Live · MVP — Real Estate Intelligence

Stell deinem Portfolio eine Frage.
Bekomme eine faktenbasierte Antwort, kein Bauchgefühl.

EchoDestiny Real Estate Intelligence gibt dir einen agentischen Copiloten, den du in normaler Sprache fragst. Er versteht deine Frage, wählt die passenden geerdeten Werkzeuge — eigene Transaktionen und Listings, amtliche Marktindizes, OSM-basierte Lagedaten — und liefert eine Analyse, die ausschließlich auf echten Daten basiert. Jede Zahl hat eine Quelle. Fehlt eine Quelle, sagt der Copilot das. Dann schlägt er eine Aktion vor. Dein Team gibt sie frei.

Kostenlos starten Demo buchen

DSGVO-konform · 100 % EU-Hosting · Human-in-the-Loop · Made in Germany

Live-Immobiliengraph
Geerdete KI-Analyse
100 % EU-Hosting

Das Problem

Immobilien-Entscheidungen laufen auf fragmentierten Daten

Die meisten Immobilien-Operationen verwalten Daten in mindestens drei verschiedenen Systemen. Listings in einem Tool. Eigentümer- und Kontakthistorie im CRM. Transaktionsdaten in einer Tabelle. Marktdaten alle paar Wochen manuell aus einem Portal gezogen.

Wenn eine Frage auftaucht — „Ist dieses Objekt korrekt bewertet?" oder „Welche anderen Objekte im Portfolio haben ein ähnliches Profil?" — erfordert die Antwort Export, Zusammenführung und Interpretation über all diese Quellen hinweg. Das dauert Stunden. Das Ergebnis ist trotzdem ein Bauchgefühl.

Bewertungsmodelle, die Eigentumshistorie, Transaktionskontext und lokale Marktsignale ignorieren, sind keine Modelle. Sie sind Durchschnittswerte in Excel-Kleidung.

  • Immobilien-, Eigentümer- und Transaktionsdaten in getrennten Systemen — keine Verbindung dazwischen
  • Vergleichsanalysen manuell, mit Stichwortsuchen und Bauchgefühl
  • Marktpreise basierend auf groben Durchschnittswerten, nicht dem spezifischen Beziehungskontext jedes Objekts

Die Lösung

Ein Wissensgraph mit agentischem Copiloten

Was ist Real Estate Intelligence?

EchoDestiny Real Estate Intelligence ist eine Ontology- und KI-Plattform, die Immobiliendaten als typisierten Wissensgraph strukturiert — und einen faktenbasierten agentischen Copiloten davor stellt. Du stellst eine Frage in normaler Sprache. Der Copilot entscheidet, welche geerdeten Werkzeuge er aufruft: eigene Portfolio-Daten, amtliche Marktindizes von Destatis und der Deutschen Bundesbank, OSM-basierte Lagebewertungen und amtliche Bodenrichtwerte, wo vorhanden. Jede Aussage in der Antwort lässt sich auf ein Werkzeug-Ergebnis zurückführen. Der Copilot greift niemals auf KI-Trainingswissen für Fakten zurück — fehlt eine benötigte Datenquelle, sagt er das ausdrücklich, statt zu schätzen.

Beziehungs-Beispiele

gehörtverkauft überbepreist durchvergleichbar mitsignalisiert

Fähigkeiten

Sechs Wege, wie der Graph zu Intelligence wird.

Jede Fähigkeit arbeitet auf demselben typisierten Graph — sodass Bewertung, Comparable-Suche und Marktanalyse ein konsistentes, quellenrückverfolgbares Bild deines Portfolios teilen.

Agentischer Copilot — geerdet, faktenbasiert

Frag deinen Bestand in normaler Sprache. Der Copilot versteht die Frage selbst, wählt die passenden geerdeten Werkzeuge — Portfolio-Analyse, Comparable-Preiseinordnung, amtliche Marktdaten, OSM-Lagebewertung — und baut seine Antwort ausschließlich aus Werkzeug-Ergebnissen. Keine Zahl stammt aus dem KI-Gedächtnis. Fehlt eine benötigte Quelle, sagt der Copilot das ehrlich, statt zu schätzen. Ergebnis: eine transparente, quellenrückverfolgbare Analyse und ein vorgeschlagener nächster Schritt zur Freigabe durch dein Team.

KI-gestützte Objektbewertung

Statt eines Durchschnitts-Preises pro Quadratmeter berechnet EchoDestiny die Bewertung mit vollem Ontology-Kontext: Vergleichsverkäufe in der Umgebung, Eigentumshistorie, Transaktionszeitpunkt und Marktsignale — gewichtet durch die Beziehungen, die für diesen spezifischen Objekttyp und Standort zählen. Die KI schlägt eine Bewertungsspanne mit Begründung vor. Dein Team prüft sie.

Semantische Comparable-Suche

Vergleichsobjekte über Zimmeranzahl, Fläche und Postleitzahl zu filtern gibt eine Liste. Semantische Comparable-Suche gibt Relevanz. EchoDestiny nutzt lokal laufende Embeddings, um die Bedeutung jedes Objektprofils zu verstehen — und findet Objekte, die wirklich ähnlich sind, einschließlich solcher, die ein Stichwort-Filter übersehen würde.

Marktkontext — amtliche Quellen

Der Copilot zieht Marktkontext aus integrierten amtlichen Quellen: den Baufinanzierungs-Effektivzins der Deutschen Bundesbank und den Jahrestrend des Häuserpreisindex von Destatis (ergänzt durch Eurostat-HPI als Gegencheck). Wo vorhanden, kommen amtliche Bodenrichtwerte (€/m²) aus dem BORIS-Portal — derzeit Berlin angebunden. Diese Werte sind gemessene Stichtags-Werte, keine Prognosen. Der Copilot nennt den Bezugszeitraum und weist darauf hin, wenn nur Bundesdaten vorliegen, kein stadtspezifischer Wert.

Eigentümer- & Transaktionsgraph

Wer was besitzt, wer an wen verkauft hat, welche Objekte mehrfach in kurzer Folge den Besitzer gewechselt haben — diese Beziehungsmuster sind oft die kommerziell relevantesten Signale im Immobilienbereich. EchoDestiny macht den Eigentümer- und Transaktionsgraph navigierbar, sodass dein Team Konzentrationsrisiken, Off-Market-Chancen und beziehungsbasierte Leads identifizieren kann.

Roadmap

Satellitendaten-Auswertung

EchoDestiny wird Open-Source-Satellitenbilder — Sentinel-2, Landsat — integrieren, um den Objektkontext mit Flächennutzung, Grünflächen, Infrastrukturnähe und sichtbarer Nachbarschaftsveränderung über Zeit anzureichern. Dies ist eine geplante Capability, kein Live-Feature. Sie wird Real Estate Intelligence eine Standortanalyse-Dimension geben, die keine Tabelle replizieren kann.

So funktioniert's

Von einer Frage in normaler Sprache zur freigegebenen Aktion in fünf Schritten.

01

Immobiliendaten verbinden

Lade eine CSV mit deinen Listings, deinem Portfolio oder deiner Transaktionshistorie hoch. Der Connector führt dich durch das Mapping jeder Spalte auf das richtige Ontology-Feld — Immobilie, Eigentümer, Listing, Transaktion. Kein Data-Engineering erforderlich.

02

EchoDestiny baut den Graphen

Die Plattform löst Entitäten auf, erkennt Beziehungen — welcher Eigentümer welche Objekte hält, welche Transaktionen mit welchen Listings verknüpft sind — und baut einen typisierten Wissensgraph. Embeddings werden lokal berechnet für die Comparable-Suche.

03

Frage in normaler Sprache stellen

Tippe eine Frage: „Welche Objekte liegen unter dem Segmentmedian?" oder „Wie ist der aktuelle Zinskontext laut Bundesbank?" Der Copilot versteht die Frage und wählt die passenden geerdeten Werkzeuge — eigene Daten und angebundene amtliche Quellen. Er greift niemals auf KI-Trainingswissen zurück, um Fakten zu liefern.

04

KI liefert quellenrückverfolgbare Insights

Die Antwort kommt mit Begründung: welche Werkzeug-Ergebnisse welchen Befund getragen haben, welchen Beziehungen die KI gefolgt ist, wo die Konfidenz hoch ist und wo Daten dünn sind. Fehlt eine benötigte Quelle, sagt der Copilot das ausdrücklich. Keine Black Box — eine transparente, nachvollziehbare Analyse.

05

Vorgeschlagene Aktion prüfen und freigeben

EchoDestiny schlägt vor, was als nächstes zu tun ist — ein Objekt zur Neubepreisung markieren, es für eine Kontaktaufnahme vormerken, eine Notiz im Eigentümerdatensatz hinzufügen. Dein Team prüft den Vorschlag und gibt ihn frei. Nichts wird ohne menschliche Freigabe ausgeführt.

Anwendungsfälle

Fragen, die Real Estate Intelligence beantworten kann

Das sind die Fragen, die die Plattform direkt beantwortet — in normaler Sprache, geerdet in eigenen Daten und angebundenen amtlichen Quellen, mit einem vorgeschlagenen nächsten Schritt.

“Welche Objekte in meinem Portfolio liegen unter dem aktuellen Segmentmedian?”

Der Copilot fragt Transaktionshistorie und aktuelle Listingdaten für vergleichbare Objekte im selben Segment und Standortradius ab und berechnet die prozentuale Abweichung jedes Portfolio-Objekts vom Segmentmedian.

Die drei am stärksten unterbewerteten Objekte für eine Neubepreisung markieren.

“Was ist der amtliche Bodenrichtwert für dieses Objekt in Berlin, und wie liegt unser Angebotspreis dazu?”

Der Copilot ruft den amtlichen Bodenrichtwert (€/m² Grundstückswert) aus dem BORIS-Portal ab — den zuletzt veröffentlichten amtlichen Wert für diese Adresse. Derzeit ist Berlin die abgedeckte Region. Außerhalb dieser Abdeckung sagt der Copilot klar, dass keine amtliche Quelle angebunden ist, statt zu schätzen.

Den amtlichen Bodenrichtwert als Referenz am Objektdatensatz hinterlegen.

“Wie beeinflusst der nationale Häuserpreistrend unsere Preisstrategie gerade?”

Der Copilot ruft den Marktkontext ab: Jahresveränderung des Häuserpreisindex von Destatis (Eurostat-HPI als Gegencheck) und den aktuellen Baufinanzierungs-Effektivzins der Deutschen Bundesbank. Das sind gemessene Werte zum jeweiligen Bezugszeitraum — der Copilot nennt den Stichtag und weist darauf hin, dass Bundesdaten nicht automatisch für eine konkrete Stadt gelten.

Die Marktkontext-Zusammenfassung an den nächsten Investmentausschussbericht anhängen.

“Finde vergleichbare Zwei-Zimmer-Wohnungen, die innerhalb von 3 km in den letzten 12 Monaten verkauft wurden.”

Die semantische Comparable-Suche nutzt Embeddings, um Objekte mit ähnlichem Profil zu finden — Fläche, Typ, Zustandssignale — nicht nur übereinstimmende Filterwerte. Ergebnisse enthalten Konfidenz und genutzte Beziehungen.

Den Comparable-Satz in ein Bewertungsarbeitsblatt exportieren.

Beispiel: vorgeschlagene Aktion mit menschlicher Freigabe

Vorgeschlagene Aktion

3 unterbewertete Objekte zur Neubepreisung markieren

Basierend auf dem Vergleich gegen den Segmentmedian liegen drei Objekte 8–12 % unter dem Median ihres Segments. Die KI empfiehlt eine Neubepreisungs-Prüfung.

Läuft nur nach deiner Freigabe. Nichts wird automatisch ausgeführt.

Die Plattform

Eine Foundation, mehr Intelligenzen.

Alle Module GEO Intelligence Lead Intelligence
Kostenlos starten