တိုတိုပြောရရင် ဘာဖြစ်နေလဲ
၂၀၂၆ သြဂုတ်လမှာ မြောက်အမေရိကရဲ့ အကြီးဆုံး brokerage ပလက်ဖောင်းတစ်ခုက CTO က အိမ်ခြံမြေလုပ်ငန်းစဉ် ၈၀% ကို ခြောက်လအတွင်း AI နဲ့ အလိုအလျောက်လုပ်ဆောင်ဖို့ ရည်မှန်းချက်ကြီးတစ်ခု ကြေညာခဲ့ပါတယ်။ ဒါပေမယ့် ဒီ ၈၀% ဆိုတာ marketing၊ back-office အလုပ်၊ ပထမဆုံး lead ကိုင်တွယ်မှုတွေအတွက်သာ ဖြစ်ပြီး အိမ်ခြံမြေအရောင်းအဝယ်ကိစ္စကို ဆိုလိုတာမဟုတ်ပါဘူး။ အိမ်ကြည့်ခြင်း၊ ညှိနှိုင်းခြင်း၊ developer စစ်ဆေးခြင်း၊ ငွေပေးချေမှု စီစဉ်ခြင်းတွေကတော့ အေးဂျင့်လူသားရဲ့ လက်ထဲမှာပဲ ကျန်နေဆဲပါ။
ထိုင်းနိုင်ငံအတွက် ပြဿနာက ပိုကြီးပါတယ်။ အမေရိကန်ရဲ့ MLS လိုမျိုး စည်းလုံးထားတဲ့ property database မရှိသလို၊ တကယ့်ရောင်းဝယ်စျေးနှုန်းတွေကို ဖော်ပြထားတဲ့ ပွင့်လင်းသောစာရင်းလည်း မရှိပါဘူး။ အမေရိကန်ဒေတာနဲ့ လေ့ကျင့်ထားတဲ့ AI မော်ဒယ်တွေကို ဖူးခက်ကျွန်းမှာ သုံးရင် ရလဒ်တွေက မယုံကြည်ရလောက်တာမျိုး ဖြစ်တတ်ပါတယ်။ စနစ်တကျ မှတ်တမ်းတင်ထားပြီးသား အချက်အလက်ကိုပဲ AI က automate လုပ်နိုင်တာပါ။
အဓိကအချက်များ
- Leo 2.0 ဆိုတဲ့ AI assistant က reZEN ပလက်ဖောင်းပေါ်မှာ agent ထောင်ချီနဲ့ beta run နေပြီးဖြစ်ပါတယ်။
- ၈၀% ဆိုတဲ့ ပန်းတိုင်ကို ခြောက်လအတွင်း ထိစေချင်ပေမယ့် စတင်လှုပ်ရှားမှုကို သတိထားပြီးသာ တဖြည်းဖြည်း ချဲ့ထွင်နေပါတယ်။ အဓိကအတားအဆီးက agent တွေရဲ့ ဆန့်ကျင်မှုမဟုတ်ဘဲ compute ကုန်ကျစရိတ်ပါ။
- ကုမ္ပဏီက လာမည့်တစ်နှစ်အတွင်း တစ်ရက်တစ်ခု AI agent အသစ်တစ်ခုစီ ထုတ်လုပ်ပြီး agent တွေ ကိုယ်ပိုင် assistant တည်ဆောက်နိုင်တဲ့ no-code environment ဖွင့်ပေးဖို့ စီစဉ်နေပါတယ်။
- အောင်မြင်မှုကို ဝင်ငွေနဲ့ မတိုင်းတာဘဲ CRM integration နဲ့ နေ့စဉ်အသုံးပြုမှုနှုန်းနဲ့ တိုင်းတာပါတယ်။ တစ်နေ့ကို ဖွင့်မကြည့်တဲ့ tool ဆိုရင် ဘာမှ မသက်သာစေတဲ့အတွက် ဒါက တရားမျှတတဲ့ စံနှုန်းပါ။
- ထိုင်းအတွက်ဆိုရင် automate လုပ်နိုင်တဲ့ routine အလုပ်ရဲ့ အချိုးက ၄၀-၅၀% လောက်ပဲ ရှိနိုင်ပြီး၊ ဒါကတော့ message ပို့ခြင်း၊ listing ပြင်ဆင်ခြင်း၊ report ရေးခြင်းလို အလုပ်တွေပါပဲ။
- ဒေတာအမှန်တကယ်မရှိတဲ့အတွက် ထိုင်းမှာ တစ်စတုရန်းမီတာနှုန်းအလိုက် AI valuation က အခုထိ ယုံကြည်စိတ်ချရလောက်အောင် အလုပ်မလုပ်သေးပါဘူး။
ဘာတွေက အလုပ်ဖြစ်နေပြီး ဘာတွေက မဖြစ်သေးလဲ
AI relationship manager ဆိုတာက CRM ထဲက contact history ကို ကြည့်ပြီး ဘယ် lead က ယခုချက်ချင်း လုပ်ဆောင်ဖို့ အသင့်ဖြစ်နေသလဲဆိုတာ ဖော်ထုတ်ပေးတာပါ။ ဒီ logic ကတော့ မှန်ကန်ပါတယ်။ ဒါပေမယ့် ထိုင်းအိမ်ခြံမြေဝယ်ယူသူ နိုင်ငံခြားသားအများစုက စစ်မှန်တဲ့ email မှာမဟုတ်ဘဲ WhatsApp နဲ့ messaging app တွေထဲမှာ စကားပြောနေကြတာဆိုတော့ ဒီဒေတာကို CRM ထဲ မထည့်ရင် AI က ဘာမှမမြင်ဘဲ ငြိမ်နေမှာပါ။ Agency တစ်ခုက တစ်နှစ်စာ subscription ကို ငွေပေးပြီး ဘာအကျိုးမှ မရခဲ့တာကို ကျွန်တော်ကိုယ်တိုင် တွေ့ဖူးပါတယ်။ Data pipeline ကို အရင်စီစဉ်ပြီးမှ AI analysis ကို ထည့်သွင်းရမှာပါ။
နောက်တစ်ခုက valuation ပြဿနာပါ။ Texas မှာ error margin ရာခိုင်နှုန်းအနည်းငယ်ပဲ ရှိတဲ့ AI မော်ဒယ်တွေက ဖူးခက်မှာဆို လုံးဝကွာဟနိုင်ပါတယ်။ ကပ်လျက်ရှိတဲ့ project နှစ်ခုတည်း၊ area အတူတူပါပဲ ဖြစ်ပေမယ့် ပင်လယ်မြင်ကွင်း ကွာလိုက်တာနဲ့ စျေးနှုန်း ၃၀-၄၀% ကွာနိုင်ပြီး ဒါကို ဖမ်းယူပေးမယ့် open dataset လည်း မရှိပါဘူး။
AI က တကယ်ချွေတာပေးနိုင်တာတွေကတော့ - client တောင်းဆိုသလို listing set ကို ရွေးချယ်စုစည်းပေးတာ၊ property description တွေကို ဘာသာစကား သုံးမျိုးထဲ ပြန်ဆိုပေးတာ၊ voice message transcribe လုပ်ပေးတာ၊ Land Department fee နဲ့ resale tax အကြောင်း အမေးများသောမေးခွန်းတွေကို အလိုအလျောက် ဖြေဆိုပေးတာ၊ ပိုင်ရှင်တွေအတွက် လစဉ်ငှားရမ်းဝင်ငွေ report တွေပါ။ ခန့်မှန်းချက်အရ ဒါက အေးဂျင့်တစ်ဦးကို တစ်နေ့ကို နာရီတစ်ဝက်ကျော် (၁.၅ နာရီခန့်) အချိန်ချွေတာပေးနိုင်ပါတယ်၊ database နဲ့ document template တွေကို သေချာစီစဉ်ထားပြီးသားဆိုရင်ပေါ့။
ကျွန်တော့်အမြင်ကတော့ ၂၀၂၆ ခုနှစ် အေးဂျင့်တစ်ဦးအတွက် subscription နောက်ထပ်တစ်ခု လိုအပ်တာမဟုတ်ဘဲ၊ client စကားပြောမှုအားလုံးကို နေရာတစ်ခုတည်းထဲ စုစည်းထားခြင်း၊ စနစ်တကျ property database ရှိခြင်း၊ ကိုယ့် workflow နဲ့ ကိုက်ညီတဲ့ assistant တစ်ခု တည်ဆောက်ထားခြင်း - ဒီသုံးခုသာ လိုအပ်ပါတယ်။ တစ်နှစ်ကို deal ဆယ်ခုအောက်ပဲ ပိတ်နိုင်တဲ့သူဆိုရင် ဒါအားလုံးက ကုန်ကျစရိတ်ကို ပြန်ကာမလို့ မထင်ပါဘူး။ ဒေါ်လာ ၁၀ ဒင်္ဂါးလောက် readymade chat assistant ကို သုံးပြီး ရှေ့ဆက်သွားလိုက်ပါ။
စတင်ရမည့်အဆင့်များ
- အချိန်ဘယ်ကိုသွားနေလဲ တိုင်းတာပါ - တစ်ပတ်စာ message ပို့ခြင်း၊ listing ပြင်ဆင်ခြင်း၊ document၊ အိမ်ကြည့်ခြင်း လေးမျိုးခွဲပြီး မှတ်ပါ။ ၄၀-၅၀% routine benchmark ကို ရည်ညွှန်းအဖြစ် သုံးပါ။
- ဆက်သွယ်ရေးလမ်းကြောင်းအားလုံးကို တစ်နေရာတည်း စုစည်းပါ - Telegram၊ WhatsApp၊ email၊ ဖုန်းခေါ်ဆိုမှု အားလုံးပါ။ App ငါးခုမှာ ကွဲနေရင် AI analysis က အသုံးမကျပါဘူး။
- Property database ကို structured table အနေနဲ့ ပြောင်းလဲပါ - Project name၊ building၊ area၊ view၊ ပြီးစီးမည့်ရက်၊ ငွေပေးချေမှုအစီအစဉ်၊ ကော်မရှင်၊ rental yield guarantee - field ၂၀ လောက် ညီညာစွာ ဖြည့်စွက်ပါ။
- အလုပ်တစ်ခုတည်းအတွက် Assistant တစ်ခု စတင်တည်ဆောက်ပါ - Listing ကို client တောင်းဆိုမှုနဲ့ ကိုက်ညှိခြင်း သို့မဟုတ် tax/fee မေးခွန်းများ ဖြေဆိုခြင်းကနေ စလိုက်ပါ။
- Client data အတွက် ခက်ထန်တဲ့စည်းကမ်း သတ်မှတ်ပါ - Passport number၊ ငွေပမာဏ၊ bank details တွေကို open AI model ထဲ မထည့်ရပါ။ Query တင်ခင် data ကို anonymize လုပ်ပါ။
- AI ထုတ်ပေးတဲ့ ကိန်းဂဏန်းတိုင်းကို လက်ဖြင့်ပြန်စစ်ပါ - Tax rate၊ ပိုင်ဆိုင်မှုကာလ၊ နိုင်ငံခြားသား quota rule တွေကို AI က ယုံကြည်စိတ်ချစွာ လုပ်ကြံပြောနိုင်ပါတယ်။
- တစ်လကြာရင် အချိန်ကို ပြန်တွက်ပါ - နေ့စဉ်မသုံးရင် အလုပ်မဖြစ်တာပါပဲ။
ပိုသိရင် ကောင်းမယ့်အချက်
နိုင်ငံခြားက ဖူးခက်ပြင်ပမှာနေပြီး ထိုင်းအိမ်ခြံမြေကို ဝေးလံစွာနေရင်းလေ့လာနေသူတွေအတွက် ဒီကွက်လပ်က ပိုပြီးအရေးကြီးပါတယ်။ AI tool တွေက စုံစမ်းမှုနဲ့ ဆက်သွယ်ရေးကို လျင်မြန်စေတယ်ဆိုပေမယ့် မြေပိုင်ဆိုင်မှုအခြေအနေ၊ developer ရဲ့ အတွေ့အကြုံမှတ်တမ်းစစ်ဆေးမှုအစား မလှယ်ပေးနိုင်ပါဘူး။ ထိုင်းအိမ်ခြံမြေ အတွက် ဒေသခံအထောက်အထား စစ်ဆေးမှုကို အေးဂျင့်လူသားနဲ့သာ ဆက်လုပ်သင့်ပါတယ်။
သတင်းအရင်းအမြစ်: Kalinka Thailand