AI w nieruchomościach: opisy ofert, scoring zainteresowania i szybki follow-up 

AI w nieruchomościach ma trzy zastosowania, które realnie zwracają się w małym biurze: pisze wersję roboczą opisu oferty, nadaje zgłoszeniu punkt zainteresowania i pilnuje, żeby na nowe zapytanie ktoś odpowiedział w ciągu minut, a nie godzin. Reszta, czyli chatboty, automatyczna wycena i wirtualny staging, działa, ale ma ostrzejsze krawędzie. Kluczowe jest to, gdzie w procesie zostawiasz człowieka, bo opis nieruchomości to informacja o cechach produktu, a tu prawo nie przebacza.

Trzy miejsca, w których AI w nieruchomościach zwraca się najszybciej

Zacznijmy od uczciwego rozliczenia, zanim ktoś kupi abonament. W branży nieruchomości AI jest dziś używane głównie jako długo. Otodom opisuje to wprost: generatywna AI potrafi napisać pierwszą wersję opisu oferty w sekundach, ale zaznacza przy tym, że taka wersja jest punktem wyjścia do dopracowania, a nie gotowym produktem.

Badanie polskich pośredników potwierdza tę proporcję. Aż 86,9% z nich używa sztucznej inteligencji do pisania i redakcji tekstów, 36,2% do grafik, 36% do obróbki zdjęć. Ale jednocześnie tylko 7% wdrożyło automatyzację procesów w systemach CRM, a zaledwie 3% postawiło chatbota na stronie biura. Nikt nie zautomatyzował jeszcze procesu, który za tym stoi.

To jest granica, o której trzeba powiedzieć wprost. Opis oferty, scoring i szybka reakcja na zapytanie dają się zmierzyć w godzinach tygodniowo. Wszystko dalej, czyli rozmowa, negocjacje i decyzja klienta, zostało z nami i z tego artykułu nie zniknie.

Opisy ofert: model pisze wersję roboczą, agent ją podpisuje

Otodom podaje prostą procedurę, która działa bez kodowania. Zaczynasz od podstawowych informacji: lokalizacja, metraż, liczba pokoi, udogodnienia. Model składa z tego spójną narrację, a dopiero potem dopolerowujesz ją swoją znajomością rynku. Ta kolejność ma sens: model dobrze obsługuje informacje, których dałeś mu wprost, i zacznie zmyślać przy tych, których zabrakło.

Ten sam portal opisuje, gdzie AI daje więcej niż tekst. Model potrafi rozpoznać na zdjęciach sypialnię, kuchnię, łazienkę czy plan mieszkania, a także ocenić jakość kadru: jasność i ostrość. Przy zdjęciu za ciemnym podpowie, jak poprawić oświetlenie, przy kadrze do poprawienia wskaże inną kompozycję. Otodom używa tego w produkcie, w narzędziu Analytics.

Standard, który sprawdza się w praktyce, brzmi krótko: AI przygotowuje wersję roboczą, człowiek ją akceptuje. Nie wklejasz trzech słów i nie publikujesz wyniku bez czytania. Dobry opis dalej wymaga metrażu, układu, lokalizacji, stanu prawnego, kosztów i realnych atutów mieszkania, a nie tylko tych, które ładnie brzmią.

Ta sama logika działa przy zdjęciach i wideo. Wirtualny staging opisany w jednym z polskich studiów przypadku wygląda tak: wcześniej ekipa dowożyła dekoracje, aranżowała mieszkanie, fotograf robił zdjęcia, a potem wszystko trzeba było zabrać. Po wdrożeniu procesu z AI klient przygotował 15 wizualizacji za 5,40 zł. To jeden przypadek, nie średnia rynkowa, ale dobrze pokazuje, co dokładnie zastępuje technologia: dodatki dekoracyjne i logistykę wokół nich. Fotograf nadal robił sesję zdjęciową surowego mieszkania, bo to jest praca, którą nikt inny nie odda.

Zanim opis: karta nieruchomości, bez której model po prostu zmyśla

To jest miejsce, w którym większość wdrożeń się sypie. Model językowy nie zna Twojej nieruchomości. Nie wie, że w tym budynku wymieniano instalacje w 2021 roku ani że spółdzielnia nie zgadza się na zwrot petów. Jak nie dostanie tych informacji, dopisze je. Czytelnie i pewnie, ale zmyślonie.

Rozwiązanie jest niepotrzebnie proste i rzadko stosowane: jedno miejsce, w którym porządkujesz najważniejsze dane, a brakujące pola oznaczasz wprost jako do uzupełnienia. Metraż, układ, lokalizacja, stan prawny, koszty, grupa docelowa, cel właściciela, ograniczenia. Model dostaje materiał wejściowy, na którym można budować opis, post, brief dla fotografa albo listę zadań na prezentację. Bez tego AI często robi ładny chaos.

Przy okazji: generowanie oferty PDF na podstawie danych z CRM to dokładnie ten sam mechanizm, tylko z drugiej strony procesu. Tam wejściem jest rekord, u Ciebie jest nim karta nieruchomości.

Scoring zainteresowania: punkty zamiast przeczucia

Lead scoring w prostym ujęciu to nadawanie punktów za konkretne cechy i zachowania, żeby z listy zapytań wyłuskać te najbardziej zainteresowane. Skala może być dowolna, w praktyce używa się np. od 1 do 10. Mechanizm jest znany od lat i nie wymaga sztucznej inteligencji, żeby działać poprawnie.

Kryteria dzielą się na dwa typy. Demograficzne oceniają profil potencjalnego klienta, czyli wiek czy miejsce zamieszkania, i sprawdzają się w sprzedaży B2C. Behawioralne punktują interakcje ze stroną i ofertą: jeśli ktoś spędził na witrynie dużo czasu i przejrzał kilka podstron, masz podstawy, by uznać go za gorącego leada. Dane o zachowaniach zbierasz narzędziami analityki internetowej.

Najczęstszy błąd to wybranie kryterium, które niczego nie wnosi. Możesz założyć, że zainteresowanie zależy od wieku, i przyznawać najwięcej punktów jednej grupie. Jeśli w praktyce kupują osoby w równym stopniu z każdego przedziału wiekowego, model jest bezużyteczny albo szkodliwy. Dlatego model scoringu buduje się na własnych danych o dotychczasowych klientach, a nie na założeniach z głowy.

Praktyczna wskazówka z polskiego rynku: pytania klienta same w sobie są sygnałem. Ktoś, kto pyta o metraż, myśli o konkretnej transakcji. Ktoś, kto pyta o kredyt, jest dalej w lejku niż ktoś, kto pyta tylko o ulicę. Takie sygnały można zliczać wprost, bez modelu.

Warto przy tym zobaczyć, ile obiecują same narzędzia. Jedno z amerykańskich źródeł podaje dla zespołów korzystających z AI lead scoring wzrost konwersji z leada na zamknięcie o 25 do 40% przy skupieniu wysiłku na klientach gotowych do decyzji w ciągu 90 dni, plus 30 do 50% mniej czasu traconego na leady o niskiej szansie i 15 do 25% krótszy cykl sprzedaży. Inne zestawienia podają 20 do 30%. To są twierdzenia dostawców narzędzi, a nie niezależne badania, więc traktuj je jako argument sprzedażowy, nie jako prognozę. O tym, dlaczego tych liczb nie wolno łączyć w jeden zakres, niżej.

Ten sam producent podaje przykład liczbowy: biuro zamykające 50 transakcji rocznie ze średnią prowizją 75 tys. dolarów, przy 25% wzroście konwersji na tym samym wolumenie zapytań, zamyka około 12 transakcji więcej, czyli dodatkowe 900 tys. dolarów rocznie. Liczby zgadzają się (50 × 25% to 12,5, a 12 × 75 tys. to 900 tys.), ale to rynek amerykański i w PLN wygląda to inaczej. Nie przeliczaj tego na polskie realia.

Jeśli chcesz zobaczyć, jak scoring i kontakt łączą się z resztą systemu, opisałem to szerzej przy sprzedaży B2B w n8n - tam jest cały przepływ od formularza do rozmowy.

Co zrobić z wynikiem scoringu, żeby coś dało

Scoring sam w sobie jest tabelką, którą nikt nie czyta. Wartość pojawia się dopiero wtedy, gdy wynik zmienia coś w pracy: kto odbiera telefon, jaki szablon dostaje klient, w jakiej kolejności agenci wracają do zapytań.

Najprostsze wdrożenie wygląda tak: formularz zbiera odpowiedzi, system zlicza punkty za konkretne cechy, a po przekroczeniu progu zgłoszenie ląduje na górze listy z konkretną instrukcją. Poniżej progu czeka w kolejce. Nie potrzebujesz do tego modelu uczenia maszynowego, wystarczy zwykła reguła, którą da się sprawdzić na własnych danych.

Tu jest też granica, którą warto znać. W jednej z tabel narzędzi do personalizacji ofert pojawia się ryzyko, które brzmi sensownie, ale warto je sprawdzić na własnych danych: nadmierna personalizacja tworzy bańkę filtrującą, ograniczającą wybór do podobnych ofert. System, który zawsze pokazuje klientowi to, co podoba się osobom podobnym do niego, przestaje eksplorować rynek. Dla pośrednika to ciche zawężenie portfela.

Szybki follow-up: pierwsze minuty decydują, czy lead w ogóle istnieje

Tutaj nieruchomości wypadają najgorzej i to jest najbardziej zaskakujący wniosek z całego researchu. Polskie badanie czasu reakcji (MIT SMR) pokazuje, że sprzedawcy w tej branży kazali czekać klientom ponad 5 godzin, ignorując przy tym 60% przesyłanych e-maili i nie odbierając 29% połączeń telefonicznych. Dla porównania: e-commerce reagował średnio w 2 godziny i 20 minut, telekomunikacje w 2 godziny i 38 minut, usługi księgowe i doradcze w 2 godziny i 47 minut. Ponad połowa firm w ogóle nie odpowiedziała na próbę kontaktu.

To znaczy, że największy efekt w nieruchomościach nie daje żadne narzędzie, tylko uporządkowanie pierwszej godziny po zgłoszeniu.

Warto znać kierunek: najlepszy pod względem konwersji czas odpowiedzi to poniżej 5 minut, a odpowiedź w 10 minut daje już około dziesięciokrotny spadek szans na pozyskanie klienta. Inne badania podają, że kontakt w pierwszych 5 minutach zwiększa szansę kwalifikacji około 21 razy w porównaniu z odpowiedzią po 30 minutach, a kontakt w pierwszej godzinie około 7 razy w zakresie samej kwalifikacji.

Tu dochodzimy do miejsca, w którym warto się zatrzymać, zanim ktokolwiek zacznie cytować te liczby przy spotkaniu. Mnożniki w obiegu są 21-krotne, 100-krotne i 7-krotne, wszystkie z cytowań wtórnych, częściowo bez linku do oryginalnego raportu, i każdy mierzy co innego: szansę na rozmowę, szansę na kwalifikację, szansę na sprzedaż. Nie da się z nich złożyć jednej uczciwej liczby. Używaj ich jako argumentu za tym, że liczy się minuta, a nie jako tabelki w prezentacji.

Co widać w twardych danych, to czas do podpisania. Raport przygotowany dla firm sprzedających usługi wykazał, że oferty wysłane w ciągu 24 godzin skracały średni czas do umowy do 6 dni, wobec nawet 11 dni przy ofertach wysłanych po kilku dniach. Ten sam raport podaje wzrost szans na wygranie kontraktu o 14% przy wysyłce w 24 godziny, a w innym miejscu 35% wyższy współczynnik finalizacji przy dostarczeniu w 24 godziny wobec 48 godzin. To sprzedaż usług, nie mieszkań, ale mechanizm czasu reakcji jest ten sam.

Rytm follow-upu po wysłanej ofercie jest prosty i nie wymaga AI: do 24 godzin po spotkaniu, do 2 dni po wysłanej ofercie, delikatne odświeżenie kontaktu po 1 lub 2 tygodniach ciszy, a potem subtelne przypomnienie o sobie co kilka miesięcy. Wersja zautomatyzowana eskaluje sama: przypomnienie z pytaniem o decyzję po 2 dniach, kolejna wiadomość z dodatkową korzyścią lub opinią klienta po 3 do 5 dniach, a potem automatyczny sygnał dla agenta, żeby zadzwonił. O tym, jak czytać i odpowiadać na maile w partiach, pisałem osobno przy automatycznym przetwarzaniu maili.

Polska w liczbach: AI jest wszędzie, automatyzacji prawie nie ma

Warto spojrzeć na te dane razem, bo opowiadają dwie różne historie. Po stronie użycia: 86,9% pośredników pisze z AI teksty, 65,3% używa go do researchu informacji rynkowych, 77% uważa, że AI zmieni ich zawód, ale im nie zagrozi, tylko 18,6% w ogóle nie korzysta z AI.

Po stronie procesu: 7% automatyzuje procesy w CRM, 3% ma chatbota na stronie, 9,8% używa AI do rekomendacji działań, 10,5% do planowania własnej pracy.

Są to dwa różne zawody. Pierwszy to pisanie tekstu, gdzie model daje wersję roboczą w kilka sekund. Drugi to przekładanie reguły decyzyjnej na działający system, gdzie trzeba ustalić progi, wyjątki i kto bierze odpowiedzialność, gdy coś pójdzie nie tak. Rynek w Polsce przeszedł pierwszy krok masowo, a przy drugim stoi.

Sądzę, że to najlepsza wiadomość dla kogoś, kto szuka przewagi. Nie dlatego, że większość biur nie używa AI, tylko dlatego, że większość biur używa narzędzia, a nie procesu. Różnica jest na poziomie wyniku.

Dla kontrastu, ze źródeł amerykańskich: tylko 5% firm nieruchomościowych z branży komercyjnej raportuje, że osiąga większość zakładanych celów swoich programów AI. Ten sam problem, tylko w innym miejscu. Polska jest na wcześniejszym etapie, ale kierunek jest ten sam.

Czego nie zostawiaj modelowi

Tutaj nie ma dyskusji, bo polskie prawo jest dość jasne, a konsekwencje są konkretne.

Opis nieruchomości. Ustawa o przeciwdziałaniu nieuczciwym praktykom rynkowym obejmuje pojęciem produktu także nieruchomości, a rozpowszechnianie nieprawdziwych informacji o cechach produktu może być uznane za działanie wprowadzające w błąd. Model, który z kilku zdjęć dopisze cichą okolicę, podaje jako fakt coś, czego nikt nie sprawdził. Opis może przygotować, publikuje go człowiek.

Wycena. Szacowanie nieruchomości należy do rzeczoznawców majątkowych na podstawie ustawy o gospodarce nieruchomościami. Model może przygotować zestawienie porównawcze, ale nie zastępuje rzeczoznawcy.

Dane klientów. Przy automatycznej odpowiedzi na zapytanie pytaj tylko o to, co potrzebne przed prezentacją, bo tego wymaga zasada minimalizacji danych. Odpowiedź na pytanie o ofertę to działanie na żądanie tej osoby przed zawarciem umowy. Zgodę na wiadomości trzeba umieć wykazać, więc CRM zapisuje datę, źródło i treść zaznaczonego pola, a każda wiadomość musi mieć równie łatwy link rezygnacji. Dane osobowe klientów anonimizuj albo używaj narzędzi, które je chronią.

Wirtualny staging. Wizualizacje mają sens, gdy pokazują możliwości pustego albo słabo urządzonego wnętrza. Nie powinny udawać rzeczywistości. Klient musi wiedzieć, że ogląda wizualizację, a nie zdjęcie mieszkania, które istnieje.

We wszystkich tych punktach działa ta sama zasada: model przygotowuje, człowiek podpisuje. Jeśli wdrażasz to w n8n albo w jakimkolwiek narzędziu automatyzacyjnym, pamięć, narzędzia i human in the loop opisują, jak ustawić to w praktyce, żeby pętla kontroli była realna, a nie deklaratywna.

Co bym wdrożył w biurze z trzema agentami

Kolejność ma znaczenie, bo odwrócona daje efekt fajerwerku, który znika po dwóch tygodniach.

Pierwszy miesiąc: karta nieruchomości jako jeden dokument z polami i oznaczeniem braków. Nic więcej. Bez tego każde kolejne narzędzie będzie produkować ładne, ale nieprawdziwe opisy.

Drugi miesiąc: dwa zastosowania z opisanych wyżej, oba najprostsze. Szablon opisu oferty wypełniany z karty, z polem wymagającym akceptacji człowieka, oraz automatyczne potwierdzenie otrzymania zapytania z konkretną godziną odpowiedzi właściwą dokumentu. Reszta procesu zostaje ręczna, bo nie masz jeszcze danych, żeby ustalić progi.

Trzeci miesiąc i dalej: scoring, ale dopiero po zebraniu historii. Potrzebujesz zapisu, co się stało z każdym zapytaniem z ostatnich kilku miesięcy, żeby ustalić progi na własnych danych, a nie na przeczuciu. Wtedy wynik zaczyna coś znaczyć. Jeśli chcesz policzyć, ile faktycznie oszczędzasz, zamiast zgadywać, opisałem to przy ile czasu naprawdę oszczędza automatyzacja. W branży, gdzie czas reakcji tak bardzo wpływa na wynik, pomiar w godzinach jest lepszym argumentem dla zespołu niż kolejne narzędzie.

Jeśli dopiero zaczynasz i nie masz pewności, od czego wziąć, zestaw branż i procesów jest w macierzy 12 branż, a opisy produktów w sklepie mają dokładnie ten sam problem co opisy ofert, tylko w innym tempie. Warto zerknąć też na AI w logistyce, bo dokumenty i agenci działają tam na tych samych danych co Twoje oferty.

Napisz do mnie, jeśli chcesz przejść przez to razem. Odpowiadam zwykle tego samego dnia.