Ben Miller, a Fundrise társalapítója és a RealAI vezérigazgatója azt ismertette Ben Lorica Generative AI in the Real World című podcastjában, hogyan alakult a RealAI belső adatiniciatívából olyan eszközzé, amely második vonali ingatlananalitikus munkát végez. A beszélgetés fókuszában az állt, hogy a siker kulcsa nem feltétlenül egy jobb nyelvi modell, hanem egy tulajdonolt adatréteg — az a strukturált, domain-specifikus adattár, amelyet általános célú eszközök nehezen tudnak reprodukálni.
Mi a RealAI célja és kinek szól?
A RealAI-t professzionális, intézményi ingatlanbefektetők számára tervezték: olyan szereplőknek, akik tízmilliós nagyságrendű ingatlanokat vásárolnak és üzemeltetnek. A hagyományos ingatlananalitikus feladata a tulajdon vizsgálata (due diligence), pénzügyi pro forma modellek készítése, befektetési javaslatok megírása és az eszköz utólagos menedzsmentje — sokszor manuális, táblázatcentrikus munkafolyamatokkal.
Miller rámutatott, hogy egy tipikus társasház rengeteg, napi működéssel kapcsolatos adatot generál (pl. karbantartási események, bérleti forgalom, marketingcsatornákon érkező bérlői források, demográfia), de az iparág döntéshozatala hagyományosan ezeket a nyers eseményeket aggregált, ritkán frissített jelentésekbe és excel-táblákba sűríti, amivel sok információ vész el.
Adat és adatmodell: hely, ingatlan, ember
A Fundrise a fintech platformból kinőve vertical-integrálódott: egyszerre rendelkezik befektetői felülettel, eszközgazdálkodással és üzemeltetéssel. Az így összegyűjtött adatok között két fontos csoportra fókuszáltak: az ingatlanok és a hely adataira (time series, összehasonlító kontextus), valamint — fontos hiányzó elemként — a személyekhez kapcsolódó adatokra. Miller szerint a hagyományos ingatlanrendszerek (például Yardi, Tratta, RealPage) elsősorban cím/unit alapú számlázási és könyvelési modellt használnak, de a „benti” személy adatmodellje gyakran hiányzik.
Fundrise ezért nagy méretű, marketinghez hasonló granularitású személyadatokat kezdett gyűjteni (ki költözik be/kik költöznek el, kor, jövedelmi jellegzetességek, eszközhasználat stb.) és ezeket egyesítette az ingatlanok műszaki és gazdasági adataival. Ezzel újfajta korrelációk és elemzési lehetőségek jelentek meg.
Műszaki felépítés és működés
Miller elmondta, hogy a RealAI mögötti architektúra kétféle adattárolást használ: egy éjszakánként előszámított, analitikus réteget (Snowflake alapú adatbázis, amelyen klaszterezések és aggregációk futnak), illetve egy tranzakcionális, alacsony késleltetésű tárolót a lekérdezésekhez és API-hívásokhoz. Sok számítást előre kalkulálnak (növekedési mutatók, bérleti trendek, klaszterezés város/épület/blokk szinten), hogy a felhasználói kérdésekre gyors, determinisztikus válaszokat adjanak.
A felhasználói élmény chat-alapú: a nyelvi modell (korábban Claude, majd Vercel integráció említve) a kérés értelmezéséért, a szándék lefordításáért és a lekérdezések összefűzéséért felel, de a pénzügyi számításokat és alapadatokat nem a LLM végzi. Miller szavaival az AI inkább „orchestrator”: előhív eszközöket (websearch, kalkulátor, előszámított SQL/analitikus lekérdezések), de a faktuális adatokat determinisztikusan a saját adatbázisból tölti be, így minimalizálva a hallucinációk kockázatát.
Modellhasználat, piac és disztribúció
Miller elismerte, hogy a széles körben elérhető, általános célú modellek (Claude, ChatGPT stb.) könnyen bekerülnek a felhasználók eszköztárába, és ezért a RealAI stratégiájának része a Claude piactérbe történő csatlakozás: plugint és connectort építettek, hogy ott érjék el a felhasználókat. Ugyanakkor hangsúlyozta, hogy hosszabb távon a tulajdonolt, domain-specifikus adatréteg lesz a védőgát, mert még ha a modell is nyílt vagy általános lesz, a prémium értéket az adatok és azok előfeldolgozottsága biztosítja.
Miller megemlítette a nyílt forrású modellek és specializáló megoldások (finetuning, pre-training) trendjét, de megjegyezte, hogy a nyílt modellek gyors fejlődése sem feltétlenül ad azonnal jobb végfelhasználói élményt, amíg az adati munka és termékpozicionálás nincs megoldva.
UX, bizonytalanság és hitelesség
A podcastban szóba került a bizonytalanság kommunikálása: RealAI a válaszok mellett meta-információt is megjelenít a lefedettségről és az adatforrásokról. Miller tapasztalata szerint a felhasználók kezdetben ellenőrzik az adatok minőségét; ha meggyőzőnek találják az elemzést, később kevésbé foglalkoznak a kis metodológiai eltérésekkel. A platform igyekszik felhasználói szinten is jelezni, hol lehet eltérés (pl. medián vs. pont-pont növekedés), és kiterjedt adatkiterjedtségi információt ad a válaszok mellé.
AI hatása az ingatlanpiacra és a munkaerőre
Miller a beszélgetésben részletesen elemezte, hogy az AI hogyan gyorsítja a jövedelmi és gazdasági különbségek növekedését (K-alakú hatás). Ez a real-estate befektetésekre úgy hat, hogy a felső, jómódú rétegek által keresett, árérzéketlen piacok relatív vonzereje nő, míg az olcsóbb, középosztálybeli és alsóbb keresletre épülő beruházások egyre nehezebben hozhatók profitra — részben politikai beavatkozások és növekvő költségek miatt.
A földrajzi koncentráció szempontjából Miller felhívta a figyelmet arra, hogy középosztálybeli fehérgalléros munkakörök (back-office, middle-office), amelyeket a pandémia idején sokan olcsóbb városokba költöztettek, különösen sérülékenyek az AI automatizációjára. Ez olyan piacokat érint, amelyek korábban a fiatal, városi bérlők kereslete alapján fejlődtek.
A munkaerőpiac kapcsán Miller vegyes képet rajzolt: rövid távon egyszerre csökken a szükséges headcount bizonyos munkákban és nő az igény speciális területeken. Szerinte a nagy, globális AI beruházások (adatközpont-építések) most felhajtják a keresletet, de ez egy többéves, lakmusz-szerű beruházási hullám, amely után szerinte mélyebb visszaesés következhet a fehérgalléros foglalkoztatásban. Ebből következően a hagyományos „tehetség-lépcső” is átalakul: ha kevesebb belépő pozíció van, a vállalatoknak gyorsabban kell forgatniuk a középszintű munkavállalókat vagy új elvárásokat kell támasztaniuk a „jó” dolgozókkal szemben.
Árazás és jövő
A RealAI jelenlegi árazásáról Miller elmondta, hogy üléseken alapuló (seat) és használati token-kereteket kombinálnak: a seat vásárl bizonyos mennyiségű tokenhez jut, így a díjszabás használati- és csomagszintű elemeket is tartalmaz. Ugyanakkor azt is beismerte, hogy a végleges, optimális árazási mechanizmust még keresik.
Összegzés
A RealAI esete azt mutatja, hogy egy iparági AI-alkalmazás versenyelőnye sokszor nem magából a nyelvi modellből ered, hanem abból a domain-specifikus, előfeldolgozott és tulajdonolt adatrétegből, amelyre a modell ráül. Fundrise tapasztalata alapján a strukturált ingatlan- és személyadatok, az éjszakai előszámítások és a tranzakcionális gyorsréteg együtt adják azt az értéket, amelyet a real-estate profik napi döntéseikhez használnak. Miller szerint ez a stratégia megvédi a terméket az általános célú modellek közvetlen versenyétől, ugyanakkor a termékdisztribúcióban ma még érdemes megjelenni ott, ahol a felhasználók vannak (például Claude piactér).
