Tänk dig att en AI-modell lovar dig att din framtida lägenhet i Bang Tao kommer öka 12 procent i värde de kommande tre åren. Låter det för bra för att vara sant? Enligt en färsk akademisk studie kan siffran vara betydligt mer osäker än den ser ut på pappret.
Kort sagt: en studie publicerad i juni 2026 i den vetenskapliga tidskriften AGILE-GISS (volym 7) visar att AI-modeller som prissätter bostäder ofta överskattar sin egen träffsäkerhet kraftigt. Modellerna kan nå över 90 procents precision när de testas mot historisk data, men faller till 60-70 procent eller sämre när de faktiskt ska förutspå framtiden. För dig som svensktalande investerare i thailändska bostäder betyder det att en AI-genererad avkastningsprognos för ett specifikt projekt bör tas med en stor nypa salt, särskilt om den sträcker sig 3-5 år framåt.
Vad visar egentligen studien från TU Wien?
Forskarna Christopher Kmen, Gerhard Navratil och Ioannis Giannopoulos vid TU Wien publicerade i juni 2026 artikeln 'When Today's Accuracy Fails Tomorrow' i den peer-granskade tidskriften AGILE-GISS, volym 7. Deras slutsats är att spatiotemporala prismodeller lider av vad de kallar temporal valideringsbias, alltså en systematisk snedvridning där modellen i praktiken 'kikar' på framtida data redan under träningsfasen.
Problemet ligger inte i själva algoritmerna, utan i hur man testar dem. En modell som bara utvärderas mot data den redan 'sett' ger en falsk känsla av precision. Det är först när modellen prövas mot genuint framtida perioder, så kallad out-of-sample-testning, som dess verkliga träffsäkerhet visar sig.
Varför blir prognoserna sämre ju längre fram i tiden de sträcker sig?
De flesta modeller testas idag på korta tidshorisonter, ofta 1-6 månader, vilket skapar en illusion av hög precision. Men sträcker man ut horisonten till 2-5 år ackumuleras felmarginalen snabbt. Faktorer som regeländringar, makroekonomiska chocker och förändrad efterfrågan, sådant modellen aldrig kunde räkna med under träningen, buntas ihop och förstärker varandra.
Detta är särskilt relevant i Thailand, där datatillgången är ett större hinder än i Europa. Kvalitativ transaktionsdata är generellt knapp, och Thailands register över faktiska bostadsaffärer är betydligt mindre transparenta än motsvarande i många europeiska länder.
Vilka AI-modeller presterar faktiskt bäst?
Bland de testade metoderna utmärkte sig XGBoost och olika ensemblemodeller som mest lovande. Men forskarna understryker att även dessa förblir opålitliga utan ordentlig out-of-sample-testning mot framtida perioder. Med andra ord: bara för att en modell har ett bra rykte betyder det inte att den klarar av att förutsäga morgondagens marknad utan vidare granskning.
Stora bostadsutvecklare i Bangkok och Phuket använder redan AI-verktyg för prissättning, men ingen av dem litar uteslutande på maskininlärningsmodeller när de fattar sina slutgiltiga beslut. Det säger en hel del om hur branschens egna experter värderar tillförlitligheten.
En forskningsrapport från Goldman Sachs, publicerad i juli 2026, visade dessutom att AI omformar arbetsmarknaden inom fastigheter snarare än att göra jobb överflödiga. Mäklare och investerare som aktivt använder AI-verktyg tenderar att tjäna mer än de som håller fast vid gamla arbetssätt. Bara i Phuket registrerades 54 628 riktiga förfrågningar mellan december 2025 och maj 2026, varav 71 procent gällde uthyrning och 29 procent köp, vilket visar hur AI-driven efterfrågeanalys redan formar verkliga beslut på regionens mest mogna marknad.
Så använder du AI klokt när du utvärderar thailändsk bostad, steg för steg
Om du som svensktalande investerare vill använda AI-verktyg smart inför ett köp 2026, följ den här ordningen:
1. Bestäm vilken typ av AI-analys du faktiskt behöver. Det finns tre nivåer: marknadsscreening (hitta lovande områden), individuell objektsvärdering (jämförbara försäljningar) och avkastningsprognoser. AI fungerar redan bra för de två första. För den tredje är det fortfarande för tidigt att lita blint på verktygen.
2. Stäm av mot öppen data. Plattformar som DDproperty och Hipflat publicerar prisindex på distriktsnivå. Jämför vad en AI-modell visar mot den faktiska prisutvecklingen de senaste tre åren. Om skillnaden överstiger 15 procent bör du inte lita på modellen.
3. Kräv out-of-sample-validering. Studien från AGILE-GISS 2026 är tydlig: en modell som bara testats mot historisk data (in-sample) förtjänar inte ditt förtroende. Fråga alltid den som erbjuder en AI-prognos om modellen testats mot data den aldrig 'sett' under träningen.
4. Samla data specifikt för din målregion. AI-modeller presterar bättre i väldokumenterade områden. För Phuket (Bang Tao, Laguna), Bangkok (Sukhumvit, Silom) och Pattaya (Wongamat) finns tillräckligt med data. I mindre kartlagda områden som Krabi eller Koh Samui är modellerna märkbart mindre träffsäkra.
5. Boka din inspektionsresa i god tid. Att se en bostad på plats går fortfarande inte att ersätta. AI kan visa dig siffror, men inte byggkvalitet, verklig infrastruktur eller känslan i ett kvarter.
6. Ta in lokal expertis för den slutliga due diligence-processen. AI fungerar som ett första filter, det kan snäva ner 200 alternativ till 10. Men det slutgiltiga beslutet bör fattas av någon som förstår thailändsk lagstiftning, utvecklarens rykte och projektspecifika detaljer, gärna med hjälp från ett lokalt team som Thailands Bostäder.
7. Uppdatera din data var tredje till var sjätte månad. Den thailändska marknaden rör sig snabbt. En modell tränad på data från tidigt 2025 kan missa nya infrastruktursatsningar, som BTS-förlängningar i Bangkok, eller ändringar i visumpolitiken.
Kan AI ersätta en mäklare i Thailand inom en snar framtid?
Inte inom de kommande fem åren. AI kommer att ta över rutinarbetet, som objektsmatchning, inledande analys och bevakning av nya listningar. Men förhandlingar med utvecklare, juridisk due diligence och bedömning av byggkvalitet förblir uppgifter där mänsklig expertis fortfarande är avgörande.
Slutsatsen från AGILE-GISS-studien 2026 är enkel: AI inom fastighetsbranschen är ett kraftfullt analysverktyg, men en dålig framtidsspåman. Använd det till det det faktiskt är bra på, att bearbeta stora datamängder och upptäcka mönster, och fatta dina strategiska beslut baserat på expertanalys, lokal marknadskännedom och sunt förnuft.
Källa: Thaiger