Dwie osoby szukają mieszkania w tej samej dzielnicy, dysponują podobnym budżetem i korzystają z tej samej platformy społecznościowej. Pierwsza przez kilka dni widzi trzy reklamy nowych inwestycji. Druga nie widzi żadnej. Nie musi to oznaczać, że reklamodawca świadomie ją wykluczył. Wystarczy, że system uznał, iż wyświetlenie reklamy komuś innemu ma większą szansę zakończyć się kliknięciem, formularzem kontaktowym albo inną reakcją.
To właśnie tutaj zaczyna się algorytmiczna dyskryminacja w reklamowaniu nieruchomości. Problem nie sprowadza się już do pytania, czy właściciel, agent albo deweloper zaznaczył w panelu reklamowym płeć, wiek lub zainteresowania odbiorców. Coraz ważniejsze jest to, komu platforma rzeczywiście dostarczyła reklamę po rozpoczęciu kampanii.
Różnica jest fundamentalna. Reklamodawca może wskazać grupę obejmującą setki tysięcy osób, ale budżet wystarczy na dotarcie tylko do niewielkiego fragmentu tej populacji. Algorytm musi więc zdecydować, kto znajdzie się w tym fragmencie. Jeżeli robi to na podstawie danych i wzorców zachowań, które pośrednio korelują z płcią, pochodzeniem, sytuacją ekonomiczną czy miejscem zamieszkania, neutralne ustawienia kampanii nie gwarantują neutralnego rezultatu.
Targetowanie to dopiero początek. O tym, kto zobaczy mieszkanie, decyduje także algorytm dostarczania reklam
W typowej kampanii istnieją dwa różne etapy, które łatwo pomylić.
Pierwszy to kwalifikacja do grupy odbiorców. Reklamodawca określa na przykład lokalizację, korzysta z własnej bazy klientów albo wybiera ustawienia dopuszczone przez platformę. Powstaje grupa ludzi, którym reklama może zostać wyświetlona.
Drugi to faktyczna emisja. Każde wyświetlenie konkuruje w aukcji z innymi reklamami. Platforma ocenia między innymi prawdopodobieństwo reakcji użytkownika, koszt osiągnięcia celu kampanii oraz jakość reklamy. Dokładne wzory są własnością poszczególnych platform, ale praktyczna konsekwencja jest prosta: system nie rozdziela wyświetleń równomiernie między wszystkich zakwalifikowanych odbiorców.
Jeśli kampania ma 200 tys. potencjalnych odbiorców, a wykupi ekspozycję pozwalającą dotrzeć do 20 tys., 180 tys. osób może nie zobaczyć jej ani razu. Pytanie brzmi, według jakiego mechanizmu wybierane jest te 20 tys.
Algorytm może preferować ludzi:
-
częściej klikających reklamy nieruchomości,
-
regularnie wypełniających formularze kontaktowe,
-
korzystających z urządzeń lub aplikacji, na których konwersja jest tańsza,
-
aktywnych w porach, w których koszt aukcji jest niższy,
-
zachowujących się podobnie do osób, które wcześniej odpowiadały na kampanie danego reklamodawcy.
Z biznesowego punktu widzenia taka optymalizacja jest logiczna. Problem powstaje wtedy, kiedy cechy przewidujące tanią konwersję stają się zastępnikami cech chronionych albo sytuacji społeczno-ekonomicznej.
Algorytm nie musi posiadać pola „pochodzenie etniczne”, aby odtworzyć bardzo podobny podział. Informację pośrednią mogą nieść kod pocztowy, język interfejsu, lokalizacja, urządzenie, historia aktywności, godziny korzystania z aplikacji, obserwowane treści czy setki innych sygnałów.
To nie jest wyłącznie teoretyczny problem. W eksperymentach przeprowadzonych jeszcze przed obecnymi ograniczeniami platform badacze emitowali na Facebooku reklamy mieszkaniowe przy takich samych ustawieniach odbiorców i budżetu. W zależności od treści reklamy część kampanii została dostarczona do publiczności składającej się w ponad 85 proc. z osób białych, podczas gdy inne docierały do odbiorców, wśród których około 65 proc. stanowiły osoby czarne. Badanie dotyczyło Stanów Zjednoczonych i historycznej wersji systemu, więc tych liczb nie wolno przedstawiać jako opisu dzisiejszej kampanii w Polsce. Pokazują jednak mechanizm: nierówny wynik może powstać na etapie optymalizacji, nawet przy identycznym targetowaniu.
Od tamtej pory platformy wprowadziły dodatkowe zabezpieczenia dla reklam związanych m.in. z mieszkaniami, zatrudnieniem i finansami. W 2026 r. Meta nadal wyodrębnia reklamy mieszkaniowe jako osobną kategorię w swojej bibliotece reklam. Same ograniczenia dostępnych pól targetowania nie rozwiązują jednak całego problemu. Usunięcie z modelu płci czy wieku nie powoduje automatycznie, że pozostałe setki zmiennych przestają być z nimi statystycznie powiązane.
Szczególnie ryzykowne jest optymalizowanie kampanii na podstawie wcześniejszych konwersji. Załóżmy, że deweloper przez kilka miesięcy pozyskał większość leadów od jednej grupy odbiorców. Jeżeli kolejną kampanię ustawi na maksymalizację formularzy, model może nauczyć się, że osoby podobne do dotychczasowych klientów rokują lepiej. Powstaje pętla:
wcześniejsza nierówność → dane treningowe → preferowanie podobnych odbiorców → jeszcze bardziej nierówne dane.
Dlatego brak ręcznie ustawionego wykluczenia nie jest dowodem, że dystrybucja była neutralna.
Kto może wypaść z zasięgu i jak odróżnić dyskryminację od zwykłego działania aukcji
Najłatwiejszy przypadek to twarde wykluczenie. Osoba znajduje się poza wskazanym obszarem, została umieszczona na liście wykluczeń albo nie mieści się w innym dopuszczonym kryterium. System nawet nie dopuszcza jej do aukcji.
Trudniejsze są wykluczenia faktyczne, których reklamodawca nie ustawił.
Osoba może być formalnie częścią grupy, lecz mieć tak niski przewidywany wynik, że przy ograniczonym budżecie praktycznie nigdy nie wygra aukcji. Dotyczy to szczególnie kampanii nastawionych na najtańszy lead, gdzie system ma silną zachętę, by szybko przesuwać pieniądze do segmentów zapewniających pierwsze konwersje.
W praktyce trzeba zwracać uwagę na cztery grupy ryzyka.
Pierwsza to osoby droższe reklamowo. Jeżeli dotarcie do jednego fragmentu populacji kosztuje wyraźnie więcej, algorytm maksymalizujący liczbę wyników za określony budżet może ograniczać tam emisję. Przy małym budżecie efekt bywa mocniejszy, ponieważ system ma mniej przestrzeni na eksplorowanie droższych części grupy.
Druga to użytkownicy z niewielką historią zachowań, na podstawie której można przewidywać konwersję. Nowe konto, ograniczone zgody reklamowe czy nietypowy sposób korzystania z platformy mogą oznaczać słabszy sygnał dla modelu. Nie jest to automatycznie dyskryminacja, ale może wpływać na dostęp do informacji.
Trzecia grupa to ludzie, których zachowania odbiegają od profilu dotychczasowych klientów. Jeśli przez poprzedni rok formularze dotyczące mieszkań w inwestycji wypełniały przede wszystkim osoby o podobnym sposobie korzystania z sieci, algorytm może preferować kolejne konta przypominające właśnie tę grupę.
Czwarta to osoby mieszkające w miejscach, których geografia silnie koreluje z sytuacją społeczną lub demograficzną. Targetowanie dzielnic i małych obszarów nie zawsze jest neutralnym odpowiednikiem targetowania „ludzi zainteresowanych lokalizacją”. Ktoś mieszkający w Pruszkowie może przecież szukać mieszkania na warszawskiej Woli, a osoba z Łodzi może przygotowywać przeprowadzkę do Gdańska. Zbyt ciasne ograniczenie miejsca zamieszkania wycina ją jeszcze przed rozpoczęciem optymalizacji.
Nie każdy nierówny rozkład oznacza jednak naruszenie prawa. To ważne rozróżnienie.
Jeśli 70 proc. odsłon reklamy mieszkania w Krakowie przypadło osobom z Krakowa, a 30 proc. mieszkańcom okolicznych powiatów, sam taki wynik niewiele mówi. Trzeba znać populację kwalifikującą się do reklamy, zastosowane kryteria oraz strukturę faktycznej emisji.
Przy kilkuset wyświetleniach przypadek może zdominować wynik. Do wstępnego audytu praktyczniejsza jest próbka licząca przynajmniej kilka tysięcy ekspozycji; 5–10 tys. wyświetleń można potraktować jako roboczy próg pozwalający zauważyć duże dysproporcje. Nie jest to próg prawny ani statystyczna gwarancja. Kampania obejmująca małą miejscowość może wymagać innej metody niż ogólnopolska kampania dużego dewelopera.
Dobry audyt nie powinien kończyć się na CTR i koszcie formularza. Trzeba sprawdzić:
-
do jakich lokalizacji faktycznie trafiły wyświetlenia,
-
jak rozłożył się zasięg, a nie tylko kliknięcia,
-
które grupy były dopuszczone do kampanii, lecz otrzymały marginalną emisję,
-
czy różnica pojawiła się od początku, czy dopiero po fazie uczenia algorytmu,
-
czy po zmianie celu kampanii z maksymalizacji zasięgu na maksymalizację leadów struktura odbiorców gwałtownie się zmieniła,
-
czy ten sam wzorzec powtarza się w kilku kampaniach.
Szczególnie przydatne jest porównanie dwóch etapów emisji. Najpierw można uruchomić możliwie szeroką kampanię geograficzną, bez zbędnych sygnałów behawioralnych, nastawioną przede wszystkim na ekspozycję. Dopiero osobno testować kampanię zoptymalizowaną na kontakt czy formularz. Jeśli pierwsza dociera do szerokiej publiczności, a druga szybko koncentruje się w jednym segmencie, wiadomo przynajmniej, na którym etapie powstaje nierówność.
Unijne przepisy dają tu więcej narzędzi niż jeszcze kilka lat temu. Digital Services Act wymaga, aby użytkownik otrzymywał informacje, że widzi reklamę, na czyją rzecz jest ona emitowana, kto za nią zapłacił, jeśli jest to inny podmiot, oraz jakie główne parametry zadecydowały o jej wyświetleniu.
DSA zakazuje platformom internetowym prezentowania reklam opartych na profilowaniu wykorzystującym szczególne kategorie danych osobowych, czyli m.in. dane ujawniające pochodzenie rasowe lub etniczne, poglądy polityczne, religię, informacje dotyczące zdrowia czy orientacji seksualnej. Osobny zakaz dotyczy reklam kierowanych do małoletnich na podstawie profilowania ich danych osobowych.
To jednak nie jest zakaz wszystkich reklam targetowanych i nie jest gwarancją demograficznie równego zasięgu.
Dla bardzo dużych platform i wyszukiwarek DSA idzie dalej. Repozytorium reklamy ma być dostępne podczas emisji i jeszcze przez rok po ostatnim wyświetleniu. Powinno obejmować m.in. treść reklamy, reklamodawcę, płatnika, czas emisji, informacje o grupach docelowych oraz głównych parametrach użytych również do wykluczania odbiorców.
Meta udostępnia w UE dane dotyczące reklam dowolnego typu z ostatniego roku, a dla emisji europejskich dostępne są także szacunkowe dane dotyczące targetowania i demografii zasięgu. Dla osoby kontrolującej kampanię oznacza to jedno: nie trzeba opierać audytu wyłącznie na zrzutach ekranu z panelu reklamowego wykonanych w dniu emisji.
Polskie przepisy również mają znaczenie. Art. 6 ustawy o wdrożeniu niektórych przepisów Unii Europejskiej w zakresie równego traktowania zakazuje nierównego traktowania ze względu na płeć, rasę, pochodzenie etniczne lub narodowość w dostępie do publicznie oferowanych usług, w tym usług mieszkaniowych.
Tu pojawia się istotny niuans. Katalog ochrony w obszarze usług mieszkaniowych nie obejmuje w tej ustawie wszystkich cech wymienionych w jej ogólnej definicji dyskryminacji. Nie należy więc automatycznie zakładać, że identyczna podstawa prawna działa przy każdym rodzaju nierównego traktowania. W zależności od sytuacji znaczenie mogą mieć również inne przepisy prawa cywilnego, unijnego i dotyczącego ochrony dóbr osobistych.
Ustawa przewiduje przy tym interesujący mechanizm dowodowy: osoba zarzucająca naruszenie ma uprawdopodobnić dyskryminację, a następnie strona, której postawiono zarzut, musi wykazać, że do naruszenia nie doszło. Roszczenia wynikające z tej ustawy przedawniają się co do zasady po 3 latach od uzyskania wiedzy o naruszeniu, nie później jednak niż po 5 latach od samego zdarzenia.
Jak ograniczyć ryzyko: nie oddawaj całej widoczności mieszkania jednemu algorytmowi
Najczęstszy błąd nie polega na ustawieniu jednego złego parametru. Polega na uznaniu, że skoro panel reklamowy zaakceptował kampanię, to każdy sensowny kandydat ma podobną możliwość zobaczenia oferty.
Nie ma takiej gwarancji.
Dlatego przy nieruchomościach sensowna dystrybucja powinna mieć co najmniej dwa tory: algorytmiczny i intencjonalny.
Pierwszy to reklamy w mediach społecznościowych, sieciach reklamowych i innych systemach, które same decydują, komu w danej chwili opłaca się pokazać ofertę.
Drugi to miejsca, w których użytkownik sam rozpoczyna wyszukiwanie: wpisuje miejscowość, cenę, metraż i liczbę pokoi. Równoległa publikacja poprzez darmowe ogłoszenia nieruchomości lub inne serwisy z wyszukiwarką ofert nie eliminuje działania algorytmów rankingowych, ale zmniejsza zależność od mechanizmu, w którym to platforma reklamowa najpierw musi uznać daną osobę za odpowiedniego odbiorcę.
Przy audycie kampanii nieruchomościowej ustawiłbym priorytety w tej kolejności.
1. Najpierw usuń nieuzasadnione wykluczenia.
Lista odbiorców powinna wynikać z samej nieruchomości. Jeśli sprzedajesz mieszkanie na warszawskim Mokotowie, ograniczenie reklamy wyłącznie do mieszkańców Mokotowa trudno obronić biznesowo. Kupujący może dziś mieszkać w Piasecznie, Białymstoku albo Berlinie.
2. Oddziel kryteria konieczne od profilu „idealnego klienta”.
Cena 1,2 mln zł nie oznacza, że system powinien szukać ludzi przypominających dotychczasowych właścicieli mieszkań za 1,2 mln zł. Zdolność do zakupu nie wynika bezpośrednio z wieku, telefonu, języka interfejsu ani tego, jakie profile ktoś obserwuje.
3. Nie ucz modelu na przypadkowo skrzywionej historii.
Jeżeli lista wcześniejszych klientów pochodzi głównie z jednego osiedla, jednej kampanii albo jednej grupy społecznej, używanie jej jako wzorca dla kolejnej emisji może powielać ten rozkład. Duży zbiór danych nie naprawia problemu, jeśli jest duży, ale jednostronny.
4. Kontroluj zasięg przed analizą leadów.
Sto formularzy nie mówi, kto oferty nie zobaczył. Najpierw trzeba zobaczyć strukturę ekspozycji. Dopiero później badać kliknięcia i konwersje.
5. Nie oceniaj kampanii wyłącznie na podstawie kosztu pozyskania kontaktu.
Najtańszy lead może oznaczać najbardziej skoncentrowaną emisję. Jeżeli kampania A dostarcza lead za 35 zł, a kampania B za 45 zł, lecz druga dociera do znacznie szerszej grupy kwalifikujących się odbiorców, automatyczne wyłączenie B może pogłębić istniejący efekt selekcji.
6. Archiwizuj ustawienia.
Przy większych kampaniach zapisuj przed startem co najmniej: cel, obszar, grupę odbiorców, wykluczenia, źródło Custom Audience, budżet, kreację oraz datę zmiany każdego parametru. Bez takiego rejestru po trzech miesiącach zwykle wiadomo już tylko, ile kosztował lead — nie wiadomo natomiast, dlaczego system pokazywał ofertę właśnie tym osobom.
7. Porównuj kampanie o tej samej nieruchomości.
Jeżeli trzy różne kreacje przedstawiają dokładnie ten sam lokal, a ich odbiorcy wyraźnie różnią się strukturą, warto sprawdzić, czy obrazy lub tekst nie uruchamiają różnych wzorców optymalizacji. Zdjęcie pokoju dziecięcego, luksusowego samochodu w garażu albo starszego małżeństwa na tarasie może wpływać na to, komu model przewidzi większe prawdopodobieństwo reakcji, mimo że reklamodawca nie ustawił żadnego kryterium demograficznego.
Najbardziej irytujące jest to, że reklamodawca zazwyczaj nie dostaje pełnej odpowiedzi na pytanie: „Dlaczego ten konkretny użytkownik nigdy nie zobaczył mojej reklamy?” Systemy reklamowe działają na ogromnej liczbie sygnałów i dynamicznych aukcji. Można analizować wzorce oraz nierówności na poziomie grup, ale pełne odtworzenie każdej decyzji o niewyświetleniu reklamy jest zwykle nierealne.
Nie należy więc obiecywać „kampanii wolnej od dyskryminacji”. Realny cel jest skromniejszy i bardziej użyteczny: usunąć zbędne bariery, mierzyć faktyczny rozkład emisji, wykrywać powtarzalne dysproporcje i nie uzależniać dostępu do oferty od jednego modelu optymalizacyjnego.
Warto też prawidłowo umiejscowić unijny AI Act. Od sierpnia 2026 r. obowiązuje zasadnicza część rozporządzenia, ale zwykły system służący do dostarczania komercyjnych reklam mieszkań nie został automatycznie wpisany do katalogu systemów AI wysokiego ryzyka. Dla porównania: w katalogu wprost znalazły się systemy używane do kierowania ogłoszeń rekrutacyjnych, a także systemy oceniające zdolność kredytową osób fizycznych — właśnie dlatego, że kredyt wpływa m.in. na dostęp do mieszkania. Liczenie na to, że samo wejście AI Act rozwiąże problem selektywnej dystrybucji ofert nieruchomości, byłoby więc błędem.
FAQ: najczęstsze pytania o algorytmiczną dyskryminację reklam nieruchomości
Czy reklama jest dyskryminująca, jeśli reklamodawca nie ustawił żadnego kryterium dotyczącego płci albo pochodzenia?
Może być problematyczna również wtedy, gdy nierówność powstaje dopiero podczas dostarczania reklamy. Brak świadomego wykluczenia nie oznacza automatycznie braku dyskryminacji pośredniej. Trzeba jednak wykazać rzeczywistą dysproporcję oraz jej związek z określoną cechą; samo nierówne rozłożenie wyświetleń nie wystarczy.
Czy DSA zabrania targetowania reklam mieszkań?
Nie. Zakazane jest m.in. targetowanie oparte na profilowaniu wykorzystującym szczególne kategorie danych osobowych oraz profilowane reklamy kierowane do małoletnich. Targetowanie geograficzne czy inne prawnie dopuszczalne formy personalizacji nie zostały generalnie zakazane.
Czy osoba spoza grupy reklamowej może znaleźć ofertę inną drogą?
Tak, jeżeli lokal został również opublikowany w publicznie dostępnej bazie ofert, na stronie inwestycji albo w serwisie ogłoszeniowym. Dlatego poleganie wyłącznie na reklamie w feedzie jest słabym rozwiązaniem przy ofercie, do której dostęp powinien mieć szeroki krąg potencjalnych klientów.
Jak sprawdzić, komu platforma faktycznie wyświetlała reklamę?
Zacznij od raportów zasięgu i danych demograficznych lub geograficznych dostępnych w panelu, a następnie sprawdź publiczne repozytorium reklam platformy. W UE największe platformy podlegają obowiązkom DSA dotyczącym repozytoriów, a Meta udostępnia dane o reklamach emitowanych w UE z ostatniego roku.
Czy 70 proc. zasięgu w jednej grupie oznacza dyskryminację?
Nie. Trzeba porównać wynik ze strukturą całej grupy kwalifikującej się do reklamy, kosztami aukcji, ustawieniami kampanii oraz powtarzalnością efektu. Najbardziej podejrzany jest nie pojedynczy wynik, lecz trwała dysproporcja pojawiająca się w kolejnych kampaniach mimo neutralnych kryteriów.
Czy AI Act uznaje system reklamowania mieszkań za system wysokiego ryzyka?
Nie automatycznie. Katalog wysokiego ryzyka obejmuje m.in. AI używane do kierowania ogłoszeń rekrutacyjnych oraz do oceny zdolności kredytowej, ale zwykła dystrybucja komercyjnych reklam nieruchomości nie została w nim wymieniona jako odrębna kategoria.
Co powinien zrobić deweloper albo pośrednik, który chce ograniczyć ryzyko?
Najpierw udokumentować grupę dopuszczoną do kampanii i wszystkie wykluczenia. Następnie sprawdzić faktyczny rozkład zasięgu przed oceną konwersji, porównać kilka kreacji oraz zapewnić niezależny kanał wyszukiwania oferty. Audyt samego kosztu leada jest niewystarczający.
Jeżeli masz poprawić tylko jedną rzecz, zacznij od sprawdzenia wykluczeń i faktycznego zasięgu ostatnich kampanii, zanim ponownie włączysz optymalizację na najtańszy lead. Jeśli grupa wejściowa jest niepotrzebnie zawężona albo 80–90 proc. ekspozycji regularnie skupia się w jednym fragmencie szerokiej grupy odbiorców, zwiększanie budżetu tylko utrwali ten układ. Najpierw trzeba naprawić sposób dystrybucji, dopiero potem skalować reklamę.