הדאטה לא פותר את משבר הדיור: מה הסיפורים של השבוע אומרים על AI, תכנון ואמון

יש משהו מטעה במילה “מערכת”. היא נשמעת מסודרת, מאוזנת, כמעט ניטרלית. אבל שלוש ידיעות שונות משוק הדיור הישראלי מזכירות עד כמה מאחורי כל מערכת מסתתרות בחירות: מה מודדים, את מי מתגמלים, איזה סיכון מעבירים לציבור, ואילו חיים מצטמצמים לשורת אקסל. מי שמחפש את המקום שבו טכנולוגיה ו-AI פוגשים את היומיום באופן הכי פחות תיאורטי, ימצא אותו כאן.

בהגרלת “דירה בהנחה” נרשמו יותר מ-114 אלף משקי בית על פחות מ-8,000 דירות. במתחם סירקין בפתח תקווה תושבים גילו שמודל תכנוני חדש עלול למחוק תוספות שציפו להן שנים. ובמקביל, חברה גדולה מזהה מלאי תקוע אצל קבלנים ומנסה להפוך אותו לפורטפוליו של השכרה ארוכת טווח. על פני השטח אלה שלושה סיפורים נפרדים. בפועל, שלושתם מצביעים על אותו כיוון: מעבר מניהול נדל”ן באמצעות שיקול דעת מקומי, איטי ומוצהר, לניהול שנשען יותר על כללי הקצאה, מודלים כלכליים וקריאת שוק כמעט בזמן אמת.

הגרלה היא גם אלגוריתם, רק בשם מרוכך יותר

הדיון הציבורי סביב “דירה בהנחה” נוטה להתמקד במספר הנרשמים, בסיכויי הזכייה ובשאלה אם בכלל נשארה הזדמנות במרכז. אבל מה שמעניין כאן, מבחינה טכנולוגית, הוא עצם המנגנון. ההגרלה אינה רק קופסה שמוציאה זוכים. זו מערכת הקצאה עם תנאי סף, סדרי עדיפויות, קבוצות מועדפות ורמות תחרות שונות מאוד בין קהלים שונים.

ברגע שמחצית מהדירות מיועדות למשרתי מילואים, ולחלק מהדירות יש גם יתרון ל”בן מקום”, התמונה הסטטיסטית כבר אינה אחידה. שני נרשמים שונים לא באמת משתתפים באותה הגרלה, גם אם נכנסו לאותו אתר ומילאו את אותו טופס. זה בדיוק מסוג המנגנונים שמערכות חיזוי ו-AI אמורים לדעת לתווך לציבור, אבל לרוב לא עושים זאת היטב.

כאן נחשף אחד הפערים הגדולים ב-AI אזרחי. הבעיה אינה מחסור בדאטה, אלא מחסור בקריאות. לרשות יש נתונים על ביקוש, על אזורים, על מאפיינים דמוגרפיים ועל היסטוריית הרשמות. לפחות תיאורטית, היא יכולה להציג לכל משק בית טווח הסתברות משוער לפי קבוצת הזכאות שלו, או להמחיש עד כמה התחרות קשה בכל יישוב. במקום זה, הציבור מקבל בדרך כלל מספר כולל ותחושת ערפל. מבחינה טכנית זה פתיר. מבחינה מוסדית, הסיפור כבר מורכב יותר.

כשמודל “יעיל” פוגש שכונה ממשית

הסיפור מסירקין נוגע בשכבה אחרת של הטכנולוגיה. לא מנגנון הקצאה, אלא מנגנון תכנון. מודל “תמורות אפס” נשמע כמעט הנדסי: נקי, מדיד, אחיד. מבחוץ הוא אפילו עשוי להיראות כמו שיפור. פחות תלות במשא ומתן אינסופי, יותר ודאות תכנונית, אולי גם קיצור תהליכים. אלא שדווקא כאן מתגלה המגבלה המוכרת של אופטימיזציה.

מודלים אוהבים אחידות. שכונות לא. במתחם כזה חיים ותיקים, קשישים, משפחות גדולות, עולים ובעלי מוגבלויות. עבור חלקם, ההבדל בין תוספת שטח לבין היעדרה אינו שדרוג קוסמטי, אלא עניין של תפקוד, של הסתגלות, של כדאיות ממשית להיכנס למסלול פינוי-בינוי ארוך ולא ודאי. מערכת שמחשבת רווחיות או תועלת ציבורית במבט עלולה להחמיץ בדיוק את מה שהופך פרויקט לאפשרי ברמת הבניין והדייר.

זה שיעור חשוב גם לשיח על AI בתכנון ערים. בשנים האחרונות מרבים לדבר על מודלים שיודעים למפות צפיפות, תחבורה, ערכי קרקע ויכולת מימוש. זה שימושי, לפעמים מאוד. ובכל זאת, שום מודל לא פותר לבדו את שאלת האמון. אם במשך שנים נאמר לתושבים שמהלך מסוים עדיף על חלופה אחרת, ואז כללי המשחק משתנים, הבעיה אינה רק כלכלית. היא גם טכנולוגית במובן העמוק יותר: אנשים מאבדים אמון במערכת שמציגה את עצמה כרציונלית, אבל בפועל מתנהגת כמו מטרה נעה.

AI טוב בזיהוי דפוסים, פחות בניהול ציפיות

כדאי להתעכב על זה. בעולם הטכנולוגיה אוהבים להציג AI ככלי שמצמצם חוסר ודאות. בפועל, בתחומים ציבוריים רבים הוא דווקא מחדד שאלה אחרת: מי נושא בחוסר הוודאות. אם התושב לא יודע מה יקבל, היזם לא יודע אם יש כדאיות, והרשות בטוחה שהמודל “רווחי” ברמת המתחם, הבעיה לא נעלמה. היא רק חולקה מחדש בין השחקנים.

מלאי תקוע הוא הזדמנות, אבל גם אות שוק שמכונות קוראות מהר יותר

הידיעה על גינדי והכוונה לרכוש דירות מקבלנים לחוצים נראית במבט ראשון כמו מהלך נדל”ני קלאסי. אבל מתחת לפני השטח פועל כאן היגיון טכנולוגי ברור. שוק שיש בו מלאי לא מכור, לחץ תזרימי ואי ודאות בביקוש הוא שוק שבו מי שיודע לאסוף נתונים, לדרג סיכון ולתמחר במהירות, מקבל יתרון.

לא צריך לדמיין רובוט שמחליט לבד אילו דירות לקנות. די להבין את שכבת התשתית: דאטה על קצב מכירות, על אזורי ביקוש, על שלבי בנייה, על עלויות מימון, על הפער בין מחיר מבוקש למחיר עסקה אפשרי. בשווקים כאלה, מערכות אנליטיות ולעתים גם כלי AI לא מחליפים את ההנהלה. הם פשוט מקצרים את הדרך בין זיהוי הזדמנות לבין איתות לפעולה.

וזה אולי השינוי השקט יותר בשוק המקומי. לא רק שהמדינה מנהלת הקצאות דרך מערכות, גם השחקנים הפרטיים מתקדמים לניהול מבוסס דאטה בהיקף רחב יותר. כשחברה רוכשת מאות דירות מתוך הנחה שחלק מהשוק לחוץ, היא פועלת כמעט כמו פלטפורמה פיננסית עם שכבת חיזוי. הדיור נעשה פחות אירוע של פרויקט בודד ויותר שדה של ניתוח מלאים, סיכונים ותשואות.

מה שלושת המקרים האלה אומרים על AI בעולם האמיתי

ביחד, שלושת המקרים מראים ש-AI לא נכנס לשווקים כאלה דרך חזון עתידני של עיר חכמה עם רכבים אוטונומיים. הוא מגיע מהצד: בדירוג זכאויות, בניתוח כדאיות, באיתור עיוותי שוק, בתחזיות ביקוש ובמודלים של הקצאה. זה פחות נוצץ, והרבה יותר משפיע.

יש כאן גם שיעור רחב יותר. כתבות על טכנולוגיה נמשכות לא פעם אל המופע הגדול, קצת כמו עיר שמוצגת רק דרך מרוץ בינלאומי שהיא מארחת. אבל חיי היומיום של המערכת נמצאים במקום אחר: בטפסים, בקריטריונים, במודלי רווחיות, בשכבות הנתונים שאף אחד לא רואה. שם AI באמת משנה התנהגות מוסדית ושוקית.

• הוא יכול לייעל הקצאה, אבל גם לטשטש פערים בין קבוצות כשהשקיפות חלקית.
• הוא יכול לסייע בתכנון התחדשות עירונית, אבל לא לבטל את הצורך בהסכמה חברתית ובאמון לטווח ארוך.
• הוא יכול לזהות הזדמנויות עסקיות מהר יותר מבני אדם, ובכך להאיץ ריכוזיות או שינוי מודל בשוק.

האתגר הבא אינו עוד מודל, אלא הסבר טוב יותר

אם יש מסקנה אחת שעולה מהשבוע הזה, היא לא שצריך פחות טכנולוגיה. גם לא שצריך למסור עוד החלטות לאלגוריתם. המבחן האמיתי יהיה היכולת לבנות מערכות שאפשר להבין גם מבחוץ. לא רק להפעיל מנועי חיזוי, אלא להסביר מה הם עושים לחיים של אנשים שונים.

בדיור, כמו בתחומים ציבוריים אחרים, AI יהיה משמעותי בעיקר כשיפסיק להסתתר מאחורי שפה טכנית. כשהגרלה תוצג גם כהקצאה דיפרנציאלית. כשמודל תכנוני ילווה בהבהרה אמיתית של מי מרוויח ומי נסוג. כשמהלך עסקי של רכישת מלאי ייקרא לא רק כהזדמנות פיננסית, אלא גם כאיתות לכך ששוק שלם משנה צורה.

הטכנולוגיה כבר כאן. השאלה המעניינת פחות היא אם היא חכמה, ויותר אם היא מספרת ביושר מה בדיוק היא עושה.