1. Não um número, mas um intervalo de confiança: a reformulação da avaliação

Mesma casa, números diferentes

Em 2021, uma casa unifamiliar de três quartos num subúrbio de Austin, no Texas, produziu duas respostas.

Uma veio de uma pessoa. Um avaliador com vinte anos de mercado local percorreu a casa, checou o estado do telhado, a luminosidade do quintal, a altura da cerca em relação ao lote vizinho, comparou com três imóveis semelhantes vendidos recentemente e chegou a um preço. A outra veio de um algoritmo. O AVM (modelo automatizado de avaliação) da Zillow — o “Zestimate” — processou milhares de variáveis simultaneamente e produziu um número em segundos. Metragem, orientação solar, andar, distrito escolar, histórico recente de vendas locais, até se uma piscina aparecia em fotos aéreas.

Os dois números divergiam. Isso não surpreende — avaliadores humanos rotineiramente discordam entre si também. O que de fato surpreendeu veio a seguir. A Zillow confiou tanto na resposta do próprio algoritmo que começou a comprar casas diretamente por aquele preço. O negócio, batizado de “iBuying”, assentava-se numa proposta simples e audaciosa: se a IA precifica com precisão, por que não comprar e vender ela mesma a esse preço? Só no terceiro trimestre de 2021, a Zillow perdeu US$ 421 milhões nesse negócio. Antes de o ano terminar, a Zillow Offers foi encerrada por completo, e a empresa demitiu boa parte do quadro de funcionários. O prejuízo do ano inteiro e a confissão do próprio CEO, em declaração pública, são detalhados no Capítulo 8.¹ Na mesma época, experimentos de iBuying na Europa e na Ásia recuaram ou foram discretamente encerrados — entre eles, várias startups britânicas e as operações internas de compra de algumas grandes plataformas de corretagem chinesas. Não foi o erro de uma única empresa. O equívoco — confundir “um preço preciso” com “liquidez de mercado para de fato comprar e vender por aquele preço” — se repetiu em múltiplos continentes.

A precisão do Zestimate em si não era ruim. Contra imóveis efetivamente à venda, a taxa de erro rondava 2%, mais apertada do que a maioria dos avaliadores humanos consegue.¹ Ainda assim, a empresa queimou centenas de milhões de dólares em questão de trimestres.

O motivo está numa distinção que atravessa todo este capítulo. “Saber quanto algo vale” e “ter a coragem e o timing para de fato comprar e vender por esse preço” são problemas inteiramente diferentes. A IA é boa no primeiro. O segundo permanece — e provavelmente permanecerá por muito tempo — um domínio emaranhado com liquidez de mercado, timing e julgamento humano. A verdadeira mudança na avaliação imobiliária nos últimos cinco anos não é a história simples de que “a IA ficou mais precisa que as pessoas”. A própria pergunta mudou. Não “quanto vale este edifício”, mas “qual é o formato da distribuição de probabilidade do que este edifício vale”.

Da era da precisão à era dos intervalos de confiança

William Poorvu, cujo livro de 1999, The Real Estate Game, é um clássico do investimento imobiliário, defende um argumento que vale revisitar: o setor imobiliário é julgado, na maior parte do tempo, não por uma planilha elaborada, mas por uma “análise de guardanapo” (back-of-the-envelope analysis). Mesmo lecionando imóveis em Harvard, ele observava que, enquanto a academia deslizava rumo a modelos cada vez mais elaborados, os profissionais filtravam oportunidades rapidamente usando apenas um punhado de índices centrais — receita operacional líquida (NOI), retorno sobre o capital próprio (ROE), preço de compra contra custo de reposição. O cálculo que ele rabiscava num bloco de papel amarelo enquanto atendia o telefonema de um corretor é, ainda hoje, notável por sua simplicidade: dividir o preço de compra pela metragem para obter um preço por metro quadrado, comparar isso com o custo de construir do zero para avaliar quão seguro é o preço, depois calcular qual porcentagem do capital investido o aluguel gera após descontar custos operacionais e serviço da dívida. Ele chamava essa analogia de “canja de galinha da vovó” — um resultado que sai aproximadamente certo todas as vezes, sem receita precisa necessária.

Vinte e cinco anos depois, vale inverter essa analogia. A avaliação imobiliária na era da IA não chegou ao toque da vovó — chegou ao extremo oposto. Uma máquina ultraprecisa que quantifica milhares de variáveis, treina com milhões de transações históricas e administra sua taxa de erro até a casa decimal. E, ainda assim, o que essa precisão entregou aos profissionais não foi “mais um número preciso”. Ironicamente, foi a questão de quanto confiar nesse número, para começo de conversa.

O motivo é simples. A taxa de erro de um AVM não é uniforme. Em mercados líquidos com ativos padronizados, a taxa de erro pode cair para 2–3%. Uma casa suburbana de três quartos nos Estados Unidos é o caso clássico — os dados são abundantes.² Mude para mercados com baixo volume de transações, ativos comerciais peculiares ou uma classe de ativo emergente que acaba de nascer (data centers, tratados mais adiante, são o exemplo maior), e a taxa de erro facilmente ultrapassa 10%. A escassez de dados é a causa. O mesmo modelo, a mesma empresa, produz números em que “este aqui é quase evangelho” e “este aqui é, no máximo, um palpite orientador” coexistem lado a lado. Um AVM é, essencialmente, uma avaliação por comparáveis rodada em velocidade extrema. Onde uma pessoa forma uma impressão a partir de cinco ou seis comparáveis num único telefonema, a máquina varre milhares de comparáveis no mesmo instante. Mas, num mercado sem nada para varrer — sem histórico de transações —, mesmo a máquina mais rápida não tem com o que trabalhar.

Uma sensibilidade se enraizou, silenciosa mas firmemente, na indústria ao longo dos últimos cinco anos. O critério para um bom modelo de avaliação deixou de ser “quão preciso é o número que ele produz” e passou a ser “ele diz o quanto confiar nesse número”. O intervalo de confiança — conceito emprestado da estatística — passou a fazer parte do vocabulário de trabalho da prática imobiliária. Em vez de uma declaração única e seca — “este edifício vale US$ 1 milhão” —, uma resposta como “este edifício vale, com 90% de confiança, entre US$ 950 mil e US$ 1.050.000, embora esse intervalo se apoie em apenas três vendas comparáveis recentes e a amostra seja escassa” é agora a resposta em que se confia. Não a precisão, mas a honestidade, virou o novo padrão.

O underwriting de oito minutos, e seu preço

Em nenhum lugar essa mudança apareceu de forma mais dramática do que na subscrição (underwriting) de empréstimos imobiliários comerciais. Tradicionalmente, um empréstimo imobiliário comercial era um processo burocrático — de 30 a 45 dias entre a papelada e a aprovação, passando pelas mãos de bancários e analistas múltiplas vezes. Ler contratos de locação um a um, transcrever manualmente para planilhas o rent roll de cada inquilino, verificar os números das demonstrações operacionais contra anos anteriores, montar modelos de fluxo de caixa à mão. Assim como o cálculo de guardanapo descrito acima se resolvia num único telefonema, a lógica subjacente desse trabalho é, em si, simples. O que muda é a escala. A mesma aritmética que um investidor individual usa para triar um único edifício, um banco precisa repetir em centenas de negócios todos os dias.

Nos últimos cinco anos, relatos de adoção de underwriting por IA em bancos se acumularam: redução de 50–75% no tempo de análise, economia de custos de até 20%.³ Para negócios com termos limpos e bem definidos, surgiram casos em que a IA lê os documentos, monta o modelo de fluxo de caixa automaticamente e finaliza o underwriting em oito minutos. Um trabalho que costumava levar um analista várias semanas, uma máquina agora resolve no tempo de terminar um café.

Essa velocidade tem um preço: um número crescente de “caixas-pretas” em que é difícil explicar por que determinado número saiu daquele jeito. Um analista humano consegue articular o raciocínio por trás de um julgamento — “reduzi a probabilidade de renovação deste inquilino porque as vendas recentes dele andam fracas.” Quando um modelo de IA chega à mesma conclusão, é muito mais difícil saber se essa conclusão de fato remonta aos números de vendas do inquilino, ou a algum viés que se infiltrou nos dados de treinamento por acidente. A regulação também começou a correr atrás — tarde, mas rápido — e o ponto de partida e o formato da resposta variam por país. Nos Estados Unidos, a Interagency Rule on AVMs, em vigor desde 2024, exige gestão de confiança para modelos de avaliação, salvaguardas contra manipulação de dados e proteções contra conflito de interesse.⁴ Na Europa, o órgão que define os padrões do setor de avaliação, por meio de sua norma revisada de 2025, consolidou o princípio de que “um AVM não pode substituir, sozinho, uma avaliação formal — precisa ser combinado com vistoria in loco e julgamento especializado”. Cinco anos atrás, vantagem competitiva significava “quão rápido você adota IA”. Hoje, significa “quão defensável é a explicação para o julgamento dessa IA” — um novo eixo competitivo que atravessa todos os continentes.

Trinta pessoas compram um gigante

Mais um evento capta esse arco de cinco anos. Em 2021, a JLL — uma das maiores empresas de serviços imobiliários do mundo — adquiriu a Skyline AI, startup de dados de Israel e Nova York com pouco mais de trinta funcionários. O que exatamente essa empresa construiu, e como foi usada após a aquisição, está detalhado no Capítulo 2.⁵

A pergunta que essa aquisição levantou era simples e cortante: uma pequena equipe de cientistas de dados consegue prever o futuro de um ativo com mais precisão do que uma organização construída ao longo de décadas de corretores e avaliadores? A resposta da indústria foi a própria aquisição. Não foi um jeito isolado de adquirir capacidade — nos cinco anos seguintes, grandes corretoras e gestoras de ativos escolheram repetidamente comprar em vez de construir. A Ásia adotou uma abordagem um tanto diferente. Uma grande plataforma de corretagem imobiliária chinesa, em vez de adquirir, montou uma grande equipe interna de engenharia de dados e desenvolveu por conta própria recursos de assistência à avaliação por IA — incluindo ferramentas de reconhecimento de imagem para avaliar o estado de um imóvel a partir de fotos. Comprar versus construir divergiu, mas a conclusão — de que a capacidade em IA se tornou um ativo competitivo central para empresas de serviços imobiliários — se manteve em todos os continentes. As estatísticas de apoio da própria JLL (número de casos de uso de IA, taxas de adoção-piloto institucional) também são tratadas no Capítulo 2. A avaliação deixou de ser o experimento de um punhado de early adopters. Tornou-se fluxo de trabalho padrão da indústria.

Um algoritmo criou uma conluio sem sequer saber disso

Nem tudo nesse arco de cinco anos é uma história animadora. A reviravolta mais dramática é o caso da RealPage, um software de precificação de aluguéis. O software reunia informações confidenciais de preços de múltiplos proprietários e recomendava um “aluguel ótimo” para cada edifício. A lógica soava razoável — a mesma premissa de um AVM: mais dados produzem um preço mais preciso.

O problema era que múltiplos proprietários na mesma cidade usavam esse software simultaneamente. Nenhum proprietário individual jamais discutiu conluio com outro. Mas, como todos alimentavam o algoritmo com os dados de preços do próprio edifício, e o algoritmo sintetizava essa informação numa mesma conclusão sussurrada para cada um deles — “todo mundo mais também está usando o mesmo software, então o mercado aguenta um aumento coordenado de aluguel” —, surgiu uma estrutura que funcionava como conluio sem que ninguém tivesse concordado explicitamente em conluiar. Segundo a denúncia do Departamento de Justiça dos Estados Unidos (DOJ), um proprietário começou a subir aluguéis dentro de uma semana após adotar o software e os havia elevado em mais de 25% em onze meses.⁶ O processo movido nos Estados Unidos contra o algoritmo de aluguel efetivamente acusou isso como facilitação de conluio, e, em novembro de 2025, a empresa de software fechou acordo com o Departamento de Justiça — sem admitir culpa — concordando em descontinuar o recurso de recomendação de aluguel que usava informações competitivas confidenciais.⁶

Esse caso importa além de qualquer empresa ou país específico. É a primeira grande refutação jurídica da narrativa de que “a IA torna os mercados mais eficientes”. Uma preocupação semelhante já surgiu do outro lado do Atlântico — não no setor imobiliário, mas no varejo de combustíveis na Europa, onde uma onda de postos migrando para o mesmo algoritmo de precificação foi seguida por uma alta conjunta de margens, chamando a atenção de autoridades de defesa da concorrência. Indústria diferente, mesma estrutura. Deixando de lado o estatuto de qualquer país específico e olhando para o princípio subjacente: no momento em que múltiplos concorrentes rodam simultaneamente o mesmo algoritmo de precificação, esse algoritmo passa a habitar a fronteira entre ferramenta de eficiência e mecanismo de conluio. Cada parte age racionalmente por conta própria, e ainda assim o resultado funciona coletivamente como um cartel — uma nova espécie de falha de mercado. Essa é a lição mais inesperada dos primeiros cinco anos de avaliação por IA, e não se limita a nenhum país.

O avaliador não está desaparecendo — está se realocando

Então o que acontece, ao fim de tudo isso, com as profissões de avaliador e corretor? Os cinco anos de dados apontam para uma resposta que é “realocação”, não “extinção”.

Há trabalho real que a IA claramente assumiu: extrair e listar comparáveis, calcular preços de ativos padronizados, ler rent rolls e montar modelos de fluxo de caixa. Essas tarefas repetitivas e quantitativas já são mais rápidas para máquinas do que para pessoas — e, para ativos padrão, mais precisas. É exatamente por isso que grandes corretoras compraram empresas como a Skyline AI inteiras, em vez de construir internamente. A capacidade de cálculo repetitivo deixou de ser uma lacuna que um humano precisa preencher à mão; virou um componente que se compra pronto.

Por essa mesma razão, o caráter do trabalho que sobra para as pessoas mudou. A pergunta com que um avaliador agora se debate não é “por quanto vendeu recentemente um edifício comparável” — uma máquina já responde isso em segundos. Em vez disso, as pessoas migraram para as perguntas que os dados ainda não capturam: como avaliar um ativo sem comparáveis significativos para o modelo se basear? Há uma mudança em curso na composição de inquilinos deste bairro que os dados ainda não captaram? O vendedor está escondendo uma situação desesperadora? A insistência do órgão europeu de padrões de avaliação de que “um AVM precisa ser combinado com vistoria in loco e julgamento especializado” segue a mesma linha — institucionaliza uma estrutura em que a resposta da máquina e a resposta humana ficam lado a lado, e uma pessoa aponta onde elas divergem.

O papel do corretor mudou de maneira semelhante. Informar o preço de mercado perdeu seu valor de escassez agora que qualquer um consegue checar isso no celular em segundos. O que gera valor, em vez disso, é ler a real situação do outro lado da mesa de negociação e navegar variáveis que não se reduzem a números — regulação, relações com a comunidade, parcerias. A nova divisão de trabalho que esses cinco anos produziram é esta: a máquina calcula “quanto vale” onde os dados são abundantes; a pessoa julga “esse número merece confiança” onde os dados são escassos ou nunca foram redutíveis a números, para começo de conversa. Não um emprego perdido. Um emprego realocado.

O que vem depois do intervalo de confiança

Então quais partes desse arco de cinco anos ainda serão verdadeiras daqui a três anos, ou em outro país? Três perguntas se destacam.

Primeiro, o limite estrutural de que a precisão da avaliação por IA escala diretamente com a densidade de dados não vai embora. Para ativos padronizados em mercados líquidos, a IA continuará superando as pessoas com precisão mais refinada. Para ativos raros, especializados, e classes de ativo recém-emergentes, a experiência e a intuição humanas manterão a vantagem. Essa linha divisória continuará se deslocando à medida que os modelos de IA melhorarem, mas não vai desaparecer por completo.

Segundo, “previsão” e “a decisão de de fato alocar capital com base nessa previsão” continuarão separadas. A Zillow perdeu mais de US$ 400 milhões não porque seu modelo estava errado, mas porque transformar uma previsão precisa numa transação real esbarrou em liquidez de mercado e timing — variáveis com as quais um modelo estatístico tem dificuldade. Essa lacuna dificilmente se fechará, por mais sofisticada que a IA se torne, porque o setor imobiliário não é um ativo que se vende no instante em que você quer vendê-lo.

Terceiro, o risco estrutural que surge quando múltiplos concorrentes usam a mesma ferramenta simultaneamente continuará acompanhando essa indústria, independentemente de como a regulação evolua. Ferramentas de avaliação já cruzaram a fronteira entre auxílio ao julgamento individual e infraestrutura que molda diretamente a formação de preços em todo o mercado. Quem supervisiona essa infraestrutura, e como, é uma pergunta que apenas começou a ser feita.

O que os últimos cinco anos deixaram para trás não é uma história simples de vitória-derrota em que “a IA substituiu as pessoas”. A própria forma como perguntamos sobre o valor de um imóvel mudou. Antigamente, um único número, assinado por um único avaliador, era a resposta. Agora, uma interrogação naturalmente segue esse número: quanto esse número realmente merece confiança? A capacidade de responder a essa interrogação com honestidade se tornou a nova qualificação exigida tanto de pessoas quanto de máquinas que trabalham com imóveis na era da IA.

Agora é hora de levar essa interrogação para a próxima pergunta. Por que a IA está tão empenhada em calcular o valor do imóvel com essa precisão? E onde, exatamente, a própria IA vive?

---

Regra do jogo Um modelo resume o mercado; não o cria. A IA só é tão inteligente quanto os dados são profundos, e saber o número preciso não significa ter a coragem e o timing para de fato apostar capital nele. Então o lado que vence não é o que tem o modelo mais sofisticado — é o que sabe exatamente até onde esse modelo pode ser confiável, e onde um humano precisa assumir o comando.

---

Fontes

Footnotes

1. A Zillow operou um negócio de iBuying (Zillow Offers) a partir de 2018, usando seu próprio AVM “Zestimate” para comprar e vender casas diretamente, mas se retirou após perder US$ 421 milhões no terceiro trimestre de 2021. A taxa de erro do Zestimate contra imóveis à venda foi reportada em torno de 2%. (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) ↩ ↩²

2. Sobre as taxas de erro de AVM — materiais do setor citam amplamente 2–3% para ativos residenciais padrão e 5–15% para ativos não padronizados ou comerciais. (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩

3. Materiais de fornecedores/consultorias do setor (Blooma, GrowthFactor, Alpaca, entre outros) — bancos que adotam underwriting por IA reportam redução de 50–75% no tempo de análise, economia de custos de até 20%, e casos de underwriting em menos de 8 minutos para negócios bem definidos. Nota: variação significativa por instituição e amostra; não são estatísticas padronizadas da indústria. ↩

4. A Interagency Rule on AVMs dos EUA (em vigor desde 2024) exige gestão de confiança para modelos de avaliação, salvaguardas contra manipulação de dados e proteções contra conflito de interesse. Requisitos regionais adicionais de conformidade, como a lei de IA do Colorado de 2026, também entraram em vigor. ↩

5. A JLL adquiriu a Skyline AI, startup de IA para imóveis comerciais com sede em Israel e Nova York, em 2021. Especificações completas, uso pós-aquisição e estatísticas de adoção de IA da JLL são tratadas no Capítulo 2. (JLL Newsroom; AI Business; PitchBook) ↩

6. O Departamento de Justiça dos EUA acusou a empresa de software de precificação de aluguéis RealPage, em agosto de 2024, de facilitar conluio algorítmico, citando um caso em que um proprietário começou a subir aluguéis dentro de uma semana após a adoção e os havia elevado em mais de 25% em onze meses. Em novembro de 2025, a RealPage fechou acordo com o DOJ sem admitir culpa, concordando em descontinuar recursos de recomendação de aluguel que usavam informações competitivas confidenciais. (Comunicado oficial do DOJ; ProPublica; NPR; Holland & Knight) ↩ ↩²