Ett vibe-coding-experiment som blev en komplett proptech-SaaS.

Från adress till rapport

Resan var enkel — sök en adress → bekräfta fastigheten → lägg till finansiering → analysera marknaden → utforska scenarier → ladda ner en rapport. En enda sökning gav en fullständig investeringsanalys, med antaganden som gick att redigera via interaktiva kartor, diagram, tabeller och reglage, och en färdig analys kunde laddas ner som en professionell PDF:

• Genomsnittligt dygnspris, beläggning och uppskattad hyresintäkt
• Närliggande jämförbara korttidsuthyrningar
• Köp-, bolåne- och driftskostnader
• Årlig vinst och cash-on-cash-avkastning
• Investeringsbetyg och uppskattad återbetalningstid
• Tioåriga scenarier för hyrestillväxt och värdeökning

Plattformen bakom kalkylatorn

Det som började som ett gränssnittsexperiment växte till en komplett SaaS-arkitektur. Supabase skötte databas, autentisering, backend-funktioner, caching och åtkomstkontroll; Google Maps och Places drev adressökning och jämförelseobjekt; Airbtics, AirDNA och Apify levererade marknadsdata; Stripe skötte prenumerationer och användningsgränser. Ovanpå det byggde jag:

• Ett eget flöde för autentisering och användarhantering
• Ett normaliserat datalager mellan externa API:er och produkten
• Caching av marknadsdata för att styra kostnad och prestanda
• Interaktiva bolåne-, ROI- och återbetalningsberäkningar
• Egen PDF-rapportgenerering
• Ett internt CRM, produktanalys och GA4
• Slack-driftsnotiser och admin-verktyg
• En marknadssajt och ett blogg-CMS
• Row-level-säkerhet och skyddade backend-funktioner

Ett stabilt internt format

Ett särskilt viktigt beslut var att översätta varje externt API-svar till ett stabilt internt format. Den abstraktionen lät mig migrera Airbtics-integrationen från dess gamla API-upplägg till det publika API:et utan att bygga om analysgränssnittet eller rapportsystemet.

Pilotkunder från fastighetsbranschen

När plattformen fungerade onboardade jag fastighetsmäklare som pilotkunder — och gav mäklare ett datadrivet sätt att kommunicera en fastighets uthyrnings- och investeringspotential, stödja samtal med investeringsinriktade köpare, och dela en rapport efter en visning. Deras feedback visade vilka siffror köpare brydde sig om först, vad som fick analysen att kännas trovärdig, hur mycket detalj en mäklare behövde, och var produkten kunde stödja den befintliga säljprocessen. Mäklarna bidrog med feedback och kontext; all produktstrategi, design, utveckling och integration förblev helt mitt ansvar.

UX-research med Hyper Island

Jag drev också ett samarbete med UX-studenter från Hyper Island för att utmana mina antaganden genom strukturerad research — användarintervjuer, journey mapping, användbarhetstester, prototyputvärdering och hypotestestning. Den centrala utmaningen var att kommunicera komplex finansiell och marknadsinformation utan att överväldiga användaren. Insikterna skärpte informationshierarkin, kundresan och relationen mellan övergripande rekommendationer och detaljerad data — och jag översatte researchen till produktbeslut och implementerade dem själv.

100+ organiska användare

Vid sidan av piloterna lockade Bnbalyze mer än 100 self-serve-användare organiskt — människor som hittade, förstod och använde plattformen utan en betald kampanj eller manuell onboarding. För ett projekt som började som ett vibe-coding-experiment var det organiska upptaget ett meningsfullt bevis på att problemet och produkten gav genklang bortom mina första antaganden.

Pausen, och en skarpare fråga

Jag pausade den aktiva utvecklingen när andra prioriteringar tog över, och avståndet klargjorde den starkaste möjligheten. v1 var bra på att beräkna en investering utifrån marknadsdata och indata — men den kunde inte förstå fastighetens faktiska skick, researcha området själv, eller bedöma om reglering av korttidsuthyrning underminerade caset. Den centrala frågan för 2.0 blev: hur bygger man en AI-driven fastighetsanalys som är tillförlitlig nog att ligga till grund för ett investeringsbeslut? Mitt svar var att hålla fakta och omdöme strikt åtskilda. En LLM ska aldrig gissa ett pris, beräkna ett bolån eller hitta på en avkastning — men den är utmärkt på att tolka bilder, researcha ett område, upptäcka kontextuella risker och förklara ett komplext case.

Strukturerad annonsinläsning

En användare skickar en Idealista- eller Hemnet-annonslänk, och en Next.js / TypeScript-pipeline kör flera steg parallellt. Apify och residential proxies extraherar utropspris, boyta, koordinater, attribut och bilder direkt från annonsen — portalerna använder anti-bot-skydd, så tillförlitlig inläsning krävde dedikerad infrastruktur. En LLM läser eller gissar aldrig dessa siffror.

Visuell fastighetsanalys

Claude Opus granskar rumsmärkta foton och bedömer fastighetens faktiska skick. I tester flaggade den en virtual-staging-rendering som inte motsvarade det verkliga rummet och kände igen ett daterat 1990-talskök — och gav ett realistiskt renoveringsintervall på 35 000–65 000 € istället för en generisk uppskattning på 3 000–9 000 €.

Autonom områdesresearch

En web-research-agent undersöker skolor, kollektivtrafik, service och planerade utvecklingsprojekt. På en verklig annons i Sevilla returnerade den 22 källor, identifierade 11 skolor vid namn och hittade ett stadsförnyelseprojekt på 400 miljoner € — utan att användaren behövde researcha något av det manuellt.

Officiell prisstatistik

Spansk bostadsprisdata hämtas deterministiskt från det nationella statistikinstitutet (INE). Kvartalsvis indexdata och årsförändringar beräknas i kod, inte uppskattas av en LLM.

En regulatorisk grind

Möjligheten till korttidsuthyrning klassas som RÖD, GUL eller GRÖN — och det regulatoriska resultatet visas före den projicerade avkastningen, så att ett juridiskt hinder inte kan förbises bara för att avkastningen ser attraktiv ut.

En deterministisk finansiell modell

Bolånematematik, break-even och tioårsprognoser är implementerade och enhetstestade i TypeScript; LLM:en rör aldrig dessa siffror. Den skriver ett förankrat investerings-memo först när beräkningarna är klara, och memot valideras mot de underliggande siffrorna för att förhindra påhittade finansiella påståenden.

Att bygga tillförlitliga AI-flöden

LLM-anrop returnerar inte alltid den förväntade strukturen. Jag designade pipelinen så att ett bristfälligt svar försämrar en enskild sektion snarare än kraschar hela analysen — tolerant schemavalidering, isolerad felhantering och fallbacks i varje steg. Modellrouting skickar dyra vision-uppgifter till en starkare modell medan research, strukturering och memo-generering använder en billigare, vilket sänker kostnaden per analys utan att kompromissa med kvaliteten där den betyder mest.

Var det står nu

Kärnan i 2.0-pipelinen är bevisad från start till mål på verkliga annonser — strukturerad inläsning, visuell analys, områdesresearch, officiell statistik, regulatorisk bedömning och deterministisk modellering fungerar tillsammans, med den finansiella modellen under automatiserad testtäckning. Härnäst:

• Fullt stöd för svenska Hemnet-annonser
• Svensk marknadsstatistik via SCB
• Ett användarvalt läge för att köpa bostad kontra att utvärdera en investering