普吉島有一套自動估價模型，用泰國土地廳的資料訓練，結果系統性地把海景別墅估得比市價低。問題不在演算法本身，而是買賣合約上登記的通常是用來計算過戶費的政府評估價，不是實際成交價。AI很誠實地學會了餵給它的資料，於是算出一個沒有人真的會用這個價格成交的數字。
這個小故事其實回答了台灣買家最常問的問題：AI在泰國房產市場到底哪裡真的有用，哪裡沒用。答案很簡單。凡是資料乾淨、量又大的地方，例如往來信件、文件、翻譯、財務模型、初步篩選買家，AI表現得很好。凡是市場本身不透明的地方，AI就會出錯，而泰國的二手住宅市場正好屬於這一類。
AI在泰國房產最可靠的4個用途是什麼？
對台灣買家和在地經紀人來說，AI目前最穩定發揮作用的是四件事：篩選詢問買家的初步意向、處理英文、俄文、泰文三語內容、拆解冗長的法律文件，以及建立租金收益的財務模型。這四項的共同點是輸入資料本身相對乾淨，AI不需要猜測市場真相，只需要正確處理已經存在的資訊。
相對地，泰國二手住宅的自動估價目前並不可靠。原因很直接：泰國沒有公開的實際成交價登記系統，訓練資料又被政府評估價嚴重扭曲。2026年9月一篇發表於arXiv的研究，把AI同時定義為資本、合成勞動力與基礎設施，透過自動化、增強、優化、預測、創新這五個管道影響生產。這篇研究也指出反面：部分工作會被取代，市場集中度會提高，贏家會是掌握資料與運算資源的人，而不是買了訂閱方案的人。
對經紀人而言，實際可以拿到的成果是每週省下8到12小時的重複性作業，而不是全自動成交。這一點值得先說清楚，因為期望值設錯，之後每一步都會覺得AI讓人失望。
為什麼AI估價常常低估普吉島的房產？
泰國財政部的房產評估作業是分週期進行的，目前這個週期涵蓋2023年到2026年，主要用來計算2%的過戶稅。問題是，這個評估價格,而不是市場成交價,才是大部分公開資料庫裡實際記錄的數字。AI模型訓練時吃進去的正是這批資料，於是估價結果系統性偏低，尤其在普吉島這類旅遊熱點的二手房產上，落差可能相當明顯。
這不是模型不夠聰明，而是資料本身有結構性的偏差。把AI估價當作一個參考點是合理的，但拿去當議價的依據就不合理了，因為它算出來的常常不是市場真的會成交的價格。
相比之下，曼谷的情況好一些。曼谷有上市開發商，財務揭露資訊比較完整，AI在曼谷做價格預測時有意義；但在華欣或拉威（Rawai）某條街上做同樣的預測，資料量根本不足以支撐結論。
AI無法取代的3件事：地契、開發商身分、49%配額
有三件事，無論用什麼工具組合，AI都無法替代人工核實：
- 確認地契（chanote）的真實性與權屬狀態：這需要對照泰國土地廳的原始文件，任何腳本都無法自動完成這一步。
- 確認開發商的合法登記狀態：這涉及公司登記、建照、預售資格等交叉核對，屬於法律程序而不是資料處理。
- 確認公寓項目剩餘的外國人持股配額：根據泰國《公寓法》，外國人在同一個公寓項目中，持有的總樓面面積不得超過49%，這是硬性法律上限。AI不知道某個項目目前剩多少配額，只有管理公司出具的正式信函才能確認。
這三項合起來，基本上就是台灣買家在下訂金前最該花錢請律師確認的事，而不是問AI。
AI真的能幫經紀人省時間嗎？多久算合理？
2026年那篇arXiv研究把勞動市場影響拆成三種模式：替代、互補、破壞性創新。對房產仲介這一行來說，這意味著這個職業不會消失，而是內部重新分配：重複性的工作會被機器接手，議價能力和在地知識的價值反而會上升。
以下是實際可以落地的步驟，供正在考慮導入AI工具的經紀人或投資人參考：
- 先把自己過去24個月的資料整理出來，包括客戶往來紀錄、帶看歷程、成交失敗的原因、實際成交價。沒有這批資料，任何模型跑的都是別人的統計數字，而泰國那批統計數字品質本來就不好。
- 量化基準線。記錄每週花在回覆訊息、準備推薦清單、翻譯房源、核對分期付款條件上的時間，導入AI前先測一次，否則之後沒辦法證明AI到底幫了多少。
- 從翻譯和本地化開始，不要一開始就衝銷售。英文、俄文、泰文三語的房源描述和開發商往來信件，是最快看到效果的地方。先建立一份專業術語詞彙表（地契chanote、租賃leasehold、永久產權freehold、公共基金sinking fund），連同文字一起餵給模型，否則翻譯出來的東西在法律上毫無意義。
- 用試算表搭建租金收益計算器,讓AI負責寫公式。記得把2%過戶稅、預扣稅、五年內轉售適用的3.3%特種商業稅、管理費、換租客之間的空置期都算進去。模型寫公式很擅長，但猜輸入數字很不擅長，這部分要自己設定。
- 導入文件解析功能。一份泰國開發商的買賣合約（SPA）動輒40頁，上傳後請模型抓出付款進度表、延遲交屋的罰則、解約條件，但這些條款抓出來之後一定要自己再讀一遍，因為模型抓得快，卻常常漏看附錄裡的交叉引用條款。
- 讓買家初步篩選半自動化：機器人先收集預算、時間表、購買目的、時區，第二則訊息就要換成真人接手。一個1500萬泰銖房產的全自動對話，很容易在中間就把客戶談丟。
- 用同樣的工具規劃帶看行程。模型在規劃跨三個區域、兩天的看房路線、並考慮普吉島交通狀況這件事上表現還算合理，但旺季機票和住宿建議提早分開訂，因為旺季價格漲得比行程變動快。
- 每個月盤點一次，把沒效果的用法直接砍掉。大多數團隊試了十個AI應用場景，最後只會留下兩到三個。
有一個提醒比上面整份清單都重要：用AI生成房源描述，是目前最熱門、也最被高估的用法。文字讀起來很順，但轉換率並不會因此提高，一個一週內看過十個網站的買家，很快就會認出機器的文字節奏，然後開始不信任這篇房源介紹。與其做出十個平庸的成果，不如把力氣放在文件和計算上，做出一個真正扎實的成果。
值得投入AI訂閱費，還是先整理自己的資料？
大部分情況下不需要付昂貴的訂閱費。主流模型的基礎版本，就足以應付翻譯、文件解析和計算這幾件事。真正該花錢的地方，是整理自己的成交資料庫，因為這才是真正的優勢來源，不是訂閱等級的高低。
研究裡提到的集中度風險也印證了這一點：最後贏的不是買了模型訂閱的人，而是累積了自己專屬資料的人。一家在CRM系統裡存有五年成交紀錄的仲介公司，天生就比沒有這批資料的競爭對手更有結構性優勢。作為對照，2026年7月SAP與牛津經濟研究院針對2,600位企業高層的全球調查發現，企業把AI整合得越深入日常營運流程，投資回報率就越高，這個模式與曼谷、普吉島早期公寓估價工具目前在可衡量誤差範圍內運作的情況相互印證。
我們的看法是：泰國的獨立經紀人現階段應該把AI集中用在往來信件和文件處理這兩件事上就好。其他用法要在每年成交量達到幾十筆時才真正划算。如果你一個季度只成交兩筆，把同樣的時間拿去深耕你比競爭對手更熟悉的那個區域，其實更誠實，也更有效。
來源：Kalinka Thailand