volymen gäller inget av resonemanget om skalfördelar ovan.
En global studie från SAP och Oxford Economics, som tillfrågade 2 600 chefer i juli 2026, visade stigande avkastning på AI-investeringar ju djupare tekniken integreras i den operativa verksamheten, ett mönster som börjar synas även i tidiga värderingsverktyg för lägenheter i Bangkok och Phuket, nu med mätbara felmarginaler på jämförbara försäljningar.
Vanliga frågor
Kan jag lita på en automatiserad värdering av en lägenhet på Phuket?
Som referenspunkt, ja. Som grund för en prisförhandling, nej. Modeller tränas ofta på data där priset motsvarar det taxerade värdet från cykeln 2023-2026 snarare än det faktiska transaktionsbeloppet, och gapet kan vara betydande på andrahandsobjekt i turistområden.
Vilka AI-verktyg sparar faktiskt tid för en mäklare eller investerare?
Genomgång av långa kontrakt, översättning som bevarar juridisk terminologi, avkastningskalkyler och första sorteringen av inkommande förfrågningar. Tillsammans sparar dessa en aktiv mäklare 8 till 12 timmar i veckan.
Behöver jag betala för dyra AI-prenumerationer för att komma igång?
I de flesta fall, nej. Gratisnivåerna hos de stora modellerna klarar översättning, dokumentgranskning och beräkningar utan problem. Pengarna gör mer nytta i att organisera din egen transaktionsdatabas, det är den som skapar ett verkligt övertag, inte prenumerationsnivån.
Är det riskabelt att ladda upp klientdokument i en AI-modell?
Ja, om det är en publik tjänst som tränar på användardata. Anonymisera personuppgifter, passnummer och kontraktsidentifierare innan uppladdning, och stäng av datainsamling för träning i inställningarna. Det är inte valfritt, det är ett grundkrav.
Källa: Kalinka Thailand