Leo 2.0 နှင့် 80% ရည်မှန်းချက် - AI က ဖူးခက်အိမ်ခြံမြေမှာ တကယ်ဘာလုပ်ပေးနိုင်သလဲ

တိုတိုပြတ်ပြတ် အဖြေ

AI က အိမ်ခြံမြေအရောင်းအဝယ်ရဲ့ 'နောက်ကွယ်အလုပ်' တွေ - စာရွက်စာတမ်းစုစည်းခြင်း၊ ဈေးကွက်ရှာဖွေခြင်း၊ ဖောက်သည်အသစ်များကို ခွဲခြမ်းစိတ်ဖြာခြင်းစတာတွေကို အမှန်တကယ် လုပ်ဆောင်နေပြီ ဖြစ်ပါတယ်။ ဒါပေမယ့် ဖူးခက်မှာ ကွန်ဒိုတစ်ခန်းဝယ်ဖို့ ချန်နုတ် (chanote) စာချုပ်ဖတ်ခြင်း၊ ထိုင်းဒေါ်အိတ်ဘယ်လ်ပါတနာတွေနဲ့ စျေးညှိခြင်းစတာတွေကို AI က မလုပ်ပေးနိုင်သေးပါ။ The Real Brokerage ကုမ္ပဏီရဲ့ ရည်မှန်းချက်က လုပ်ငန်းစဉ်များရဲ့ 80% ကို ခန့်မှန်းခြေ ခြောက်လအတွင်း အလိုအလျောက်လုပ်ဆောင်ဖို့ပါပဲ၊ ကုန်သွယ်မှုကိုယ်ကို မဟုတ်ပါ။

အသေးစိတ် နောက်ခံသတင်း

၂၀၂၆ ခုနှစ် သြဂုတ်လမှာ The Real Brokerage ကုမ္ပဏီက သူတို့ရဲ့ Leo 2.0 AI လက်ထောက်ကို ကိုယ်စားလှယ်အားလုံးအတွက် တစ်ပြိုင်နက်တည်း ဖွင့်မပေးရတဲ့ အကြောင်းရင်းကို ရှင်းပြခဲ့ပါတယ်။ အပြည့်အဝ အသုံးပြုမယ်ဆိုရင် computing ကုန်ကျစရိတ်က တစ်ရက်ကို ဒေါ်လာ ၁ သိန်းကျော် ရောက်သွားနိုင်ပါတယ်။ ဒါက လိုင်စင်ခ ဒါမှမဟုတ် ဖွံ့ဖြိုးတိုးတက်ရေးစရိတ်မဟုတ်ဘဲ token သုံးစွဲမှုအတွက် ကုန်ကျစရိတ်သက်သက်ပါ။

ဒီကိန်းဂဏန်းတစ်ခုက AI ဘယ်လောက်ကုန်ကျပြီး ဘယ်လောက် တဖြည်းဖြည်း roll-out လုပ်နေရသလဲဆိုတာကို ထင်ရှားစွာ ပြသနေပါတယ်။

တကယ်တမ်း ဘာတွေအလိုအလျောက်ဖြစ်သွားလဲ

Leo 2.0 ရဲ့ 80% ဆိုတာ ဒီအရာတွေကို ဆိုလိုပါတယ် - အိမ်ခြံမြေ ကြော်ငြာစာများ၊ social media content၊ ကုန်သွယ်မှု သတိပေးချက်များ၊ စာရွက်စာတမ်းစုစည်းခြင်း၊ ဖောက်သည်အသစ်များကို ပထမဆုံးအဆင့် စစ်ဆေးခွဲခြားခြင်း၊ ခေါ်ဆိုမှုမှတ်တမ်းများနှင့် follow-up email များ ဖြစ်ပါတယ်။ ဒါတွေက agent တစ်ယောက် ညနေစောင်း ပိုင်ပိုင်းပြသပြီးနောက် အချိန်ကုန်ခံရလေ့ရှိတဲ့ အလုပ်တွေပါပဲ။

AI Relationship Manager ဆိုတဲ့ ဒီအစီအစဉ်ရဲ့ ထူးခြားချက်က ဖောက်သည်တွေရဲ့ စာတိုစကားနဲ့ စကားပြောအသံအနေအထားကို ခွဲခြမ်းစိတ်ဖြာပြီး ဘယ်သူက 'ဝယ်ချိန်ရောက်ပြီ' ဆိုတာကို ရှာဖွေပေးတာပါ။ Bang Tao ဒေသအကြောင်း တစ်လက မေးခဲ့တဲ့ ဖောက်သည်တစ်ဦးက အခုတစ်ပတ် ငွေလွှဲချိန်ကာလအကြောင်း မေးနေတယ်ဆိုရင် သူ့ရဲ့ priority list ကို အပေါ်ကို တက်သွားပါတယ်။ Contact 600 ကျော်ရှိတဲ့ database မှာ လူတစ်ယောက်က ဒါကို လွတ်သွားနိုင်ပေမယ့် algorithm က မလွတ်ပါ။

AI ပျက်စီးတတ်တဲ့နေရာများ

စကားအနေအထား ခွဲခြမ်းစိတ်ဖြာမှုမှာ ယဉ်ကျေးသိမ်မွေ့တဲ့ ဖောက်သည်တွေကို မှားယွင်းစွာ 'hot lead' လို့ သတ်မှတ်တတ်ပါတယ်။ နှစ်နှစ်ကြာအောင် ဝယ်ဖို့ စိတ်မကူးသေးတဲ့သူက ရေရှည်ဖော်ပြချက်များ ရေးတတ်ရင် AI အနေနဲ့ hot list ထဲ ရောက်သွားနိုင်ပါတယ်။ ပိုဆိုးတာက ပြန်လှန်အနေအထားပါ - ငွေရင်းအသင့်ရှိတဲ့သူက 'ဘယ်လောက်ကျလဲ' လို့ တိုတိုတုတ်တုတ် မေးရင် algorithm က cold contact အဖြစ် မှတ်ချက်ပေးနိုင်ပါတယ်။

ဖူးခက်နဲ့ ဘန်ကောက်မှာ အဓိကပြဿနာက MLS ဆိုတဲ့ စံအိမ်ခြံမြေ listing database မရှိတာပါ။ US ကနေ ဒီဇိုင်းလုပ်ထားတဲ့ AI tool တွေက MLS data အပေါ် အခြေခံထားကြတာမို့ ဖူးခက်မှာ အလုပ်မဖြစ်ပါ။ ကွန်ဒိုတစ်ခန်းတည်းကို ရောင်းသူ ၁၅ ဦးက ဈေးနှုန်းမတူ၊ floor plan မတူ ကြော်ငြာထားနိုင်တာကြောင့် AI ကို ဒါတွေကို ထည့်ပေးလိုက်ရင် တကယ်မရှိတဲ့ ဈေးကွက်တစ်ခုအတွက် ပျမ်းမျှဈေးနှုန်းကို ယုံကြည်စွာ ပေးလိမ့်မယ်။

တတိယ ပြဿနာက ဥပဒေစာချုပ်များပါ။ ချန်နုတ်စာချုပ်၊ ကွန်ဒိုတွင် နိုင်ငံခြားသားပိုင်ဆိုင်ခွင့် quota နှင့် မြေငှားစာချုပ် renewal သက်တမ်းများအတွက် language model က တိတ်တိတ်ဆိတ်ဆိတ် ယုံကြည်စွာ မှားနိုင်ပါတယ်။ ထိုင်း ရှေ့နေတစ်ဦးရဲ့ စစ်ဆေးမှုကို ဘယ် AI version ကမှ အစားမထိုးနိုင်ပါ။

ကျွန်ုပ်တို့ရဲ့ အမြင် - ၂၀၂၆ ခုနှစ်မှာ ဖူးခက်ကိုယ်စားလှယ်တစ်ဦးအနေနဲ့ custom AI agent မလိုအပ်သေးပါ။ သန့်ရှင်းတဲ့ CRM တစ်ခုနှင့် အဆင်သင့် tool နှစ်ခုသုံးခုပဲ လိုပါတယ်။ Contact 150 အောက်ရှိရင် ဒါတွေအားလုံးက သီအိုရီအရသာ ဖြစ်ပါတယ် - ဖောက်သည်တိုင်းရဲ့ နာမည်ကို သင်မှတ်မိနေရင် algorithm က ဘာအထောက်အကူမှ မပေးနိုင်ပါ။

အရေးကြီးသော အချက်များ

• Leo 2.0 သည် သီးခြားထုတ်ကုန်မဟုတ်ဘဲ reZEN ပလက်ဖောင်းအတွင်းရှိ layer တစ်ခုဖြစ်သည်။ ကုမ္ပဏီက data နှင့် infrastructure ကို ထိန်းချုပ်ရန် အားလုံးကို in-house ဖန်တီးသည်။
• ဖောက်သည်ဘက်မှ HeyLeo ဟု အမည်တပ်ထားသော ရှာဖွေရေးစနစ်ရှိပြီး ကိုယ်စားလှယ်များက မိမိတို့အမည်ဖြင့် ဖောက်သည်များအား ပေးနိုင်သည်။
• reZEN အတွင်း agentic development environment (ADE) ဟူသော ထပ်တိုးစနစ်တွင် ကိုယ်စားလှယ်သည် programmer မလိုဘဲ ကိုယ်ပိုင် AI assistant တည်ဆောက်နိုင်မည်။
• စီစဉ်ထားသော အရှိန်မှာ တစ်နှစ်တာအတွင်း နေ့စဉ်နီးပါး AI agent အသစ်တစ်ခု ထုတ်ဖို့ ဖြစ်သည်။
• Beta စမ်းသပ်မှုတွင် ထုတ်လုပ်စွမ်းနှင့် ကုန်ကျစရိတ် သက်သာမှုများ မြင်သာသော်လည်း task အမျိုးအစားအလိုက် အသေးစိတ်ကို ထုတ်ပြန်မထားပါ။
• ဒီ rollout data ကို ၂၀၂၆ သြဂုတ် ၁၂ ရက် မှာ ထုတ်ပြန်ခဲ့ပါတယ်။
• SAP နှင့် Oxford Economics ၏ သုတေသနစာတမ်း (၂၀၂၆ ဇူလိုင်၊ နိုင်ငံ ၁၃ နိုင်ငံမှ respondent ၂,၆၀၀) အရ AI အသုံးပြုမှု ကြီးထွားလာသည်နှင့်အမျှ ရလဒ်ကောင်းများ တိုးလာကြောင်း တွေ့ရသည်။ အိမ်ငှားစီမံခန့်ခွဲမှုတွင် အလိုအလျောက် ဈေးသတ်မှတ်ခြင်းနှင့် ဆက်သွယ်ရေးက operating cost ကို ၁၅-၂၅% လျှော့ချနိုင်သည်။

လုပ်ဆောင်ရမည့် အဆင့်များ

1. သင့် data အားလုံးကို နေရာတစ်ခုတည်းသို့ ပြောင်းပါ။ The Real Brokerage ၏ ပထမဆုံး internal metric မှာ ချိတ်ဆက်ထားသော CRM အရေအတွက်ဖြစ်ပြီး ၎င်းသည် မလျှော့တွေ့ဖြစ်ရပ်မဟုတ်ပါ။ Messenger သုံးခုနှင့် notebook တစ်ခုထဲမှာ စကားပြောမှတ်တမ်းများ ကြဲနေချိန် automate လုပ်စရာ မရှိပါ။ စနစ်ကျကျ ပြုလုပ်ရန် ၃၀ ရက် သတ်မှတ်ပါ။
2. ပိတ်သွားခဲ့သော ဖောက်သည် ၂၀ ဦးနှင့် စကားစက ပျောက်သွားခဲ့သော ဖောက်သည် ၂၀ ဦးရဲ့ ချက်တင် history ကို export လုပ်ပါ။ ၎င်းသည် qualification prompt များအတွက် training material ဖြစ်မည်။
3. ပလက်ဖောင်းတစ်ခုလုံးမဟုတ်ဘဲ task တစ်ခုတည်းနှင့် စတင်ပါ။ ခေါ်ဆိုမှု transcript နှင့် CRM task အလိုအလျောက် ဖန်တီးပေးခြင်းသည် တစ်ရက်ကို နာရီဝက်ခန့် ချွေတာပေးနိုင်ပြီး အမြန်ဆုံး အကျိုးပြန်ရသည်။
4. ဥပဒေဆိုင်ရာ အကြောင်းအရာအားလုံးကို လူကိုယ်တိုင် ပြန်စစ်ပါ။ နိုင်ငံခြားသားပိုင်ဆိုင်ခွင့် quota၊ မြေငှားစာချုပ်သက်တမ်း ဒါမှမဟုတ် ပြန်လည်ရောင်းချမှု အခွန်အကြောင်း မည်သည့်စာသားမျှ ရှေ့နေမှ မစစ်ဆေးမချင်း ဖောက်သည်ထံ မရောက်စေရ။
5. Scale မလုပ်ခင် token ကုန်ကျစရိတ်ကို တွက်ချက်ပါ။ ကိုယ်စားလှယ်ထောင်ချီရှိသော ကုမ္ပဏီတစ်ခုတောင် တစ်ရက် ဒေါ်လာသိန်းချီ ကုန်ကျပါတယ်။ သင့် scale က ငယ်ပေမယ့် သင်္ချာပုံစံတူညီပါတယ် - user တစ်ဦးချင်းစီ ဈေးနှုန်း x request အရေအတွက်။
6. Viewing trip တစ်ခုမှာ စမ်းသပ်ပါ။ Assistant တစ်ခုက ပြသမည့် route၊ property card များနှင့် yield တွက်ချက်မှုကို မိနစ် ၁၅ အတွင်း ပြီးစီးနိုင်ပါတယ်၊ ညနေတစ်ညလုံး အချိန်ယူစရာ မလိုပါ။
7. ရက် ၉၀ ကြာပြီးနောက် တစ်ချက်တည်း တိုင်းတာပါ - algorithm က ဖော်ထုတ်ပေးတဲ့ ဖောက်သည်တွေကနေ ဘယ်နှစ်ဈေးရောင်းအောင်မြင်ခဲ့သလဲ။ သုည ဆိုရင် ဒီ tool က သင့်ဈေးကွက်မှာ အလုပ်မဖြစ်ဘူးလို့ ဆိုလိုပြီး ဒါလည်း တန်ဖိုးရှိတဲ့ ရလဒ်ပါပဲ။

အဓိက အကျဉ်းချုပ်

CRM မရှိသေးတဲ့ ကိုယ်စားလှယ်တစ်ဦးက ဒီတစ်ခုတည်းနှင့်ပဲ စတင်သင့်ပါတယ်။ ကိုယ်ပိုင်ပလက်ဖောင်း နှစ်ပေါင်းများစွာ တည်ဆောက်ခဲ့တဲ့ ကုမ္ပဏီတောင် ချိတ်ဆက်ထားသော contact database ကိုပဲ အောင်မြင်မှုရဲ့ ပထမဆုံး သတ်မှတ်ချက်အဖြစ် ထားပါတယ်။ AI tool အသစ်တစ်ခုမှမရှိသော်လည်း သန့်ရှင်းတဲ့ contact database တစ်ခုက ရှုပ်ထွေးနေတဲ့ system အပေါ်ထားတဲ့ assistant အထက်ဆုံးထက် ဈေးရောင်းရလဒ် ပိုများစေနိုင်ပါတယ်။ ထိုင်းမှာ အိမ်ခြံမြေရင်းနှီးမြှုပ်နှံမှု စိတ်ဝင်စားရင် ထိုင်းအိမ်ခြံမြေ အသင်းသားများက ဒီလိုအချက်အလက်တွေကို ဈေးကွက်တကယ့် လက်တွေ့အတွေ့အကြုံနဲ့ ပေါင်းစပ်ပြီး အကြံပေးနိုင်ပါတယ်။

ရင်းမြစ်: SAP နှင့် Oxford Economics (၂၀၂၆ ဇူလိုင် သုတေသနစာတမ်း)