The post has been translated automatically. Original language: Russian
Why filters do not work
Every property catalogue has filters. City, number of rooms, budget, housing class, completion date, district, floor, parking. Formally, everything you need is there.
The problem is that a real buyer's request does not fit into filters. People do not think in interface categories. They think something like: «my wife, our child and I need a three-bedroom in Astana, budget up to 60 million, with a school nearby and not on the outskirts». That single sentence mixes a hard constraint (budget), a soft requirement (infrastructure), an unformalisable preference («not on the outskirts») and a usage context (a family with a child).
To turn this into a set of checkboxes, users have to do an analyst's work themselves: translate «school nearby» into a district filter, «not on the outskirts» into a list of specific neighbourhoods, and know in advance which ones qualify. The result is that choosing a new-build turns into dozens of open tabs, scattered price lists and calls to sales managers, each of whom is motivated to sell their own project.
We launched an AI assistant on Salemdom — a built-in new-build expert that understands requests in natural language and compresses that journey into a single conversation. It is available on any page of the platform through the «AI assistant» button.
How it works from the user's side
Users write their request in plain words: city, number of rooms, budget, purpose of purchase — to live in or to invest. The assistant parses the phrasing, selects matching residential complexes and specific units, and shows them directly in the chat — as cards with a photo, layout, price and a button leading to the project page.
Not a single filter needs configuring. The conversation can continue: adjust the budget, ask for a different district, ask which of the suggested options is stronger from an investment perspective.
What the assistant can do
A personal shortlist strictly within budget. The stated sum is a hard boundary, not a guideline. We deliberately banned the model from the «there is a pricier option, but it is better» logic — that is how selling works, not shortlisting. If few options fit the budget, the assistant says so honestly and suggests adjusting the parameters rather than pushing a unit that costs 15 million more.
District assessment. The assistant explains where a location is stronger for living and where it is stronger for investment. Those are different answers: a district with strong social infrastructure and a district with high rental liquidity are far from always the same place.
Layouts and prices right in the chat. Not «take a look in the catalogue», but specific units with a link through to the property page, where the full AI breakdown is available: fair price, whether the unit is overpriced or underpriced, whether rental income covers the mortgage payment, and the location score.
Coverage across every city on the platform — Astana, Almaty, Shymkent, Atyrau and Karaganda.
What is under the hood
At the core is a large language model running through the platform's own server layer. There are no keys in the browser and no direct calls to the model from the client: the entire dialogue passes through our backend, where data and rules are attached to the request.
Architecturally this is not a chat wrapper around a language model, but three connected layers.
The comprehension layer. The model breaks a free-form request into structured parameters: city, room count, price range, purpose of purchase, infrastructure requirements, completion timing. A distinct challenge on the Kazakhstani market is multilingualism and mixed vocabulary: a request may arrive in Russian, in Kazakh or in a blend of both, using local neighbourhood names that appear in no official directory.
The data layer. Answers rest on the real Salemdom catalogue — the same units shown in the main interface, with current prices, areas, floors, layouts and completion dates coming from direct developer integrations. The assistant does not operate from the model's memory and physically cannot offer a property that is not on sale.
The analytical layer. The assistant is wired to the same modules that power the project pages: the location score based on real infrastructure within a one-kilometre radius, and the fair-value model. So when it says «this district is stronger for rental», that is not a linguistic guess but a conclusion backed by calculation.
The core engineering challenge: making the model stop inventing
If we had been solving the task of «attaching a chat to a website», the work would have taken a week. The real task sounded different: make sure the assistant never quotes a price that does not exist and never offers a project that is not on sale.
In most product scenarios, a model hallucination is an unfortunate inaccuracy. In real estate the consequences sit at another level entirely: a person builds a financial decision on that number, goes to a bank, plans a mortgage. One invented unit with an attractive price wipes out trust in the whole platform — precisely the trust Salemdom was created to build.
Hence several decisions of principle:
- The model is not a source of facts, but an interface to them. Every figure — prices, areas, deadlines, distances — comes from the database rather than being generated. The language model is responsible for understanding the request and phrasing the answer, not for the content of the data.
- Cards instead of prose. Projects are rendered not as free-form descriptions but as cards assembled from database fields, with a direct link to the unit page. This is both protection against distortion and a convenience: users see the photo and layout immediately.
- Budget as a hard constraint at the level of the data query, not as a wish expressed in a prompt.
- An honest «nothing found». An empty or short result is a valid answer. A model that always offers something will sooner or later start offering the wrong thing.
Why this is not a support chatbot
Worth stating separately, because the market currently tends to call everything by one name.
A classic chatbot on a property website solves a sales department's task: capture a contact and hand it to a manager. Its goal is a lead, and the entire logic of the conversation serves that goal.
The Salemdom AI assistant solves the buyer's task: narrow hundreds of options down to a handful of suitable ones and explain why those specifically. It has no incentive to steer anyone toward a particular developer — the platform has refused on principle the logic where a project's position in results depends on an advertising budget.
These are different products, despite the identical chat icon in the bottom right corner.
What comes next
The nearest directions of development: expanding conversation scenarios (comparing selected projects against each other, calculating mortgages directly in the chat using the bank programmes available on the platform), deepening the handling of Kazakh-language requests, and adding conversation memory so returning users continue their search from where they left off.
The broader hypothesis we are testing with this product: property search is moving from filters to dialogue. People should not have to study an interface in order to articulate what they already know about their future home. The product's job is to understand them the first time and answer with data.
Salemdom is a Kazakhstani new-build marketplace with AI analytics: direct developer offers, an independent location score, investment potential assessment and verification against the state register of shared-equity construction.
Почему фильтры не работают
У любого каталога недвижимости есть фильтры. Город, комнатность, бюджет, класс жилья, срок сдачи, район, этаж, наличие паркинга. Формально всё, что нужно, там есть.
Проблема в том, что реальный запрос покупателя в фильтры не помещается. Человек думает не категориями интерфейса, а примерно так: «нам с женой и ребёнком нужна трёшка в Астане, бюджет до 60 миллионов, чтобы школа рядом и не на окраине». Здесь смешаны жёсткое ограничение (бюджет), мягкое требование (инфраструктура), неформализуемое пожелание («не на окраине») и контекст использования (семья с ребёнком).
Чтобы превратить это в набор галочек, пользователь должен сам проделать работу аналитика: перевести «школа рядом» в фильтр по району, «не на окраине» — в список конкретных микрорайонов, и заранее знать, какие из них подходят. В итоге выбор новостройки превращается в десятки открытых вкладок, разрозненные прайсы и звонки менеджерам, каждый из которых заинтересован продать именно свой объект.
Мы запустили на Salemdom AI-помощника — встроенного эксперта по новостройкам, который понимает запрос на естественном языке и сжимает этот путь до одного разговора. Он доступен на любой странице платформы по кнопке «AI-помощник».
Как это работает со стороны пользователя
Пользователь пишет запрос обычными словами: город, количество комнат, бюджет, цель покупки — для жизни или для инвестиций. Ассистент разбирает формулировку, подбирает подходящие жилые комплексы и конкретные лоты и показывает их прямо в чате — карточками с фотографией, планировкой, ценой и кнопкой перехода к объекту.
Ни одного фильтра настраивать не нужно. Диалог можно продолжать: уточнить бюджет, попросить другой район, спросить, какой из предложенных вариантов сильнее с точки зрения инвестиций.
Что умеет помощник
Персональная подборка строго под бюджет. Указанная сумма — это жёсткая граница, а не ориентир. Мы намеренно запретили модели логику «есть вариант дороже, но он лучше» — именно так работает продажа, а не подбор. Если под бюджет подходящих вариантов мало, помощник честно об этом скажет и предложит скорректировать параметры, а не подсунет лот на 15 миллионов дороже.
Оценка районов. Помощник подсказывает, где локация сильнее для жизни, а где — для инвестиций. Это разные ответы: район с сильной социальной инфраструктурой и район с высокой арендной ликвидностью совпадают далеко не всегда.
Планировки и цены сразу в чате. Не «посмотрите в каталоге», а конкретные лоты с переходом на страницу квартиры, где доступен полный AI-разбор: справедливая цена, переоценён объект или недооценён, покрывает ли аренда ипотечный платёж, рейтинг локации.
Работа по всем городам платформы — Астана, Алматы, Шымкент, Атырау, Караганда.
Что под капотом
В основе — большая языковая модель, работающая через собственный серверный контур платформы. Ключей и прямых обращений к модели из браузера нет: весь диалог проходит через наш бэкенд, где к запросу подключаются данные и правила.
Архитектурно это не «чат-обёртка вокруг языковой модели», а три связанных слоя.
Слой понимания. Модель разбирает свободную формулировку на структурированные параметры: город, комнатность, ценовой диапазон, цель покупки, требования к инфраструктуре, срок сдачи. Отдельная сложность казахстанского рынка — многоязычие и смешанная лексика: запрос может прийти на русском, казахском или в смешанном виде, с локальными названиями микрорайонов, которых нет ни в одном официальном справочнике.
Слой данных. Ответы опираются на реальный каталог Salemdom — те же лоты, что показаны в основном интерфейсе, с актуальными ценами, площадями, этажами, планировками и сроками сдачи из прямых интеграций с застройщиками. Помощник не работает «по памяти модели» и физически не может предложить квартиру, которой нет в продаже.
Аналитический слой. Помощник связан с теми же модулями, что питают карточки объектов: рейтингом локации на основе реальной инфраструктуры в радиусе километра и моделью оценки справедливой цены. Поэтому фраза «этот район сильнее для аренды» — не языковая догадка модели, а вывод, за которым стоит расчёт.
Главная инженерная задача: заставить модель не выдумывать
Если бы мы решали задачу «прикрутить чат к сайту», работы было бы на неделю. Реальная задача звучала иначе: сделать так, чтобы ассистент никогда не назвал цену, которой нет, и не предложил жилой комплекс, которого нет в продаже.
В большинстве продуктовых сценариев галлюцинация модели — досадная неточность. В недвижимости это другой уровень последствий: человек строит на этой цифре финансовое решение, идёт в банк, планирует ипотеку. Один выдуманный лот с привлекательной ценой обнуляет доверие ко всей платформе — ровно к тому доверию, ради которого Salemdom и создавался.
Отсюда несколько принципиальных решений:
- Модель не источник фактов, а интерфейс к ним. Все цифры — цены, площади, сроки, расстояния — приходят из базы, а не генерируются. Языковая модель отвечает за понимание запроса и формулировку ответа, но не за содержание данных.
- Карточки вместо текста. Объекты выводятся не описанием в свободной форме, а карточками, собранными из полей базы данных, с прямым переходом на страницу лота. Это одновременно и защита от искажений, и удобство: пользователь сразу видит фото и планировку.
- Бюджет как жёсткое ограничение на уровне запроса к данным, а не как пожелание в промпте.
- Честное «не нашлось». Пустой или короткий результат — валидный ответ. Модель, которая всегда что-то предлагает, рано или поздно начинает предлагать неподходящее.
Почему это не чат-бот поддержки
Отдельно стоит проговорить разницу, потому что рынок сейчас склонен всё называть одним словом.
Классический чат-бот на сайте недвижимости решает задачу отдела продаж: собрать контакт и передать менеджеру. Его цель — лид, и вся логика диалога подчинена этому.
AI-помощник Salemdom решает задачу покупателя: сузить выбор из сотен вариантов до нескольких подходящих и объяснить, почему именно эти. У него нет мотивации подтолкнуть к конкретному застройщику — платформа принципиально отказалась от логики, в которой позиция объекта в выдаче зависит от рекламного бюджета.
Это разные продукты, несмотря на одинаковую иконку чата в правом нижнем углу.
Что дальше
Ближайшие направления развития — расширение сценариев диалога (сравнение выбранных объектов между собой, расчёт ипотеки прямо в чате по программам банков, доступным на платформе), углубление работы с казахоязычными запросами и подключение памяти диалога, чтобы вернувшийся пользователь продолжал подбор с того места, где остановился.
Более общая гипотеза, которую мы проверяем на этом продукте: поиск недвижимости движется от фильтров к диалогу. Человек не должен изучать интерфейс, чтобы сформулировать то, что он и так знает про свою будущую квартиру. Задача продукта — понять его с первого раза и ответить данными.
Salemdom — казахстанский маркетплейс новостроек с AI-аналитикой: прямые предложения застройщиков, независимый рейтинг локации, оценка инвестиционного потенциала и проверка по государственному реестру долевого строительства.
Share
