Se estás a mirar pisos ou vilas en Phuket dende Galicia e alguén che pasou unha valoración feita por IA con '95% de precisión', desconfía un pouco. Un estudo académico publicado en 2026 demostra que a maioría destes modelos perden case toda a súa fiabilidade entre 6 e 12 meses despois de saír do laboratorio. Non é un fallo do algoritmo en si, senón de como se adestra e se proba antes de saír ao mercado.
Os investigadores Christoph Kmen, Gerhard Navratil e Ioannis Giannopoulos, da TU Wien (Universidade Técnica de Viena), publicaron os seus resultados en AGILE-GISS (Volume 7, xuño de 2026), poñendo en dúbida o valor práctico da maioría dos modelos preditivos que hoxe se venden como infalibles. A súa conclusión é directa: se un modelo se adestra e se proba con datos do mesmo período temporal, non serve para tomar decisións de investimento reais.
Para quen mira propiedades en Tailandia dende fóra, isto é un aviso claro: hai que saber que ferramentas de IA merecen confianza e cales non.
Que di exactamente o estudo AGILE-GISS 2026?
O estudo, titulado When Today's Accuracy Fails Tomorrow, publicouse en AGILE-GISS, Volume 7, en xuño de 2026, e cuestiona as prácticas estándar de validación dos modelos de machine learning aplicados á valoración inmobiliaria. O problema central chámase sesgo de validación: os datos de adestramento e os de proba proceden da mesma xanela temporal, así que o modelo basicamente 'xa coñece a resposta' antes de que se lle pregunte.
Os algoritmos máis usados nestas plataformas, incluídas as que van dende Zillow ata os seus equivalentes asiáticos, son XGBoost e outros métodos de conxunto (ensemble). Son potentes analizando decenas de variables (metros cadrados, andar, distancia ao transporte, antigüidade do edificio, densidade da zona), pero o estudo demostra que mesmo os mellores modelos de conxunto se deterioran drasticamente cando cambia a xanela temporal. En resumo: o algoritmo en si importa menos do que se pensaba; o que realmente marca a diferenza é como se validou.
Por que Tailandia é un caso especialmente delicado?
O mercado tailandés é un exemplo case perfecto do problema que denuncia o estudo. O boom da construción en Phuket, as novas liñas de BTS en Bangkok e un crecemento de prezos en Chiang Mai do 15-20% entre 2024 e 2025 fan que calquera modelo adestrado con datos antigos quede desfasado case de inmediato.
Phuket ilustra ben esta velocidade de cambio: entre 2021 e 2025 entraron no mercado máis de 45.000 unidades residenciais novas, valoradas en arredor de 469.700 millóns de baht (uns 13.000 millóns de dólares). E aínda hai máis en camiño: outros 72 proxectos con 10.300 unidades (máis de 81.600 millóns de baht) que se lanzarán antes de rematar 2025, segundo informacións sobre como o capital estranxeiro está a redeseñar o mercado da illa.
Cun mercado que se move tan rápido, é lóxico que ningún servizo comercial de valoración por IA publique abertamente o seu horizonte de validación, e iso é un baleiro de transparencia que calquera investidor debería ter en conta antes de fiarse dunha cifra.
Os autores do estudo propoñen unha solución concreta: esixir un horizonte mínimo de proba de 3 anos para que os resultados teñan aplicación real. Un enfoque de modelado espazo-temporal, que teña en conta como cambia o valor dun barrio a medida que se desenvolve a infraestrutura, tamén se identifica como máis fiable, aínda que sobre o papel a súa precisión inicial pareza menos impresionante.
Que facer se estás a usar (ou pensas usar) IA para valorar unha propiedade en Tailandia?
Se estás a comparar zonas en Phuket, Bangkok ou Chiang Mai apoiándote en ferramentas automáticas, aquí tes un plan de acción práctico:
-
Pregunta pola xanela de validación. Calquera plataforma que ofreza valoración por IA, sexa unha ferramenta de análise ou a calculadora dunha promotora, debería poder dicirche con que período de datos se adestrou o modelo. Se os datos teñen menos de 12 meses e a proba se fixo coa mesma xanela, non te fíes para decisións a longo prazo.
-
Compara a estimación con transaccións reais. Busca de 3 a 5 operacións pechadas na túa zona obxectivo nos últimos 6 meses. Os datos de transaccións en Bangkok están dispoñibles a través do Departamento de Terras (กรมที่ดิน). Se a diferenza entre o prezo real e o que dá a calculadora supera o 10%, é unha sinal de alarma.
-
Ten en conta os cambios espaciais manualmente. Nin sequera os mellores modelos baseados en XGBoost anticipan ben futuros cambios de infraestrutura. Novas liñas de transporte, centros comerciais planificados ou cambios de zonificación hai que valoralos por separado. Podes consultar os informes de Avaliación de Impacto Ambiental (EIA) no sitio web de ONEP.
-
Usa a IA para filtrar, non para decidir. O machine learning funciona moi ben como primeiro filtro, para pasar de 200 anuncios a 20 que merecen unha análise en detalle. Pero a decisión final debe incluír unha visita presencial, dilixencia legal e a consulta cun especialista local.
-
Planifica unha viaxe de inspección. Ningún algoritmo substitúe unha visita sobre o terreo. Se falas en serio de mercar, reserva aloxamento preto da zona obxectivo polo menos 3-4 días, tempo suficiente para ver de 5 a 8 propiedades e reunirte cun avogado.
-
Revisa a valoración cada 6 meses. O estudo AGILE-GISS 2026 é claro nisto: a precisión do modelo cae mes a mes. Se mercaches baseándote nunha análise de IA, actualízaa dúas veces ao ano con datos frescos de transaccións locais.
O que hai que reter
- O estudo AGILE-GISS 2026 amosa que os modelos de valoración por IA só son fiables en horizontes de prognóstico curtos e concretos.
- XGBoost e os métodos de conxunto seguen sendo os algoritmos líderes, pero todos padecen o mesmo defecto: a validación non temporal.
- Os factores espaciais (proximidade ao transporte, á costa, ás infraestruturas) pesan moito no prezo, pero ese peso cambia constantemente.
- Un 95% de precisión en backtest non significa un 95% de precisión un ano despois: Bangkok ou Phuket en 2024 e en 2026 son, na práctica, dous mercados distintos.
- A IA é un bo punto de partida para a análise, non un argumento definitivo para decidir unha compra.
- Os modelos construídos cun horizonte de validación máis longo (3-5 anos) dan unha imaxe máis honesta, aínda que a súa precisión anunciada pareza menos vistosa.
Preguntas frecuentes
Pódese confiar nunha valoración por IA dun piso en Bangkok en 2026?
Depende moito da calidade dos datos e do horizonte de validación usado. Segundo o estudo AGILE-GISS (Volume 7, 2026), os modelos baseados en XGBoost só amosan boa precisión en xanelas de prognóstico curtas. Bangkok cambia rápido pola construción de novas liñas de transporte e obras activas, así que trata a valoración por IA como unha referencia, non como a cifra final.
Que algoritmos se usan para valorar propiedades?
Os máis habituais son XGBoost, Random Forest e outros métodos de conxunto de machine learning. Analizan decenas de variables: tamaño, andar, distancia ao transporte, antigüidade do edificio, densidade da zona. O estudo de 2026 conclúe que o algoritmo en si importa menos do que se pensaba; o crítico é como foi validado.
Por que os prognósticos de prezos por IA quedan desfasados tan rápido?
Porque o mercado é un sistema vivo. Un modelo adestrado con datos de 2023-2024 non recolle cambios normativos, novos proxectos de infraestrutura nin variacións no fluxo turístico. Os autores da TU Wien chámanlle 'sesgo de validación': unha ilusión de precisión que se esborralla en canto toca a realidade.
Debo fiarme das calculadoras de IA das webs das promotoras?
Con precaución. Unha promotora beneficiase de pechar a venda, e a súa calculadora pode estar calibrada cara a escenarios optimistas. Compara sempre as cifras con fontes independentes, como o rexistro de transaccións do Departamento de Terras ou un taxador independente.
Que datos necesita realmente unha valoración fiable por IA en Tailandia?
Como mínimo: prezos reais de transaccións (non prezos de anuncio), coordenadas da propiedade, características do edificio, distancia a infraestruturas clave e datos de rendemento por aluguer. É crucial que o conxunto de datos abarque polo menos un período de 3 anos, segundo recomenda o estudo AGILE-GISS 2026.
Serve a IA para investir en propiedades en Phuket?
As ferramentas de IA son útiles para analizar a estacionalidade do aluguer, comparar rendementos entre barrios e detectar anuncios sobrevalorados. En Phuket, onde a diferenza de prezos entre distritos chega ao 40-60%, o filtrado automático aforra decenas de horas de investigación manual. Cómpre ter en conta que Knight Frank Thailand rexistrou unha suba do 12,9% nas vendas de vilas en 2026, mentres a demanda de apartamentos se arrefriaba, un cambio que ningún modelo estático adestrado con datos antigos captaría.
A IA vai substituír aos taxadores profesionais?
Non a curto prazo. A IA é excelente para procesar grandes volumes de datos e detectar patróns. Pero os matices legais (como as restricións á propiedade estranxeira en Tailandia, ou a diferenza entre título chanote e Nor Sor 3), a valoración do estado físico dun inmoble e a negociación seguen sendo terreo do criterio humano.
Onde podo atopar datos fiables de prezos inmobiliarios en Tailandia?
Entre as fontes oficiais están o Departamento do Tesouro (กรมธนารักษ์) para a valoración catastral, o Banco de Tailandia para os índices de prezos da vivenda, e REIC (Real Estate Information Center) para análise de obra nova. O Departamento do Tesouro tamén ofrece agora D-Value, un servizo en liña gratuíto que emite documentos certificados de valoración de terreos e apartamentos en arredor de 10 minutos. Estas fontes actualízanse trimestralmente e o acceso é gratuíto.
Fonte: IPS News
Se estás a pensar en investir en Tailandia, en Inmobles en Tailandia podemos axudarche a atopar a propiedade axeitada e a interpretar estas ferramentas con criterio.