AI Evidências de aumento de margem: o que um comprador pode capitalizar na avaliação

1. Definir a decisão da transação

A análise deve começar pela decisão que está sendo tomada. Precificação de aquisição, preparação para venda, análise de razoabilidade, investimento em crescimento, subscrição de dívida e criação de valor pós-fusão exigem evidências e alocação de risco diferentes. A data de avaliação, o perímetro da transação, a mudança de propriedade, o horizonte de projeção, a estrutura de financiamento e a integração esperada devem ser explícitos.

A questão central é quanto caixa incremental, transferível e durável surge de fluxos de trabalho definidos e habilitados por AI, após todos os custos, riscos e respostas comerciais. Uma demonstração de modelo, a contagem de licenças de usuário ou a redução do tempo de tarefa não estabelecem, por si só, margem empresarial.

As evidências devem ser congeladas em uma data definida. Lacunas solucionáveis pertencem à diligência devida; a incerteza residual pertence a cenários, estrutura, retenções, covenants ou preço. Resultados observados, iniciativas aprovadas e casos de uso aspiracionais devem permanecer separados.

2. Estabelecer o perímetro econômico e de controle

O perímetro deve identificar as unidades de negócio, entidades legais, fluxos de trabalho, produtos, geografias, funcionários, fornecedores, dados, modelos, software, infraestrutura e contratos incluídos no incremento alegado. Serviços compartilhados e acordos com partes relacionadas exigem alocação transparente.

O controle é importante. A empresa-alvo pode ser proprietária de código e dados, licenciar um modelo, consumir um serviço de software ou depender de um fundador, integrador ou sistema de cliente. Benefícios que exigem direitos não transferíveis ou acesso informal podem desaparecer após o fechamento.

O perímetro econômico deve reconciliar receita, mão de obra, prestadores de serviços, nuvem, licenças, implementação, dados, governança, segurança, conformidade, remediação, capital de giro e despesas de capital. Economias fora do perímetro adquirido não devem entrar no valor da empresa-alvo sem um mecanismo exigível.

3. Construir o registro de evidências de valor de AI

Tabela 1. Registro de evidências de margem de AI

Cada alegação de valor deve estar vinculada a uma linha de base controlada, registro operacional, responsável e consequência de caixa.

O livro-razão deve preservar origem, definição, unidade, período, população, versão e aprovador. As correções devem manter o registro original. As estimativas da administração devem ser identificadas nos papéis de trabalho da transação, mesmo quando os relatórios voltados ao leitor usarem descrições de cenário em linguagem simples.

O comprador deve poder selecionar um ajuste de avaliação e rastreá-lo retroativamente por meio de caixa, resultado operacional, intervenção, linha de base e dados subjacentes. Links quebrados devem entrar no cenário negativo.

4. Defina o fluxo de trabalho habilitado por AI

O fluxo de trabalho deve ser descrito antes do modelo. Entradas, decisões, saídas, controles, transferências, exceções, efeitos para o cliente e funções responsáveis determinam se uma capacidade técnica altera a economia da empresa.

Os casos de uso podem incluir suporte ao cliente, assistência a vendas, programação, processamento de documentos, previsão, detecção de fraudes, manutenção, controle de qualidade, precificação e design de produto. Cada um tem requisitos diferentes de latência, precisão, revisão humana, responsabilidade e adoção.

O comprador deve identificar a etapa limitante. A redação mais rápida tem valor limitado quando aprovação, aquisição de clientes ou implementação continua sendo o gargalo. O valor segue o fluxo de trabalho ponta a ponta, e não a tarefa isolada.

5. Congele o protocolo de linha de base

O protocolo deve ser adaptado ao fluxo de trabalho, ao horizonte de decisão e ao contrafactual disponível.

A linha de base deve indicar o período, a população, o volume, o nível de serviço, a qualidade, o mix, o dimensionamento de pessoal, o custo, o preço, o sistema e os eventos excepcionais. Deve usar definições que possam ser reproduzidas a partir dos registros de origem.

Sazonalidade, crescimento, backlog, inflação, reestruturação e outras mudanças tecnológicas podem alterar as mesmas métricas. O protocolo deve definir ajustes antes da inspeção dos resultados. Um mês anterior conveniente raramente é um contrafactual suficiente.

A governança da linha de base deve identificar quem pode alterar definições e como as reapresentações são aprovadas. Mudanças nos sistemas de origem, reorganizações e regras de alocação revisadas podem fazer períodos posteriores parecerem melhores sem ganho operacional. O comprador deve manter tanto a linha de base reportada quanto uma versão normalizada para a transação, com uma ponte entre elas. As medidas financeiras devem reconciliar-se com as contas do razão relevantes; as medidas operacionais devem reconciliar-se com registros de eventos controlados. A amostragem pode ser proporcional para atividades de alto volume, sujeita a um desenho representativo e a testes de exceções.

Capacidade e qualidade devem compartilhar o mesmo limite. Se o tempo de atendimento da linha de base exclui pesquisa, escalonamento ou trabalho pós-atendimento, enquanto o período AI inclui apenas a etapa assistida pelo modelo, a comparação é enviesada. Efeitos de fila e de demanda também importam: um tempo de atendimento menor durante demanda fraca pode deixar a vazão inalterada. O protocolo deve, portanto, medir a conclusão ponta a ponta, o backlog, o nível de serviço e a utilização de recursos juntamente com o tempo de tarefa. Qualquer deterioração futura pressuposta da linha de base, como inflação salarial ou aumento de volume, deve permanecer como um direcionador de previsão, e não contaminar o ganho observado.

6. Selecione um método de identificação

Implantação aleatorizada, adoção faseada, controle pareado, diferenças em diferenças, séries temporais interrompidas e análise controlada antes e depois oferecem diferentes níveis de evidência causal. O método deve adequar-se às restrições operacionais e à qualidade dos dados.

O viés de seleção importa porque equipes mais fortes ou usuários mais entusiasmados costumam adotar primeiro. Comparar adotantes com não adotantes pode, portanto, atribuir diferenças de desempenho preexistentes a AI. Transbordamentos podem contaminar o grupo de controle quando usuários compartilham resultados ou práticas.

A análise deve reportar tamanho do efeito, incerteza, duração e população. Significância estatística não estabelece materialidade financeira, e uma estimativa material com identificação fraca deve receber uma faixa de avaliação maior.

A aleatorização pode ocorrer no nível de usuário, equipe, cliente, caso ou janela temporal. A unidade deve refletir transbordamento e independência operacional. A atribuição agrupada pode reduzir a contaminação e também reduzir o poder estatístico. A implantação faseada pode ser prática quando a capacidade de implementação é limitada, desde que o momento não seja selecionado pelo desempenho esperado. Diferenças em diferenças exigem evidência de que tratamento e controle teriam seguido tendências comparáveis na ausência da intervenção. Gráficos de estudo de evento podem expor tendências prévias e efeitos defasados.

A equipe de diligência devida deve inspecionar desgaste, registros ausentes, não adesão ao tratamento e mudanças na coleta de métricas. Estimativas de intenção de tratar medem o efeito de oferecer a ferramenta; estimativas de efeito do tratamento sobre os tratados exigem premissas mais fortes e podem ser úteis para um caso futuro de adoção. Múltiplos resultados e ajuste repetido do modelo aumentam a chance de resultados positivos seletivos. O relatório deve indicar medidas pré-especificadas, testes de sensibilidade e resultados negativos. Quando a identificação controlada é impossível, a triangulação entre tempo, equipes, sistemas, entrevistas e caixa fornece uma faixa de evidência mais honesta do que um único percentual preciso.

7. Separe a produtividade da tarefa da produtividade da empresa

O tempo de tarefa pode diminuir sem reduzir custos ou aumentar a receita. Os funcionários podem usar o tempo liberado para revisão, coordenação, atendimento ao cliente, aprendizado ou capacidade ociosa. O quadro de pessoal pode permanecer fixo enquanto o serviço melhora.

O estudo de campo do NBER sobre um assistente generativo para agentes de suporte ao cliente relatou um aumento médio de produtividade com heterogeneidade substancial por experiência. Trata-se de evidência para um fluxo de trabalho e contexto específicos. Não é uma premissa automática de margem para outra empresa.

O comprador deve mapear o ganho de tarefa por meio da vazão do fluxo de trabalho, do gargalo, da utilização, da decisão de capacidade e do caixa. O elo de conversão mais fraco limita o valor capitalizável.

A produtividade empresarial deve usar um denominador de produção que reflita o valor para o cliente ou para o negócio. Documentos produzidos, linhas de código ou contatos tentados podem aumentar enquanto entregas aceitas, conversão de clientes ou contribuição estagnam. A composição da produção deve ser controlada, pois trabalhos mais simples podem migrar para a população medida após a implantação. O comprador pode examinar distribuições, não apenas médias: variância, erros na cauda e escalonamento podem revelar custos ocultos pela velocidade média.

A capacidade liberada tem vários usos. Ela pode absorver crescimento sem contratações, reduzir horas extras ou prestadores de serviços, apoiar uma melhoria de serviço, encurtar o prazo de entrega, aumentar a atividade de vendas ou permitir redução de pessoal. Cada caminho tem prazo, custo e certeza diferentes. O modelo financeiro deve selecionar uma rota explícita por coorte e período. Também deve preservar a capacidade necessária para revisão, aprendizado, resiliência e picos de demanda. Quando a gestão planeja realocação, a atividade receptora deve ter demanda, responsabilização e contribuição mensurável; caso contrário, a economia permanece uma oportunidade operacional.

8. Meça a adoção por coorte

A adoção deve distinguir atribuição de licença, login, uso elegível, uso ativo, resultado aceito, uso em conformidade e integração sustentada ao fluxo de trabalho. Um único percentual agregado de usuários pode ocultar licenças inativas e usuários intensivos concentrados.

As coortes devem ser definidas por data de início, função, localização, gestor, desempenho de linha de base, fluxo de trabalho e versão do modelo. As curvas de retenção podem mostrar se a experimentação inicial se torna prática duradoura.

Os benefícios frequentemente variam conforme a experiência. O comprador deve evitar aplicar o resultado da coorte de novatos mais forte a todos os funcionários. Resultados ponderados por coorte devem usar a composição futura da força de trabalho.

9. Construa a curva de conversão da adoção em valor

Substitua a curva por usuários elegíveis observados, adoção sustentada, uso no fluxo de trabalho e conversão em caixa.

A curva de conversão deve reconciliar a população elegível com o uso ativo, integrado e gerador de caixa. As quedas podem surgir de acesso, confiança, treinamento, qualidade, latência, política, apoio do gestor ou incompatibilidade com o fluxo de trabalho.

A previsão de adoção deve usar taxas de transição observadas e intervenções planejadas. Uma mudança súbita para adoção total sem treinamento, redesenho de processos ou incentivos merece um cenário negativo explícito.

10. Defina a hierarquia de resultados

Os resultados devem ser classificados como insumo, atividade, resultado operacional, resultado do cliente e caixa. Licenças e prompts são insumos; tarefas concluídas e sugestões aceitas são atividade; tempo, erro e throughput são resultados operacionais; retenção e conversão são resultados do cliente; folha de pagamento, preço, volume e capital de giro chegam ao caixa.

Indicadores antecedentes podem apoiar a ação da gestão e não devem ser capitalizados como se o caixa já tivesse ocorrido. A ponte de avaliação deve declarar a premissa de conversão entre cada camada.

Qualidade e risco caminham lado a lado com a velocidade. Uma produção mais rápida que aumente correções, reclamações, retrabalho ou responsabilidade pode destruir o ganho aparente.

11. Reconcilie a ponte de economias

Os valores são ilustrativos; os ajustes da transação devem vir de registros operacionais e financeiros controlados.

A ponte deve começar pela capacidade de tarefas observada e deduzir gargalos, adoção incompleta, perda de qualidade, implementação e custo recorrente. Em seguida, deve identificar a ação aprovada que converte capacidade em caixa.

As economias não devem ser contadas duas vezes, tanto por redução do quadro de pessoal quanto por aumento da produção, a menos que o fluxo de trabalho sustente ambos. A ponte deve conciliar com a previsão financeira e a demonstração de fluxo de caixa.

A capacidade bruta de tarefas deve ser calculada a partir do volume elegível, da mudança de tempo observada e da conclusão ajustada pela qualidade. Deve excluir o trabalho que o modelo não consegue processar, os casos rejeitados pelos usuários e a capacidade consumida na preparação de prompts, revisão e remediação. A conversão do fluxo de trabalho então aplica a etapa restringida, a escala de pessoal, o nível de serviço, a demanda e a ação da gestão. A conversão financeira aplica a economia de salários, prestadores de serviço, fornecedores ou contribuição à taxa marginal real, em vez da receita média por funcionário.

A ponte deve conciliar período a período. A implementação pode criar uma queda inicial de produtividade enquanto ocorrem treinamento e integração. As economias podem crescer com a adoção e depois diminuir devido à concorrência ou à mudança de modelo. Indenizações rescisórias, rescisão de contratos, sistemas duplicados e medidas de retenção podem atrasar o payback. O comprador deve mostrar benefício bruto, custo, caixa líquido e investimento acumulado, juntamente com o ponto em que o programa passa a se autofinanciar. Isso evita que um run-rate em estado estacionário seja tratado como lucros correntes.

12. Distinga custo realizado, evitado e previsto

A redução de custo realizada aparece na folha de pagamento, nos registros de prestadores de serviço, fornecedores ou outros registros de caixa após a implementação. O custo evitado é um gasto futuro crível que a empresa não precisa mais. A economia prevista depende de uma ação que ainda não foi concluída.

A contratação evitada exige um plano de quadro de pessoal aprovado, previsão de demanda e evidência de que o serviço pode ser entregue sem a função. Uma vaga ou ambição da gestão não estabelece caixa evitado.

A avaliação deve dar o maior peso ao caixa recorrente realizado, depois ao custo evitado respaldado por evidências, e depois ao benefício previsto ajustado ao risco. O valor da opção deve ficar fora dos lucros-base, a menos que um método de transação o precifique explicitamente.

13. Testar a conversão da força de trabalho

A ponte da força de trabalho deve reconciliar a capacidade em equivalente a tempo integral, as funções reais, a rotatividade, as contratações, as rescisões, a realocação, as horas extras e os gastos com contratados. O redesenho organizacional e a consulta podem atrasar a conversão em caixa.

A transferência de conhecimento pode alterar a distribuição de desempenho. AI pode ajudar trabalhadores menos experientes a se aproximarem de pares mais fortes, ao mesmo tempo que oferece benefício limitado a especialistas. As previsões de força de trabalho devem manter os níveis necessários de revisão, escalonamento e expertise de domínio.

Relações com empregados, legislação trabalhista e efeitos de incentivos exigem revisão local. Premissas agressivas de economia podem prejudicar a adoção ou aumentar o risco de controle.

14. Preservar a qualidade e os resultados para o cliente

As medidas de qualidade devem ser definidas antes da implantação. Precisão, resolução no primeiro contato, defeitos, retrabalho, reclamações, churn, satisfação, segurança e exceções regulatórias podem anular o ganho de velocidade.

A revisão humana pode preservar a qualidade e reduzir a economia de tempo. A intensidade da revisão deve refletir o risco e o desempenho observado do modelo. Uma previsão não deve assumir, sem evidências, tanto automação total quanto custo de revisão inalterado.

A reação do cliente pode afetar a receita. Um atendimento mais rápido pode melhorar a retenção, enquanto saídas genéricas ou incorretas podem enfraquecer a confiança. Os resultados devem ser medidos por coorte e comparados com um controle confiável.

15. Atribuir o aumento de receita

As alegações de receita podem decorrer de maior capacidade de vendas, melhor segmentação, resposta mais rápida, maior conversão, precificação aprimorada, inovação de produto ou retenção. Cada via precisa de um vínculo controlado entre a intervenção, a ação do cliente e o caixa.

A atividade do pipeline não é receita. Leads, propostas e engajamento devem reconciliar com pedidos, entrega, faturas, recebimentos e margem incremental. A demanda existente e os incentivos de vendas podem confundir a atribuição.

A receita incremental deve usar a margem de contribuição após a execução dos pedidos, comissões, suporte, nuvem, reembolsos e capital de giro. Aplicar um múltiplo de receita ao pipeline bruto associado a AI pode superestimar materialmente o valor.

Experimentos de vendas devem controlar território, potencial da conta, representante, campanha, disponibilidade de produto e autoridade de precificação. A prospecção assistida por AI pode aumentar a atividade enquanto reduz a relevância ou a qualidade da marca. A pontuação de leads pode redirecionar o esforço para clientes que já provavelmente comprariam, melhorando a conversão medida sem criar demanda incremental. Grupos de holdout, recomendações aleatorizadas ou implantação faseada podem fortalecer a atribuição. Efeitos no nível do cliente devem ser revisados quanto à concentração; uma única renovação grande pode dominar um aumento aparente.

Casos de uso de precificação exigem cuidado adicional. Um preço realizado mais alto pode refletir mix, escassez, momento do contrato ou autoridade de desconto reduzida, e não um modelo. O comprador deve examinar preço, volume, churn, taxa de fechamento, custo de serviço e contribuição ao longo da vida em conjunto. Sistemas de recomendação podem deslocar a demanda entre os produtos da própria empresa-alvo, criando aumento bruto sem valor incremental para o grupo. A receita prevista também deve incluir o momento do ciclo de vendas e os recebimentos. Um pedido registrado que exige maior implementação ou tem direitos de cancelamento não deve receber o mesmo valor que a margem recorrente efetivamente recebida.

16. Testar o repasse competitivo

Um ganho de eficiência pode aumentar a margem, sustentar preços mais baixos, melhorar o serviço ou financiar novos recursos. O resultado depende da concorrência, do poder de barganha dos clientes, da renovação de contratos e da diferenciação.

Se os pares tiverem acesso a ferramentas semelhantes, parte das economias pode ser repassada aos clientes por meio de preço ou de nível de serviço exigido. O comprador deve submeter a teste de estresse preço, retenção e participação, em vez de assumir que todo o ganho de custo persiste em EBITDA.

A defensabilidade pode vir de dados proprietários, integração ao fluxo de trabalho, custo de troca, distribuição, marca, regulamentação, escala ou aprendizado. Uma licença de modelo disponível para concorrentes oferece uma vantagem competitiva defensável isolada limitada.

O repasse pode ocorrer por meio de licitações formais, renovação contratual, negociação com clientes ou um nível de serviço esperado mais alto. A velocidade depende da duração do contrato, da divulgação, da concentração de clientes e da visibilidade da estrutura de custos. Arranjos de custo mais margem podem repassar economias rapidamente; contratos de preço fixo podem reter o benefício até o reajuste de preços; mercados regulados ou sujeitos a benchmarking podem impor compartilhamento separado. O modelo comercial deve mapear o mecanismo, em vez de aplicar um decaimento genérico único.

Os concorrentes podem usar AI para reduzir preço, encurtar prazos de entrega, adicionar recursos ou mirar os mesmos clientes. A empresa-alvo pode reter valor reinvestindo parte da economia em diferenciação. Isso cria uma divisão deliberada entre margem e investimento em crescimento. Os casos do comprador devem comparar uma estratégia de colheita com uma estratégia de defender e crescer, incluindo a resposta dos clientes e o gasto necessário. Uma alegação de vantagem competitiva defensável deve ser testada por meio de direitos, singularidade dos dados, fluxo de trabalho incorporado, acúmulo de evidências e custo de troca. A escala por si só é fraca quando os custos de modelo e de dados caem amplamente em todo o mercado.

17. Construir a estrutura completa de custos de implementação

Tabela 2. Estrutura de custos de implementação e custos recorrentes de AI

Os custos devem ser alocados por fluxo de trabalho, fase e tratamento contábil.

Os custos de implementação devem incluir mão de obra interna e interrupção das operações. A capitalização do custo contábil não elimina o desembolso de caixa nem o risco de execução. Os gastos remanescentes devem estar vinculados a marcos e capacidade.

O custo da plataforma compartilhada exige uma alocação consistente com o uso esperado. Descontos de fornecedores, compromissos mínimos e câmbio podem alterar a economia unitária à medida que o volume muda.

18. Modelar a economia unitária recorrente

A economia recorrente deve medir o custo por resultado aceito, em conformidade e útil, e não apenas por token ou chamada de modelo. Resultados com falha, rejeitados e repetidos consomem recursos.

Licença, inferência, armazenamento, recuperação, dados, observabilidade, revisão humana, suporte e segurança podem escalar de forma diferente. Os preços podem mudar após períodos introdutórios ou renegociação com o fornecedor.

A economia unitária deve ser testada sob estresse para volume maior, contexto mais longo, substituição de modelo, requisitos de nível de serviço e residência de dados. As economias de custo devem resistir a termos plausíveis do fornecedor.

19. Governar dados, privacidade e propriedade intelectual

O comprador deve mapear origem dos dados, consentimento, finalidade, qualidade, acesso, retenção, transferência e exclusão. Dados sensíveis de clientes e funcionários e dados regulados podem restringir o uso e gerar custos de remediação.

Os direitos de treinamento, recuperação e saída devem ser revisados nos contratos de trabalho, de fornecedores, de código aberto, de clientes e de parceiros. A propriedade de código ou prompts não confere necessariamente direitos sobre os dados subjacentes ou o material gerado.

O risco de privacidade, confidencialidade e propriedade intelectual deve entrar tanto no fluxo de caixa quanto na proteção da transação. Compromissos não respaldados ou processamento ilícito podem prejudicar o caso de uso após o fechamento.

20. Aplicar disciplina contábil

O reconhecimento contábil e a avaliação estão relacionados, mas são distintos. A IAS 38 exige um recurso controlado identificável e critérios de reconhecimento para um ativo intangível. A configuração ou customização em uma contratação de nuvem pode permanecer como custo de serviço quando o cliente não controla um ativo.

O comprador deve conciliar desenvolvimento capitalizado, pesquisa levada a despesa, licenças, serviços pré-pagos, impairment e vida útil. A melhoria do EBITDA pode ser inflada pela classificação de custos sem alterar o caixa.

A contabilização da aquisição pode identificar ativos intangíveis de tecnologia, de clientes e outros, segundo as normas aplicáveis. A avaliação da transação deve evitar a dupla contagem do mesmo benefício tanto no caixa projetado quanto em um prêmio de ativo separado.

O trabalho de qualidade dos lucros deve conciliar o EBITDA reportado com o caixa e identificar onde aparecem custo de desenvolvimento, compromissos de nuvem, mão de obra interna e créditos de fornecedores. Uma empresa pode reportar EBITDA mais alto depois de capitalizar despesas de desenvolvimento elegíveis enquanto a saída de caixa aumenta. Por outro lado, o investimento lançado como despesa pode reduzir os lucros atuais enquanto sustenta o caixa futuro. O comprador deve normalizar com uma política consistente entre períodos históricos e projetados e preservar os requisitos contábeis aplicáveis.

A alocação do preço de compra e a avaliação da transação servem a propósitos diferentes. A tecnologia identificada pode ser avaliada pelos métodos de custo, de renda ou de mercado segundo o arcabouço de relatórios aplicável. As relações com clientes podem já refletir a retenção apoiada por AI em sua projeção. Os encargos de ativos contributórios e as vidas úteis devem evitar sobreposição. A análise de impairment após o fechamento pode expor um caso de negócio que dependia de adoção ou crescimento que não se materializa. O modelo da transação deve, portanto, manter as premissas que sustentam tanto o preço quanto os relatórios futuros, com governança para mudanças.

21. Estabelecer transferibilidade e controle

O valor é transferido quando o comprador obtém os direitos, sistemas, dados, pessoas, contratos e conhecimento operacional necessários para dar continuidade ao resultado. Conhecimento do fundador, acesso informal a fornecedores ou uma exceção específica de cliente podem ser frágeis.

A equipe de diligência devida deve identificar consentimento para mudança de controle, cessão de licença, portabilidade de dados, acesso ao modelo, código-fonte, documentação, pessoal-chave, subcontratados e assistência de saída. Um benefício dependente de infraestrutura retida pelo vendedor exige um arranjo de transição e custo.

A transferibilidade deve ser testada por meio de um exercício controlado de recuperação ou transferência, quando proporcional. O volume de documentação é evidência mais fraca do que a capacidade de uma equipe autorizada de operar e reproduzir resultados.

22. Validar modelos e controles de decisão

A validação deve abranger precisão, calibração, viés, robustez, deriva, explicabilidade quando exigido, adequação ao fluxo de trabalho, segurança e resultado financeiro. Deve usar dados e condições distintos dos de desenvolvimento.

O inventário de modelos deve identificar proprietário, finalidade, versão, dependência, dados, aprovação, limites e monitoramento. Artefatos de produção devem apontar para a versão aprovada. Substituições e exceções devem ser retidas.

A Estrutura de Gerenciamento de Riscos AI do NIST e a ISO/IEC 42001 fornecem conceitos de governança que podem orientar controles proporcionalizados. A conformidade com uma estrutura deve ser comprovada por meio da prática operacional, e não apenas por uma declaração de política.

A validação deve testar o sistema no fluxo de trabalho em que o valor é alegado. A precisão offline pode não capturar latência, falha de recuperação, interpretação do usuário, viés de automação ou interação com regras de aprovação. As populações de teste devem abranger casos normais, difíceis, de alto valor e de alto risco. Os limites de aceitação devem ser aprovados pelos responsáveis pelo negócio e pelo risco. Quando um modelo recomenda preço, crédito, emprego, segurança ou outra decisão com consequências relevantes, o padrão de governança e jurídico pode ser substancialmente mais elevado do que para assistência na redação.

O monitoramento deve combinar indicadores antecedentes e defasados. A deriva de entrada, a confiança, a rejeição, a substituição e a exceção podem sinalizar deterioração antes de surgir perda de caixa. Retrabalho, reclamação, resultado do cliente, violação de conformidade e margem realizada confirmam o efeito. Os limites devem acionar uma ação definida: revisão adicional, escopo reduzido, reversão, novo treinamento ou suspensão. A correção manual repetida pode revelar que a automação aparente continua dependente de trabalho especializado. A avaliação deve incluir esse trabalho e o ciclo de renovação esperado.

23. Teste a concentração de fornecedores e de infraestrutura

Fluxos de trabalho AI podem depender de provedores de modelos, nuvem, bancos de dados vetoriais, fornecedores de dados e parceiros de integração. Indisponibilidade, mudança de preço, política, descontinuação de modelo ou aquisição podem alterar a economia.

Os contratos devem definir serviço, segurança, uso de dados, propriedade intelectual, auditoria, responsabilidade, alteração, rescisão e transição. Os níveis mínimos de gasto e as faixas de volume devem conciliar com a previsão.

Os testes de substituição devem considerar qualidade da saída, latência, integração, novo treinamento, aprovações e obrigações com o cliente. Um segundo provedor nominal não é resiliência quando a troca exige meses de re-desenvolvimento.

24. Avalie a resiliência cibernética e operacional

Os vetores de ataque podem incluir injeção de prompt, vazamento de dados, recuperação envenenada, credenciais comprometidas, ferramentas maliciosas e integrações vulneráveis. Um sistema que atua sobre registros ou serviços externos pode criar perda operacional direta.

Os controles devem incluir identidade, privilégio mínimo, segmentação, tratamento de entradas e saídas, monitoramento, limites de taxa, aprovação de mudanças, backups, recuperação e resposta a incidentes. A aprovação humana deve corresponder à consequência potencial.

O custo da resiliência pertence ao modelo operacional. Seguros e responsabilidade de fornecedores podem deixar exclusões ou limites materiais; o comprador deve testar sob estresse a exposição residual de caixa.

25. Construa o teste de persistência

Substitua a curva ilustrativa por evidências observadas de caixa, adoção, modelo, clientes e custos.

A persistência deve ser testada em desempenho técnico, adoção, integração ao fluxo de trabalho, resposta dos clientes, concorrência, custo de fornecedores, regulação e capacidade organizacional. Um único fator de decaimento uniforme mascara causas diferentes.

Cada direcionador deve ter indicadores observáveis e um responsável. A projeção pode então ser atualizada à medida que as evidências amadurecem. O comprador deve evitar uma margem terminal que exceda a durabilidade sustentada por direitos e pela estrutura de mercado.

A persistência técnica deve ser medida pelo resultado empresarial, e não apenas por um conjunto de testes congelado. Populações de entrada, idioma, produtos e comportamento dos clientes podem mudar. Atualizações de modelo podem melhorar a qualidade média, ao mesmo tempo que alteram tom, latência, custo ou comportamento em casos extremos. Suítes de regressão devem incluir casos comercialmente relevantes e de alto risco. A persistência no fluxo de trabalho exige interfaces estáveis, aprovações, treinamento, suporte e reforço pelos gestores. O decaimento de coortes pode indicar que a ferramenta adiciona atrito ou que os primeiros usuários não eram representativos.

A persistência de caixa deve conciliar renovação, preço, custo e manutenção. Um benefício pode permanecer visível operacionalmente enquanto o custo do fornecedor aumenta ou os clientes capturam esse benefício. O modelo deve estimar o reinvestimento necessário para preservar dados, integrações, controles e competências. Os períodos de persistência devem estar alinhados com evidências contratuais e tecnológicas, e não com o horizonte padrão de projeção por convenção. A estrutura da transação pode responder a evidências que amadurecerão após o fechamento por meio de contraprestação escalonada ou covenants mensuráveis.

26. Separe a deriva do modelo do decaimento comercial

A deriva do modelo ocorre quando dados ou relações mudam e o desempenho técnico enfraquece. O decaimento comercial ocorre quando concorrentes imitam, clientes pressionam por preço, volumes mudam ou o fluxo de trabalho perde relevância estratégica.

Os remédios diferem. O retreinamento pode restaurar a precisão, mas não consegue restaurar um prêmio de preço perdido. As equipes de produto e comerciais devem, portanto, monitorar o valor juntamente com as métricas do modelo.

Cenários de avaliação devem distinguir degradação remediável, custo recorrente de renovação e erosão estrutural. Premissas terminais devem refletir o reinvestimento esperado necessário para sustentar a vantagem.

27. Teste as restrições de escala e integração

Um piloto pode operar com dados curados, usuários selecionados e suporte manual. A implantação corporativa introduz sistemas legados, casos extremos, carga de pico, jurisdição, controle de acesso e compromissos de serviço.

As evidências de escala devem incluir volume representativo, taxa de exceção, latência, disponibilidade, esforço de suporte, custo unitário e desempenho de controles. O sucesso do piloto não deve ser multiplicado pelo volume total da empresa sem esses testes.

A integração com sistemas financeiros, de clientes, de cadeia de suprimentos e operacionais pode criar valor e ao mesmo tempo aprisionamento. Interfaces remanescentes, remediação de dados e redesenho de processos devem entrar no custo e no prazo.

28. Separe o benefício autônomo da sinergia do comprador

O valor autônomo deve refletir a empresa-alvo sob a propriedade atual, com iniciativas defensáveis. A sinergia específica do comprador pode surgir de escala, dados, distribuição, compras, plataformas, acesso a clientes ou eliminação de duplicidades.

A avaliação deve evitar pagar ao vendedor por sinergia que somente o comprador pode criar, a menos que o processo competitivo ou a negociação exija compartilhamento. Custos, prazo e risco de execução devem acompanhar cada sinergia.

Dessinergias também devem ser modeladas. A integração pode interromper fluxos de trabalho, alterar licenças, exigir consentimentos, reduzir a adoção pelos funcionários ou criar restrições de dados.

29. Selecione o método de avaliação

O fluxo de caixa descontado pode modelar receita, custo, investimento, risco e valor terminal incrementais viabilizados por AI. Múltiplos de empresas comparáveis ou de transações podem fornecer uma referência cruzada de mercado e podem incorporar exposição e contabilização diferentes de AI.

Um método separado de ativo tecnológico pode ser útil quando os direitos e o caixa podem ser isolados. Abordagens de alívio de royalties, lucros excedentes, custo de reposição e opções exigem evidências específicas do método e não devem contar em dobro os benefícios previstos.

O método deve seguir a fonte econômica de valor. Um prêmio amplo por um rótulo AI é frágil quando caixa durável, direitos e diferenciação não são demonstrados.

O modelo de fluxo de caixa descontado deve construir valor por caso de uso ou fluxo de trabalho quando relevante, e então reconciliar com a previsão consolidada. Premissas de receita, custo, investimento, imposto, capital de giro e valor terminal devem compartilhar os mesmos direcionadores de adoção e persistência. Os cenários devem preservar dependências: maior uso pode aumentar tanto o benefício quanto o custo do modelo; automação mais rápida pode aumentar indenizações por desligamento e gastos com controle; uma resposta competitiva mais forte pode reduzir o preço enquanto eleva a inovação necessária.

Evidências de mercado devem ser normalizadas para crescimento, lucratividade, receita recorrente, concentração de clientes, intensidade de capital, contabilidade e modelo de negócios. Empresas descritas como negócios de AI podem deter tecnologia, revender infraestrutura, aplicar AI internamente ou simplesmente comercializar o rótulo. Prêmios de transação podem refletir escassez, controle estratégico ou competição no processo, em vez de margem reutilizável. Um comprador deve usar múltiplos de mercado como uma faixa de razoabilidade e explicar qualquer prêmio incremental por meio de caixa, direitos ou estrutura.

30. Construa o waterfall de avaliação do comprador

Os valores são ilustrativos; as deduções devem ser sustentadas por evidências da transação e cenários coerentes.

O waterfall deve começar pelo aumento de valor alegado e deduzir a linha de base não sustentada, a incerteza de atribuição, a adoção incompleta, a perda de qualidade, o custo do ciclo de vida, o repasse competitivo e o risco residual. O resultado deve reconciliar com os fluxos de caixa da avaliação.

Os ajustes devem evitar sobreposição. Um risco já modelado por meio de caixa menor não deve ser duplicado por uma redução idêntica de múltiplo, a menos que permaneça incerteza residual.

O waterfall deve ser construído para cada caso de uso relevante e depois consolidado. Um total de portfólio pode ocultar um fluxo de trabalho maduro gerador de caixa e vários pilotos especulativos. O custo compartilhado da plataforma deve ser alocado de forma consistente, enquanto riscos comuns, como um provedor de modelo ou uma fonte de dados, devem ser estressados em todos os casos de uso dependentes. A ponte deve mostrar separadamente os períodos observado, run-rate e projetado. Um run-rate deve exigir ações concluídas, capacidade atual e evidência de que o período é representativo.

Os ajustes do comprador também podem ser positivos quando a diligência devida encontra capacidade subutilizada com demanda verificada e um plano de conversão financiado. Esse valor permanece como projeção até que a adoção e o caixa sejam observados. O relatório deve indicar a evidência necessária para liberação para o valor base, o responsável e a data de revisão esperada. Isso cria um caso de subscrição vivo que pode apoiar a governança de integração, cálculos de earn-out e revisão futura de impairment.

31. Construa casos coerentes de cenário negativo

O cenário negativo deve combinar eventos causalmente relacionados. Menor adoção pode reduzir o custo de licença e de computação enquanto atrasa a ação de força de trabalho. O baixo desempenho do modelo pode aumentar o custo de revisão e enfraquecer os resultados dos clientes ao mesmo tempo.

Os cenários devem estressar benefício, prazo, implementação, custo recorrente, preço do fornecedor, regulação, concorrência, qualidade e remediação. A liquidez deve cobrir o caminho ao longo de um lançamento malsucedido ou atrasado.

Os casos da administração devem ser comparados com faixas observadas e evidências independentes. Um caso ponderado por probabilidade não deve implicar precisão não sustentada pelos direcionadores subjacentes.

O desenho do cenário negativo deve começar pelos modos de falha. Direitos de dados podem restringir o fluxo de trabalho; uma mudança de modelo pode reduzir a qualidade; um fornecedor pode aumentar o preço; usuários podem rejeitar a ferramenta; reguladores ou clientes podem exigir revisão; a integração pode atrasar; a ação de força de trabalho pode custar mais; e concorrentes podem repassar ganhos ao preço. Cada modo de falha deve ser mapeado para os casos de uso afetados, o prazo, o caixa, a remediação e o controle. A diversificação do portfólio entre vários casos de uso deve refletir fornecedores, dados, capacidade de mudança e governança compartilhados.

A análise de liquidez deve incluir licenças comprometidas, mínimos de nuvem, prestadores de serviços contratados, remediação, verbas rescisórias, sistemas duplicados e efeitos no capital de giro. Uma iniciativa fracassada pode preservar o custo de pessoal enquanto mantém compromissos de tecnologia. A recuperação pode exigir uma substituição de modelo ou uma reversão do fluxo de trabalho que, por si só, custa caixa e interrompe o serviço. O comprador deve identificar pontos de decisão em que o investimento possa ser interrompido, redirecionado ou expandido. Essa flexibilidade operacional real pode reduzir o downside quando contratos e arquitetura a sustentam; não deve ser presumida onde os compromissos são fixos.

32. Proteja o valor terminal

O valor terminal deve pressupor investimento contínuo em modelos, dados, integração, segurança, competências e conformidade. Uma margem viabilizada por AI não pode persistir indefinidamente sem renovação quando a tecnologia e a concorrência mudam.

O comprador deve distinguir a capacidade durável do fluxo de trabalho de uma versão específica do modelo. Portabilidade, direitos de dados e aprendizado organizacional podem sobreviver à troca de fornecedor; uma vantagem temporária de modelo pode não sobreviver.

As premissas de saída devem considerar se outro comprador consegue reproduzir o caixa e obter os direitos necessários. Prêmios estratégicos não sustentados devem permanecer fora do valor base.

33. Use a estrutura da transação para tratar lacunas de evidência

Mecanismos de earn-out, retenções, contraprestação escalonada, declarações e garantias, indenizações, depósitos em garantia e covenants podem alocar incerteza específica. As métricas devem ser definidas a partir de registros controlados e resistentes à manipulação após o fechamento.

Um earn-out baseado na receita bruta pode recompensar descontos ou crescimento de custos. Uma medida de margem ou de caixa pode ser afetada pela alocação de integração. O contrato deve definir perímetro, contabilização, investimento, controle de gestão e resolução de disputas.

A estrutura não deve substituir a diligência devida sobre legalidade, segurança, direitos sobre dados ou viabilidade fundamental. Algumas lacunas exigem remediação antes do fechamento.

34. Prepare a solicitação de diligência devida

A solicitação deve abranger mapas de fluxo de trabalho, casos de negócio, dados de linha de base, registros de implantação, inventário de modelos, validação, usuários, adoção, resultados, qualidade, força de trabalho, clientes, fornecedores, custos, incidentes, resultados financeiros e previsões.

As amostras devem incluir períodos bem-sucedidos, fracos, de exceção e com falha. Os registros nativos devem ser preservados. As demonstrações curadas devem ser reconciliadas com os logs de produção e com o caixa.

As entrevistas devem incluir responsáveis por fluxos de trabalho, usuários, finanças, tecnologia, segurança, jurídico, compliance, RH, vendas e clientes, quando permitido. Definições inconsistentes devem ser resolvidas antes da avaliação.

35. Crie a sala de dados do comprador

Tabela 3. Sala de dados para diligência devida de margem habilitada por AI

A completude deve ser testada em relação ao perímetro da transação e à data de avaliação.

O data room deve preservar os arquivos nativos, os proprietários, as datas e o histórico de versões. Os resumos devem remeter aos registros de origem. O acesso deve proteger informações pessoais, confidenciais e regulamentadas.

Um revisor independente deve reproduzir afirmações selecionadas a partir dos dados brutos do fluxo de trabalho até a consequência financeira. As lacunas devem entrar no preço, na condição ou na estrutura.

36. Classificar ajustes do comprador

Tabela 4. Tratamento do comprador das alegações de valor habilitadas por AI

O tratamento depende de evidências, transferibilidade e durabilidade, e não do rótulo atribuído à iniciativa.

A classificação deve ser consistente entre a avaliação, a revisão de qualidade dos lucros e os documentos da transação. Reclassificar uma projeção como run-rate não deve alterar os requisitos de evidência.

O comprador deve documentar cada ajuste, responsável, fonte, sensibilidade e tratamento. Isso cria uma ponte defensável da diligência devida ao preço.

37. Desenhar relatórios para o conselho e de integração

O reporte deve conectar fluxo de trabalho, adoção, qualidade, cliente, custo e caixa. As métricas precisam de definições estáveis, datas de corte e reconciliação com as contas. Coortes e versões de modelos devem permanecer visíveis.

O conselho deve ver a concentração por caso de uso, fornecedor, fonte de dados, cliente e direcionador de valor. Também deve ver incidentes, sobrescritas, deriva, custo residual de implementação e benefícios que permanecem apenas projetados.

O reporte de integração deve preservar a linha de base original e identificar separadamente as ações do comprador. Isso possibilita uma análise justa de earn-out, sinergias e desempenho pós-fechamento.

38. Identificar sinais de alerta

Sinais de alerta incluem um percentual alegado sem linha de base, back-tests com visão retrospectiva perfeita, usuários selecionados, qualidade ausente, capacidade bruta tratada como caixa, mão de obra interna omitida, custo capitalizado apresentado como economia e margem terminal sem reinvestimento.

Outros sinais incluem licenças não transferíveis, direitos de dados frágeis, alterações de modelo não registradas, concentração de fornecedores, marketing de AI sem comprovação, incidentes não resolvidos e previsões que excedem a adoção observada.

Um sinal de alerta é um ponto de atenção para a diligência devida. Seu efeito na avaliação depende de evidências, materialidade, remediação e estrutura.

39. Execute um plano de 100 dias do comprador

Tabela 5. Plano de 100 dias para verificação da margem AI

A sequência deve refletir o timing da transação, o risco, as lacunas de evidência e as dependências de integração.

O primeiro mês deve reconciliar definições, sistemas, contratos, registros operacionais e caixa. Lacunas imediatas nas áreas jurídica, de segurança, de clientes e de controles têm prioridade.

A segunda fase deve reproduzir resultados representativos e quantificar a ponte de avaliação. A fase final deve implementar as ações aprovadas com responsáveis, financiamento, linhas de base e monitoramento.

40. Conclusão

A margem habilitada por AI deve ser avaliada por meio de evidências do fluxo de trabalho ao caixa. Um caso crível congela a linha de base, identifica causalidade, mede adoção e qualidade, converte capacidade por meio de uma ação aprovada e inclui o custo total do ciclo de vida.

A produtividade das tarefas é um insumo para o valor da empresa. Gargalos, ação da força de trabalho, resposta dos clientes, concorrência, desempenho do modelo, direitos e governança determinam o montante que chega à margem durável.

O caixa recorrente observado pode sustentar a avaliação-base quando é transferível e persiste. Custo evitado, iniciativas comprometidas e valor de opção exigem ajuste de risco progressivamente mais forte. Sinergia específica do comprador pertence a um caso separado.

O padrão prático é a reprodutibilidade. Um revisor independente deve conseguir selecionar um benefício alegado, recriar a linha de base, identificar a intervenção, medir o resultado, inspecionar a adoção e a qualidade, reconciliar o custo e rastrear o resultado líquido até o caixa.

Evidências fortes podem sustentar precificação eficiente e estrutura direcionada. Evidências fracas devem reduzir o valor, aumentar a proteção ou adiar o reconhecimento. Essa disciplina permite que compradores e vendedores discutam AI com base na realidade operacional e financeira, e não em rótulos.

O arcabouço deve ser aplicado de forma proporcional. Um pequeno assistente interno com baixa consequência precisa de menos controles do que um fluxo de trabalho autônomo de atendimento ao cliente, precificação ou crédito. A materialidade depende de exposição a caixa, clientes, segurança, questões legais e reputação. Trabalho proporcional ainda exige uma linha de base clara, custo total e um responsável final. Sofisticação na arquitetura do modelo não compensa evidência operacional fraca.

À medida que o negócio amadurece, o comprador pode substituir premissas amplas por adoção por coorte, resultados controlados, custo unitário, comportamento do cliente e caixa. Isso melhora a alocação de capital entre casos de uso. Programas que não atendem aos marcos de evidência podem ser reformulados ou interrompidos; fluxos de trabalho mais fortes podem receber financiamento e prioridade de integração. A disciplina resultante trata AI como um portfólio operacional cujo valor é conquistado por meio de execução repetível.

Para os comitês de transação, o resultado final deve ser uma ponte curta entre a alegação da administração e o tratamento dado pelo comprador, apoiada por um pacote de evidências auditável. Deve indicar o que está realizado, o que permanece dependente de ação da administração, quais benefícios são transferidos, que reinvestimento os sustenta e como o risco de queda é protegido. Essa ponte pode fluir de forma consistente para a qualidade dos lucros, a diligência devida comercial, a diligência devida de tecnologia, a revisão jurídica, a avaliação, o financiamento e os documentos da transação. A consistência entre essas frentes de trabalho é, por si só, um controle: um benefício não deve aparecer como comprovado na avaliação enquanto permanece não resolvido em tecnologia, contratos ou planos operacionais.

O registro resultante também deve identificar o responsável final, a data de revisão e a atualização de evidências necessária antes da assinatura, da conclusão e de cada revisão de valor pós-fechamento.

Referências

1. Banco de Compensações Internacionais, adoção de AI, produtividade e emprego: evidências de empresas europeias, https://www.bis.org/publications/working-paper-1325-ai-adoption-productivity-and-employment-evidence-european-firms
2. OCDE, Milagre ou mito? Avaliando os ganhos de produtividade macroeconômica da inteligência artificial, https://www.oecd.org/en/publications/miracle-or-myth-assessing-the-macroeconomic-productivity-gains-from-artificial-intelligence_b524a072-en.html
3. OCDE, O impacto da inteligência artificial na produtividade, distribuição e crescimento, https://www.oecd.org/en/publications/the-impact-of-artificial-intelligence-on-productivity-distribution-and-growth_8d900037-en.html
4. OCDE, Ganhos de produtividade macroeconômica da inteligência artificial nas economias do G7, https://www.oecd.org/en/publications/macroeconomic-productivity-gains-from-artificial-intelligence-in-g7-economies_a5319ab5-en.html
5. Eurostat, O uso de tecnologias de inteligência artificial na União Europeia: principais resultados, edição de 2026, https://ec.europa.eu/eurostat/web/products-statistical-reports/w/ks-01-26-009
6. Eurostat, Uso de inteligência artificial nas empresas, https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises
7. Brynjolfsson, Li e Raymond, AI generativa no trabalho, Documento de Trabalho 31161 do NBER, https://www.nber.org/papers/w31161
8. NBER, Medindo o impacto na produtividade da AI generativa, https://www.nber.org/digest/20236/measuring-productivity-impact-generative-ai
9. Noy e Zhang, Evidências experimentais sobre os efeitos de produtividade da inteligência artificial generativa, Science, https://www.science.org/doi/10.1126/science.adh2586
10. Departamento do Censo dos Estados Unidos, Pesquisa de Tendências e Perspectivas Empresariais, https://www.census.gov/hfp/btos/data_downloads
11. Instituto Stanford para AI Centrada nas Pessoas, Relatório do Índice AI 2026, https://hai.stanford.edu/ai-index/2026-ai-index-report
12. Comissão de Valores Mobiliários dos Estados Unidos, Declarações na Mesa-Redonda da SEC sobre Inteligência Artificial no Setor Financeiro, https://www.sec.gov/newsroom/speeches-statements/uyeda-ai-roundtable-032725
13. Comissão de Valores Mobiliários dos Estados Unidos, Declarações da Comissária Crenshaw na Mesa-Redonda sobre AI, https://www.sec.gov/newsroom/speeches-statements/crenshaw-remarks-ai-roundtable-032725
14. Comissão Federal de Comércio dos Estados Unidos, Mantenha suas alegações sobre AI sob controle, https://www.ftc.gov/business-guidance/blog/2023/02/keep-your-ai-claims-check
15. Comissão Federal de Comércio dos Estados Unidos, empresas AI: cumpram seus compromissos de privacidade e confidencialidade, https://www.ftc.gov/policy/advocacy-research/tech-at-ftc/2024/01/ai-companies-uphold-your-privacy-confidentiality-commitments
16. Instituto Nacional de Padrões e Tecnologia dos Estados Unidos, Estrutura de Gestão de Riscos de Inteligência Artificial, https://www.nist.gov/itl/ai-risk-management-framework
17. União Europeia, Regulamento (UE) 2024/1689 que estabelece regras harmonizadas sobre inteligência artificial, https://eur-lex.europa.eu/eli/reg/2024/1689/oj
18. Escritório do Comissário de Informação do Reino Unido, Orientação sobre AI e proteção de dados, https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/guidance-on-ai-and-data-protection/
19. Autoridade da Concorrência e dos Mercados do Reino Unido, relatório de atualização sobre modelos de base AI, https://www.gov.uk/government/publications/ai-foundation-models-update-report
20. Fundação IFRS, projeto de Ativos Intangíveis, https://www.ifrs.org/projects/work-plan/intangible-assets/
21. Fundação IFRS, Custos de Configuração ou Personalização em um Contrato de Computação em Nuvem, https://www.ifrs.org/projects/completed-projects/2021/configuration-or-customisation-costs-in-a-cloud-computing-arrangement-ias-38/
22. Fundação IFRS, IFRS 3 Combinações de Negócios, https://www.ifrs.org/issued-standards/list-of-standards/ifrs-3-business-combinations/
23. Fundação IFRS, IFRS 13 Mensuração do Valor Justo, https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
24. Fundação IFRS, IAS 36 — Redução ao Valor Recuperável de Ativos, https://www.ifrs.org/issued-standards/list-of-standards/ias-36-impairment-of-assets/
25. Organização Internacional de Normalização, ISO/IEC 42001 Sistemas de gestão de inteligência artificial, https://www.iso.org/standard/81230.html
26. Conselho Internacional de Normas de Avaliação, Normas Internacionais de Avaliação, https://ivsc.org/standards/