푸켓의 빌라 한 채를 AI 자동가치평가 모델에 넣으면 거의 항상 실제 시세보다 낮은 숫자가 나온다. 알고리즘이 고장 난 게 아니다. 태국 매매계약서에는 대부분 등록세(2%) 산정용 정부 공시가격이 기재되고, 실제 거래가는 적히지 않는다. AI는 주어진 데이터를 충실히 학습했을 뿐이고, 그 결과 아무도 그 가격에는 팔지 않는 숫자가 나온다.
이 사례 하나로 2026년 태국 부동산 시장에서 AI가 무엇을 잘하고 무엇을 못하는지 설명이 된다. 데이터가 풍부하고 깨끗한 영역, 즉 응대 메시지, 문서 처리, 번역, 수익률 계산, 리드 스크리닝에서는 AI가 확실히 제 몫을 한다. 반대로 시장 자체가 불투명한 영역에서는 무너진다. 태국의 재판매 주택 시장이 바로 그런 곳이다.
과장 없이, 2026년 기준으로 에이전트와 투자자에게 실제로 시간을 벌어주는 도구가 무엇인지, 어디서 한계에 부딪히는지, 그리고 어떻게 대응해야 하는지를 정리했다.
AI는 태국 부동산에서 어떤 업무에 통하는가
네 가지 업무는 신뢰할 만하다: 인바운드 리드 검증, 다국어 콘텐츠(영어·러시아어·태국어), 긴 법률 문서 파싱, 수익률 재무 모델 구축이다. 반면 태국 재판매 주택의 자동가치평가는 신뢰할 수 없다. 실거래가 공개 등록소가 없고, 학습 데이터 자체가 정부 공시가격 쪽으로 왜곡돼 있기 때문이다. 에이전트라면 주당 8~12시간의 반복 업무 절감이 현실적인 목표이고, 완전 자동화된 매매 성사는 아직 아니다.
2026년 9월 arXiv에 게재된 연구는 AI를 단일 도구가 아니라 자본, 합성 노동력, 인프라 세 가지 성격을 동시에 지닌 존재로 규정한다. 이 연구는 AI가 경제에 작동하는 다섯 가지 경로, 즉 자동화(automation), 증강(augmentation), 최적화(optimization), 예측(prediction), 혁신(innovation)을 제시하는데, 부동산 업계에서는 아직 자동화와 증강 두 가지만 널리 쓰이고 있다.
왜 푸켓 콘도 가격을 AI가 못 맞추는가
한국인 투자자가 가장 자주 묻는 질문이 바로 이거다. "이 콘도, AI로 대충 시세 뽑아볼 수 있나요?" 참고용으로는 그렇다. 협상 근거로는 아니다.
태국 국세청 재무부(Treasury Department)의 부동산 공시가격은 주기 단위로 운영되며 현재 주기는 2023년부터 2026년까지다. 이 공시가격은 2% 등록세(transfer duty) 계산에 쓰이는데, 시중에 돌아다니는 대부분의 데이터셋에는 실거래가가 아니라 이 공시가격이 남는다. AI 모델이 이 데이터를 학습하면 관광지 재판매 매물에서 실제 시세와 상당한 격차가 벌어질 수 있다는 게 시장의 대체적인 관측이다.
반면 방콕은 다르다. 상장 개발사의 재무공시가 존재하기 때문에 예측의 근거가 상대적으로 튼튼하다. 라와이(Rawai)의 특정 골목 하나를 놓고 AI에게 가격 전망을 물어보는 것과는 완전히 다른 이야기다.
비교 참고로, 2026년 7월 SAP와 옥스퍼드 이코노믹스가 임원 2,600명을 대상으로 실시한 글로벌 조사에서는 기업이 AI를 운영 프로세스에 깊이 통합할수록 ROI가 상승하는 경향이 확인됐다. 방콕과 푸켓의 초기 콘도 가치평가 도구 일부가 비교매물 기준으로 측정 가능한 오차 범위 안에서 작동하기 시작한 흐름도 이 패턴과 맞물린다.
콘도 매입 전 AI가 절대 대신할 수 없는 것
찬오트(chanote) 소유권 증서 확인, 개발사 지위 검증, 콘도미니엄의 외국인 소유 지분 49% 쿼터 확인. 이 세 가지는 어떤 AI 조합으로도 대체되지 않는다.
태국 콘도미니엄법(Condominium Act)상 외국인은 프리홀드 콘도 프로젝트 전체 면적의 49%를 초과해 소유할 수 없다. 이는 법적 상한선이며, 남은 쿼터가 몇 %인지는 AI 스크립트가 아니라 관리회사(management company)의 공문으로만 확인된다.
2026년 arXiv 연구는 노동시장 효과를 대체(substitution), 보완(complementarity), 창조적 파괴(creative destruction) 세 가지 국면으로 설명한다. 에이전시 업계에 적용하면, 직업 자체가 사라지는 게 아니라 업무 구성이 재편된다는 뜻이다. 반복 업무는 사라지고, 협상력과 지역 전문성의 가치는 오히려 올라간다.
재태 세금 계산, AI에게 맡겨도 되는 영역은 어디까지인가
소유 5년 이내 재판매 시 부과되는 특별사업세(Specific Business Tax)는 거래가와 공시가격 중 더 높은 금액의 3.3%다. 이런 규칙 계산은 AI가 완벽하게 처리한다. 단, 입력값이 정확해야 한다는 조건이 붙는다.
수익률 계산기는 스프레드시트에서 만들고 공식은 AI에게 맡기는 방식이 가장 효율적이다. 2% 등록세, 원천세(withholding tax), 5년 이내 재판매 시 3.3% 특별사업세, 관리비, 임차인 교체 사이 공실기간까지 반영해야 한다. AI는 공식은 잘 쓰지만 입력값은 잘 못 추측한다. 입력값은 반드시 직접 넣어야 한다.
태국 개발사와의 분양계약서(sale and purchase agreement)는 40페이지에 달하는 경우가 흔하다. 업로드해서 납입 일정, 지연인도 페널티, 계약해지 조건을 추출하도록 요청하면 빠르게 결과가 나온다. 다만 그 조항들은 직접 다시 읽어야 한다. AI가 조항 자체는 잘 찾지만, 부속 문서(appendix)를 참조하는 중첩 조항은 놓치는 경향이 있다.
AI 도입, 어디서부터 시작해야 하는가
-
최근 24개월간의 데이터를 직접 정리한다. 고객 응대 내역, 상담 이력, 계약이 틀어진 이유, 실제 종결가격. 이게 없으면 모델은 결국 남의 통계를 돌리게 되는데, 태국의 경우 그 통계 품질이 낮다.
-
기준선을 측정한다. 메시지 응대, 매물 리스트 준비, 번역, 할부 조건 확인에 매주 쓰는 시간을 도입 전에 반드시 기록해둔다. 나중에는 효과를 증명할 방법이 없다.
-
영업이 아니라 번역·현지화부터 시작한다. 영어·러시아어·태국어 3개 언어로 매물 설명과 개발사 서신을 처리하는 워크플로우는 즉각 효과가 난다. 찬오트, 리스홀드, 프리홀드, 싱킹펀드(sinking fund) 같은 용어집을 만들어 텍스트와 함께 모델에 입력해야 한다. 그렇지 않으면 법적으로 무의미한 번역이 나온다.
-
수익률 계산기를 만든다. 위에 나열한 세금·비용 항목을 전부 반영한다.
-
문서 파싱을 도입한다. 분양계약서를 업로드해 조항을 추출하되, 최종 확인은 사람이 한다.
-
리드 검증을 반자동화한다. 봇이 예산, 시기, 매입 목적, 시차를 먼저 수집하고, 두 번째 메시지부터는 사람이 개입한다. 1,500만 THB 매물 상담을 완전 자동화된 대화로 진행하면 고객을 잃는다.
-
같은 도구로 투어 일정을 짠다. 푸켓의 교통 상황을 고려해 3개 구역을 이틀 일정으로 매핑하는 정도는 AI가 무난히 해낸다. 다만 항공권과 숙소는 별도로, 최대한 일찍 예약하는 게 낫다. 성수기 가격은 일정 변경보다 빠르게 오른다.
-
매달 한 번씩 안 되는 걸 버린다. AI 활용 사례 10개를 시범 도입한 팀 대부분이 결국 2~3개만 남긴다.
목록 전체를 통틀어 가장 과대평가된 활용법 하나를 짚자면, 매물 설명 자동생성이다. 문장은 매끄럽게 나오지만 전환율은 올라가지 않는다. 일주일에 웹사이트 열 곳을 돌아본 구매자는 기계 특유의 리듬을 알아채고 그 매물을 신뢰하지 않기 시작한다. 애매한 결과 열 개보다 확실한 결과 하나가 낫다면, 마케팅 문구가 아니라 문서와 계산에 투자하는 게 맞다.
우리 판단은 이렇다. 태국에서 활동하는 1인 에이전트라면 AI 도입을 응대와 문서 처리에만 집중하는 게 맞다. 그 외 영역은 연간 수십 건 규모의 거래량에서야 수지가 맞는다. 분기당 두 건을 성사시키는 수준이라면, 그 시간을 이미 경쟁자보다 잘 아는 그 동네를 더 깊이 파는 데 쓰는 게 더 솔직한 선택이다.
데이터 확보 경쟁, 승자는 누가 될까
arXiv 연구가 짚은 시장 집중 위험은 이렇다. 승자는 모델 구독료를 낸 사람이 아니라, 자기만의 독점적 데이터를 축적한 사람이다. 5년치 거래 기록을 CRM에 쌓아둔 에이전시는 구조적으로 유리한 위치에 선다.
이는 태국 부동산 시장에서 특히 중요한 지점이다. 공개 데이터가 부실한 시장일수록, 직접 쌓은 데이터의 가치는 상대적으로 더 커진다. 구독 요금제를 고민하기 전에, 지난 거래 기록을 정리하는 데 시간을 쓰는 게 더 남는 투자다.
출처: Kalinka Thailand