TFL Vsebine / TFLGlasnik

1. UVOD

Področje ocenjevanja vrednosti nepremičnin se v zadnjih letih intenzivno spreminja zaradi digitalizacije in razvoja umetne inteligence (UI). Tradicionalni načini ocenjevanja, ki temeljijo na analizi primerljivih prodaj, donosa ali stroškov, se vse pogosteje dopolnjujejo z naprednimi analitičnimi orodji. Med njimi imajo pomembno mesto avtomatizirani modeli vrednotenja (AVM). Njihova uporaba odpira vprašanja glede natančnosti, transparentnosti in zmožnosti zajemanja specifičnih značilnosti posamezne nepremičnine. Mednarodni standardi ocenjevanja vrednosti (MSOV) zato jasno poudarjajo, da AVM-ji ne morejo nadomestiti strokovne presoje ocenjevalca in so le podporno orodje za ocenjevanje.

Čeprav se tehnologija pri ocenjevanju uporablja že desetletja, nedavni napredki bistveno vplivajo na način izvajanja in poročanja o oceni vrednosti. IVSC ugotavlja, da se tehnologija nenehno razvija in vse bolj vpliva na postopek ocenjevanja, pri čemer aktivno spremlja te spremembe in podpira ocenjevalce pri njihovem prilagajanju. Ključni elementi postopka ocenjevanja so še naprej človeška presoja, poklicna nezaupljivost in odgovornost. Tehnološki napredek se kaže zlasti na področju pridobivanja in interpretacije podatkov, vključno z uporabo slik in drugih nestrukturiranih podatkov, ter na področju izračunov, modelov, napovedne analitike, poizvedb, poročanja in predstavitve rezultatov. Med najbolj znanimi sistemi umetne inteligence so veliki jezikovni modeli (LLM), ki navedene funkcije omogočajo v različni meri, to so: OpenAI ChatGPT, Anthropic Claude, Microsoft Copilot, DeepSeek, Google DeepMind Gemini, xAI Grok ter številni lastniški sistemi, ki temeljijo na strojnem učenju.

2. TEORETIČNA IN METODOLOŠKA IZHODIŠČA

Avtomatski model samodejnega ocenjevanja vrednosti (AVM), kot ga opredeljujejo MSOV-ji (10.02), je vrsta modela, ki omogoča samodejni izračun vrednosti določenega sredstva na določen datum z uporabo algoritmov ali drugih metod izračuna. Pri tem ocenjevalec vrednosti ne uporablja svoje strokovne presoje glede delovanja modela, niti ne izbira vhodnih podatkov ali preverja rezultator (MSOV, 2025).

V širši strokovni javnosti je več definicij, ki se sčasoma in z razvojem tehnologije tudi spreminjajo. Tako je na primer delovna skupina pri RICS-u opredelila, da avtomatizirani modeli ocenjevanja uporabljajo eno ali več matematičnih metod za oceno vrednosti določene nepremičnine na določen datum, pri čemer vključujejo tudi merilo zanesljivosti rezultata, in to brez človeškega posredovanja po začetku postopka (RICS, 2021).

V literaturi se AVM-ji ne obravnavajo kot samostojne metode ocenjevanja, ampak kot razširitev klasičnih načinov (način tržnih primerjav, na donosu zasnovani način in nabavno-vrednostni način) oziroma kot avtomatizirana pomoč pri ocenjevanju vrednosti po obstoječih načinih ocenjevanja vrednosti – z napredno statistično modelizacijo, umetno inteligenco in strojnim učenjem. Po raziskavi, ki jo je opravil Prenner (2024), AVM-ji omogućajo zanesljivo podporo pri ocenjevanju le, će jih spremlja strokovna presoja, saj so lahko pomoć pri preverjanju rezultatov tradicionalnih metod, ne pa nadomestilo za njihovo uporabo.

V sistematičnem pregledu literature, ki ga je izvedel El Jaouhari at al. (2024), je poudarjeno, da AVM-ji pripomorejo k izboljšanju natančnosti, transparentnosti in odločanja v različnih segmentih nepremičninskega trga – od investicij do zemljiške politike. Prepoznane so tudi ključne smeri razvoja, med katerimi izstopajo integracija podatkov, razvoj hibridnih modelov in obravnava etičnih dilem.

3. AVTOMATIZIRANI MODELI VREDNOTENJA V MEDNARODNIH STANDARDIIH

Standard MSOV 105 – Modeli ocenjevanja vrednosti obravnava izbiro in uporabo modelov ocenjevanja vrednosti. Omenjeno je, da ocene vrednosti, skladne z MSOV-ji, ne more pripraviti noben model brez strokovne presoje ocenjevalca, npr. samodejni model ocenjevanja vrednosti (AVM).

V 10.04 MSOV-ja 105 je navedeno, da je treba uporabljene modele ocenjevanja vrednosti preizkusiti, da se zagotovi primerna točnost izhodnih podatkov za predvideno uporabo, podlago vrednosti in sredstva in/ali obveznosti, katere vrednost se ocenjuje. Kot pa je navedeno v nadaljevanju 10.05, mora v vseh primerih ocenjevalec vrednosti pri izbiri in uporabi modelov ocenjevanja vrednosti ter uporabi vhodnih podatkov, uporabljenih v modelu ocenjevanja vrednosti, presojati strokovno in s poklicno nezaupljivostjo. Ne glede na to modeli ocenjevanja, ki si pomagajo z umetno inteligenco, in modeli samodejnega ocenjevanja vrednosti (AVM) ne morejo biti ocenjevalcu vrednosti vedno v pomoč. Kot izhaja iz IVSC PERSPECTIVES PAPER: Navigating the Rise of Artificial Intelligence in Valuation: Opportunities, Risks and Standards, izdanega julija 2025, je naloga ocenjevalca, da s svojim strokovnim znanjem razume zasnovo modela ocenjevanja in omejitve, ki jih prinašajo umetna inteligenca in AVM-ji, ter kritično presodi njuno primernost uporabe pri modelu ocenjevanja vrednosti.

Prav tako IVSC opozarja, da opažajo vedno večjo uporabo umetne inteligence in AVM-jev pri ocenjevanju vrednosti ter da je področje umetne inteligence in AVM-jev hitro razvijajoče se, pa tudi, da se zaradi hitrega in naprednega razvoja tehnologije, umetne inteligence in strojnega učenja lahko kmalu spremenijo pravila v MSOV-jih.

Po MSOV-ju 105 so značilnosti ustreznih modelov ocenjevanja vrednosti:

• točnost – model ne vsebuje napak in deluje skladno s cilji ocenjevanja vrednosti;
• popolnost – model obravnava vse značilnosti sredstva in/ali obveznosti, da bi določil vrednost;
• pravočasnost – model odraža tržne razmere na datum ocenjevanja vrednosti;
• preglednost – vsi, ki pripravljajo model in se nanj zanašajo, morajo razumeti, kako model deluje in katere so njegove omejitve.

IVSC ugotavlja, da ocenjevalci vrednosti uporabljajo modele, ki pa so različni. Mednje tako uvrščajo Excelove preglednice, katerih avtorji so ocenjevalci sami, pa tudi AVM-je, ki temeljijo na strojnem učenju in umetni inteligenci. IVSC ugotavlja, da će ocenjevalci uporabljajo model, ki so ga zastavili sami, ga tudi razumejo in obvladujejo predpostavke, upoštevane v modelu. Če pa se model uporabi s pomočjo umetne inteligence oziroma kompleksnejših sistemov, je razvidno, da ocenjevalci težje razumejo predpostavke, določene z modelom, težja je sledljivost informacij, vgrajenih v model, način izbire podatkov in omejitev, zahtevnejše pa tudi samo razumevanje modela. Pomembno je, da se ocenjevalci vrednosti zavedajo svoje odgovornosti pri izvajanju ocenjevanja vrednosti, če model ni razumljiv in ne morejo zagotoviti sledljivosti poteka modela.

Iz MSOV-ja – Obseg dela izhaja, da je potrebna proučitev verodostojnosti in zanesljivosti informacij, če se ocenjevalec vrednosti zanaša na informacije, ki jih pridobi od tretje osebe in ne ocenjevalec vrednosti sam. Informacije, bistvene za samo izvedbo ocenjevanja vrednosti in pridobljene od tretjih oseb, bi bilo smiselno raziskati in za vsako prejeti potrditev. Če za prejete informacije ni možno preveriti verodostojnosti in zanesljivosti, je v pristojnosti ocenjevalca, da se odloči, ali je primerno tak podatek upoštevati pri sami izvedbi ocenjevanja vrednosti.

V MSOV-ju je še izpostavljeno, da se mora ocenjevalec vrednosti zavedati neskladnosti z MSOV-ji, če med samim izvajanjem ocenjevanja vrednosti ugotovi, da se z raziskavami, vključenimi v sam potek dela, ne more podati verodostojna ocena vrednosti ali da podatkov, ki jih morajo zagotoviti tretje osebe, ni mogoče pridobiti.

Celoten članek je dostopen za naročnike!