A inteligência artificial já estima o valor de um imóvel em segundos. O próximo desafio é mais complexo: demonstrar de onde veio esse número, quais dados foram considerados, quais são suas limitações e em quais situações ele pode, de fato, apoiar uma decisão.
A discussão ganha peso à medida que os Modelos Automatizados de Avaliação (AVMs) passam a ser utilizados em precificação, análise de crédito, avaliação de garantias e monitoramento de ativos. Em 2024, segundo a Abecip, os financiamentos imobiliários via SBPE e FGTS somaram R$ 312,4 bilhões no Brasil, o maior volume da série histórica. Em operações dessa escala, pequenas distorções na avaliação de uma garantia viram riscos relevantes quando reproduzidas em milhares de contratos.
Para o CTO da Real Price, Ricardo Spada, a conversa sobre IA na avaliação precisa ir além da velocidade. “Gerar um número é relativamente simples. O desafio é sustentar tecnicamente esse número. É preciso demonstrar por que aquele imóvel vale aquele valor, quais evidências foram aplicadas e quais são as limitações da estimativa”.
Segundo o especialista, a confiabilidade de um modelo não depende só do algoritmo. Depende da qualidade e da origem dos dados, da finalidade de uso, da capacidade de monitorar o desempenho e da existência de mecanismos para reconstruir e contestar o resultado. Uma referência de preço para orientar uma busca por imóvel admite um nível de incerteza diferente de uma avaliação que define a suficiência de uma garantia. “Não existe resposta simples para a pergunta se um AVM funciona ou não. A questão é entender para qual finalidade ele funciona, em quais tipos de imóvel, com qual cobertura de dados, dentro de qual margem de incerteza, e com quais critérios de escalonamento para uma análise humana. Um sistema confiável também precisa reconhecer quando não sabe”, explica.
Para Spada, um processo auditável permite que um terceiro reconstrua o caminho até a estimativa: origem e data dos dados, versão do modelo, comparáveis considerados ou descartados, premissas adotadas, faixa de confiança e eventuais intervenções humanas. Gerar uma justificativa textual depois da estimativa não basta. A rastreabilidade depende de evidências que existam antes do resultado, como linhagem dos dados, regras de validação, registro de versões e monitoramento contínuo.
A partir daí, a IA ganha uma segunda função no processo: atuar como camada de controle de qualidade. Nesse modelo, a tecnologia confronta informações cadastrais e documentais, identifica divergências entre textos e imagens, revisa cálculos, aponta ausência de evidências e sinaliza comparáveis inconsistentes. “A IA pode deixar de ser apenas uma ferramenta de previsão e passar a funcionar também como mecanismo de controle. O objetivo não é substituir o conhecimento técnico, mas ampliar a capacidade de análise e identificar situações que exigem avaliação mais aprofundada. A capacidade que se amplia é a do profissional: ele recebe o caso já mapeado, interpreta, decide e responde tecnicamente pela conclusão”, diz o CTO.
A automação é apropriada para imóveis típicos, com boa cobertura de dados e finalidade clara. Em cenários de baixa liquidez, dados conflitantes, mudanças bruscas de mercado ou características que não podem ser inferidas remotamente, o sistema precisa ter critérios para interromper a automação e encaminhar o caso para análise humana.
A exigência também aparece na regulação. A Resolução CMN 4.676, em seu artigo 11, parágrafo 4º, já admite modelos de precificação na avaliação de imóveis para operações de crédito, com critérios e procedimentos documentados e verificáveis. O PL 2.338/2023, aprovado pelo Senado e em análise na Câmara, trata de explicabilidade, supervisão humana, gestão de riscos e auditabilidade. “A IA terá papel cada vez mais relevante no mercado imobiliário. Mas seu valor não estará só na capacidade de estimar preços. Estará na construção de uma infraestrutura de confiança, baseada em dados de qualidade, transparência, governança e capacidade de explicar cada resultado”, conclui Spada.
