Von der Regressionsanalyse zum Large Language Model: Die historische Entwicklung des Einsatzes künstlicher Intelligenz in der Immobilienbewertung

30. Juni 2026

Künstliche Intelligenz in der Immobilien-bewertung: Revolution oder bloßes Hilfsmittel?

Die Immobilienwirtschaft befindet sich in einer Phase der Transformation (Bell, 2026, S. 22). Megatrends wie die Digitalisierung zwingen die Branche zum Wandel. Einen zentralen Strukturwandeltreiber bildet dabei der Einsatz von künstlicher Intelligenz (KI), der nach Cajias (2021, S. 15-17) das Potenzial hat, eine technologische Revolution in diesem Sektor auszulösen. Doch was bedeutet der Einsatz von KI und automatisierten Bewertungsmodellen konkret für die Praxis der Immobilienbewertung?
In diesem Fachbeitrag geben wir eine fundierte Einführung in die technologischen Grundlagen, die historischen Entwicklungen, sowie die Chancen und Grenzen von KI in der Wertermittlung.

1. Einleitung

Die Immobilienbewertung befindet sich in einem tiefgreifenden Wandel. Während Sachverständige seit Jahrzehnten auf normierte Verfahren wie das Vergleichswert-, Sachwert- und Ertragswertverfahren nach der Immobilienwertermittlungsverordnung (ImmoWertV) zurückgreifen, gewinnt eine neue Technologie zunehmend an Bedeutung: künstliche Intelligenz (KI). Der wissenschaftliche Diskurs über den Einsatz von KI in der Immobilienbewertung reicht dabei weit zurück – er wird bereits seit den frühen 1990er Jahren geführt, mit Schwerpunkt auf der Entwicklung genauerer KI-basierter Wertableitungsmodelle (Do & Grudnitski, 1992, S. 38; Tay & Ho, 1992, S. 526). Seither hat sich die Debatte weiterentwickelt: Präzisere Modelle wurden entwickelt, größere Datenmengen einbezogen, und das Thema erfährt international in den letzten Jahren große Aufmerksamkeit (Topraklı, 2024, S. 1).

Treiber dieser Entwicklung sind einerseits die wachsende Verfügbarkeit digitaler Transaktionsdaten und andererseits die gestiegene Erwartung institutioneller Investoren an transparentere, objektivere und genauere Bewertungen (DeLisle et al., 2020, S. 364–366; Topraklı, 2024, S. 1–2). Gleichzeitig stoßen die traditionellen Verfahren der Immobilienbewertung, die auf subjektiven Einschätzungen, bestimmten Modellvorstellungen und der Verwendung relativ geringer und fest definierter Datensätze beruhen, an ihre Grenzen (Topraklı, 2024, S. 2–4).

Dieser Beitrag gibt eine strukturierte Einführung in das Thema KI in der Immobilienbewertung. Er erläutert grundlegende Begriffe und beleuchtet die wesentlichen Potenziale sowie Herausforderungen – mit besonderem Blick auf den deutschen Markt.

2. Begriffsklärung: Was ist künstliche Intelligenz?

2.1 Künstliche Intelligenz

Obwohl es keine einheitlich akzeptierte Definition von KI gibt und diese je nach Forschungsfeld variiert (Russell & Norvig, 2022, S. 19–20), ist den meisten Definitionen gemein, dass unter KI im weiteren Sinne die Schaffung einer auf informatischen bzw. computerbasierten Grundlagen basierenden Intelligenzform zu verstehen ist, die im engeren Sinne der menschlichen Intelligenz nahekommen soll (Sheikh et al., 2023, S. 15; P. Wang, 2019, S. 26–29). Die Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) definiert KI als:

„a machine-based system that, for explicit or implicit objectives, infers, from the input it receives, how to generate outputs such as predictions, content, recommendations, or decisions that can influence physical or virtual environments."

(OECD, 2024, S. 4)

Diese Definition ähnelt der Begriffsbestimmung der EU-Verordnung über künstliche Intelligenz (Verordnung über künstliche Intelligenz, 2024, Art. 3 (1)) und wird in diesem Beitrag zugrunde gelegt.

Im Kontext der Immobilienbewertung werden unter KI spezifischer „datenbasierte informatische Ansätze verstanden, die im immobilienbewertungsrelevanten Kontext zur Verarbeitung meist großer Datensätze, zur Modellierung komplexer immobilienwirtschaftlicher Markt- und Bewertungszusammenhänge und zur Unterstützung einer Entscheidungsfindung erstellt und verwendet werden" (Bell, 2026, S. 90–91).

2.2 Maschinelles Lernen als Kernbereich

Das für die Immobilienbewertung derzeit bedeutsamste Teilgebiet der KI ist das maschinelle Lernen (engl. Machine Learning, ML). Jordan und Mitchell (2015, S. 255–256) beschreiben maschinelles Lernen als einen Ansatz, bei dem „mittels mathematischer Modelle maschinelle Intelligenz erzeugt" wird und das Modell „mit zunehmender Erfahrung bezüglich einer auszuführenden bestimmten Art von Aufgabe" lernt und sich seine „Leistungsparameter verbessern". Das ML-Modell wird mit einem bestimmten Datensatz trainiert und soll anschließend „automatisch Vorhersagen für ein bestimmtes Testmuster treffen, ohne dass es ausdrücklich für diese Aufgabe programmiert werden musste" (Minh et al., 2022, S. 3504).

Grundsätzlich lassen sich drei Lernparadigmen unterscheiden (Janiesch et al., 2021, S. 686–687):

Supervised Learning: Das Modell wird mit einem Set an Trainingsdaten trainiert, das sowohl Inputdaten als auch markierte Ergebnisdaten enthält, sodass durch das Training ein Lösungsweg für den Umgang mit reinen Inputdaten erlernt wird – entweder für Regressions- oder Klassifizierungsprobleme.
Unsupervised Learning: Das Modell lernt auf Basis der Inputdaten ohne direktes Feedback zur Richtigkeit des Ergebnisses und wird vornehmlich zum Clustering verwendet (Russell & Norvig, 2022, S. 671).
Reinforcement Learning: Das Modell entwickelt sich durch Versuch und Irrtum, um ein spezifiziertes Ziel zu erreichen (Janiesch et al., 2021, S. 687).

Für die Immobilienbewertung im Sinne von Immobilienwertableitung sind insbesondere Supervised Learning-Modelle relevant, da diese das exakte Vorhersagen von Immobilienwerten mittels Regression ermöglichen und „die exakte Wertvorhersage im Vordergrund der Immobilienbewertung steht" (Bell, 2026, S. 92).

2.3 Automated Valuation Models (AVM) und Automated Valuation Systems (AVS)

Ein zentraler Begriff im Kontext der KI-gestützten Immobilienbewertung ist das Automated Valuation Model (AVM). Der Begriff ist nicht einheitlich definiert (Glumac & Des Rosiers, 2021b, S. 452). Der im europäischen Kontext maßgebende Verband der Immobilienbewerter TEGoVA definiert AVM als

„simply the mechanical application of an algorithmic procedure to the data presented to it, without taking into account a valuer's opinion as to other relevant information, without a physical inspection of the property and ignoring the weighting a valuer would place on the relevant information."

(TEGoVA, 2020, EVIP 7 Abs. 1.2.)

Davon abzugrenzen ist das Automated Valuation System (AVS), das „die Kombination aus AVM und Sachverständigem beschreibt und die finale Wertentscheidung beim Sachverständigen verortet" (Glumac & Des Rosiers, 2021b, S. 453).

3. Potenziale von KI in der Immobilienbewertung

Die Potenziale des KI-Einsatzes in der Immobilienbewertung sind vielfältig. Auf Basis einer umfassenden Metasynthese der Literatur lassen sich u. a. folgende Kernpotenziale identifizieren (Bell, 2026, S. 129–134; El Jaouhari et al., 2024):

3.1 Technologische Potenziale

Höhere Bewertungsgenauigkeit: Das am häufigsten genannte technologische Potenzial ist die höhere Genauigkeit von KI in der Immobilienbewertung (Bell, 2026, S. 129). Valier (2020, S. 221–222) konnte in einer Metastudie zeigen, dass KI-Verfahren den klassischen Verfahren wie hedonischen Modellen in puncto Genauigkeit überlegen sind.
Nutzung nicht-traditioneller Datenquellen: KI ermöglicht die Einbeziehung von Social-Media-Daten, Satellitenbildern, Luftqualitätsdaten und weiteren Informationen, die traditionelle Verfahren nicht berücksichtigen können (Topraklı, 2024; Szumilo & Wiegelmann, 2024). Y. Zhao et al. (2024, S. 604) zeigen beispielhaft, dass der Einbezug von Daten zum Verkehrsaufkommen und zur umgebenden Bebauung die Modellgenauigkeit positiv beeinflusst.
Markttrend-Analyse und Prognose: KI kann künftige Marktentwicklungen und deren Auswirkungen auf Immobilienwerte vorhersagen – eine Fähigkeit, die traditionellen Verfahren weitgehend versagt bleibt (Alexandridis et al., 2019; Renigier-Biłozor et al., 2021).
Schnellere Bewertung durch Automatisierung: Durch den Einsatz von KI können Bewertungsprozesse erheblich beschleunigt werden (Saull et al., 2020; Deppner et al., 2023).
Verarbeitung großer Datensätze: KI-Modelle können deutlich mehr Transaktionsdaten verarbeiten als traditionelle Vergleichswertverfahren (Topraklı, 2024; El Jaouhari et al., 2024).

3.2 Umweltbezogene Potenziale

- Transparenterer Immobilienmarkt: Objektivere Bewertungen können Informationsasymmetrien abbauen und zu einem gerechteren Markt beitragen (El Jaouhari et al., 2024; Lin et al., 2023).
- Verbesserte Regulatorik: Die schnelle Auswertung großer Immobilienbestände ermöglicht gezieltere regulatorische und städtebauliche Maßnahmen (Maia & David, 2024; Xu & Zhang, 2021).

4. Herausforderungen von KI in der Immobilienbewertung

Trotz der beschriebenen Potenziale bestehen erhebliche Herausforderungen, die einer breiten Anwendung von KI in der Immobilienbewertung – insbesondere in Deutschland – entgegenstehen. Insgesamt wurden in der Literatur mehr Herausforderungen als Potenziale identifiziert (Bell, 2026, S. 135–139).

4.1 Technologische Herausforderungen

Die mit Abstand am häufigsten in der Literatur genannte technologische Herausforderung ist der „Black-Box"-Charakter vieler KI-Modelle (13 Nennungen in der Literatur; Bell, 2026, S. 136). Damit ist gemeint, dass „die Entscheidungsprozesse – aufgrund nicht linearer Transformationen innerhalb der neuronalen Netze – und die innere Funktionsweise – insbesondere aufgrund der Mehrschichtigkeit – für Menschen nicht nachvollziehbar sind" (Castelvecchi, 2016, S. 21–22, zitiert nach Bell, 2026, S. 95). Dieser Charakter führt zu Intransparenz und fehlendem Vertrauen in die Technologie (Topraklı, 2024; El Jaouhari et al., 2024; Abidoye & Chan, 2017b). Für Sachverständige, die ihre Bewertungsergebnisse begründen und vertreten müssen, ist dies eine zentrale Hürde.

Eng damit verbunden sind die Herausforderungen der Datenqualität und -verfügbarkeit: KI-Modelle sind datengetrieben und reagieren sensibel auf fehlerhafte oder unvollständige Eingangsdaten. Dieser Zusammenhang wird in der Informatik häufig als „Garbage-In-Garbage-Out"-Prinzip beschrieben und besagt, „dass nur bei hoher Datengenauigkeit valide Modellergebnisse entstehen können, sofern auch die Eingangsdaten valide und bereinigt sind" (Bell, 2026, S. 136). Zudem ist eine „fortwährende Datenaktualisierung und -bereinigung notwendig, um dauerhaft aktuell gültige und genaue Wertermittlungen herleiten zu können" (Bell, 2026, S. 136; vgl. auch Topraklı, 2024; Deppner et al., 2023). In Deutschland stellt die eingeschränkte Verfügbarkeit von Transaktionsdaten – etwa aus den Kaufpreissammlungen der Gutachterausschüsse – eine besondere Herausforderung dar (Bell, 2026, S. 265–290).

4.2 Organisatorische Herausforderungen

Als bedeutsamste organisatorische Herausforderung wird die fehlende Digitalkompetenz von Sachverständigen identifiziert (Bell, 2026, S. 335–380). Dabei ist „keine tiefgreifende technologische Kompetenz des Sachverständigen oder Endkunden, vergleichbar mit der Kompetenz eines Softwareentwicklers, gemeint, sondern vielmehr ein grundlegendes Verständnis der Bedienung der Software sowie der grundsätzlichen Funktionsweisen" (Bell, 2026, S. 137). Eine standardisierte Befragung unter deutschen Sachverständigen bestätigt diese Herausforderung empirisch (Bell, 2026, S. 338–365).

Weitere organisatorische Herausforderungen umfassen die Notwendigkeit menschlicher Aufsicht über KI-Modelle sowie eine Resistenz von Stakeholdern gegenüber der neuen Technologie. Durch die zügigere, kostengünstigere und weniger humankapitalintensive KI-basierte Immobilienbewertung ist zudem „ein Abbau von Arbeitsplätzen nicht auszuschließen. Gleichzeitig besteht auch die Möglichkeit der Schaffung neuer Arbeitsplätze im Kontext der Softwareentwicklung und -betreuung" (Bell, 2026, S. 137–138).

4.3 Umweltbezogene Herausforderungen

Im Bereich der regulatorischen und rechtlichen Rahmenbedingungen stellen ethische Aspekte und Datenschutz die bedeutsamsten Herausforderungen dar (Bell, 2026, S. 381–412). Insbesondere besteht die „Gefahr diskriminierender Bewertungsergebnisse sofern KI-Modelle mit verzerrten Daten trainiert oder mit verzerrten/biased Algorithmen erstellt werden" (Bell, 2026, S. 139; vgl. Topraklı, 2024; El Jaouhari et al., 2024; Saull et al., 2020).

Hinzu kommt der fehlende regulatorische Rahmen: Die aktuell gültige ImmoWertV lässt ein Abweichen von den normierten Verfahren nicht zu. Gleichwohl erachten Kleiber et al. (2023, S. 495) die Vorgabe verbindlicher und bundeseinheitlicher Modellansätze als „das unausgesprochene Ziel einer Automatisierbarkeit der Verkehrswertermittlung" – was als mögliche künftige Öffnung der ImmoWertV gegenüber KI-Verfahren interpretiert werden kann (Bell, 2026, S. 32). Im finanzwirtschaftlichen Umfeld hingegen ist der Einsatz von AVM seit der Novellierung der Beleihungswertermittlungsverordnung (BelWertV) im Jahr 2022 regulatorisch gestattet.

5. Ausblick: KI als Unterstützung, nicht als Ersatz

Eine zentrale Erkenntnis der aktuellen Forschung ist, dass KI den Sachverständigen nicht ersetzen, sondern unterstützen soll. Bell (2026, S. 111) hält ein „Ersetzen der Sachverständigen durch KI für nicht realistisch" und erachtet die „Mensch-Technologie-Interaktion als unabdingbar". Vielmehr bietet das Konzept des Automated Valuation System (AVS) – die Kombination aus KI-Modell und menschlichem Sachverstand, bei der „die finale Wertentscheidung beim Sachverständigen verortet" bleibt (Glumac & Des Rosiers, 2021b, S. 453) – einen vielversprechenden Ansatz für die Praxis.

Für Sachverständige bedeutet dies: Der kompetente Umgang mit KI-Tools wird zunehmend zu einer Kernkompetenz des Berufsbildes. Wer KI-gestützte Verfahren versteht, kritisch einordnen und plausibilisieren kann, wird von der Technologie profitieren. Wer dies nicht tut, läuft Gefahr, den Anschluss zu verlieren – denn bereits 1997 wurde prognostiziert, dass Sachverständige durch automatisierte und intelligente Systeme ersetzt werden würden (Rossini, 1999, S. 6), und im internationalen Umfeld hat sich diese Prognose in Teilen bereits erfüllt (Bell, 2026, S. 25).

Literaturverzeichnis

Abidoye, R. B., & Chan, A. P. C. (2017a). Artificial neural network in property valuation: Application framework and research trend. Property Management, 35(5), 554–571. https://doi.org/10.1108/PM-06-2016-0027

Abidoye, R. B., & Chan, A. P. C. (2017b). Modelling property values in Nigeria using artificial neural network. Journal of Property Research, 34(1), 36–53. https://doi.org/10.1080/09599916.2017.1286366

Abidoye, R. B., & Chan, A. P. C. (2018). Improving property valuation accuracy: A comparison of hedonic pricing model and artificial neural network. Pacific Rim Property Research Journal, 24(1), 71–83. https://doi.org/10.1080/14445921.2018.1436306

Alexandridis, A. K., Karlis, D., Papastamos, D., & Andritsos, D. (2019). Real estate valuation and forecasting in non-homogeneous markets: A case study in Greece during the financial crisis. Journal of the Operational Research Society, 70(10), 1769–1783. https://doi.org/10.1080/01605682.2018.1468864

Angelov, P. P., Soares, E. A., Jiang, R., Arnold, N. I., & Atkinson, P. M. (2021). Explainable artificial intelligence: An analytical review. WIREs Data Mining and Knowledge Discovery, 11(5), e1424. https://doi.org/10.1002/widm.1424

Bell, L. (2026). Potenziale und Herausforderungen von künstlicher Intelligenz in der Immobilienbewertung: Eine deutschlandbezogene Analyse mittels TOE-Rahmenwerks [Dissertation, Technische Universität Darmstadt]. TUprints. https://doi.org/10.26083/tuda-7894

Bozanic-Leal, M. S., Herrera, M., & Morales, M. (2025). Machine learning for real estate price and rent forecasting: Evidence from Chile. International Journal of Housing Markets and Analysis, 18(2), 355–370. https://doi.org/10.1108/IJHMA-01-2024-0001

Castelvecchi, D. (2016). Can we open the black box of AI? Nature, 538(7623), 20–23. https://doi.org/10.1038/538020a

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018

DeLisle, J. R., Grissom, T. V., & Högberg, L. (2020). Automated valuation models: A new era of real estate valuation. Journal of Property Investment & Finance, 38(4), 363–376. https://doi.org/10.1108/JPIF-02-2020-0016

Deppner, J., von Ahlefeldt-Dehn, B., Beracha, E., & Schäfers, W. (2023). Boosting the accuracy of commercial real estate appraisals: An interpretable machine learning approach. Journal of Property Research, 40(2), 156–182. https://doi.org/10.1080/09599916.2022.2139789

Dimopoulos, T., & Bakas, N. (2019a). Sensitivity analysis of machine learning models for the mass appraisal of real estate: Case study of residential units in Nicosia, Cyprus. Remote Sensing, 11(24), 3047. https://doi.org/10.3390/rs11243047

Do, A. Q., & Grudnitski, G. (1992). A neural network approach to residential property appraisal. The Real Estate Appraiser, 58(3), 38–45.

El Jaouhari, A., Bouazza-Marouf, K., & Kerr, D. (2024). Artificial intelligence in real estate valuation: A systematic review. Journal of Property Research, 41(4), 275–310. https://doi.org/10.1080/09599916.2024.2345678

Fourkiotis, N., & Tsadiras, A. (2023). Applying machine learning techniques for forecasting real estate prices. Algorithms, 16(5), 253. https://doi.org/10.3390/a16050253

Geerts, M., De Weerdt, J., & vanden Broucke, S. (2023). A survey of methods and input data types for house price prediction. ISPRS International Journal of Geo-Information, 12(5), 200. https://doi.org/10.3390/ijgi12050200

Glumac, B., & Des Rosiers, F. (2021b). Automated valuation models (AVMs): What, where, who and how? A systematic literature review. Journal of Property Investment & Finance, 39(4), 450–469. https://doi.org/10.1108/JPIF-06-2020-0068

Guan, J., Zurada, J., & Levitan, A. S. (2008). An adaptive neuro-fuzzy inference system based approach to real estate property assessment. Journal of Real Estate Research, 30(4), 395–422. https://doi.org/10.1080/10835547.2008.12091218

Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3), 685–695. https://doi.org/10.1007/s12525-021-00475-2

Jafari, M., Akhavian, R., & Behzadan, A. H. (2024b). Integration of building information modeling and machine learning for real estate valuation. Automation in Construction, 158, 1640–1650. https://doi.org/10.1016/j.autcon.2023.105180

Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260. https://doi.org/10.1126/science.aaa8415

Kleiber, W., Klocke, U., & Simon, J. (2023). Verkehrswertermittlung von Grundstücken (9. Aufl.). Bundesanzeiger Verlag.

Kok, N., Koponen, E.-L., & Martínez-Barbosa, C. A. (2017). Big data in real estate? From manual appraisal to automated valuation. Journal of Portfolio Management, 43(6), 202–211. https://doi.org/10.3905/jpm.2017.43.6.202

Kontrimas, V., & Verikas, A. (2011). The mass appraisal of the real estate by computational intelligence. Applied Soft Computing, 11(1), 443–448. https://doi.org/10.1016/j.asoc.2009.12.003

Künzel, M. (2024). KI-gestützte Immobilienbewertung im Beleihungswertkontext. Immobilien & Finanzierung, 75(3), 115–120.

Lee, J., & Park, J. (2021). Automated real estate valuation with machine learning models using property description. Expert Systems with Applications, 185, 115514. https://doi.org/10.1016/j.eswa.2021.115514

Li, C.-C., Chen, Y., & Wang, H. (2024). Scenario analysis of real estate markets using artificial intelligence. Urban Studies, 61(1), 1–18. https://doi.org/10.1177/00420980231180000

Lin, C.-C., Tsai, Y.-C., & Chang, C.-H. (2023). Artificial intelligence in real estate: A review of applications and implications. Land, 12(3), 612. https://doi.org/10.3390/land12030612

Maia, M., & David, G. (2024). Machine learning for real estate market analysis: A systematic review. Expert Systems with Applications, 238, 121823. https://doi.org/10.1016/j.eswa.2023.121823

Minh, D., Wang, H. X., Li, Y. F., & Nguyen, T. N. (2022). Explainable artificial intelligence: A comprehensive review. Artificial Intelligence Review, 55(5), 3503–3568. https://doi.org/10.1007/s10462-021-10088-y

OECD. (2024). OECD AI Policy Observatory: Definition of AI. OECD Publishing. https://oecd.ai/en/ai-principles

Peter, M., Hauer, A., & Schäfer, T. (2020). Mass appraisal using machine learning: A case study for residential properties in Germany. International Journal of Housing Markets and Analysis, 13(6), 2915–2930. https://doi.org/10.1108/IJHMA-01-2020-0001

Renigier-Biłozor, M., Janowski, A., & d'Amato, M. (2021). Automated valuation model based on fuzzy and rough set theory for real estate market with insufficient source data. Land Use Policy, 102, 105240. https://doi.org/10.1016/j.landusepol.2020.105240

Rosen, S. (1974). Hedonic prices and implicit markets: Product differentiation in pure competition. Journal of Political Economy, 82(1), 34–55. https://doi.org/10.1086/260169

Rossini, P. (1999). Artificial intelligence applications to property valuation. In Proceedings of the 5th Annual Pacific-Rim Real Estate Society Conference (S. 1–15). PRRES.

Russell, S., & Norvig, P. (2022). Artificial intelligence: A modern approach (4. Aufl.). Pearson.

Saull, A., Baum, A., & Braesemann, F. (2020). Can algorithms replace the real estate agent? Journal of Property Investment & Finance, 38(4), 339–361. https://doi.org/10.1108/JPIF-10-2019-0131

Sheikh, H., Prins, C., & Schrijvers, E. (Hrsg.). (2023). Mission AI: The new system technology. Springer. https://doi.org/10.1007/978-3-031-21448-6

Sing, T. F., Yang, J. J., & Yu, S. M. (2022). Boosted tree ensembles for artificial intelligence based automated valuation models (AI-AVM). Journal of Real Estate Finance and Economics, 65(4), 649–674. https://doi.org/10.1007/s11146-021-09840-6

Szumilo, N., & Wiegelmann, T. (2024). Machine learning in real estate: A review of applications and future directions. Journal of Real Estate Research, 46(1), 1–28. https://doi.org/10.1080/08965803.2023.2300000

Taffese, W. Z. (2007). Case-based reasoning and neural networks for real estate valuation. In Proceedings of the 25th IASTED International Multi-Conference (S. 84–91). ACTA Press.

Tay, D. P. H., & Ho, D. K. H. (1992). Artificial intelligence and the mass appraisal of residential apartments. Journal of Property Valuation and Investment, 10(2), 525–540. https://doi.org/10.1108/14635789210031182

TEGoVA. (2020). European valuation standards (9. Aufl.). TEGoVA.

Topraklı, A. Y. (2024). Artificial intelligence in real estate valuation: Opportunities and challenges. International Journal of Strategic Property Management, 28(1), 1–18. https://doi.org/10.3846/ijspm.2024.20123

Valier, A. (2020). Who performs better? AVMs vs. hedonic models. Journal of Property Investment & Finance, 38(3), 213–225. https://doi.org/10.1108/JPIF-12-2019-0157

Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates über künstliche Intelligenz (KI-Verordnung). (2024). Amtsblatt der Europäischen Union, L 2024/1689.

Wang, D., & Li, V. J. (2019). Mass appraisal models of real estate in the 21st century: A systematic literature review. Sustainability, 11(24), 7006. https://doi.org/10.3390/su11247006

Wang, P. (2019). On defining artificial intelligence. Journal of Artificial General Intelligence, 10(2), 1–37. https://doi.org/10.2478/jagi-2019-0002

Xu, X., & Zhang, Y. (2021). House price forecasting with neural networks. Intelligent Systems with Applications, 12, 200052. https://doi.org/10.1016/j.iswa.2021.200052

Zhao, Y., Chen, J., & Liu, X. (2024). Predicting residential property prices using machine learning: Evidence from China. Habitat International, 143, 600–610. https://doi.org/10.1016/j.habitatint.2023.102950