Avaliação aumentada por AI: da análise de comparáveis à modelagem de cenários

Introdução

A avaliação é um processo de evidências e julgamento. Transações comparáveis, múltiplos de negociação, previsões operacionais, taxas de desconto e premissas de cenário só se tornam úteis quando estão vinculados a um ativo definido, a uma data de avaliação, a uma unidade de conta, a uma finalidade e a uma perspectiva de participante de mercado. A inteligência artificial pode acelerar a coleta de evidências, a normalização, a triagem de comparáveis, a execução de modelos, a análise de sensibilidade e a produção de narrativa. Ela não pode decidir o perímetro legal do ativo, tornar evidências fracas confiáveis, remover a incerteza de mercado ou assumir a autoridade do avaliador responsável.

Este artigo aborda Avaliação aumentada por AI: da análise de comparáveis à modelagem de cenários para dois Matchpoint Partners públicos-alvo. CIOs de family offices e responsáveis por investimentos alternativos incluem profissionais de investimento em family offices unifamiliares, family offices multifamiliares, empresas de gestão de patrimônio privado, bancos privados e gestores de ativos externos em todo o GCC, no Reino Unido, na Suíça, em Singapura e na União Europeia. UAE/GCC Desenvolvedores Imobiliários e Sponsors Financeiros incluem fundadores, diretores executivos, diretores financeiros e equipes de mercados de capitais que captam dívida, financiamento mezzanine ou capital próprio de joint venture e monetizam ativos. as equipes precisam de decisões consistentes de portfólio e de transações com base em evidências públicas e privadas. as equipes precisam de valores defensáveis para captação de capital, decisões de desenvolvimento, refinanciamento, joint ventures e vendas de ativos.

A questão central é: Como uma organização pode multiplicar a produtividade da avaliação e a cobertura de decisões, preservando a qualidade das evidências, a incerteza, o julgamento profissional e a responsabilização? A resposta é um sistema de avaliação governado. Ele separa evidências de origem de transformações, a triagem de comparáveis do ajuste, estimativas pontuais de distribuições de cenários, a saída do modelo da autoridade de decisão e a produtividade medida do valor comercial atribuído.

A IFRS 13 define valor justo como um preço de saída em uma transação ordenada entre participantes do mercado na data de mensuração. Ela exige técnicas de avaliação adequadas às circunstâncias, maximização de inputs observáveis e minimização de inputs não observáveis [1]. As Normas Internacionais de Avaliação vigentes a partir de 31 de janeiro de 2025 contêm normas dedicadas a dados e inputs, modelos de avaliação, documentação e relatórios [2]. As Diretrizes de Avaliação IPEV 2025 aplicam essa disciplina de valor justo ao capital privado [3]. A RICS descreve modelos automatizados de avaliação como um espectro que pode apoiar ou fazer parte de um processo de avaliação, com envolvimento profissional dependendo da finalidade, do mercado, dos dados e do risco [4-5].

Esses requisitos apoiam a ampliação, desde que toda transformação material permaneça revisável. Um mecanismo de comparáveis pode encontrar candidatos rapidamente. O avaliador ainda precisa estabelecer por que cada transação é relevante, quais ajustes são sustentáveis e se o intervalo resultante reflete o ativo objeto. Um mecanismo de previsão pode calcular centenas de casos. O tomador de decisão ainda precisa aprovar os estados econômicos, as dependências, as ações de gestão e o tratamento das probabilidades. Um modelo de linguagem pode redigir um memorando. Ele ainda precisa de um pacote de evidências controlado e de aprovação humana.

As evidências regionais estão se ampliando. O Dubai Land Department fornece dados imobiliários abertos que abrangem transações, aluguéis, projetos e avaliações [11]. Ele informou 60.303 transações imobiliárias com um valor de AED 252 billion no primeiro trimestre de 2026 [12]. Esses dados melhoram a observabilidade do mercado para questões selecionadas. Eles não tornam todos os ativos homogêneos, não eliminam efeitos de partes relacionadas, não identificam todos os termos comerciais nem estabelecem um valor sem ajuste.

A adoção de AI também altera o perímetro de controle. As Normas de Gestão de Modelos do Banco Central de UAE exigem governança, dados rastreáveis, desenvolvimento documentado, aprovação, validação independente e monitoramento contínuo para modelos usados na tomada de decisões [6]. A DFSA informou em 2025 que 52% das 661 empresas autorizadas que responderam ao seu levantamento estavam utilizando ativamente AI; a maturidade da governança variava, e 21% foram relatados como carentes de responsabilização clara [9]. A Estrutura de Gestão de Riscos de AI do NIST organiza os controles em torno de Governar, Mapear, Medir e Gerenciar [7-8]. A orientação revisada sobre risco de modelos do Federal Reserve, de abril de 2026, e a declaração de supervisão da PRA, de abril de 2026, reforçam inventário, governança, desenvolvimento, validação, monitoramento e mitigantes baseados em risco dentro de seus escopos bancários [14-15].

A contribuição é um sistema prático que oferece:

• um perímetro de avaliação definido para e decisões;
• um registro de evidências e a linhagem da fonte ao resultado;
• um protocolo de seleção de comparáveis e de ajustes;
• uma arquitetura de modelagem híbrida que combina métodos transparentes com aprendizado de máquina;
• um motor de cenários governado;
• pontos de controle de validação, incerteza e abstenção;
• dois exemplos ilustrativos hipotéticos;
• uma ponte de produtividade e receita condicionada a evidências; e
• um roteiro de adoção de noventa dias.

A análise examina estudos acadêmicos primários, normas oficiais, publicações de reguladores e fontes oficiais de dados de mercado disponíveis até 1º de agosto de 2026. A aplicabilidade regulatória e contábil depende da entidade, da jurisdição, da finalidade, do cliente, do ativo e da base de reporte. Os estudos empíricos são reportados dentro de suas amostras estudadas. Nenhuma evidência observada aprovada Matchpoint ou evidência de cliente foi fornecida para receita, redução de custos em caixa, redução de perdas ou alfa. Esses valores atribuídos permanecem USD 0.

O Perímetro de Avaliação

A finalidade precede o método

Um processo de avaliação deve começar com uma instrução assinada, e não com a escolha de um modelo. A instrução deve especificar o interesse objeto, os direitos legais e econômicos, a unidade de conta, a data de avaliação, a moeda, a finalidade, a base de valor, os usuários previstos, as restrições, as premissas relevantes e a norma de reporte. Uma participação acionária, um imóvel, um projeto de desenvolvimento, um instrumento de dívida, uma participação em fundo e uma empresa operacional podem exigir evidências diferentes, mesmo quando um painel os apresenta em um único portfólio.

O arcabouço de valor justo do IFRS 13 é específico para mensurações exigidas ou permitidas por outras normas IFRS [1]. Ele não cria uma exigência geral de mensurar pelo valor justo toda decisão. A Regra 2a-5 da SEC trata de determinações de valor justo de boa-fé por companhias de investimento registradas e companhias de desenvolvimento de negócios nos Estados Unidos [13]. Seu arcabouço é evidência comparativa útil para avaliação de riscos, seleção de metodologia, testes, serviços de precificação, supervisão e registros. Sua aplicabilidade jurídica está limitada ao escopo declarado.

Preço, valor e decisão são resultados separados

Um preço observado registra uma transação segundo seus termos efetivos. Uma avaliação estima uma base definida em uma data. Uma decisão de investimento compara a distribuição estimada de resultados com mandato, liquidez, risco, alternativas e retorno exigido. Um preço pode ser um dado válido e um comparável inadequado. Uma estimativa de valor justo pode ser sustentável e pouco atrativa para um determinado family office. O valor de terreno de um incorporador pode diferir sob uma premissa de transação ordenada entre participantes do mercado e um plano estratégico específico do sponsor financeiro.

O sistema deve, portanto, manter três resultados:

1. Resultado de evidências: transações verificadas, cotações, aluguéis, custos, taxas e observações operacionais.
2. Resultado de avaliação: indicações, faixas, pesos, sobreposições e conclusão específicos do método.
3. Saída da decisão: ação aprovada, limites, condições, prazo e responsável final.

A separação impede que o modelo converta silenciosamente uma previsão em recomendação de investimento ou compromisso de financiamento.

e direitos de decisão

O consultor pode estruturar evidências, modelos e opções. O órgão autorizado do cliente é o responsável pela decisão. Os termos de contratação devem indicar a finalidade da avaliação, o acesso aos dados, a confiabilidade, as limitações, os conflitos e o fluxo de aprovação.

O que as normas atuais exigem

Evidências de mercado e técnica calibrada

A IFRS 13 reconhece as abordagens de mercado, de receita e de custo e permite uma ou várias técnicas [1]. A técnica deve ser adequada às circunstâncias e apoiada por dados suficientes. Os dados de entrada devem maximizar evidências observáveis relevantes. Um modelo usado para avaliar um dado de entrada não observável no reconhecimento inicial deve ser calibrado de modo que seja consistente com o preço da transação quando esse preço representar o valor justo. As técnicas devem ser aplicadas de forma consistente, embora uma mudança possa ser adequada quando produzir uma mensuração igualmente ou mais representativa do valor justo.

Isso cria um teste para o uso de AI. Mais variáveis, cálculo mais rápido ou erro dentro da amostra menor não estabelecem uma avaliação mais representativa. A equipe precisa de evidências de que a técnica se adequa ao objeto, ao mercado, à data e ao uso pretendido.

Dados, modelo, documentação e relatórios

As IVS em vigor a partir de 31 de janeiro de 2025 introduziram uma estrutura revisada de normas gerais, incluindo a IVS 104 Dados e Insumos, a IVS 105 Modelos de Avaliação e a IVS 106 Documentação e Relatórios [2]. A estrutura apoia uma visão de ciclo de vida:

• definir o escopo e a base;
• identificar e avaliar dados;
• selecionar e aplicar modelos;
• exercer julgamento profissional;
• reter documentação relevante; e
• reportar uma conclusão com premissas e limitações.

As Diretrizes IPEV 2025 fornecem boas práticas atuais de capital privado [3]. Os mercados privados frequentemente exigem inputs não observáveis, calibração, consideração do desempenho da empresa, evidências de mercado e julgamento. AI pode melhorar a consistência e a cobertura. Nem a opacidade de um modelo nem um rótulo de fornecedor podem eliminar a exigência de compreender os direcionadores materiais da conclusão.

Modelos automatizados de avaliação

A RICS trata os AVMs como um espectro, e não como um produto único [4]. Em uma extremidade, um modelo pode fornecer uma estimativa automatizada sem intervenção profissional específica ao caso. Na outra, análises apoiam uma avaliação profissional. As orientações da RICS para concessão de crédito bancário afirmam que um AVM pode ser apropriado quando o imóvel é suficientemente uniforme, os mercados estão ativos e os dados são adequados, sujeito a validação e à instrução acordada [5]. Imóveis únicos, em desenvolvimento, especializados ou com baixa liquidez precisam de uma revisão mais robusta específica ao caso.

A implicação para controle é uma taxonomia de três níveis:

A área de marketing deve descrever o nível efetivo. Um memorando assistido por AI não deve ser apresentado como uma avaliação profissional independente, a menos que o escopo do trabalho, a norma, a competência e a aprovação sustentem essa descrição.

O Registro de Evidências de Avaliação

Objetos de evidência

Um processo governado armazena evidências como objetos estruturados e datados. Um número em uma planilha deve manter sua fonte, data de observação, data de vigência, moeda, unidade, geografia, atributos do ativo, status da transação, status do relacionamento, confiança, transformações e revisor.

O serviço de dados abertos do Dubai Land Department é uma fonte oficial para campos selecionados de transações, aluguéis, projetos e avaliação [11]. O conjunto de dados deve ser perfilado antes do uso: campos ausentes, duplicidades, mudanças na codificação, tipo de transação, convenções de unidades, geografia e defasagens temporais podem afetar os resultados. A existência de um campo não estabelece que ele esteja completo ou seja economicamente comparável.

Linhagem da fonte ao resultado

Todo resultado relevante deve ser reproduzível por meio de cinco elos:

1. arquivo de origem, registro ou endpoint;
2. snapshot imutável de ingestão;
3. código de transformação e versão;
4. versão do modelo e dos parâmetros; e
5. célula, gráfico ou parágrafo do relatório.

O registro de evidências deve registrar alterações manuais separadamente dos valores de origem. Se um analista excluir uma transação, alterar uma taxa de capitalização ou aplicar um ajuste de qualidade, o sistema deve reter o valor anterior, o novo valor, o responsável e o motivo. Esse desenho apoia a revisão e permite que um revisor futuro recrie o conjunto de informações disponível na data de avaliação.

AI limite de extração

Modelos de linguagem e de documentos podem extrair datas de arrendamento, revisões de aluguel, covenants, tabelas de capitalização, termos de transação e métricas operacionais. A extração deve ser tratada como um registro estruturado proposto até ser verificada em relação à passagem de origem. O registro deve incluir o identificador do documento, página ou célula, texto extraído, valor normalizado, versão do modelo, confiança e decisão do revisor.

O sistema deve abster-se ou exigir revisão manual quando:

• a fonte for digitalizada, incompleta ou internamente inconsistente;
• um valor não tiver moeda ou unidade;
• uma cláusula depender de definições em outro local;
• uma tabela combinar períodos realizados, orçados e previstos;
• um valor de transação depender de dívida, earn-outs ou contraprestação contingente;
• um atributo do imóvel entrar em conflito com evidências oficiais; ou
• a confiança do modelo ou a validação baseada em regras ficar abaixo do limite aprovado.

A abstenção é um resultado de controle. Ela direciona o tempo escasso de especialistas para os casos em que a automação é menos confiável.

Análise de comparáveis como um processo controlado

A questão dos comparáveis

Um comparável é uma observação que ajuda a estimar como os participantes do mercado precificariam o ativo em avaliação depois de consideradas as diferenças relevantes. Nomes, setores ou códigos postais semelhantes são insuficientes. O processo deve definir a relação econômica entre o ativo em avaliação e o candidato.

Para uma empresa, as dimensões podem incluir modelo de negócio, geografia, qualidade da receita, crescimento, margem, intensidade de capital, alavancagem, porte e data da transação. Para um imóvel, as dimensões podem incluir submercado, uso permitido, regime de posse, área, idade, especificação, ocupação, qualidade da renda, duração do contrato de locação, estágio de desenvolvimento e condições de venda. Para uma participação em fundo, as dimensões podem incluir estratégia, vintage, vida remanescente, compromisso não integralizado, concentração, data do NAV e restrições de transferência.

Geração de candidatos e elegibilidade

O primeiro estágio maximiza a cobertura dentro dos limites definidos. A busca pode usar bancos de dados, registros, recuperação semântica de documentos e filtros estruturados. O segundo estágio aplica regras rígidas de elegibilidade. O terceiro estágio classifica por relevância. O quarto estágio exige revisão por analista.

O universo original deve permanecer visível. Um relatório final que mostra apenas transações selecionadas pode ocultar viés de seleção. Os revisores precisam dos candidatos excluídos e dos motivos codificados, como instrumento incorreto, mercado diferente, dificuldade financeira, parte relacionada, termos incompletos, data desatualizada ou direitos incompatíveis.

Da correspondência direta ao ajuste de características

A análise hedônica modela o preço como função de características. O arcabouço de Rosen, de 1974, estabeleceu a base econômica para preços implícitos em produtos diferenciados [17]. Os sistemas de comparáveis modernos podem estender a ideia por meio de regressão regularizada, ensembles de árvores e outros métodos não lineares. Florestas aleatórias combinam árvores descorrelacionadas e fornecem ferramentas flexíveis de previsão e de importância das variáveis [18]. O gradient boosting constrói uma função aditiva por meio da otimização sequencial de uma função de perda [19].

Esses métodos podem identificar relações não lineares e interações. Seu uso ainda requer controles:

• a variável-alvo deve corresponder à questão de avaliação;
• as observações de treinamento devem preceder a data de avaliação ou ser válidas nessa data;
• o vazamento de campos de resultados futuros ou derivados deve ser removido;
• a engenharia de atributos deve refletir informações economicamente disponíveis;
• a validação cruzada deve respeitar tempo, entidade e geografia;
• o erro deve ser reportado por segmento relevante, não apenas de forma agregada;
• casos fora da distribuição devem ser sinalizados; e
• o modelo deve permitir a revisão de direcionadores materiais.

A estrutura SHAP de Lundberg e Lee atribui contribuições de atributos a previsões individuais dentro de uma classe de explicação aditiva [20]. Uma explicação mostra como um modelo produziu um resultado. Ela não prova efeito causal, qualidade dos dados, justiça ou adequação da avaliação. Uma grande contribuição positiva de um atributo pode revelar dependência de uma variável que deveria ter sido excluída.

Ajustes e faixas

Um ajuste deve indicar direção, base, magnitude e incerteza. Uma transação de imóvel seis meses antes pode exigir um ajuste temporal sustentado por um índice ou evidências pareadas. Uma empresa menor pode exigir uma consideração de porte ou liquidez. Uma transação de terreno para desenvolvimento pode exigir ajustes de planejamento, infraestrutura e prazo de pagamento. Uma transação de empresa privada pode exigir análise de direitos de garantia e estrutura de capital.

O resultado deve ser uma distribuição ou faixa, não uma precisão artificial. A faixa pode combinar incerteza do modelo, incerteza dos insumos e incerteza de cenário. Faixas mais amplas devem desencadear maior revisão, menor confiança ou uma decisão explícita de se abster.

A Arquitetura Híbrida de Avaliação

Núcleo transparente, suporte de máquina e sobreposições aprovadas

A arquitetura deve manter o método econômico visível. O aprendizado de máquina pode apoiar a descoberta de evidências, a classificação de comparáveis, o ajuste não linear e a detecção de erros. Um núcleo transparente mantém a lógica de mercado, de renda e de custo necessária para a revisão.

A arquitetura mínima contém:

• camada de origem: evidências oficiais, de fornecedores, de clientes e de mercado com controles de acesso;
• camada de evidências: observações versionadas, normalização e sinalizadores de qualidade;
• camada de modelos: comparável direto, regressão, modelo de árvore, DCF, modelos de terreno residual e de custos;
• camada de cenários: estados, dependências, ações de gestão e tratamento de probabilidade;
• camada de controle: inventário, aprovação, validação, limiares, substituições e monitoramento;
• camada de decisão: relatório, documento do comitê, condições e aprovação final responsável; e
• camada de aprendizagem: resultados realizados, erros, exceções e remediação.

Inventário de modelos e uso pretendido

Os Padrões de Gestão de Modelos do CBUAE definem expectativas em governança, dados, desenvolvimento, validação, implementação e uso [6]. A SR 26-2 do Federal Reserve substituiu a SR 11-7 em abril de 2026 e enfatiza uma abordagem baseada em risco adaptada ao perfil de modelos, porte e complexidade da organização [14]. A SS1/23 atual da PRA estabelece cinco princípios que abrangem identificação e classificação, governança, desenvolvimento e uso, validação independente e mitigantes dentro do escopo bancário declarado [15].

O inventário de avaliação deve incluir componentes estatísticos, financeiros, baseados em regras e generativos. Um algoritmo de classificação por comparáveis pode influenciar materialmente o valor mesmo que não calcule o número final. Uma planilha com macros baseadas em julgamento pode ser um modelo. Um fornecedor API permanece dentro do perímetro de governança do usuário.

AI generativa como camada de interface

AI generativa pode consultar o registro de evidências, redigir resumos comparáveis, explicar diferenças entre cenários e criar seções de documentos para o comitê. Deve recuperar informações de fontes controladas e citar o registro subjacente. Cálculos determinísticos devem ser executados em código controlado ou modelos financeiros. O modelo de linguagem não deve ser o único calculador de valores materiais, probabilidades ou covenants.

O Perfil de AI Generativa do NIST identifica riscos como confabulação, privacidade de dados, integridade da informação e configuração humano-AI [8]. Um design seguro restringe as ferramentas, os domínios de dados, o esquema de saída e as permissões do modelo. Ele registra prompts, evidências recuperadas e saídas quando legal e operacionalmente apropriado. Declarações materiais exigem verificação das fontes.

Modelagem de cenários

Cenários são estados coerentes

Uma análise de sensibilidade altera uma variável de entrada enquanto mantém as demais constantes. Um cenário descreve um estado coerente no qual vários direcionadores se movem juntos e podem acionar ações da administração. Uma distribuição de probabilidade descreve um conjunto mais amplo de resultados sob uma estrutura estocástica definida. Essas ferramentas respondem a perguntas diferentes.

Para um incorporador, uma absorção mais lenta pode coincidir com incentivos maiores, recebimentos de caixa menores, financiamento de construção mais longo e uma saída mais tardia. Para um family office, múltiplos de saída menores podem coincidir com lucros mais fracos, liquidez atrasada e um ambiente de câmbio ou taxas de juros alterado. Análises de sensibilidade independentes de uma única variável podem subestimar essas dependências.

Mapa de direcionadores

O motor de cenários deve começar com vínculos causais e contratuais que a gestão possa revisar.

O modelo deve impedir combinações internamente inconsistentes, a menos que o objetivo seja testar uma dislocação extrema. Um cenário de vendas rápidas com cortes severos de preço pode ser válido. Ele precisa de uma premissa explícita de elasticidade. Um cenário de taxas baixas com uma taxa de desconto mais alta pode ser válido se os prêmios de risco aumentarem. Ele precisa da decomposição.

Protocolo de construção de cenários

1. Definir a decisão, o horizonte e a data de avaliação.
2. Selecionar direcionadores econômicos e contratuais materiais.
3. Estabelecer um cenário central usando evidências aprovadas.
4. Definir estados alternativos com movimentos coerentes dos direcionadores.
5. Adicionar ações da administração com alçada, custo e prazo de implementação.
6. Calcular fluxos de caixa, financiamento, covenants e valores terminais.
7. Conciliar os resultados com evidências de mercado e de custos.
8. Atribuir probabilidades apenas quando a governança e as evidências as sustentarem.
9. Reportar casos não ponderados quando as probabilidades criariam falsa precisão.
10. Registrar os limiares de ação acionados por cada estado.

Geração de cenários com suporte do AI

AI pode examinar comunicados oficiais, evidências de mercado, relatórios operacionais e contratos para propor direcionadores de risco. Pode agrupar estados históricos e buscar dependências omitidas. Pode gerar narrativas candidatas e questionar premissas. Os cenários candidatos permanecem propostas até que um responsável os aprove.

O sistema deve distinguir:

• estado observado: apoiado por evidências datadas;
• cenário da gestão: plano ou orçamento aprovado;
• cenário de participante de mercado: premissas consistentes com a base definida;
• cenário de estresse: deliberadamente severo, mas coerente;
• estresse reverso: situação que viola um limite de valor, liquidez ou covenant; e
• cenário exploratório: possibilidade com baixa evidência, mantida para discussão estratégica.

As probabilidades não devem ser geradas a partir da fluência de modelos de linguagem. Elas exigem uma base estatística, de mercado ou de governança declarada.

Validação, Incerteza e Abstenção

A validação é um questionamento independente

A validação deve abranger conceito, dados, implementação, desempenho, uso e reporte. A independência deve ser proporcional à materialidade. O revisor precisa de autoridade, competência e acesso suficientes para questionar o modelo e restringir o uso.

Medidas de erro

O erro absoluto médio é interpretável em unidades monetárias. O erro percentual absoluto mediano reduz a influência de erros percentuais extremos. A raiz do erro quadrático médio penaliza grandes desvios. A correlação de postos pode testar o desempenho da triagem. Os testes de calibração verificam se os intervalos declarados contêm resultados realizados na frequência esperada. Nenhuma medida isolada é suficiente.

Kok, Koponen e Martinez-Barbosa relataram um erro absoluto de 9 por cento para seu modelo automatizado em uma amostra definida de ativos multifamiliares dos EUA [22]. O resultado é evidência relevante de que um AVM pode superar benchmarks de avaliação selecionados em um contexto específico. Não deve ser transferido para projetos de desenvolvimento GCC, empresas privadas ou todos os segmentos imobiliários sem nova validação.

Intervalos de previsão

As estimativas pontuais ocultam a incerteza. A predição conformal pode criar intervalos de previsão sem suposição de distribuição, com cobertura marginal de amostra finita sob suas premissas, usando um conjunto de calibração em torno de um modelo preditivo escolhido [21]. A cobertura pode se deteriorar sob mudança de distribuição, e a cobertura marginal não garante cobertura igualmente forte para cada subgrupo ou ativo.

Um relatório institucional deve mostrar:

• indicação central;
• faixa de avaliação aprovada;
• intervalo de previsão estatística quando aplicável;
• faixa de cenários;
• insumos não observáveis relevantes;
• dispersão de comparáveis;
• status fora da distribuição; e
• limiar de decisão.

Matriz de abstenção

O motor deve retornar avaliação manual necessária quando as evidências ou a adequação do modelo ficarem fora de sua aprovação.

O modelo operacional antes e depois

Fluxo de trabalho fragmentado atual

Muitos processos de avaliação distribuem o trabalho entre e-mail, pastas, planilhas, relatórios em PDF e bases de dados de mercado. Os analistas redigitam informações, reconstroem tabelas de comparáveis, alteram datas manualmente e rastreiam números depois que um revisor faz uma pergunta. O mesmo trabalho é repetido para monitoramento, documentos para o comitê e materiais para credores. O controle depende da disciplina individual com arquivos.

Fluxo de trabalho alvo controlado

O processo-alvo desloca o tempo do especialista da recuperação e reformatação para decisões de perímetro, contestação de evidências, ajuste, desenho de cenários e conclusão. Essa mudança deve ser medida por meio de resultados aceitos, e não de rascunhos brutos.

Dois exemplos ilustrativos hipotéticos

Cenário A: decisão de desenvolvimento

Exemplo ilustrativo Um desenvolvedor UAE/GCC está avaliando um projeto de uso misto. Todos os números, datas e resultados nesta subseção são premissas gerenciais não verificadas criadas para demonstrar a estrutura. Eles não constituem uma avaliação, previsão ou recomendação de transação.

A receita bruta de desenvolvimento central é AED 1.125 billion antes de incentivos, cancelamentos, impostos, taxas e outros ajustes. O cenário de baixa combina preço mais baixo, absorção mais lenta, escalada de custos e financiamento mais longo. O cenário de alta combina preço mais forte, absorção mais rápida e menor duração do financiamento. As dependências impedem que o modelo trate cada direcionador como uma sensibilidade isolada.

O módulo de comparáveis pesquisa evidências oficiais e de fornecedores aprovados para transações de terrenos, unidades e ativos concluídos. Ele mantém o universo completo de candidatos e depois filtra por localização, uso, status, data e tipo de transação. O revisor aprova ajustes para plano de pagamento, vista, especificação, fase de conclusão, titularidade e condições de compra em bloco. O módulo de cenários então converte preço e absorção em recebimentos, financiamento de construção, uso de dívida e necessidades de capital próprio.

Os limites de decisão podem incluir capital próprio máximo no pico, cobertura mínima de juros, folga de covenant e retorno mínimo no cenário de baixa. O modelo deve mostrar qual premissa primeiro causa uma violação. AI pode elaborar a explicação da variação. As autoridades financeiras e de investimento aprovam o cenário, o tratamento do financiamento e a decisão.

Cenário B: decisão sobre ativo privado

Exemplo ilustrativo Um family office está avaliando um investimento minoritário em uma empresa operacional privada. Todos os números, datas e resultados nesta subseção são premissas não verificadas da administração. Eles não constituem uma avaliação, recomendação de alocação ou retorno esperado.

O mecanismo de comparáveis filtra transações de empresas listadas e não listadas por modelo de negócios, geografia, crescimento, qualidade da receita, margem, porte, direitos de garantia e data. Ele mostra o efeito de cada exclusão e ajuste. A abordagem de renda usa uma projeção baseada em direcionadores. O mecanismo de cenários combina desempenho operacional, necessidade de capital, diluição, momento da saída e múltiplo de mercado.

O resultado decisório do family office acrescenta aderência ao mandato, reserva de liquidez, concentração, direitos de governança, direitos de informação e capacidade de follow-on. Um valor de empresa defensável não estabelece adequação ao portfólio. O comitê de investimentos aprova a alocação e as condições.

Limite das evidências dos cenários

As entradas dos cenários não têm validação observada. Seus valores não devem aparecer em marketing, alegações de marketing, estudos de caso ou atribuição de desempenho. Receita atribuída Matchpoint ou receita de cliente, redução de custos em caixa, redução de perdas e alfa desses cenários permanecem USD 0.

Produtividade e receita

Unidade de produtividade

A unidade de produtividade deve ser um resultado aceito e pronto para decisão. Textos preliminares, documentos recuperados, comparáveis gerados e execuções de modelos são trabalho intermediário. Um rascunho mais rápido que gera custo adicional de revisão ou erro não é ganho de produtividade.

Evidências externas de produtividade

Brynjolfsson, Li e Raymond estudaram uma implantação escalonada com 5.172 agentes de suporte ao cliente e relataram um aumento médio de 15% nos problemas resolvidos por hora, com efeitos heterogêneos [23]. O estudo experimental de Noy e Zhang sobre tarefas de escrita profissional constatou tempos de conclusão mais curtos e maior qualidade do resultado em seu desenho [24]. Dell'Acqua e coautores estudaram 758 consultores e relataram ganhos para tarefas dentro da fronteira de capacidade AI testada, com desempenho mais fraco em uma tarefa fora dessa fronteira [25].

Esses estudos fornecem evidências credíveis de que AI generativa pode melhorar tarefas selecionadas de trabalho do conhecimento. Eles não estabelecem uma taxa de produtividade da avaliação. A avaliação envolve evidências, padrões profissionais, modelos, consequências e revisão diferentes. A produtividade de Matchpoint e do cliente deve ser medida em um piloto controlado.

Ponte ilustrativa de caso de negócio não verificada

Exemplo ilustrativo Suponha que uma equipe conclua 20 pacotes de avaliação ou monitoramento aceitos por mês. Suponha que um piloto controlado reduza o tempo humano mediano de 24 horas para 18 horas, enquanto as medidas de aceitação, correção material e erro permaneçam dentro dos limites aprovados. A capacidade liberada ilustrativa é de 120 horas por mês. Este é um cálculo de planejamento, não um resultado observado de Matchpoint ou do cliente.

A capacidade liberada pode ser usada para maior cobertura, decisões mais rápidas, contestação de maior qualidade ou trabalho para clientes. A receita surge somente se a capacidade der suporte a um contrato de prestação de serviços assinado, um entregável aceito e um honorário recebido. Uma fórmula de receita pode ser escrita como:

Receita recebida = entregáveis pagos e aceitos × preço aprovado × taxa de recebimento - reembolsos e créditos

Cada termo precisa de evidência observada. Até que essa evidência seja aprovada, a receita recebida atribuída permanece USD 0.

Arquitetura de receita por público

Para incorporadores, um serviço pode incluir um diagnóstico de evidências e avaliação, pacote de cenários de estrutura de capital, dossiê para credor ou investidor, correção de modelos e atualização monitorada de cenários. Para family offices, pode incluir revisão de avaliação de ativos privados, contestação das marcações da carteira, pacote de cenários de liquidez, subscrição de transações e monitoramento contínuo. Os termos comerciais exigem aprovação separada e documentação do contrato de prestação de serviços.

O site e o artigo de pesquisa devem descrever capacidades e controles. Alegações de resultados específicas de clientes exigem evidência observada, aprovação e divulgação adequada.

Modos de falha e respostas de controle

Falha de dados

Evidências desatualizadas, duplicadas, relatadas seletivamente ou normalizadas incorretamente podem dominar a qualidade do modelo. Um modelo de maior capacidade pode reproduzir defeitos de dados com mais consistência. Os controles incluem prioridade de fonte, datas de vigência, verificações de completude, validação de unidades, sinalizadores de relacionamento, detecção de duplicatas, reconciliação e amostragem por revisores.

Falha na seleção de comparáveis

Algoritmos de similaridade podem aprender variáveis proxy que parecem estatisticamente úteis e são economicamente inadequadas. Analistas também podem selecionar comparáveis de forma tendenciosa. Os controles incluem um universo definido por escrito, critérios rígidos de elegibilidade, registro completo de exclusões, revisão de atributos, métodos alternativos de classificação e desempenho fora da amostra.

Falha de previsão e de cenários

Cenários podem ocultar dependências inconsistentes, contar riscos em duplicidade, aplicar probabilidades sem evidência ou ignorar restrições de financiamento. Os controles incluem um grafo de direcionadores, reconciliação contábil e de caixa, lógica de ações da administração, estresse reverso e contestação independente.

Viés de automação

Uma narrativa refinada e números precisos podem aumentar a confiança do usuário. O relatório deve distinguir visivelmente evidência observada, estimativas de modelo, premissas da administração, overlays e cenários não verificados. Os revisores devem ver divergências do modelo e evidências faltantes antes da conclusão.

Deriva de modelo

Regimes de mercado, cobertura de dados, incentivos e composição de ativos mudam. O monitoramento deve testar a distribuição das entradas, o erro, a cobertura do intervalo, a taxa de intervenção manual, a ausência de dados e o desempenho por segmento. A violação de um limite deve acionar restrição, recalibração, redesenvolvimento ou desativação.

Falha cibernética, de privacidade e de fornecedores

Os sistemas de avaliação podem conter dados financeiros, de titularidade, imobiliários e de transações confidenciais. Os controles incluem acesso mínimo, criptografia, análise de região e de retenção, diligência sobre fornecedores, resposta a incidentes, permissões de prompts e ferramentas, filtragem de resultados, backup e capacidade de exportação. Um serviço de fornecedor não deve se tornar o único repositório de evidências.

Governança e critérios de liberação

Governar, Mapear, Medir e Gerenciar

O AI RMF do NIST organiza o trabalho de risco de AI em quatro funções [7]. Aplicado à avaliação:

• Governar: definir responsabilização, política, inventário, apetite a risco e escalonamento.
• Mapear: definir a decisão, os usuários, o sujeito, o contexto, os danos e as dependências.
• Medir: testar dados, modelo, incerteza, segurança, explicabilidade e uso humano.
• Gerenciar: aprovar, restringir, monitorar, remediar, comunicar e desativar.

A ISO/IEC 42001 especifica requisitos para um sistema de gestão de AI e dá suporte a uma estrutura organizacional mais ampla para o desenvolvimento e o uso responsáveis [16]. A adoção ou a certificação não deve ser apresentada como prova de que uma avaliação específica está correta.

Pontos de controle de liberação

A aprovação pode restringir o modelo a um mercado, tipo de ativo, intervalo de tempo, faixa de valor ou uso. Um piloto bem-sucedido sustenta apenas o perímetro testado.

Roteiro de adoção de 90 dias

Dias 0-15: perímetro e inventário

• selecione um piloto delimitado ou um caso de uso;
• documente finalidade, base, data, usuários e direitos de decisão;
• faça o inventário de dados, modelos, planilhas e fornecedores existentes;
• mapear dados confidenciais e acessos;
• definir medidas de aceitação, erro e produtividade; e
• registrar a linha de base atual.

Ponto de decisão: instrução aprovada, responsável, linha de base e plano de acesso a dados.

Dias 16 a 30: registro de evidências

• criar a hierarquia de fontes e o dicionário de dados;
• incorporar uma captura de evidências datada;
• criar campos de proveniência, transformação e exclusão;
• testar completude, unidades, duplicatas e vazamento;
• definir a revisão de extração AI; e
• preparar um conjunto representativo de casos.

Ponto de decisão: as evidências podem ser rastreadas da fonte até o campo normalizado.

Dias 31 a 45: protótipo de comparáveis e cenários

• implementar regras de elegibilidade e de ranking;
• desenvolver métodos de benchmark transparentes;
• adicionar alternativas ajustadas por características;
• criar o grafo de direcionadores de cenário;
• definir a lógica de abstenção e de substituição; e
• produzir resultados preliminares vinculados às fontes.

Ponto de decisão: toda conclusão pode ser reproduzida e contestada.

Dias 46-60: validação independente

• testar conceito, dados, código e resultados;
• executar testes de desempenho sensíveis ao tempo e por segmento;
• testar intervalos de previsão e sinalizadores de fora da distribuição;
• revisar explicações e casos adversos;
• testar segurança, acesso e contingência de fornecedores; e
• corrigir constatações.

Ponto de decisão: nenhuma constatação crítica em aberto; restrições aprovadas registradas.

Dias 61-75: operação em modo sombra

• executar os processos novos e atuais em paralelo;
• capturar dados de tempo, aceitação, correção e exceção;
• comparar as decisões do modelo e dos revisores;
• registrar o motivo e o resultado da substituição da decisão;
• testar o reporte ao comitê; e
• refinar os limites.

Ponto de decisão: as evidências apoiam o uso controlado dentro do perímetro declarado.

Dias 76-90: liberação controlada

• aprovar permissões de modelo, de dados e de usuário;
• treinar usuários e revisores;
• ativar o fluxo de trabalho de monitoramento e de incidentes;
• definir processos de mudança e de desativação;
• liberar apenas o caso de uso aprovado; e
• agendar a revisão pós-implementação.

Ponto de decisão: a autoridade responsável assina a liberação e as limitações.

Registro de Alegações e Limitações

Alegações permitidas

As evidências sustentam as seguintes alegações delimitadas:

• AI e o aprendizado de máquina podem apoiar a extração de evidências, a análise de comparáveis, a modelagem e a produção de cenários.
• As normas oficiais de avaliação exigem escopo definido, dados apropriados, método, julgamento, documentação e relatórios [1-5].
• Estruturas de risco de modelo enfatizam inventário, governança, validação, monitoramento e controle [6-8,14-16].
• Estudos primários demonstram melhoria de produtividade em tarefas selecionadas de suporte ao cliente, redação e consultoria [23-25].
• Um estudo de AVM para imóveis comerciais relatou desempenho de erro favorável em sua amostra específica de imóveis multifamiliares nos EUA [22].
• Dados oficiais de Dubai melhoram o acesso a observações de mercado selecionadas [11-12].

Alegações não sustentadas

As evidências não estabelecem que:

• um resultado do AI seja uma avaliação ou uma decisão de investimento;
• um único modelo seja preciso em todos os GCC ativos e regimes;
• mais dados eliminam a necessidade de julgamento;
• a explicação comprove causalidade ou equidade;
• uma estimativa pontual é mais útil para a decisão do que um intervalo;
• percentuais externos de produtividade aplicam-se à avaliação;
• produção mais rápida gera receita recebida; ou
• gerou Matchpoint ou receita de clientes, economia de caixa, redução de perdas ou alfa.

Limitações empíricas

Não foi fornecido Matchpoint nem conjunto de dados piloto de cliente, resultados de avaliação realizados, estudo de tempo, série de erros, registro de aceitação ou evidência de receita. Os casos ilustrativos e os cenários não são casos observados. O artigo, portanto, propõe um sistema e um protocolo de teste. Não relata o desempenho de um modelo em produção.

Limitações regulatórias e profissionais

Requisitos contábeis, de avaliação, de valores mobiliários, de concessão de crédito, de dados, AI e profissionais variam conforme a entidade, o ativo, a jurisdição, a instrução e a data. Os materiais citados da SEC, do Federal Reserve e da PRA têm escopos institucionais definidos. Eles são usados como evidência de controle comparativa fora desses escopos, não como declarações de obrigação legal universal.

Limitações técnicas

O desempenho do modelo depende da cobertura das fontes, da codificação, do design de atributos, do regime, do objeto e do uso pretendido. Os intervalos de predição dependem de seu método e de suas premissas. Modelos generativos podem produzir conteúdo sem suporte. Modelos de fornecedores podem mudar. O sistema em produção precisa de controle de versão, validação, monitoramento, controles de acesso e fallback.

Limitações comerciais

Nenhuma previsão de demanda, precificação, conversão ou recebimento foi aprovada. O empacotamento de serviços e as taxas exigem aprovação da CK e termos de contratação do cliente. Receita atribuída, redução de custos em caixa, redução de perdas e alfa permanecem USD 0.

Conclusão

A avaliação aumentada por AI deve ser concebida como um sistema de evidências para decisão. O sistema começa com propósito, direitos, base, data e autoridade. Ele armazena evidências de mercado e operacionais com proveniência. Mantém visíveis o universo de comparáveis, a elegibilidade, o ranking, os ajustes e as exclusões. Combina métodos transparentes de avaliação com suporte computacional limitado. Modela cenários coerentes e ações da administração. Reporta incerteza e se abstém fora do perímetro aprovado. Atribui autoridade final a humanos responsáveis.

Para CIOs de family office e responsáveis por investimentos alternativos, o sistema pode aumentar a consistência e a cobertura das decisões sobre ativos privados, preservando a revisão de mandato, liquidez e concentração. Para UAE/GCC incorporadores imobiliários e sponsors financeiros, ele pode conectar evidências de mercado, premissas de desenvolvimento, estrutura de capital e limites de decisão em um único processo governado. Em ambos os casos, a produtividade deve ser medida por meio de resultados aceitos, e o valor atribuído, por meio de evidências comerciais observadas e aprovadas.

A disciplina central de implementação é a rastreabilidade. Um revisor deve conseguir passar da conclusão para o método, a premissa, a transformação e a fonte datada. Um comitê deve conseguir ver incerteza, dependência de cenário e divergência entre modelos antes de aprovar uma ação. Um resultado futuro deve atualizar o modelo e o registro de controle. É assim que AI pode multiplicar a cobertura analítica sem obscurecer o julgamento de avaliação.

Referências

[1] Fundação IFRS. IFRS 13 Mensuração do Valor Justo. Normas emitidas, edição de 2024. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/

[2] Conselho Internacional de Normas de Avaliação. Nova edição das Normas Internacionais de Avaliação publicada. 31 de janeiro de 2024; em vigor a partir de 31 de janeiro de 2025. https://ivsc.org/new-edition-of-the-international-valuation-standards-ivs-published/

[3] Conselho Internacional de Avaliação de Private Equity e Capital de Risco. Diretrizes Internacionais de Avaliação de Private Equity e Capital de Risco. 2025. https://www.privateequityvaluation.com/Valuation-Guidelines

[4] Royal Institution of Chartered Surveyors. Modelos automatizados de avaliação. Artigo de insights, 2022. https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models

[5] Royal Institution of Chartered Surveyors. Avaliações para concessão de crédito bancário e valor para concessão de crédito hipotecário, 2ª edição. Dezembro de 2025. https://www.rics.org/content/dam/ricsglobal/documents/standards/Bank-lending-valuations-and-MLV_2nd-edition_Dec2025.pdf

[6] Banco Central dos UAE. Normas de Gestão de Modelos. Aviso 5052/2022. https://www.centralbank.ae/en/rulebook/banking/risk-management/risk-management/model-management-standards/

[7] Instituto Nacional de Padrões e Tecnologia. Estrutura de Gestão de Riscos de Inteligência Artificial (AI RMF 1.0). NIST AI 100-1, janeiro de 2023. https://www.nist.gov/itl/ai-risk-management-framework

[8] Instituto Nacional de Padrões e Tecnologia. Estrutura de Gestão de Riscos de Inteligência Artificial: Perfil de Inteligência Artificial Generativa. NIST AI 600-1, julho de 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[9] Autoridade de Serviços Financeiros de Dubai. Nova pesquisa da DFSA sobre AI: a adoção de AI generativa quase triplicou no DIFC; a governança continua a se desenvolver. 2025. https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop

[10] Organização Internacional das Comissões de Valores Mobiliários. Inteligência Artificial nos Mercados de Capitais: Casos de Uso, Riscos e Desafios. 2025. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[11] Departamento de Terras de Dubai. Dados imobiliários: dados abertos. Acessado em 1º de agosto de 2026. https://dubailand.gov.ae/en/open-data/real-estate-data/

[12] Departamento de Terras de Dubai. As transações imobiliárias de Dubai aumentam 31% e atingem AED 252 billion no 1º trimestre de 2026. 2026. https://dubailand.gov.ae/en/news-media/dubai-s-real-estate-transactions-surge-31-to-reach-aed-252-billion-in-q1-2026/

[13] Comissão de Valores Mobiliários dos Estados Unidos. Determinações de Boa-Fé do Valor Justo: Guia de Conformidade para Entidades de Pequeno Porte. 2020. https://www.sec.gov/resources-small-businesses/small-business-compliance-guides/good-faith-determinations-fair-value-small-entity-compliance-guide

[14] Conselho de Governadores do Sistema da Reserva Federal. SR 26-2: Orientação Revisada sobre Gestão de Risco de Modelos. 17 de abril de 2026. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[15] Banco da Inglaterra, Autoridade de Regulação Prudencial. SS1/23: Princípios de gestão de risco de modelos para bancos. Versão atual, abril de 2026. https://www.bankofengland.co.uk/prudential-regulation/publication/2023/may/model-risk-management-principles-for-banks-ss

[16] Organização Internacional de Normalização. ISO/IEC 42001:2023, Tecnologia da informação - Inteligência artificial - Sistema de gestão. 2023. https://www.iso.org/standard/42001

[17] Rosen, S. Preços hedônicos e mercados implícitos: diferenciação de produto em concorrência pura. Journal of Political Economy, 82(1), 34-55, 1974. https://doi.org/10.1086/260169

[18] Breiman, L. Florestas aleatórias. Machine Learning, 45, 5-32, 2001. https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf

[19] Friedman, J. H. Aproximação gulosa de funções: uma máquina de boosting de gradiente. Annals of Statistics, 29(5), 1189-1232, 2001. https://doi.org/10.1214/aos/1013203451

[20] Lundberg, S. M., e Lee, S.-I. Uma abordagem unificada para interpretar previsões de modelos. Avanços em Sistemas de Processamento de Informação Neural 30, 2017. https://arxiv.org/abs/1705.07874

[21] Angelopoulos, A. N., e Bates, S. Uma introdução acessível à predição conformal e à quantificação de incerteza livre de distribuição. 2021. https://arxiv.org/abs/2107.07511

[22] Kok, N., Koponen, E.-L., e Martinez-Barbosa, C. A. Big Data no setor imobiliário? Da avaliação manual à avaliação automatizada. Revista de Gestão de Portfólio, 43(6), 202-211, 2017. https://doi.org/10.3905/jpm.2017.43.6.202

[23] Brynjolfsson, E., Li, D., e Raymond, L. AI generativa no trabalho. Revista Trimestral de Economia, 140(2), 889-942, 2025. https://doi.org/10.1093/qje/qjae044

[24] Noy, S., e Zhang, W. Evidência experimental sobre os efeitos da inteligência artificial generativa na produtividade. Science, 381(6654), 187-192, 2023. https://doi.org/10.1126/science.adh2586

[25] Dell'Acqua, F., McFowland, E. III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., e Lakhani, K. R. Navegando a fronteira tecnológica irregular: evidência experimental de campo dos efeitos de AI sobre a produtividade e a qualidade dos trabalhadores do conhecimento. Organization Science, 2026. https://doi.org/10.1287/orsc.2025.21838

Apêndice A. Registro mínimo de evidências de avaliação

Apêndice B. Lista de verificação de revisão de comparáveis

• A participação objeto e a unidade de conta estão definidas?
• A data de avaliação é aplicada na consulta de evidências?
• O universo completo de candidatos é mantido?
• As regras rígidas de elegibilidade são escritas antes do ranking?
• Cada comparável excluído tem um motivo codificado?
• Os termos da transação e os direitos de garantia são normalizados?
• Os ajustes de tempo, tamanho, qualidade, direitos e financiamento são evidenciados?
• O modelo evita informações futuras e vazamento da variável-alvo?
• Os erros são reportados por segmento relevante e período?
• O objeto está dentro da distribuição de dados validada?
• As indicações de método são conciliadas em vez de serem calculadas por média mecânica?
• Os ajustes do revisor, motivos e valores anteriores são mantidos?
• O relatório mostra dispersão, incerteza e limitações?

Apêndice C. Lista de verificação de cenários e liberação

• A decisão e o horizonte estão definidos?
• Os cenários central, de baixa, de alta e de estresse reverso estão coerentes?
• As dependências entre os direcionadores estão documentadas?
• As ações de gestão têm alçada, custo e prazo atribuídos?
• Os fluxos de caixa, de financiamento, fiscais e contábeis estão reconciliados?
• As probabilidades estão embasadas ou foram omitidas?
• Os limiares de decisão e os direcionadores da primeira violação estão visíveis?
• A validação independente abrangeu dados, método, código e uso?
• Estão aprovados o acesso, a confidencialidade, o registro em log e o plano de contingência de fornecedores?
• As regras de abstenção e restrição estão ativas?
• Os usuários estão treinados sobre os limites do modelo e o viés de automação?
• O monitoramento está ativo para deriva, erros, substituições manuais e incidentes?
• A decisão final é de responsabilidade de uma pessoa autorizada?

Apêndice D. Glossário

Abstenção: um resultado controlado que suspende uma conclusão automatizada e encaminha o caso para revisão manual.

Modelo de avaliação automatizado: um sistema matemático ou estatístico que estima o valor a partir de dados imobiliários ou de mercado com um grau definido de automação.

Base de valor: as premissas fundamentais de mensuração sob as quais um valor é estimado.

Calibração: ajuste de um modelo para que seu resultado seja consistente com evidências observadas relevantes, incluindo o preço da transação quando apropriado.

Comparável: uma transação, instrumento ou ativo observado usado para embasar o valor após a análise de sua relevância e das diferenças.

Predição conformal: uma família de métodos que constrói conjuntos ou intervalos de previsão usando dados de calibração e propriedades de cobertura definidas.

Registro de evidências: um registro versionado que vincula cada entrada relevante à sua fonte, data, transformação, revisor e uso no resultado.

Explicabilidade: informações que descrevem como as entradas influenciaram a saída de um modelo; por si só, não estabelecem correção nem causalidade.

Risco de modelo: consequência adversa potencial de decisões baseadas em modelos incorretos, mal utilizados ou mal controlados.

Fora da distribuição: um sujeito ou entrada materialmente fora da população representada no desenvolvimento e na validação do modelo.

Intervalo de previsão: um intervalo projetado para conter um resultado futuro ou não observado em um nível de cobertura declarado, sob as premissas do método.

Cenário: um conjunto coerente de premissas econômicas, operacionais e de financiamento interligadas, usado para avaliar um resultado ou uma decisão.

Sensibilidade: o efeito de alterar uma ou mais premissas, muitas vezes sem afirmar um estado completo do mundo.

Ajuste de avaliação: um ajuste humano documentado aplicado à indicação de um modelo ou método para evidências ou riscos não capturados adequadamente.