Boligpriser og AI – kan machine learning forudsige markedet?

Hvad kommer din bolig til at være værd om et år? Det spørgsmål har altid været svært at besvare – men med fremkomsten af machine learning og store datamængder er vi kommet tættere på et svar end nogensinde. I Danmark bruges AI allerede til at vurdere 2,3 millioner ejendomme i det offentlige vurderingssystem, og private aktører som Geomatic, BoIQ og Boligrobot leverer prisestimater og prognoser baseret på neurale netværk og avancerede statistiske modeller.

Men kan algoritmerne virkelig forudsige boligmarkedet? Denne artikel gennemgår, hvordan machine learning bruges til boligprisforudsigelse i Danmark, hvilke modeller der findes, hvad de kan – og lige så vigtigt: hvad de ikke kan.

Hvad er en AVM – og hvorfor er den vigtig?

AVM står for Automated Valuation Model – en algoritme der estimerer en ejendoms markedsværdi uden fysisk besigtigelse. Det er ryggraden i moderne boligprisforudsigelse, og den bruges af banker, realkreditinstitutter, forsikringsselskaber og offentlige myndigheder.

En AVM-model trækker typisk på fire lag af data:

1. Ejendomsspecifikke data: Størrelse, alder, værelser, energimærke, ombygninger (fra BBR)
2. Beliggenhedsdata: Afstand til transport, skoler, kyst, grønne områder, støjniveau, kriminalitet
3. Sammenlignelige salg: Realiserede salgspriser for lignende ejendomme i samme område
4. Makroøkonomiske indikatorer: Renter, inflation, beskæftigelse, byggeaktivitet, udbudsniveauer

Jo flere og bedre datapunkter modellen har adgang til, jo præcisere bliver estimatet. Og det er her, Danmark har en unik fordel: vi har nogle af verdens bedste offentlige ejendomsregistre.

Danmarks datafordel – hvorfor AI fungerer særligt godt herhjemme

Danmark har en infrastruktur af åbne, strukturerede ejendomsdata, som mange lande misunder os. Det gør landet til et ideelt testmiljø for AI-drevne boligprismodeller:

Alle disse kilder er tilgængelige via Datafordeleren – Danmarks fælles platform for offentlige grunddata. Det betyder, at enhver AI-udvikler kan bygge en AVM-model på et rigt datagrundlag uden at skulle forhandle med individuelle dataleverandører. Læs mere om danske ejendomsdatakilder og API’er.

Machine learning-metoder til boligprisforudsigelse

Moderne boligprismodeller bruger en række machine learning-teknikker, der hver har styrker og svagheder. Her er de vigtigste:

1. Hedoniske regressionsmodeller

Den klassiske tilgang. En hedonisk model opdeler en boligs pris i bidrag fra individuelle egenskaber – størrelse, beliggenhed, alder, stand – og estimerer en priskoefficient for hver. Det er grundlæggende en lineær regression med mange variable.

Styrker: Let fortolkelig, gennemsigtig, velegnet til regulatoriske formål.
Svagheder: Fanger ikke komplekse, ikke-lineære sammenhænge mellem variable.

2. Gradient Boosted Trees (XGBoost, LightGBM)

Ensemble-metoder der bygger mange små beslutningstræer oven på hinanden, hvor hvert træ korrigerer fejlene fra de foregående. Disse modeller dominerer priskonkurrencer som Kaggle og bruges i praksis af flere danske AVM-leverandører.

Styrker: Høj præcision, håndterer manglende data og kategoriske variable godt, relativ hurtig træning.
Svagheder: Sværere at fortolke end lineære modeller, risiko for overfitting på små datasæt.

3. Neurale netværk (deep learning)

Dybe neurale netværk kan fange ekstremt komplekse mønstre i data. Boligrobot.dk bruger eksplicit neurale netværk til at levere 12-måneders prisforudsigelser på danske boliger.

Styrker: Kan modellere vilkårligt komplekse sammenhænge, kan integrere billeddata (satellit, streetview).
Svagheder: Kræver store datamængder, er en “sort boks” (svær at forklare), træning er beregningstung.

4. GAM og KNN (det offentlige system)

Vurderingsstyrelsens nye ejendomsvurderingssystem bruger GAM (Generalized Additive Models) og KNN (K-Nearest Neighbors). GAM er en fleksibel regressionsmetode, der modellerer ikke-lineære sammenhænge via glatte funktioner. KNN finder de mest “lignende” ejendomme i datasættet og estimerer værdien ud fra deres salgspriser.

Styrker: GAM er fortolkelig og fleksibel; KNN er intuitiv og nem at forklare til borgere.
Svagheder: GAM skalerer dårligt med mange variable; KNN er følsom over for “curse of dimensionality” med mange features.

Danske AI-værktøjer til boligprisforudsigelse

I 2026 har den danske boligkøber og -ejer adgang til flere AI-drevne prisværktøjer:

Geomatic AVM – bankernes foretrukne

Geomatic leverer en af Danmarks mest udbredte AVM-løsninger. Modellen beregner en estimeret markedsværdi for over 1,6 millioner danske ejendomme og bruges af flere af de største danske pengeinstitutter til kreditvurdering og belåning. Geomatic trækker på offentlige registre som BBR og Matriklen samt realiserede salgsdata fra tinglysningen.

Det, der gør Geomatic interessant, er den granulerede beliggenhedsanalyse: modellen medtager hundredvis af mikrogeografiske variable – fra støjkort og oversvømmelsesrisiko til afstand til nærmeste S-togsstation. Det er data, der traditionelt krævede fysisk besigtigelse at vurdere.

BoIQ – data fra 40+ kilder

BoIQ er udviklet af folkene bag Boliga.dk og DinGeo.dk – to af Danmarks største boligdataportaler. BoIQ’s AVM-model kombinerer data fra over 40 kilder, herunder BBR, energimærker, salgshistorik, plandata og socioøkonomiske indikatorer. Resultatet er tilgængeligt via DinGeo, hvor brugere kan se flere uafhængige vurderinger side om side.

Boligrobot.dk – prognoser med neurale netværk

Boligrobot.dk skåner sig ud fra de øvrige værktøjer ved eksplicit at levere fremadrettede prisforudsigelser – ikke kun et estimat af den aktuelle værdi. Modellen bruger neurale netværk trænet på historiske salgsdata, makroøkonomiske indikatorer og sæsonmønstre til at generere op til 12 måneders prisprognoser for parcelhuse, ejerlejligheder og fritidshuse i hele Danmark.

Det er vigtigt at understrege, at prisprognoser er fundamentalt sværere end værdiansættelse af den aktuelle markedsværdi. En AVM siger “hvad er boligen værd nu?” – Boligrobot siger “hvad vil den være værd om 6 måneder?” Det første er statistisk regression; det andet er tidsserieprognose med alle de usikkerheder, det indebærer.

Det offentlige ejendomsvurderingssystem – AI på 2,3 mio. ejendomme

Det nye offentlige ejendomsvurderingssystem er et af de største statslige AI-projekter i dansk historie. Vurderingsstyrelsen under Skatteministeriet vurderer ca. 2,3 millioner ejendomme i Danmark med statistiske modeller baseret på GAM og KNN.

Systemet erstatter det tidligere vurderingssystem, der blev suspenderet i 2013 efter årelang kritik for upålidelige vurderinger. De nye vurderinger danner grundlag for boligskatter – grundskyld og ejendomsværdiskat – og har derfor direkte økonomisk betydning for alle boligejere.

Det offentlige system er ikke designet til at forudsige fremtidige priser – det estimerer den aktuelle værdi. Men det er relevant for prisforudsigelse, fordi dets metodik og data danner fundament for private AVM-løsninger.

Hvad kan AI forudsige – og hvad kan den ikke?

Her er det afgørende at sætte realistiske forventninger. AI-modeller er værktøjer, ikke orakler.

Det kan AI gøre godt

• Estimere aktuel markedsværdi: De bedste AVM-modeller rammer typisk inden for 5–10 % af den realiserede salgspris for standardboliger i områder med mange sammenlignelige salg.
• Identificere relative prisforskelle: Modellerne er stærke til at vise, at en bolig i kvarter A er 15 % dyrere end i kvarter B – også selv om det absolutte prisniveau er usikkert.
• Spørge kortsigtede trends: 3–6 måneders prognoser har højere træfsikkerhed end længere tidshorisonter, fordi boligmarkedet har træghed (momentum).
• Afdække prisanomalier: Boliger der handles væsentligt over eller under modellens estimat, kan flages som potentielle fejlprissætninger – relevant for både købere og banker.
• Kvantificere beliggenhedsfaktorer: AI kan sætte kr.-værdi på nærhed til metro, støjniveau, skolekvalitet og andre beliggenhedsparametre.

Det kan AI ikke gøre (endnu)

• Forudsige “sorte svaner”: Pandemier, rentechok, finanskriser, krige – de begivenheder der reelt ændrer boligmarkedet dramatisk, er per definition uforudsigelige for historisk trænede modeller.
• Vurdere subjektive kvaliteter: Udsigt, charme, “følelsen” i et rum, nabostøj om lørdagen – det der gør, at to ens lejligheder sælges til vidt forskellige priser.
• Håndtere tynde markeder: I landdistrikter med få salg per år mangler modellerne sammenlignelige datapunkter, og usikkerheden eksploderer.
• Forudsige politiske ændringer: Nye skatteregler, planlægningsafgørelser, infrastrukturinvesteringer – beslutninger der kan ændre et områdes prisudvikling drastisk.
• Erstatte en mæglers lokalkendskab: En erfaren mægler kender det kvarter, man køber ind i. AI kender dataene om kvarteret – det er ikke det samme.

Præcision i praksis – hvor gode er modellerne?

Præcisionen af en AVM måles typisk på median absolute percentage error (MdAPE) – den mediane afvigelse mellem estimeret og realiseret salgspris. Her er et realistisk billede for danske modeller i 2026:

En MdAPE på 8 % på et hus til 3 mio. kr. svarer til en afvigelse på 240.000 kr. Det er nyttigt som indikation, men ikke præcist nok til at erstatte en professionel vurdering ved køb eller belåning.

Renter, sæsonmønstre og makrofaktorer

Boligpriser styres ikke kun af ejendommens egenskaber, men i høj grad af makroøkonomiske faktorer. De vigtigste for danske modeller:

• Renten: Den realkreditrente danskerne betaler er den stærkeste enkeltfaktor for boligprisudviklingen på kort til mellemlang sigt. Et renteskift på ét procentpoint kan flytte boligpriserne 8–12 % over 1–2 år.
• Beskæftigelse: Lav arbejdsløshed → høj efterspørgsel → stigende priser. Danske byområder med høj jobvækst ser typisk priseffekten 6–12 måneder før yderdistrikterne.
• Udbud: Antallet af boliger til salg påvirker priserne negativt – flere boliger på markedet → længere liggetider → pres på priserne.
• Sæsonmønstre: Det danske boligmarked har en tydelig sæsonrytme: flest handler i Q2 og Q3, lavest aktivitet i Q4 og Q1. Priser tenderer til at stige i forårssæsonen.
• Regulering: Ændringer i skatteregler (boligskat, grundskyld), belåningsregler (80 %-belåningsgrænse, afdragskrav) og planlægning (nye boligområder) påvirker priserne, men er svære at modellere forudsigeligt.

De bedste AI-modeller integrerer makrofaktorer som input-variable, men de kan kun ekstrapolere ud fra historiske mønstre. Hvis renten bevæger sig ud af det historiske interval, reduceres modellens pålidelighed væsentligt.

Fra værdiansættelse til prognose – den svære forskel

Det er vigtigt at skelne mellem to fundamentalt forskellige opgaver:

De fleste danske værktøjer leverer værdiansættelse, ikke prognose. Boligrobot.dk er en undtagelse med eksplicitte 12-måneders prognoser. Men selv her gælder det, at modellens usikkerhed vokser for hver måned ud i fremtiden.

En god tommelfingerregel: En AI-prognose på boligpriser bør altid præsenteres med et konfidensinterval – ikke som et enkelt tal. “Vi forventer en stigning på 3–7 % i København over de næste 12 måneder” er ærlig kommunikation. “Prisen stiger 5,2 %” er pseudopræcision.

Praktiske anbefalinger – sådan bruger du AI-boligprisværktøjer

Hvis du skal købe bolig

• Slå adressen op i 2–3 uafhængige AVM-værktøjer (fx Bolighed, DinGeo/BoIQ, Nordea BoligSkøn) og sammenlign estimaterne. Spredningen giver dig et realistisk usikkerhedsinterval.
• Check Boligrobot.dk for en fremadrettet prognose – men brug den som retningsindikator, ikke som budget.
• Brug AVM-estimater til at forhandle informeret: Hvis salgsprisen ligger 15 % over alle AVM-estimater, er det værd at spørge mægleren hvorfor.

Hvis du ejer en bolig

• Sammenlign din offentlige ejendomsvurdering med private AVM-estimater. Afviger de væsentligt, kan det være relevant at klage over vurderingen.
• Brug prishistorik på Boliga.dk for at se, hvordan tilsvarende ejendomme i dit område er handlet.

Hvis du er professionel investor

• Brug Geomatic AVM eller BoIQ som screening-værktøj til at identificere undervurderede ejendomme i større porteføljer.
• Kombiner AVM-data med lejedata fra Resights for at beregne forventet afkast (cap rate) – ikke kun aktivværdi.
• Sæt alerts på områder med stigende afvigelse mellem AVM-estimater og udbudspriser – det kan signalere prisbobler eller -dyk.

Fremtiden: Hvad der kommer

AI-drevet boligprisforudsigelse er stadig i tidlig fase. Her er de tendenser, der vil forme feltet de næste år:

• Billedanalyse: Computer vision på boligfotos, satellitbilleder og Google Street View kan tilføje “bløde” variable som boligens stand, havevedligeholdelse og kvarterets visuelle kvalitet til modellerne.
• Realtidsprissætning: I stedet for ugentlige eller månedlige opdateringer vil AVM-modeller bevæge sig mod realtids-estimater, der inkorporerer de seneste salg og makrodata.
• Forklarbar AI (XAI): EU’s AI Act kræver gennemsigtighed i automatiserede værdiansættelser brugt til kreditbeslutninger. Modeller skal kunne forklare, hvorfor de vurderer en bolig til X kr.
• Klimarisiko: Stigende havniveauer, ekstremregn og oversvømmelsesrisiko vil i stigende grad påvirke boligpriser. AI-modeller der integrerer klimascenarier er allerede under udvikling internationalt – EIOPA har anbefalet det for forsikringsbranchen.
• Personaliserede prognoser: I stedet for én pris per bolig vil næste generation af værktøjer levere scenarie-baserede estimater: “Hvis renten stiger 1 %, falder denne bolig 8–12 % i værdi.”