מה מודל AI מפספס כשהוא מנסה לנבא את שוק הדיור הישראלי

אם מזינים למערכת חיזוי את הנתונים היבשים של שוק הדיור בישראל, מתקבלת לכאורה תמונה פשוטה: מכירות הדירות החדשות ירדו, מלאי הדירות הלא מכורות גדל, ולכן המחירים אמורים להיחלש. אלא שבפועל זה לא בדיוק מה שקרה. בחלק מהמקומות המחירים המשיכו לעלות, חברות דיווחו על גידול בהכנסות גם כשהשוק האט, ופרויקטים שנמשכו שנים ארוכות הגיעו סוף סוף לאכלוס. זו לא רק סתירה כלכלית. זו גם המחשה לא רעה למגבלות של AI כשהוא פוגש שוק שמונע לא רק מביקוש והיצע, אלא גם מתזמון, רגולציה, מלחמה ואינטרסים אנושיים.

הפיתוי להפעיל AI על שוק הנדל”ן מובן לגמרי. יש שפע של נתונים: עסקאות, היתרים, התחלות בנייה, זמני שיווק, מחירי קרקע, תשומות בנייה, ריבית ודמוגרפיה. על הנייר, זה חומר גלם מצוין למודלים חזויים. אבל בישראל, לפחות כרגע, הנתונים מספרים רק חלק מהסיפור. לפעמים הם אפילו מפספסים את החלק החשוב יותר.

הטעות הראשונה: להניח שמלאי גבוה שווה לחץ לירידת מחירים

אחד המשתנים שמערכת חיזוי תיטה לייחס להם משקל גבוה הוא מלאי הדירות הלא מכורות. זה גם נשמע אינטואיטיבי: אם יש יותר דירות על המדף, ליזמים אמור להיות קשה יותר למכור, ולכן הם יורידו מחירים. אלא שבפועל, מלאי לא תמיד מעיד על עודף היצע מיידי. לפעמים הוא תוצאה של החלטה אסטרטגית.

יזמים אינם מתנהלים כמו חנות קמעונאית שצריכה לפנות סחורה מהמחסן. הם עובדים במחזורים של שנים, בוחנים שכונות, תשתיות, קצב הגירה פנימית וצפי ביקוש. לכן עיר יכולה להציג גם מלאי דירות גדול וגם עליית מחירים, אם היזמים מעריכים שהביקוש העתידי יצדיק את ההמתנה. ירושלים היא דוגמה טובה לפרדוקס הזה: יותר דירות זמינות לא בהכרח תורגמו לשוק חלש יותר.

מבחינת AI, זו בעיה קלאסית. המודל רואה מספר גבוה ומפרש אותו דרך דפוסים מוכרים, אבל לא תמיד יודע להבחין בין מלאי שנתקע כי אין קונים, לבין מלאי שנבנה מראש כחלק מהימור ארוך טווח על ביקוש.

הטעות השנייה: לבלבל בין מכירות חלשות לבין חברות חלשות

גם כאן הנתונים עלולים להטעות. ב-2025 נמכרו פחות דירות חדשות מאשר בשנה שקדמה לה, ובכל זאת חלק מהחברות הציגו שיפור בהכנסות, או לפחות הצליחו לבלום את הירידה. איך זה קורה? מפני שדוחות של חברות נדל”ן אינם צילום רגעי של הקופה. הם משקפים את קצב הביצוע באתרי הבנייה, את שלבי ההכרה בהכנסה ואת היכולת למסור דירות.

במילים אחרות, שוק יכול להיראות חלש ברמת העסקאות החדשות, ובאותו זמן להיראות יציב יחסית בדוחות הכספיים, אם אתרי הבנייה חזרו לעבוד בקצב טוב יותר או אם פרויקטים ישנים הגיעו לשלב המסירה. מודל AI שלא מבחין בין נתוני מכירה לבין נתוני הכרה חשבונאית עלול להגיע למסקנות שגויות לחלוטין.

זה לא ניואנס טכני. זו נקודה מהותית. בענף הנדל”ן, הזמן הוא משתנה פיננסי. מה שנמכר היום יוכר לעתים רק הרבה יותר מאוחר, ומה שנבנה עכשיו מושפע מהחלטות שהתקבלו לפני שנים. כשמנסים לחזות מגמות על סמך נתונים רבעוניים בלבד, מאבדים חלק גדול מהתמונה.

הטעות השלישית: להתעלם מעלויות שמגיעות מבחוץ

AI טוב בזיהוי דפוסים מתוך ההיסטוריה. הוא פחות טוב באירועים שמשנים את חוקי המשחק תוך כדי תנועה. מלחמה היא בדיוק אירוע כזה. גם ההשפעה האפשרית של מחירי אנרגיה וחומרי גלם על עלויות הבנייה לא תמיד מתנהגת באופן ליניארי. יש לכך השלכות על הובלה, על חומרי גלם, על זמינות עובדים, על לוחות זמנים, ולעתים גם על תמחור הסיכון מצד יזמים ומממנים.

כשעלויות עולות והביצוע מואט, שני דברים יכולים לקרות במקביל: מצד אחד פחות עסקאות ויותר היסוס בשוק, ומצד שני לחץ כלפי מעלה על מחירי הדירות החדשות בפרויקטים שכן מתקדמים. עבור מודל חיזוי, זה כמעט נראה כמו תקלה. בעולם האמיתי, זו פשוט כלכלה שפועלת תחת חוסר ודאות.

כאן גם ניכר הפער בין תחזית טכנית לבין הבנה ענפית. מערכת יכולה לזהות קורלציה בין ריבית, מלאי ומחיר. הרבה יותר קשה ללמד אותה איך שוק מגיב כשבאותו זמן משתנים גם עלויות תשומה, גם זמינות כוח אדם וגם הסנטימנט של הרוכשים.

הטעות הרביעית: לחשוב שהאינטרסים של כולם מיושרים

עוד נקודה שמודלים נוטים להחליק מעליה היא מבנה התמריצים. שינוי שנעשה לאחרונה בתחום ההתחדשות העירונית, הנוגע לאופן חישוב שכר המארגנים, ממחיש עד כמה גם תמריץ פיננסי קטן לכאורה יכול לשנות את התמונה כולה. כששכר מתקרב יותר לאחוז מהכנסות היזם ופחות לתשלום קבוע, גדל גם הסיכוי שהמארגן ימשוך לכיוון של פרויקט גדול ויקר יותר.

ברמת הנתונים, פרויקט כזה עשוי להיראות אטרקטיבי: יותר קומות, יותר יחידות, אולי גם יותר הכנסות. אבל מאחורי המספרים מסתתרת שאלה אחרת: מי מרוויח, מי מוותר, ועל חשבון מי נבנה האיזון. אם התמורות לבעלי הדירות נשחקות, או אם תכנון מנופח מייצר עיכובים וסיכונים, המספרים הראשוניים כבר לא מספרים את כל הסיפור.

זו אחת מנקודות החולשה של מערכות אנליטיות שמתבססות בעיקר על תוצאות ולא על מנגנונים. הן יודעות לקרוא תפוקה. הרבה פחות ברור להן איך אינטרסים מעצבים את הדרך אליה.

עשור אחד, שלושה מגדלים, ואינסוף מידע חסר

פרויקטים שמסתיימים רק אחרי שנים ארוכות ממחישים היטב עד כמה מסוכן להסתמך על תמונת מצב רגעית. פרויקט גדול במרכז תל אביב, שהחל את דרכו לפני כעשור, הגיע רק עכשיו לאכלוס. לאורך התקופה השתנו מחירי המימון, שוק המשרדים, מחירי הדירות, הביקוש העירוני ואפילו תמהיל השימושים באזור.

מבחינת AI, אלה פרויקטים קשים במיוחד לניתוח. המידע שנאסף בתחילת הדרך כמעט לא דומה לתנאי השוק בסופה. מי שמנסה לבנות מודל חכם לשוק הנדל”ן חייב להביא בחשבון שלעתים הנתון החשוב ביותר הוא דווקא משך הזמן: לא כמה דירות יש, אלא כמה שנים יעברו עד שהן יגיעו בפועל לשוק, ובאילו תנאים.

הדבר נכון גם לניתוח מחירים. דירה שמוערכת היום בסכום גבוה לא מלמדת בהכרח על הרווחיות המקורית של הפרויקט, על רמת הסיכון שנלקחה בתחילתו או על איכות התחזית שנבנתה עבורו אז.

אז איפה AI כן יכול לעזור

הבעיה אינה בטכנולוגיה עצמה, אלא בציפייה שהיא תספק תשובה אחת נקייה לשוק שלא מתנהג בצורה נקייה. AI יכול להיות כלי טוב מאוד כשמשתמשים בו כדי לאתר חריגות, למפות סיכונים, לזהות אזורים שבהם קצב הביצוע נשחק, או להשוות בין הנחות תמחור של פרויקטים דומים. הוא יכול לסייע במיוחד כשמחברים יחד מקורות מידע שבעבר נותרו מופרדים.

• חיבור בין קצב השיווק בפועל לבין ההתקדמות ההנדסית באתר
• זיהוי פער בין מלאי דירות רשום לבין קצב מכירה אפקטיבי לאורך זמן
• מעקב אחר שינויים בתשומות הבנייה וההשפעה האפשרית שלהם על לוחות הזמנים
• זיהוי מוקדם של פרויקטים שבהם מבנה התמריצים עלול להוביל לתכנון אגרסיבי מדי

אבל כדי שזה יעבוד, המודל צריך לקבל לא רק מספרים אלא גם הקשר: רגולציה, מבנה עסקאות, סוגי סבסוד, תלות בעובדים, תמהיל עירוני, ואפילו שאלה פשוטה כמו מי יכול להרשות לעצמו להמתין ומי חייב למכור עכשיו.

הנתון הוא לא הסיפור

קל להתפתות למחשבה ששוק הדיור הוא בסך הכול בעיית חיזוי שעוד לא קיבלה מספיק דאטה. בפועל, זהו שוק שבו הנתון נראה לעתים חד יותר מהמציאות עצמה. ירידה במכירות לא בהכרח מובילה לירידה בהכנסות. מלאי גבוה לא מחייב ירידת מחירים. שינוי קטן בנוסחת תגמול יכול להזיז פרויקט שלם. ועשור של עיכובים עשוי להפוך כל תחזית מוקדמת למזכרת היסטורית.

מי שבונה היום כלי AI לנדל”ן בישראל לא צריך לשאול רק איך לחזות מחיר. השאלה המעניינת יותר היא איך לזהות מתי המספרים מטעים, או לפחות מסתירים. בשוק כזה, זה כנראה ההבדל בין דשבורד מרשים לבין מערכת שמבינה משהו על המציאות.