Kort svar: kan man stole på en AI-prognose for en thailandsk bolig?
Svaret er: kun delvist. Et fersk 2026-studie fra TU Wien, offentliggjort i det fagfællebedømte tidsskrift AGILE-GISS (bind 7), viser at prisforudsigelsesmodeller systematisk overvurderer deres egen præcision. Modellerne rammer ofte over 90% nøjagtighed på historiske data, men falder til 60-70% eller lavere, når de testes på reelt fremtidige perioder. For danskere der overvejer et køb i Phuket, Bangkok eller Pattaya, betyder det konkret: en AI-genereret afkastprognose for et bestemt projekt over 3-5 år bør aldrig stå alene som beslutningsgrundlag.
Det er ikke algoritmerne, der er problemet. Det er måden, vi validerer dem på, og for dig som investor i thailandsk ejendom har det direkte økonomiske konsekvenser, hvis du forveksler et flot backtest med en pålidelig fremtidsprognose.
Hvad viste TU Wien-studiet helt konkret?
I juni 2026 publicerede Christopher Kmen, Gerhard Navratil og Ioannis Giannopoulos fra TU Wien artiklen 'When Today's Accuracy Fails Tomorrow' i AGILE-GISS, bind 7. Hovedkonklusionen er, at rumligt-tidslige (spatiotemporale) modeller lider af det, forskerne kalder temporal validation bias, altså en systematisk skævhed hvor modellen reelt 'kigger' på fremtidige data under træningen, uden at det opdages i den almindelige test.
Dette er ikke bare en akademisk detalje. Det betyder, at en model kan se genial ud i en salgspræsentation, fordi den er testet forkert, og alligevel give dig et helt urealistisk billede af, hvad din lejlighed i for eksempel Bang Tao er værd om tre år.
Hvorfor fejler AI-prognoser over længere tidshorisonter?
Den grundlæggende svaghed er korte forecast-horisonter. De fleste modeller testes på 1-6 måneders udsving, hvor præcisionen ser kunstigt høj ud. Men over en 2-5 års horisont, den periode, de fleste danske investorer faktisk interesserer sig for, ophobes fejlmarginen. Regulatoriske ændringer, makroøkonomiske chok og skift i efterspørgsel lægger sig oven i hinanden, og modellens fejl vokser eksponentielt i stedet for lineært.
Hvilke AI-modeller klarer sig bedst?
Blandt de testede metoder pegede forskerne på XGBoost og ensemble-modeller som de mest lovende. Men selv disse kræver såkaldt out-of-sample-validering, altså test på data modellen aldrig har set, for overhovedet at kunne kaldes pålidelige. Uden den test er selv de bedste modeller ubrugelige som fremtidsværktøj.
Et andet strukturelt problem er datakvalitet. Gode transaktionsdata er en mangelvare globalt, men i Thailand er problemet mere udtalt end i Europa, fordi de officielle boligtransaktionsregistre er langt mindre transparente. Det betyder, at selv en teoretisk god model ofte må arbejde med tyndere og mindre pålidelige datasæt i for eksempel Krabi eller Koh Samui end i Bangkoks Sukhumvit-distrikt.
Bruger thailandske udviklere allerede AI?
Ja. Store udviklere i Bangkok og Phuket bruger allerede AI-værktøjer til prissætning og efterspørgselsanalyse. Men ingen af dem lader en maskinmodel træffe den endelige beslutning alene, mennesker sidder stadig for bordenden.
Et Goldman Sachs-notat fra juli 2026 understøtter dette billede: AI omformer ejendomsbranchens arbejdsmarked, ikke ved at fjerne job, men ved at omkonfigurere dem. Mæglere og investorer, der aktivt bruger AI-værktøjer, tjener generelt mere end dem, der holder fast i gamle metoder.
Et konkret eksempel fra selve Phuket-markedet: mellem december 2025 og maj 2026 blev der registreret 54.628 reelle henvendelser, hvoraf 71% gjaldt udlejning og 29% køb. Det viser, hvor central AI-drevet efterspørgselsanalyse allerede er blevet i regionens mest modne marked, uden at det har erstattet den menneskelige vurdering af det enkelte projekt.
Sådan bruger du AI klogt som dansk investor, trin for trin
1. Afklar hvilken type AI-analyse du reelt har brug for
Der findes tre niveauer: markedsscreening (find lovende områder), individuel prisvurdering (sammenlignelige salg), og afkastprognose. AI klarer allerede de to første fornuftigt. Den tredje er der stadig grund til at være skeptisk over for.
2. Krydstjek med åbne data
Platforme som DDproperty og Hipflat offentliggør prisindeks på distriktsniveau. Sammenlign, hvad en AI-model spår, med den faktiske prisudvikling de seneste 3 år. Hvis afvigelsen overstiger 15%, skal du ikke stole på modellen.
3. Kræv out-of-sample-validering
AGILE-GISS-studiet fra 2026 er utvetydigt: en model, der kun er testet på historiske data (in-sample), fortjener ikke din tillid. Spørg altid den, der tilbyder dig en AI-prognose, om modellen er testet på data, den aldrig 'så' under træningen.
4. Indsaml data specifikt for din målregion
AI-modeller performer bedre i veldokumenterede områder. For Phuket (Bang Tao, Laguna), Bangkok (Sukhumvit, Silom) og Pattaya (Wongamat) findes der tilstrækkeligt data. For mindre kortlagte områder som Krabi eller Koh Samui er modellerne markant mindre præcise.
5. Book din inspektionstur i god tid
At se en bolig med egne øjne er stadig uerstatteligt. AI kan vise dig tal, men ikke byggekvalitet, den reelle infrastruktur eller stemningen i et kvarter, den følelse man som dansker typisk lægger stor vægt på, før man investerer.
6. Hent en lokal ekspert ind til den endelige due diligence
AI er et første filter. Det kan reducere 200 muligheder til 10. Men den endelige beslutning bør ligge hos nogen, der forstår thailandsk lovgivning, udviklerens omdømme og de projektspecifikke detaljer, gerne en rådgiver som Bolig Thailand, der kender markedet lokalt.
7. Opdater dine data hver 3.-6. måned
Det thailandske marked bevæger sig hurtigt. En model trænet på data fra begyndelsen af 2025 kan sagtens overse nye infrastrukturprojekter, som BTS-udvidelser i Bangkok, eller ændringer i visumreglerne.
Konklusionen for dig som dansk investor
Kernebudskabet fra AGILE-GISS-studiet i 2026 er enkelt: AI i ejendomsbranchen er et stærkt analyseværktøj, men en dårlig fremtidsspåmand. Brug det til det, det er godt til, at bearbejde store datamængder og finde mønstre, og træf de strategiske beslutninger på baggrund af ekspertrådgivning, lokal markedsforståelse og sund fornuft.
Kilde: Thaiger