לא כל ביקוש הוא העדפה: מה מערכות AI מפספסות כשהן לומדות מאיתנו

מערכת AI שבוחנת ביקוש רואה קודם כול מספרים. מי שמסתכל על בני אדם רואה גם הקשר. על פניו זה נשמע כמו הבדל דק בניסוח, אבל בפועל זו אחת מנקודות הכשל המרכזיות במערכות חיזוי, המלצה ותמחור: הן לומדות מן התוצאה, ולא תמיד מן הסיבה.

דוגמה פשוטה ממחישה את זה היטב. אם פארק לאומי אחד מושך יותר מ-11 מיליון מבקרים בשנה, בעוד אחרים נשארים הרחק מאחור, אלגוריתם עלול להסיק שזהו בהכרח היעד המועדף ביותר. אלא שפופולריות נוצרת לא רק מהעדפה. היא מושפעת גם מנגישות, ממוניטין היסטורי, מתשתיות, מהרגל, מחשיפה תקשורתית ומהנטייה האנושית לבחור במה שכבר נתפס כאופציה בטוחה. נתון הביקוש נכון לגמרי, אבל הוא עדיין לא מספר את כל הסיפור.

הבעיה מתחילה כש-AI מבלבל בין בחירה לאילוץ

בתחומים רבים, ובייחוד בנדל”ן, הנתון היבש כמעט אף פעם לא מייצג העדפה נקייה. אנשים לא רוכשים דירה רק מפני שהיא האופציה הטובה ביותר על הנייר. הם מגיבים גם לפחד להחמיץ, ללחץ משפחתי, לעוגנים פסיכולוגיים, לצורך ביציבות או לתחושת דחיפות מול שוק שנראה כאילו הוא בורח קדימה. מי שעוסק בכלכלה התנהגותית מכיר את זה היטב: החלטות גדולות מתקבלות לא פעם מתוך תערובת של רגש, הרגל והצדקה בדיעבד.

עבור מודלי AI זו קרקע בעייתית. כשמזינים אותם רק בהיסטוריית עסקאות, הם עלולים להסיק שהשוק פועל תמיד באופן רציונלי למחצה. במציאות, חלק מהביקוש נובע דווקא מחרדה, מאי-ודאות או משינוי חד בסביבה. זו לא סוגיה תיאורטית בלבד. מערכות כאלה כבר משפיעות על מה שנראה לנו רלוונטי, יקר, אטרקטיבי או דחוף.

מה שנראה כמו טרנד, עשוי להיות תגובת חירום

הזינוק בביקוש לדירות עם ממ”ד הוא דוגמה טובה. מודל חיזוי שמזהה עלייה חדה בהתעניינות עשוי לסווג אותה כהעדפת צרכנים יציבה: אנשים רוצים יותר שטח מוגן, ולכן צריך לתמחר אחרת, להמליץ אחרת ולבנות אחרת. אבל המציאות רגישה ומורכבת יותר. ביקוש כזה יכול להיות קשור למצב ביטחוני, להוראות רגולטוריות זמניות, להבדלים בין אזורים, למבנה הבניין או למרווח ההתראה האפשרי במקרה חירום.

במילים אחרות, לא מדובר רק בהעדפה צרכנית, אלא גם בתגובה לאיום. אם AI לא יודע להבחין בין השניים, הוא עלול להפוך מגמה נקודתית לכלל שוק. מכאן הדרך קצרה לשגיאות בהערכת שווי, בהמלצות חיפוש, בקביעת סדרי עדיפויות לפרויקטים ואפילו באופן שבו פלטפורמות מציגות “מה חשוב עכשיו”.

המספרים לא משקרים, אבל הם גם לא מסבירים את עצמם

זו נקודה שחוזרת שוב ושוב. פארקים לאומיים עמוסים אינם בהכרח “טובים יותר” מכל האחרים. לפעמים הם פשוט נגישים יותר או מוכרים יותר. גם דירות מסוימות לא נמכרות מהר רק בזכות האיכות שלהן, אלא משום שהן פוגשות רגע רגשי מדויק. ובשוק הנדל”ן המניב, נכסי מצוקה לא מעידים תמיד על איכות נמוכה, אלא לעיתים על חלון הזדמנויות שנוצר בגלל נסיבות פיננסיות, ריבית, לחץ מימוני או טיימינג.

אנליסט אנושי מנוסה יודע להביא בחשבון את המרחק שבין הנתון לבין הסיבה. אלגוריתם, אם לא מתכננים אותו בזהירות, נוטה לדחוס את הכול לשורה בטבלה.

הטיית הכוכבים: למה AI ממשיך לדחוף את מה שכבר מצליח

הנתון על הפארקים הפופולריים בארה”ב מדגים תופעה רחבה יותר, שמוכרת היטב גם בפלטפורמות דיגיטליות: אפקט הסופרסטאר. מה שכבר פופולרי זוכה לעוד חשיפה, ולכן נהיה פופולרי עוד יותר. זה נכון לסרטונים, למוצרים, לאפליקציות, לשכונות וגם ליעדי טיול.

מבחינה טכנולוגית, זו מלכודת מוכרת. מערכות המלצה מאומנות לעיתים על התנהגות עבר. אם רוב המשתמשים בחרו באפשרות אחת, המערכת מסיקה שכדאי להציג אותה לעוד משתמשים. כך היא לא רק משקפת ביקוש, אלא גם מייצרת אותו מחדש. התהליך הזה עלול לצמצם מגוון, לדחוק אפשרויות פחות מוכרות ולהעצים ריכוזיות של תשומת לב.

בנדל”ן, ההשלכה ברורה במיוחד. אם אלגוריתם מדרג שוב ושוב שכונות מסוימות כ”מבוקשות”, הוא עלול לחזק את התיוג הזה בלי לבדוק אם הביקוש נובע מאיכות חיים, מנגישות תחבורתית, מהיצע מוגבל או פשוט ממעגל של נראות. בשלב מסוים כבר קשה להפריד בין השוק לבין ההשתקפות שהאלגוריתם מחזיק מולו.

כששוק משתנה מהר, מודל שמבוסס על עבר עלול לפספס

כאן מתגלה חולשה נוספת של AI: התלות בעבר הקרוב. אם משפחת השקעות גדולה בונה לאורך שנים פורטפוליו בינלאומי ומזהה עסקאות במצבי דיסטרס, היא לא פועלת רק לפי מה שכבר היה. היא מנסה לזהות שינוי. ריבית, תמחור חסר, לחץ על מוכרים, תנודות מקומיות, מבנה מימון, שותפויות. כל אלה קשים הרבה יותר ללכידה כשמסתכלים רק על סדרת נתונים סטטית.

מודל למידת מכונה יכול לזהות יפה מאוד תבניות בתוך משטר שוק יציב. הבעיה מתחילה כשהתנאים עצמם משתנים. ביקוש של 2023 לא בהכרח מלמד על 2026. אזור שנראה אטרקטיבי בזמן מסוים עשוי לשנות פרופיל בגלל ביטחון, תשתיות, עבודה היברידית או רגולציה. מה שנראה כחריגה בנתונים הוא לפעמים התחלה של סדר חדש, לא רעש סטטיסטי.

למה זה חשוב במיוחד עכשיו

כי יותר ויותר מערכות AI כבר לא נשארות בשלב הניתוח. הן עוברות לשלב ההשפעה. הן לא רק מסכמות את העולם, אלא גם קובעות מה נראה קודם, מה יתומחר גבוה יותר, אילו אפשרויות יקבלו חשיפה ואילו יסומנו כמבטיחות. ברגע כזה, בלבול בין ביקוש לבין העדפה מפסיק להיות בעיה אנליטית בלבד והופך לבעיה מערכתית.

זה לא אומר שצריך לוותר על AI. להפך. מערכות כאלה מצטיינות בזיהוי דפוסים, חריגות, קשרים לא אינטואיטיביים ועומסי מידע שבני אדם מתקשים לעבד. אבל הן צריכות לפעול במסגרת זהירה יותר. נתוני עבר לבדם אינם מספיקים, ובוודאי שלא בשווקים שמושפעים מפסיכולוגיה, מאירועים חיצוניים וממגבלות מעשיות.

אז איך בונים AI שקורא ביקוש בצורה בוגרת יותר

• מוסיפים הקשר, לא רק תוצאה: רגולציה זמנית, אירועי ביטחון, זמינות תחבורה, עונתיות ושינויים מימוניים.

• מבחינים בין פופולריות לבין חשיפה. אם משהו נצרך הרבה מפני שהוא קודם הרבה, צריך לנסות למדוד את הפער.

• משאירים מקום לאי-ודאות. לא כל מגמה היא יציבה, ולא כל קפיצה מעידה על שינוי עומק.

• משלבים תובנות התנהגותיות. בני אדם לא פועלים כמו גיליון אקסל, במיוחד כשמדובר בכסף, בבית ובביטחון אישי.

• בודקים שונות מקומית. מה שנכון לעיר אחת, לשכונה אחת או לתקופה אחת לא בהכרח מתאים למקום אחר.

הלקח הרחב פשוט למדי: ככל שההחלטה אנושית יותר, כך הנתון הגולמי מספיק פחות. ביקוש הוא אינדיקציה חשובה, אבל לא פסק דין. הוא מספר לנו מה קרה, לא תמיד למה זה קרה, ובוודאי לא מה יקרה הלאה.

וזה אולי המבחן האמיתי של AI בוגר. לא רק לזהות את המסלול העמוס ביותר במפה, את הדירה שנמכרה מהר או את הנכס שנרכש בהנחה, אלא להבין שהמספרים האלה נולדו מתוך פחד, הרגל, חשיפה, אילוץ, אמון, ולפעמים גם מעט עדריות. בלי ההקשר הזה, האלגוריתם נשאר יעיל מאוד, אבל גם די עיוור.