AI से iBuying में बड़े झटके कैसे टलते हैं?

16/06/2025 को एक खबर ने प्रॉपटेक इंडस्ट्री का मूड फिर से गंभीर कर दिया: Opendoor ने अपने कर्मचारियों में 40% कटौती की और अपनी सेल्स टीम को “multi-product, multi-channel” दिशा में री-स्ट्रक्चर किया। यही कंपनी है जो iBuying मॉडल की सबसे बड़ी पहचानों में रही है—घर खरीदो, हल्का-फुल्का रेनोवेशन करो, और फिर मुनाफे पर बेच दो।

यह सिर्फ एक कंपनी की कहानी नहीं है। यह उस मॉडल का स्ट्रेस टेस्ट है जो रियल एस्टेट जैसी धीमी, असमान और लोकल मार्केट-ड्रिवन इंडस्ट्री में “स्केल” करने की कोशिश करता रहा। और अगर आप भारत में डेवलपर, ब्रोकरेज, प्रॉपटेक स्टार्टअप, या निवेशक हैं—तो सीख बहुत सीधी है: ऑपरेशंस और रेवेन्यू को अनुमान के भरोसे छोड़ना अब महंगा पड़ता है।

“रियल एस्टेट और प्रॉपटेक में AI” सीरीज़ के संदर्भ में, मैं इसे यूं देखता हूँ: यह पिवट दिखाता है कि पारंपरिक iBuying को AI-ड्रिवन फोरकास्टिंग, प्राइसिंग और रिस्क कंट्रोल की सख्त जरूरत है—वरना बड़े झटके (जैसे लेऑफ) बार-बार होंगे।

Opendoor के लेऑफ हमें क्या बता रहे हैं?

सीधा जवाब: iBuying मॉडल में कैश-बर्न और गलत टाइमिंग की कीमत बहुत बड़ी होती है। Opendoor ने पब्लिक होने के बाद लगभग 18 क्वार्टर में करीब $2.8B का नुकसान झेला और केवल दो बार मुनाफा दिखा पाई। साथ ही, शुरुआती 2022 के पीक की तुलना में कैश और कैश इक्विवेलेंट्स 76% घट गए।

यहां पैटर्न स्पष्ट है—लेऑफ की कई लहरें:

• लगभग 2 साल पहले: 560 लोग (22%)
• 2024 में एक राउंड: 300 लोग
• 2025 की पहली तिमाही: 65 लोग
• और अब: सेल्स री-स्ट्रक्चरिंग में 40 कर्मचारी (साथ में 70 लोगों की भूमिका में बदलाव)

“Multi-product, multi-channel” का मतलब क्या है?

सीधा मतलब: केवल “घर खरीदकर बेचने” से रेवेन्यू स्थिर नहीं बन रहा, इसलिए Opendoor जैसे iBuyer अब asset-light रास्तों पर जा रहे हैं—जैसे agent referral program, पार्टनर चैनल, और ऐसे प्रोडक्ट जिनमें बैलेंस शीट पर भारी इन्वेंट्री नहीं बैठती।

मेरे हिसाब से यह एक व्यावहारिक दिशा है—क्योंकि रियल एस्टेट में इन्वेंट्री रखना (यानी खुद घर खरीदना) सबसे बड़ा रिस्क है: ब्याज दरें, लोकल मांग, दिनों में बिकने की स्पीड, रेनोवेशन की लागत—सब एक साथ उल्टा हो जाए तो मार्जिन मिनटों में उड़ जाता है।

iBuying अक्सर क्यों फिसलता है: 4 “अनदेखे” रिस्क

सीधा जवाब: iBuying में प्राइसिंग और टाइमिंग की छोटी गलती भी बड़े घाटे में बदल जाती है।

1) लोकल मार्केट का “मूड” मॉडल से तेज बदलता है

एक शहर में 3 किमी के दायरे में भी प्राइस ट्रेंड अलग हो सकता है। स्कूल कैचमेंट, मेट्रो लाइन, सोसाइटी की रेपुटेशन, पानी/ट्रैफिक—ये सब micro-signals हैं। पारंपरिक एनालिटिक्स अक्सर इन्हें ठीक से कैप्चर नहीं कर पाते।

2) Days-on-Market (DOM) का गलत अनुमान

iBuying में असली खेल DOM का है। आपका कैपिटल जितना ज्यादा दिन फंसा, उतनी ज्यादा कैरी कॉस्ट (ब्याज, टैक्स, मेंटेनेंस) और उतना ज्यादा प्राइस रिस्क।

3) रेनोवेशन लागत का स्लिपेज

रेनोवेशन “स्टैंडर्ड” लग सकता है, लेकिन सप्लाई चेन, लेबर, परमिशन, और अनपेक्षित रिपेयर—सब बजट बिगाड़ते हैं।

4) ऑर्ग स्ट्रक्चर का “ओवरहायरिंग”

जब ग्रोथ की उम्मीद पर हायरिंग होती है और बाजार धीमा हो जाता है, तो कंपनियां अचानक खर्च काटती हैं। यहीं लेऑफ ट्रिगर होते हैं।

AI iBuying को कैसे “कम झटकों” वाला बिज़नेस बना सकता है?

सीधा जवाब: AI iBuying को सिर्फ तेज नहीं बनाता—वह उसे अधिक “अनुमान-योग्य” और नियंत्रित बनाता है। नीचे वे AI उपयोग हैं जो सीधे Opendoor जैसी स्थितियों को पहले पकड़ सकते हैं।

1) AI-ड्रिवन डिमांड फोरकास्टिंग: “कहां खरीदे, कहां नहीं”

सबसे बड़ा निर्णय यही है: किस पिनकोड/माइक्रो-मार्केट में इन्वेंट्री बनानी है। AI यहां मदद करता है:

• सर्च इंटेंट और लिस्टिंग व्यू ट्रेंड
• प्राइस कट्स का पैटर्न
• नए प्रोजेक्ट/रेजिडेंशियल सप्लाई का फ्लो
• बैंक/लोन अप्रूवल स्पीड जैसे इंडायरेक्ट संकेत

निकाल क्या आता है? एक heatmap—जहां अगले 30/60/90 दिनों में लिक्विडिटी बढ़ेगी या घटेगी।

“iBuying में प्रॉफिट का 60% फैसला खरीदते समय हो जाता है; बाकी 40% बेचते समय।”

2) AI प्राइसिंग: सिर्फ “मूल्यांकन” नहीं, “सेल-प्रॉबेबिलिटी”

पारंपरिक AVM (Automated Valuation Model) अक्सर एक कीमत बताता है। AI को यहां आगे जाना चाहिए:

• किसी प्राइस पर बिकने की संभावना
• कितने दिनों में बिकेगा
• किस प्रकार का डिस्काउंट लग सकता है

भारत में भी यह उपयोग ब्रोकरेज और डेवलपर्स के लिए सीधा है: स्टैगर्ड प्राइसिंग + इन्वेंट्री मिक्स ऑप्टिमाइजेशन।

3) ऑपरेशंस और स्टाफिंग ऑप्टिमाइजेशन: लेऑफ “आखिरी विकल्प” बने

Opendoor की कहानी में दर्दनाक हिस्सा है—बार-बार स्टाफ कट। AI यहां दो स्तर पर असर डाल सकता है:

(क) वर्कलोड फोरकास्टिंग

• आने वाले लीड्स/डील्स के आधार पर टीम कैपेसिटी
• किस शहर में कितने सेल्स/ऑप्स लोग चाहिए

(ख) स्किल-मैचिंग और रीडिप्लॉयमेंट

लेऑफ से पहले AI यह बता सकता है कि किन लोगों को:

• agent success / partner channel में शिफ्ट करें
• रेनोवेशन वेंडर मैनेजमेंट में लगाएं
• कस्टमर ऑनबोर्डिंग या डॉक्यूमेंटेशन ऑटोमेशन टीम में ट्रांसफर करें

यह soft landing देता है—खर्च घटता है, लेकिन इंसानी पूंजी पूरी तरह नष्ट नहीं होती।

4) “Asset-light” मॉडल में AI की भूमिका और भी बड़ी है

सीधा जवाब: जब आप घर खरीदना कम करते हैं, तो आपका बिज़नेस डेटा और नेटवर्क पर टिकता है—यानी AI का फायदा बढ़ता है।

Agent referral, पार्टनर ब्रोकिंग, या मार्केटप्लेस मॉडल में AI:

• सही ग्राहक को सही एजेंट/प्रोजेक्ट से मैच करता है
• फ्रॉड/डुप्लिकेट लीड्स घटाता है
• कन्वर्ज़न बढ़ाने के लिए next best action सुझाता है
• कॉल/व्हाट्सएप/ईमेल से intent scoring करता है

यह वही दिशा है जिसकी तरफ Opendoor जा रहा है—लेकिन फर्क यह है कि AI को यहां “सपोर्टिंग टूल” नहीं, कोर इंजन बनना पड़ता है।

भारतीय रियल एस्टेट के लिए सीख: “iBuying जैसा रिस्क” बिना iBuying के भी होता है

सीधा जवाब: भारत में भी डेवलपर इन्वेंट्री, ब्रोकरेज ऑपरेशंस और लोन/लीड पाइपलाइन में वही वोलैटिलिटी है—बस रूप अलग है।

डेवलपर्स के लिए

• गलत माइक्रो-मार्केट में भारी स्टॉक = लंबे समय तक कैश फंसा
• फेस्टिव सीज़न (दिसंबर 2025, साल का क्लोजिंग) में मांग की गलत भविष्यवाणी = डिस्काउंटिंग प्रेशर

ब्रोकरेज/प्रॉपटेक के लिए

• ओवरहायरिंग + लीड क्वालिटी गिरना = अचानक खर्च कट
• चैनल पार्टनर मैनेजमेंट में असमान परफॉर्मेंस = रेवेन्यू “स्पाइकी”

AI का व्यावहारिक लक्ष्य यही होना चाहिए: रेवेन्यू को स्मूद करना और रिस्क को पहले पकड़ना।

एक छोटा, काम का AI रोडमैप (60–90 दिन)

सीधा जवाब: आपको पूरे संगठन में AI “लागू” नहीं करना; 3 हाई-इम्पैक्ट सिस्टम चुनिए।

1. लीड + डिमांड स्कोरिंग मॉडल

   • इनपुट: लोकेशन, बजट, सोर्स, रिस्पॉन्स टाइम, विज़िट पैटर्न
   • आउटपुट: कौन-सी लीड तुरंत कॉल योग्य, कौन nurture में जाए

2. प्राइस-टू-सेल मॉडल

   • आउटपुट: “इस कीमत पर 30 दिनों में बिकने की संभावना 72%” जैसे निर्णय योग्य संकेत

3. वर्कफोर्स कैपेसिटी डैशबोर्ड

   • सेल्स/ऑप्स टीम का लोड, पाइपलाइन और SLA रिस्क एक स्क्रीन पर

अगर आप यही तीन चीजें सही कर लेते हैं, तो भारी-भरकम लेऑफ जैसी स्थितियां काफी हद तक पहले दिखने लगती हैं—और फैसले “घबराहट” में नहीं लेने पड़ते।

“People also ask”: प्रॉपटेक में AI अपनाने पर आम सवाल

क्या AI iBuying को मुनाफेदार बना देगा?

AI अकेले मुनाफा नहीं बनाता, लेकिन गलत खरीद/गलत प्राइस/गलत टाइमिंग की संभावना कम करके नुकसान की सीमा घटाता है। यही iBuying में सबसे अहम है।

क्या AI से स्टाफ की जरूरत कम हो जाएगी?

कुछ दोहराव वाला काम घटेगा, लेकिन अच्छी कंपनियां इसे री-स्किलिंग और बेहतर उत्पादकता में बदलती हैं। लेऑफ “डिफॉल्ट” नहीं होना चाहिए।

शुरुआत कहां से करें—डेटा तो बिखरा होता है?

सबसे पहले डेटा डिक्शनरी + एक यूनिफाइड कस्टमर/प्रॉपर्टी आईडी तय करें। फिर 1–2 मॉडल प्रोडक्शन में ले जाएं।

अगला कदम: iBuying से आगे, “AI-फर्स्ट” रियल एस्टेट ऑपरेटिंग सिस्टम

Opendoor के लेऑफ और पिवट को मैं चेतावनी की तरह नहीं, डिज़ाइन संकेत की तरह देखता हूँ: रियल एस्टेट में स्केल वही करेगा जो अनिश्चितता को गणित में बदलेगा। और आज वह गणित AI के बिना अधूरा है।

अगर आप रियल एस्टेट या प्रॉपटेक में ग्रोथ चाहते हैं—तो लक्ष्य यह न रखें कि “AI लगा दें।” लक्ष्य रखें कि आपका प्राइसिंग, डिमांड फोरकास्ट और स्टाफिंग निर्णय डेटा-ड्रिवन और प्रेडिक्टिव हों।

आपके हिसाब से भारत में सबसे पहले कौन-सा हिस्सा AI-फर्स्ट होना चाहिए—प्रॉपर्टी प्राइसिंग, लीड क्वालिटी, या ऑपरेशंस कैपेसिटी?