Czy AI zacznie wybierać mieszkania, zanim człowiek zobaczy listę wyników?

Jeszcze niedawno szukanie mieszkania oznaczało ustawienie ceny, metrażu, liczby pokoi i dzielnicy, a potem ręczne przekopywanie kilkudziesięciu stron wyników. Ten model zaczyna się kończyć. Sztuczna inteligencja przesuwa się przed listę ogłoszeń: najpierw interpretuje potrzeby użytkownika, potem odrzuca część ofert, szereguje pozostałe i dopiero na końcu pokazuje kilka mieszkań uznanych za najlepsze.

To ważniejsza zmiana, niż wygląda na pierwszy rzut oka. Problemem nie jest bowiem to, czy AI potrafi przeczytać opis mieszkania. Potrafi. Prawdziwe pytanie brzmi: ile ofert przestanie być widocznych, zanim kupujący zdąży je sam ocenić.

Przy obecnych cenach margines błędu jest drogi. W sierpniu 2026 r. przeciętna cena ofertowa nowego mieszkania wynosiła około 19,6 tys. zł za m² w Warszawie, 17 tys. zł w Krakowie, 15,6 tys. zł we Wrocławiu, 14 tys. zł w Poznaniu, 12,6 tys. zł w Łodzi i 11,7 tys. zł w Katowicach. Warszawskie mieszkanie o powierzchni 50 m² liczone według tej średniej to około 980 tys. zł przed doliczeniem miejsca postojowego, komórki, kosztów wykończenia i finansowania. Przy takich kwotach źle ustawiony filtr nie jest drobną niedogodnością. Może oznaczać, że użytkownik nawet nie zobaczy lokalu, który spełniał jego faktyczne potrzeby.

Wyszukiwarka przestaje szukać. Zaczyna podejmować decyzje za użytkownika

Klasyczny filtr działa przewidywalnie: zaznaczasz „do 900 tys. zł”, więc oferta za 905 tys. zł wypada z wyników. Użytkownik wie, dlaczego jej nie widzi.

System oparty na AI może działać zupełnie inaczej. Zamiast kilkunastu pól formularza dostaje polecenie:

„Szukam trzypokojowego mieszkania do 950 tys. zł, najlepiej maksymalnie 35 minut komunikacją od Ronda Daszyńskiego, z balkonem, nie na parterze, w spokojnej okolicy i bez dużego remontu.”

Dla modelu językowego to nie jest jeden filtr, lecz zestaw kryteriów o różnej wadze. System musi najpierw ustalić, które są bezwzględne, a które można nagiąć.

Cena poniżej 950 tys. zł może być warunkiem twardym. Balkon również. „Spokojna okolica” jest już oceną. „Bez dużego remontu” wymaga interpretacji tekstu, zdjęć albo danych o stanie lokalu. Dojazd do Ronda Daszyńskiego nie wynika wprost z adresu — potrzebne są współrzędne i dane transportowe.

W praktycznym systemie selekcja może więc przebiegać w kilku krokach:

• filtry twarde odrzucają oferty z niewłaściwego miasta, przedziału cenowego lub liczby pokoi;

• dane z ogłoszeń są normalizowane, aby „3 pokoje”, „M4” i „salon + 2 sypialnie” oznaczały dla systemu to samo;

• model analizuje opis pod kątem balkonu, windy, standardu wykończenia czy rodzaju ogrzewania;

• lokalizacja jest przeliczana na odległość lub rzeczywisty czas dojazdu;

• pozostałe lokale otrzymują wynik dopasowania;

• lista jest sortowana według tego wyniku, a użytkownik może zobaczyć jedynie jej początek.

I właśnie ostatni etap jest najważniejszy. AI nie musi fizycznie usuwać ogłoszenia, aby było ono dla kupującego praktycznie niewidoczne. Wystarczy zepchnąć je z pozycji 7. na 147.

Systemy rekomendacyjne mogą dodatkowo korzystać z zachowania użytkownika: kliknięć, zapisanych ofert, odrzuconych mieszkań czy rodzaju lokali, przy których zatrzymywał się dłużej. Jeżeli ktoś przez tydzień ogląda głównie Mokotów, algorytm może zacząć uznawać Mokotów za mocną preferencję nawet wtedy, gdy użytkownik zaakceptowałby również Ochotę albo Wolę.

To wygodne, dopóki rekomendacja rzeczywiście skraca pracę. Problem zaczyna się wtedy, gdy system pomyli przyzwyczajenie z wymaganiem.

Dodatkowy efekt będzie widoczny wraz z rozwojem agentów AI. Zamiast codziennie otwierać portal użytkownik będzie mógł zlecić:

„Sprawdzaj nowe mieszkania i pokaż mi tylko te, które naprawdę warto obejrzeć.”

Wtedy AI wykona pierwszą selekcję bez obecności człowieka. Spośród 300 nowych ofert użytkownik może dostać pięć. Oszczędność czasu jest ogromna, ale cena za tę wygodę również: 295 ofert zostanie ocenionych przez system przed człowiekiem.

Największe ryzyko nie polega na tym, że AI się pomyli. Problemem jest to, czego nie pokaże

Najłatwiej zauważyć oczywisty błąd. AI opisuje mieszkanie jako posiadające balkon, a na zdjęciach i rzucie balkonu nie ma. Użytkownik widzi pomyłkę i może ją skorygować.

Znacznie trudniejszy jest błąd ukryty: lokal w ogóle nie pojawia się w wynikach.

Na rynku nieruchomości sprzyja temu jakość samych danych. Ogłoszenia nie są jednolitymi rekordami z kompletem informacji. To mieszanka pól formularza, swobodnych opisów, zdjęć, rzutów, skrótów stosowanych przez pośredników i danych, których sprzedający często po prostu nie podaje.

Typowe problemy są bardzo konkretne:

• mieszkanie ma balkon, ale informacja znajduje się wyłącznie w opisie;

• numer piętra nie został uzupełniony w formularzu;

• sprzedający pisze „do odświeżenia”, choć zdjęcia pokazują lokal wymagający generalnego remontu;

• cena w ogłoszeniu nie obejmuje obowiązkowego miejsca postojowego;

• ta sama nieruchomość jest wystawiona przez kilku pośredników z różnymi cenami;

• lokalizacja została oznaczona nazwą dzielnicy zamiast dokładnego adresu;

• powierzchnia obejmuje elementy, które utrudniają porównanie ceny za metr;

• ogłoszenie pozostało aktywne mimo wcześniejszej rezerwacji.

Najgorszy model selekcji zamienia „brak informacji” w „warunek niespełniony”.

Jeżeli użytkownik chce mieszkania z windą, a 70 ofert ma pole „winda: tak”, 40 ma „winda: nie”, a w kolejnych 25 ogłoszeniach ta informacja nie została podana, AI nie powinno automatycznie wyrzucać ostatniej grupy. Wśród tych 25 lokali mogą znajdować się prawidłowe oferty. Poprawny status brzmi: „nie wiadomo”, nie „nie”.

Drugi problem to nadmierne uczenie się na kliknięciach. Zdjęcia wykonane szerokokątnym obiektywem, wizualizacje, świeżo wykończona kuchnia czy efektowny widok z balkonu podnoszą klikalność. Algorytm optymalizowany wyłącznie pod zaangażowanie może więc promować ogłoszenia atrakcyjne marketingowo, a nie mieszkania najlepiej odpowiadające sytuacji finansowej kupującego.

Podobnie jest z ceną. Sama wartość „zł za m²” nie wystarcza. Mieszkanie za 880 tys. zł może wyglądać lepiej od lokalu za 910 tys. zł, dopóki nie okaże się, że pierwsza oferta wymaga dodatkowego zakupu miejsca garażowego za 55 tys. zł, a druga zawiera je w cenie. AI porównujące jedynie nagłówkową cenę wyciągnie zły wniosek.

Trzeci problem to bańka lokalizacyjna. System widzi, że użytkownik wybiera Ursynów, więc coraz mocniej premiuje Ursynów. Tymczasem przy budżecie 900 tys. zł lepszy układ, nowszy budynek albo krótszy dojazd może być dostępny kilka kilometrów dalej. Personalizacja zaczyna wtedy ograniczać odkrywanie alternatyw.

Dochodzi do tego kwestia prawa. Od 2 sierpnia 2026 r. zasadnicza część unijnego AI Act jest stosowana, a część interaktywnych systemów AI podlega wymogom przejrzystości. Nie oznacza to jednak, że każda lista mieszkań wygenerowana algorytmicznie musi ujawniać cały wzór rankingowy.

Osobną granicę wyznacza RODO. Samo ustawianie kolejności ogłoszeń jest czym innym niż sytuacja, w której system automatycznie ocenia osobę i podejmuje wobec niej decyzję wywołującą skutki prawne lub podobnie istotnie wpływającą na jej sytuację. Jeżeli algorytm tylko pomaga najemcy znaleźć lokal, ryzyko prawne wygląda inaczej niż wtedy, gdy automatyczny scoring kandydatów decyduje, kto zostanie odrzucony przez wynajmującego bez realnej kontroli człowieka.

To rozróżnienie stanie się szczególnie ważne, gdy jedna platforma będzie jednocześnie wyszukiwać mieszkanie, oceniać zdolność finansową, analizować dokumenty i pomagać właścicielowi wybrać najemcę.

Jak korzystać z AI, żeby nie oddać algorytmowi całej kontroli nad wyborem

Najlepszym rozwiązaniem nie jest rezygnacja ze sztucznej inteligencji. Ręczne przeglądanie setek praktycznie identycznych ogłoszeń również nie ma większego sensu. Trzeba natomiast oddzielić automatyczne porządkowanie od automatycznego odrzucania.

Na początku warto zbudować dwa zestawy kryteriów.

Pierwszy to warunki twarde. Powinno być ich niewiele, zwykle 4-6:

• maksymalny całkowity budżet, a nie tylko cena z nagłówka;

• minimalna liczba pokoi;

• absolutnie nieakceptowalne lokalizacje;

• wymagania techniczne, np. winda przy wysokim piętrze;

• maksymalny czas dojazdu, jeśli naprawdę jest nieprzekraczalny;

• warunek prawny lub funkcjonalny, którego nie da się później zmienić.

Drugi zestaw to preferencje: balkon, piętro, ekspozycja okien, rok budowy, osobna kuchnia, park w pobliżu, konkretna dzielnica. One powinny podnosić pozycję oferty, ale nie usuwać jej automatycznie.

To ważna różnica. Mieszkania nie da się przesunąć o 400 metrów bliżej stacji metra, ale kuchnię można przebudować. Nie warto więc nadawać obu parametrom takiej samej wagi.

Przy korzystaniu z AI dobrze wymagać również odpowiedzi na trzy pytania:

Dlaczego ta oferta znalazła się wysoko?
System powinien potrafić wskazać konkret: budżet, dojazd, metraż, piętro, balkon.

Których danych brakuje?
Nieustalone piętro, brak informacji o czynszu lub nieznany stan prawny powinny być widoczne jako braki, a nie uzupełniane domysłem.

Co zostało odrzucone i dlaczego?
To najważniejszy mechanizm kontroli. Jeżeli AI usunęło 180 ofert, użytkownik powinien móc sprawdzić przynajmniej kategorie powodów odrzucenia.

Praktyczny proces wyszukiwania może wyglądać tak:

1. Najpierw ustaw twardy budżet i warunki niepodlegające negocjacji.

2. Pozostałe wymagania ustaw jako preferencje punktowane.

3. Raz na kilka wyszukiwań przełącz widok na najnowsze oferty bez personalizowanego sortowania.

4. Otwórz kilka ogłoszeń z niższym wynikiem dopasowania i sprawdź, dlaczego system je zdegradował.

5. Każdą ofertę przed kontaktem zweryfikuj na poziomie ceny całkowitej, opłat, dokładnej lokalizacji i stanu prawnego.

6. Nie pozwalaj AI przyjmować brakującego parametru jako wartości negatywnej.

Przy porównywaniu rynku dobrze traktować katalog ogłoszeń nieruchomości jako punkt wyjścia do zebrania ofert, ale końcowej decyzji nie opierać wyłącznie na pozycji lokalu na liście. Ranking jest wskazówką, nie ekspertyzą techniczną ani prawną. Nawet bardzo dobry model nie zobaczy za użytkownika hałasu z ulicy o 7:30 rano, zapachu na klatce schodowej, faktycznego nasłonecznienia salonu czy tego, że miejsce postojowe wymaga manewru, którego codziennie będzie się żałować.

Przy obecnym poziomie cen szczególnie groźny jest też zbyt niski limit ustawiony na początku. Jeśli budżet zakupowy wynosi 900 tys. zł, a kupujący jest w stanie zaakceptować 930 tys. zł po negocjacji, ustawienie bezwzględnego filtra „maks. 900 tys.” może ukryć oferty wystawione za 919-929 tys. zł. Cena ofertowa i cena możliwa do wynegocjowania nie są tym samym.

AI powinno więc otrzymać dwie granice: komfortową i absolutną. Przykładowo:

• do 880 tys. zł — bardzo dobre dopasowanie cenowe;

• 880-920 tys. zł — nadal pokazuj;

• 920-950 tys. zł — pokazuj tylko przy wyjątkowo dobrym spełnieniu pozostałych kryteriów;

• powyżej 950 tys. zł — odrzuć.

Takie podejście jest znacznie rozsądniejsze niż jeden sztywny próg.

Najbardziej wartościowa sztuczna inteligencja na rynku mieszkaniowym nie będzie więc tą, która mówi: „to mieszkanie jest najlepsze”. Lepszy system powie: „wybrałem te 12 ofert z 426, ponieważ spełniają określone warunki; 37 kolejnych jest blisko wyniku, a w 18 brakuje informacji potrzebnych do oceny”.

To zachowuje właściwy podział ról. Maszyna redukuje liczbę ofert. Człowiek zachowuje kontrolę nad kryteriami i decyzją.

FAQ

Czy AI już dziś może wyszukiwać mieszkania na podstawie zwykłego opisu zamiast klasycznych filtrów?
Tak. Na polskim rynku działają już rozwiązania pozwalające opisywać poszukiwaną nieruchomość naturalnym językiem, a nie tylko wybierać cenę, metraż i lokalizację z formularza. Technicznie nie jest to więc scenariusz odległej przyszłości.

Czy AI może znaleźć okazję cenową lepiej niż człowiek?
Może szybciej porównać dużą liczbę ofert, ale wynik zależy od danych. Sama niska cena za m² nie oznacza okazji. Trzeba uwzględnić standard, piętro, budynek, dokładną lokalizację, koszty dodatkowe, stan prawny i porównywalność lokali.

Czy najwyżej ocenione przez AI mieszkanie powinno być pierwszym oglądanym?
Niekoniecznie. Najpierw sprawdź, które kryteria dały mu wysoki wynik. Jeśli model mocno premiuje dzielnicę albo atrakcyjność zdjęć, a słabo uwzględnia koszty dodatkowe i dojazd, pierwsze miejsce w rankingu niewiele znaczy.

Jak często sprawdzać wyniki bez personalizacji?
Przy aktywnym poszukiwaniu mieszkania dobrze robić to co kilka sesji albo przynajmniej raz w tygodniu. Posortowanie ofert wyłącznie według daty dodania pozwala sprawdzić, czy algorytm nie zamknął użytkownika w zbyt wąskiej grupie nieruchomości.

Jaki błąd usunąć jako pierwszy?
Usuń zasadę „brak danych = warunek niespełniony”. Nieznane piętro, brak informacji o windzie czy niepodany czynsz powinny trafiać do osobnej kategorii wymagającej sprawdzenia. Dopiero potem ustawiaj bardziej zaawansowane wagi i personalizację. To najprostszy sposób, aby AI pomagało skrócić listę, zamiast po cichu usuwać z niej dobre mieszkania.