रियल एस्टेट में AI अंडरराइटिंग: Diald की फंडिंग से सबक

कमर्शियल रियल एस्टेट में एक “सादा” सच अक्सर छुपा रहता है: डील जितनी बड़ी, उतनी ही ज्यादा मेहनत रिपोर्टिंग और वेरिफिकेशन में जाती है—और यही हिस्सा सबसे ज्यादा धीमा भी होता है। इसी बीच 09/12/2025 को एक खबर आई: Diald AI ने $3.75M (लगभग 31 करोड़ रुपये, विनिमय दर पर निर्भर) की शुरुआती फंडिंग जुटाई, ताकि वह अमेरिका और जापान में विस्तार कर सके।

ये रकम किसी मेगा-राउंड जैसी नहीं है, पर संकेत बहुत साफ है। इंस्टीट्यूशनल यूज़र्स—इन्वेस्टर्स, लेंडर्स, डेवलपर्स—अब “AI-आधारित ड्यू डिलिजेंस” को प्रयोग नहीं, प्रक्रिया मान रहे हैं। और यही हमारी सीरीज़ “रियल एस्टेट और प्रॉपटेक में AI” का केंद्र है: AI का असली असर वहां दिखता है जहाँ निर्णय महंगे हैं और गलती की कीमत करोड़ों में होती है।

Diald का दावा है कि वह हफ्तों का रिसर्च-वर्क घंटों में समेट सकता है और 1.7 मिलियन+ डेटा सोर्स स्कैन करके जोखिम/अवसर निकाल सकता है। इस पोस्ट में मैं Diald को एक केस स्टडी की तरह लेकर बताऊँगा कि AI-ड्रिवन अंडरराइटिंग आखिर क्या बदलती है, किन टीमों को इससे तुरंत फायदा मिलता है, और भारत जैसे मार्केट में इसे अपनाते समय किन बातों पर नजर रखनी चाहिए।

$3.75M की फंडिंग असल में क्या बताती है?

सीधा जवाब: यह फंडिंग बताती है कि प्रॉपटेक में AI का “उत्साह” अब बिज़नेस-डिमांड में बदल चुका है—खासकर उन टूल्स के लिए जो साइट सेलेक्शन, ड्यू डिलिजेंस, और अंडरराइटिंग को मानकीकृत करते हैं।

Diald को इस राउंड में इंस्टीट्यूशनल इन्वेस्टर्स (जैसे सिंगापुर-आधारित Feedback Ventures) और सेक्टर-फोकस्ड एंजेल्स का समर्थन मिला। इसका अर्थ यह नहीं कि “हर AI स्टार्टअप” निवेश योग्य है—बल्कि यह कि निवेशक उन प्रोडक्ट्स पर भरोसा कर रहे हैं जो:

• वर्कफ़्लो में फिट होते हैं (यानी टीम की मौजूदा प्रक्रिया को तोड़ते नहीं)
• डिसीजन-ग्रेड आउटपुट देते हैं (सिर्फ चैट-जैसे जवाब नहीं)
• स्केल पर काम करते हैं (कई शहर, कई एसेट क्लास, कई डेटा फॉर्मेट)

Diald के CEO Steven Song का एक दावा मुझे खासतौर पर व्यावहारिक लगा: वे खुद को “thin wrapper” नहीं मानते—यानी सिर्फ किसी मौजूद AI इंजन के ऊपर एक प्रॉम्प्ट-लेयर नहीं, बल्कि प्रोप्राइटरी सिस्टम बनाने की बात करते हैं। मैं इसी बिंदु पर हमेशा जोर देता हूँ: रियल एस्टेट में जीत उसी AI प्रोडक्ट की होती है जो डेटा-क्वालिटी, ट्रेसबिलिटी, और वर्कफ़्लो-डिज़ाइन को गंभीरता से ले।

AI-ड्यू डिलिजेंस और अंडरराइटिंग में समस्या कहाँ थी?

सीधा जवाब: समस्या डेटा की कमी नहीं थी—समस्या थी डेटा का बिखराव, सत्यापन, और निर्णय में अनुवाद।

एक कमर्शियल डील में टीम आमतौर पर ये सब करती है:

• मार्केट/माइक्रो-मार्केट रिसर्च, रेंट कम्प्स, वैकेंसी ट्रेंड
• ज़ोनिंग/परमिशन, पर्यावरण/कम्प्लायंस
• टेनेंट/लीज़ एनालिसिस (को-टेनेंसी, एस्केलेशन, ऑप्शन्स)
• कैपएक्स, इन्श्योरेंस, रिस्क नोट्स
• “इन्वेस्टमेंट मेमो” बनाना—जो IC (Investment Committee) के सामने जाता है

यहाँ दो मुश्किलें आती हैं:

1. समय: अलग-अलग सोर्स से जानकारी निकालने में हफ्ते लग जाते हैं।
2. कंसिस्टेंसी: दो अलग एनालिस्ट एक ही एसेट पर अलग ढंग से नोट्स बना देते हैं।

AI का काम यहाँ “कूल टेक” दिखाना नहीं है। AI का काम है डील-प्रोसेस की रफ्तार बढ़ाना और निर्णय को ऑडिटेबल बनाना। Diald जैसी प्लेटफॉर्म्स इसी गैप को भरने की कोशिश कर रही हैं—डेटा को इकट्ठा करना, स्ट्रक्चर करना, और मेमो/रिपोर्ट में बदलना।

“हफ्तों से घंटों” वाला दावा कैसे सच हो सकता है?

सीधा जवाब: अगर AI सिस्टम तीन चीजें ठीक करे—डेटा-एग्रीगेशन, नॉइज़-फिल्टरिंग, और आउटपुट-टेम्पलेटिंग—तो 60–70% समय बचना वास्तविक है।

मेरे अनुभव में, अंडरराइटिंग में बहुत समय इन कार्यों में जाता है:

• PDF/स्कैन डॉक्यूमेंट पढ़ना और नोट्स निकालना
• एक ही चीज़ को अलग-अलग रिपोर्ट/सोर्स से क्रॉस-चेक करना
• मेमो की “स्टोरी” बनाना: रिस्क, अपसाइड, डील-थीसिस

AI अगर इन हिस्सों में मदद करे, तो टीम इंसानी समय उन जगहों पर लगा सकती है जहाँ दिमाग चाहिए: नेगोशिएशन, सेंसिटिविटी एनालिसिस, और रणनीतिक फैसले।

Diald के मॉडल से 3 बड़े ट्रेंड साफ दिखते हैं

सीधा जवाब: (1) मेमो-ऑटोमेशन, (2) पे-एज़-यू-गो एनालिटिक्स, और (3) क्रॉस-बॉर्डर अंडरराइटिंग।

Diald ने “Diald Memo” के नए वर्ज़न (v3.2 के बाद तेजी से v5.0 की दिशा) और pay-as-you-go analysis model की बात की। इनका मतलब क्या है?

1) AI-Generated Investment Memos का उभार

IC को “कच्चा डेटा” नहीं चाहिए; IC को निर्णय के लिए लिखी हुई कहानी चाहिए—थीसिस, रिस्क, कम्प्स, और सिफारिश। AI यहाँ सबसे उपयोगी हो सकता है क्योंकि:

• टेम्पलेट-आधारित सेक्शन (मार्केट, लोकेशन, कम्प्स) जल्दी भरते हैं
• स्टैंडर्ड भाषा और संरचना से तुलना आसान होती है

लेकिन शर्त है: मेमो में हर दावा traceable हो—किस सोर्स से आया, कब आया, और क्या कॉन्फिडेंस है।

2) Pay-as-you-go: “टूल” से “इन्फ्रास्ट्रक्चर” की तरफ

लंबे एंटरप्राइज़ कॉन्ट्रैक्ट्स के बजाय usage-based pricing का मतलब है:

• छोटी टीमें भी AI-अंडरराइटिंग ट्राय कर सकती हैं
• ROI जल्दी दिखता है—“इस डील पर कितना समय बचा?”

यह मॉडल भारत में भी काम करेगा, खासकर मिड-साइज़ डेवलपर्स, ब्रोकरेज, और फंड मैनेजरों के लिए, जो भारी वार्षिक लाइसेंस से बचना चाहते हैं।

3) अमेरिका + जापान: डेटा-मानकीकरण की लड़ाई ग्लोबल है

Diald का जापान में proof-of-concept और “ओवरसीज़ यूज़र्स द्वारा U.S. प्रॉपर्टीज़ का विश्लेषण”—ये बताता है कि बड़े खिलाड़ी अब एक ही फ्रेमवर्क में कई देशों की डील्स देखना चाहते हैं।

भारत के संदर्भ में सीख: अगर आपका पोर्टफोलियो NRI/फॉरेन कैपिटल से जुड़ा है, तो रिपोर्टिंग स्टैंडर्ड (डेटा, कम्प्स, रिस्क) अंतरराष्ट्रीय अपेक्षाओं के करीब होना चाहिए। AI टूल्स यहाँ ब्रिज बन सकते हैं—बशर्ते लोकल डेटा सही मिले।

रियल एस्टेट टीमों के लिए व्यावहारिक इस्तेमाल: कहाँ से शुरू करें?

सीधा जवाब: “सब कुछ ऑटोमेट” करने की बजाय एक दर्द वाले हिस्से से शुरू करें—और 30 दिनों में मापने योग्य आउटपुट निकालें।

यह 4-स्टेप रोलआउट मैंने सबसे प्रभावी पाया है:

1. एक एसेट क्लास चुनें (जैसे ऑफिस/वेयरहाउस/मल्टीफैमिली/रेज़िडेंशियल सोसाइटी)
2. एक आउटपुट लॉक करें: Investment memo, comps pack, या risk checklist
3. डेटा-सोर्स सूची बनाएं (आंतरिक + बाहरी): लीज़ डॉक, साइट रिपोर्ट, GIS/मैप्स, ट्रांजैक्शन डेटा
4. मेट्रिक्स तय करें (30 दिनों के लिए):
   • मेमो बनाने में समय: पहले बनाम बाद
   • मिस्ड रिस्क की संख्या: QA के दौरान पकड़े गए मुद्दे
   • IC रिविज़न साइकिल: ड्राफ्ट्स की संख्या

“AI अंडरराइटिंग” अपनाते समय 6 सवाल जरूर पूछें

• क्या सिस्टम स्रोत दिखाता है, या सिर्फ निष्कर्ष देता है?
• क्या मैं कस्टम फ्रेमवर्क (मेरी टीम का टेम्पलेट) लागू कर सकता हूँ?
• क्या आउटपुट ऑडिटेबल है—कौन-सा डेटा कब इस्तेमाल हुआ?
• क्या टूल लोकल डेटा (भारत/शहर-स्तर) संभाल सकता है?
• क्या इसमें डेटा प्राइवेसी और एक्सेस कंट्रोल है?
• क्या pricing “ट्रायल” को संभव बनाती है, या लॉक-इन करती है?

मेरी राय: अगर किसी टूल के जवाब “काफी हद तक” जैसे हैं, तो आगे न बढ़ें। रियल एस्टेट में “काफी हद तक” महंगा पड़ता है।

भारत और APAC के लिए Diald केस से 5 ठोस सीख

सीधा जवाब: जो टीमें AI को “रिपोर्टिंग शॉर्टकट” समझती हैं, वे गलत दिशा में हैं; AI का सही उपयोग निर्णय-प्रक्रिया का मानकीकरण है।

1. डेटा स्ट्रक्चरिंग सबसे बड़ा मूल्य है। भारत में डेटा बिखरा हुआ है; स्ट्रक्चर बनाना ही प्रतिस्पर्धात्मक लाभ बन सकता है।
2. ड्यू डिलिजेंस में स्पीड = बेहतर डील-एक्सेस। तेज टीम्स अच्छे अवसर पहले पकड़ती हैं, खासकर डिस्ट्रेस/ऑफ-मार्केट डील्स में।
3. अंडरराइटिंग में “रिस्क-डिस्कवरी” एक फीचर नहीं, संस्कृति है। AI टूल तभी काम आएगा जब आपकी टीम जोखिम लिखने और ट्रैक करने को गंभीरता से ले।
4. पे-एज़-यू-गो मॉडल भारत के मिड-मार्केट के लिए फिट है। छोटे फंड/डेवलपर भी टूलिंग अपना सकते हैं—अगर आउटपुट स्पष्ट हो।
5. क्रॉस-बॉर्डर कैपिटल के लिए रिपोर्टिंग-स्टैंडर्ड जरूरी है। NRI/ग्लोबल LPs के लिए एक जैसे मेमो/मेट्रिक्स देना आसान हो जाता है।

“AI का मकसद एनालिस्ट को हटाना नहीं है। मकसद है एनालिस्ट का समय उस काम में लगाना जो सिर्फ इंसान कर सकता है—फैसला और जिम्मेदारी।”

आगे का रास्ता: 2026 में AI-प्रॉपटेक कहाँ जाएगा?

सीधा जवाब: 2026 में जीत उन्हीं प्लेटफॉर्म्स की होगी जो (1) वर्कफ़्लो में घुसें, (2) डेटा-ट्रेसबिलिटी दें, और (3) परिणाम को पैसों से जोड़ें।

Diald जैसी कंपनियों के लिए असली परीक्षा अब शुरू होती है—क्योंकि फंडिंग के बाद अपेक्षा बदल जाती है: प्रोडक्ट को “कूल” नहीं, “कंसिस्टेंट” बनना पड़ता है। खासकर जब आप अमेरिका-जापान जैसे अलग रेगुलेटरी/डेटा-इकोसिस्टम में जाते हैं।

यदि आप डेवलपर, लेंडर, या इन्वेस्टमेंट टीम में हैं, तो अगला कदम बहुत व्यावहारिक है: अपने ड्यू डिलिजेंस वर्कफ़्लो का 30-दिन का AI पायलट चलाइए, और सिर्फ एक आउटपुट चुनिए—मेमो, कम्प्स, या रिस्क चेकलिस्ट। ROI अपने आप दिख जाएगा या नहीं दिखेगा—दोनों स्थितियों में आप समय बचाएँगे।

अब सवाल यह है: आपकी टीम के वर्कफ़्लो में सबसे ज्यादा “हफ्तों वाला” काम कौन-सा है—डेटा जुटाना, सत्यापन, या मेमो लिखना? वहीं से शुरुआत सबसे सही रहती है।