Se estás a mirar pisos en Bang Tao ou apartamentos preto de Sukhumvit e alguén che ensina unha bonita gráfica xerada por intelixencia artificial que promete tal ou cal revalorización a 3 anos, convén ler isto antes de asinar nada. Un estudo publicado en xuño de 2026 na revista científica AGILE-GISS (Volume 7) demostrou que os modelos de predición de prezos inmobiliarios adoitan superar o 90% de precisión cando se avalían con datos históricos, pero caen ao 60-70% ou menos cando se someten a probas con datos realmente futuros. O problema non está no algoritmo en si, senón en como se comproba a súa fiabilidade, algo que calquera galego interesado en investir en Tailandia debería ter moi presente.
Que descubriu exactamente o estudo de TU Wien?
Christopher Kmen, Gerhard Navratil e Ioannis Giannopoulos, investigadores da Universidade Técnica de Viena (TU Wien), publicaron en xuño de 2026 o traballo 'When Today's Accuracy Fails Tomorrow' na revista revisada por pares AGILE-GISS, Volume 7. A súa conclusión principal: os modelos espazo-temporais sofren o que chaman sesgo de validación temporal, unha distorsión sistemática pola que o modelo, sen querelo, 'esprea' datos futuros durante o seu propio adestramento. O resultado é unha falsa sensación de precisión que non se sostén cando chega a hora da verdade.
Por que os prezos previstos a longo prazo fallan tanto?
A maioría dos modelos proban a súa precisión en horizontes moi curtos, entre 1 e 6 meses, período no que os resultados parecen case perfectos. Pero cando se estende a previsión a un marco de 2 a 5 anos, todos os factores que o modelo non puido prever (cambios normativos, sacudidas macroeconómicas, variacións na demanda) vanse acumulando e multiplicando o erro. É como calcular a ruta dun barco só mirando os primeiros cen metros: a orientación inicial pode ser correcta, pero o desvío acumulado ao cabo de varias millas pode ser enorme.
Que modelos de IA funcionan mellor, e por que iso non abonda
Entre as ferramentas analizadas, XGBoost e os modelos de conxunto (ensemble) foron os que mellor se comportaron. Aínda así, os propios autores insisten en que, sen unha proba fóra de mostra sobre períodos futuros reais, nin sequera estes modelos son de fiar ao 100%. En termos prácticos: que un algoritmo sexa "o mellor da clase" non significa que poidas confiar cegamente nel para decidir se mercar agora ou esperar dous anos.
Datos clave que todo comprador debería coñecer
- A escaseza de datos de transaccións de calidade segue sendo un atranco serio. En Tailandia este problema é aínda máis agudo que en Europa, onde os rexistros de compravenda inmobiliaria son moito máis transparentes e accesibles.
- As grandes promotoras de Bangkok e Phuket xa usan ferramentas de IA para fixar prezos e analizar a demanda, pero ningunha delas confía exclusivamente en modelos automáticos para tomar a decisión final.
- Unha nota de investigación de Goldman Sachs de xullo de 2026 sinala que a IA non está eliminando postos de traballo no sector inmobiliario, senón reconfigurándoos: os axentes e investidores que adoptan ferramentas de IA tenden a gañar máis que os que seguen métodos tradicionais.
- Só en Phuket rexistráronse 54.628 consultas reais entre decembro de 2025 e maio de 2026, das cales un 71% correspondían a aluguer e un 29% a compra, o que confirma que a análise de demanda baseada en IA xa condiciona as decisións reais no mercado tailandés máis maduro.
Guía práctica: como usar a IA con cabeza se pensas mercar en Tailandia
Se estás a valorar propiedades en Tailandia en 2026 e queres aproveitar a IA sen caer en trampas, segue esta secuencia:
1. Decide que tipo de análise necesitas realmente
Hai tres niveis distintos: cribado de mercado (atopar zonas con potencial), valoración dun activo concreto (comparación con vendas similares) e previsión de rendibilidade futura. A IA xa funciona ben nos dous primeiros. No terceiro, aínda non.
2. Contrasta sempre con datos abertos
Plataformas como DDproperty e Hipflat publican índices de prezos por distrito. Compara o que che di un modelo de IA co movemento real de prezos dos últimos 3 anos. Se a diferenza supera o 15%, desconfía do modelo.
3. Esixe validación fóra de mostra
O estudo AGILE-GISS de 2026 é claro: un modelo probado só con datos históricos (in-sample) non merece a túa confianza. Pregunta sempre a quen che ofreza unha previsión de IA se o modelo se probou con datos que nunca 'viu' durante o seu adestramento.
4. Céntrate en zonas ben documentadas
Os modelos de IA rinden mellor en distritos con moitos datos históricos. En Phuket (Bang Tao, Laguna), Bangkok (Sukhumvit, Silom) e Pattaya (Wongamat) hai datos abondo. En zonas menos mapeadas como Krabi ou Koh Samui, a precisión cae claramente.
5. Reserva o teu voo de inspección con tempo
Ver a propiedade en persoa segue sendo insubstituíble. A IA pode amosarche números, pero non pode describirche a calidade real da construción, o estado das infraestruturas nin o ambiente do barrio.
6. Conta cun experto local para a dilixencia final
A IA é un filtro de primeiro nivel: reduce 200 opcións a 10. Pero a decisión final debe recaer en alguén que coñeza a lexislación local, a reputación da promotora e os matices propios de cada proxecto.
7. Actualiza os teus datos cada 3-6 meses
O mercado tailandés móvese rápido. Un modelo adestrado con datos de principios de 2025 pode non recoller novos proxectos de infraestrutura, como ampliacións do BTS en Bangkok, ou cambios na política de visados.
Táboa resumo: en que confiar (e en que non)
| Uso da IA | Fiabilidade actual |
|---|---|
| Cribado de mercado (atopar zonas con potencial) | Alta |
| Valoración por comparables (prezo xusto dunha unidade) | Alta |
| Previsión de rendibilidade a 3-5 anos | Baixa, requiere validación humana |
| Monitorización automática de novos anuncios | Alta |
A lección de fondo do estudo de TU Wien é sinxela: a IA no sector inmobiliario é unha ferramenta analítica potente, pero unha mala adiviña do futuro. Convén aproveitala para o que fai ben (procesar grandes volumes de datos e detectar patróns) e reservar as decisións estratéxicas para a análise experta, o coñecemento do mercado local e o sentido común. En Inmobles en Tailandia adoitamos combinar ambas cousas: cribado con ferramentas dixitais e verificación humana sobre o terreo antes de recomendar calquera compra.
Fonte: Thaiger