Evaluare augmentată cu AI: de la analiza comparabilă la modelarea scenariilor

Introducere

Evaluarea este un proces bazat pe dovezi și judecată. Tranzacțiile comparabile, multiplii de tranzacționare, previziunile operaționale, ratele de actualizare și ipotezele de scenariu devin utile doar atunci când sunt legate de un activ definit, o dată de evaluare, o unitate de cont, un scop și o perspectivă a participantului la piață. Inteligența artificială poate accelera colectarea dovezilor, normalizarea, filtrarea comparabilelor, rularea modelului, analiza de sensibilitate și producerea de narațiuni. Nu poate decide perimetrul juridic al activului, nu poate face dovezile slabe fiabile, nu poate elimina incertitudinea de piață și nu poate prelua autoritatea evaluatorului responsabil.

Această lucrare abordează Evaluare augmentată cu AI: de la analiza comparabilă la modelarea scenariilor pentru două Matchpoint Partners audiențe țintă. CIO ai family office-urilor și șefi ai investițiilor alternative includ profesioniști în investiții din family office-uri cu o singură familie, family office-uri cu mai multe familii, firme de management al averii private, bănci private și manageri de active externi din GCC, Regatul Unit, Elveția, Singapore și Uniunea Europeană. UAE/GCC Dezvoltatori imobiliari și sponsori financiari includ fondatori, directori executivi, directori financiari și echipe de piețe de capital care atrag datorie, finanțare mezzanine sau capital propriu în joint venture și monetizează active. Echipele au nevoie de decizii consecvente privind portofoliul și tranzacțiile, pe baza dovezilor publice și private. Echipele au nevoie de valori defendabile pentru atragerea de capital, decizii de dezvoltare, refinanțare, joint venture-uri și vânzări de active.

Întrebarea fundamentală este: cum poate o organizație să multiplice productivitatea evaluării și acoperirea deciziilor, păstrând în același timp calitatea dovezilor, incertitudinea, judecata profesională și responsabilitatea? Răspunsul este un sistem de evaluare guvernat. Acesta separă dovezile sursă de transformări, screeningul comparabilelor de ajustare, estimările punctuale de distribuțiile de scenarii, rezultatul modelului de autoritatea decizională și productivitatea măsurată de valoarea comercială atribuită.

IFRS 13 definește valoarea justă ca preț de ieșire într-o tranzacție ordonată între participanții pe piață la data măsurării. Acesta impune tehnici de evaluare adecvate circumstanțelor, maximizarea datelor de intrare observabile și minimizarea datelor de intrare neobservabile [1]. Standardele internaționale de evaluare în vigoare de la 31 ianuarie 2025 conțin standarde dedicate pentru date și date de intrare, modele de evaluare, documentare și raportare [2]. Ghidurile de evaluare IPEV 2025 aplică această disciplină a valorii juste capitalului privat [3]. RICS descrie modelele de evaluare automate ca un spectru care poate sprijini sau face parte dintr-un proces de evaluare, implicarea profesională depinzând de scop, piață, date și risc [4-5].

Aceste cerințe sprijină augmentarea, cu condiția ca fiecare transformare semnificativă să rămână verificabilă. Un motor de comparabile poate găsi rapid candidați. Evaluatorul trebuie totuși să stabilească de ce fiecare tranzacție este relevantă, ce ajustări sunt justificabile și dacă intervalul rezultat reflectă activul subiect. Un motor de prognoză poate calcula sute de cazuri. Factorul de decizie trebuie totuși să aprobe stările economice, dependențele, acțiunile conducerii și tratamentul probabilităților. Un model lingvistic poate redacta un memorandum. Acesta are în continuare nevoie de un pachet de dovezi controlat și de aprobare umană.

Dovezile regionale se extind. Dubai Land Department oferă date imobiliare deschise care acoperă tranzacții, chirii, proiecte și evaluări [11]. Acesta a raportat 60.303 tranzacții imobiliare cu o valoare de AED 252 billion în primul trimestru al anului 2026 [12]. Aceste date îmbunătățesc observabilitatea pieței pentru anumite întrebări. Ele nu fac fiecare activ omogen, nu elimină efectele părților afiliate, nu identifică fiecare termen comercial și nu stabilesc o valoare fără ajustare.

Adoptarea AI modifică, de asemenea, perimetrul de control. Standardele de management al modelelor ale Băncii Centrale a UAE impun guvernanță, date trasabile, dezvoltare documentată, aprobare, validare independentă și monitorizare continuă pentru modelele utilizate în luarea deciziilor [6]. DFSA a raportat în 2025 că 52 la sută dintre cele 661 de firme autorizate care au răspuns sondajului său utilizau activ AI; maturitatea guvernanței varia, iar 21 la sută erau raportate ca lipsite de responsabilitate clară [9]. Cadrul de management al riscului AI al NIST organizează controalele în jurul funcțiilor Guvernare, Mapare, Măsurare și Gestionare [7-8]. Orientările revizuite ale Federal Reserve din aprilie 2026 privind riscul de model și declarația de supraveghere a PRA din aprilie 2026 consolidează inventarul bazat pe risc, guvernanța, dezvoltarea, validarea, monitorizarea și măsurile de atenuare în cadrul domeniilor lor bancare [14-15].

Contribuția este un sistem practic care oferă:

• un perimetru de evaluare definit pentru decizii;
• un registru de dovezi și o trasabilitate de la sursă la rezultat;
• un protocol de selecție și ajustare a comparabilelor;
• o arhitectură hibridă de modelare care combină metode transparente cu învățarea automată;
• un motor de scenarii guvernat;
• mecanisme de validare, incertitudine și abținere;
• două exemple ilustrative ipotetice;
• o punte de productivitate și venituri condiționată de dovezi; și
• o foaie de parcurs de adoptare pe nouăzeci de zile.

Analiza examinează studii academice primare, standarde oficiale, publicații ale autorităților de reglementare și surse oficiale de date de piață disponibile până la 1 august 2026. Aplicabilitatea de reglementare și contabilă depinde de entitate, jurisdicție, scop, client, activ și baza de raportare. Studiile empirice sunt raportate în cadrul eșantioanelor studiate. Nu au fost furnizate Matchpoint observate aprobate sau dovezi ale clientului pentru venituri, reducerea costurilor în numerar, reducerea pierderilor sau alpha. Respectivele valori atribuite rămân USD 0.

Perimetrul de evaluare

Scopul precede metoda

Un proces de evaluare ar trebui să înceapă cu o instrucțiune semnată, nu cu alegerea unui model. Instrucțiunea ar trebui să precizeze interesul supus evaluării, drepturile juridice și economice, unitatea de cont, data evaluării, moneda, scopul, baza valorii, utilizatorii vizați, restricțiile, ipotezele semnificative și standardul de raportare. O participație, o proprietate, un proiect de dezvoltare, un instrument de datorie, un interes într-un fond și o afacere operațională pot necesita dovezi diferite chiar dacă un tablou de bord le prezintă într-un singur portofoliu.

Cadrul de evaluare la valoarea justă din IFRS 13 este specific măsurărilor cerute sau permise de alte standarde IFRS [1]. El nu creează o cerință generală de a evalua la valoarea justă fiecare decizie. Regula 2a-5 a SEC abordează determinările de valoare justă cu bună-credință de către societățile de investiții înregistrate și societățile de dezvoltare a afacerilor din Statele Unite [13]. Cadrul său reprezintă dovezi comparative utile pentru evaluarea riscurilor, selectarea metodologiei, testare, servicii de stabilire a prețurilor, supraveghere și evidențe. Aplicabilitatea sa juridică este limitată la domeniul de aplicare declarat.

Prețul, valoarea și decizia sunt rezultate separate

Un preț observat înregistrează o tranzacție în condițiile sale reale. O evaluare estimează o bază definită la o anumită dată. O decizie de investiție compară distribuția estimată a rezultatelor cu mandatul, lichiditatea, riscul, alternativele și randamentul cerut. Un preț poate fi un punct de date valid și o comparabilă nepotrivită. O estimare a valorii juste poate fi justificabilă și neatrăgătoare pentru un anumit family office. Valoarea terenului unui dezvoltator poate diferi în baza ipotezei unei piețe ordonate cu participanți de piață și a unui plan strategic specific sponsorului financiar.

Prin urmare, sistemul ar trebui să păstreze trei rezultate:

1. Rezultat privind dovezile: tranzacții verificate, cotații, chirii, costuri, rate și observații operaționale.
2. Rezultat de evaluare: indicații specifice metodei, intervale, ponderi, ajustări și concluzie.
3. Rezultat decizional: acțiune aprobată, limite, condiții, termene și responsabilul desemnat.

Separarea împiedică modelul să transforme în mod silențios o previziune într-o recomandare de investiții sau într-un angajament de finanțare.

și drepturi de decizie

Consilierul poate structura dovezi, modele și opțiuni. Decizia aparține organismului autorizat al clientului. Termenii mandatului ar trebui să precizeze scopul evaluării, accesul la date, încrederea acordată, limitările, conflictele și fluxul de aprobare.

Ce impun standardele în vigoare

Dovezi de piață și tehnică calibrată

IFRS 13 recunoaște abordările de piață, prin venit și prin cost și permite una sau mai multe tehnici [1]. Tehnica trebuie să fie adecvată circumstanțelor și susținută de date suficiente. Datele de intrare ar trebui să maximizeze evidența observabilă relevantă. Un model utilizat pentru evaluarea unei date de intrare neobservabile la recunoașterea inițială ar trebui să fie calibrat astfel încât să fie în concordanță cu prețul tranzacției atunci când acel preț reprezintă valoarea justă. Tehnicile ar trebui aplicate în mod consecvent, iar o modificare poate fi adecvată atunci când produce o măsurare la fel de reprezentativă sau mai reprezentativă pentru valoarea justă.

Aceasta creează un test pentru utilizarea AI. Mai multe variabile, un calcul mai rapid sau o eroare in-sample mai mică nu stabilesc o evaluare mai reprezentativă. Echipa are nevoie de dovezi că tehnica se potrivește subiectului, pieței, datei și utilizării preconizate.

Date, model, documentație și raportare

IVS, în vigoare de la 31 ianuarie 2025, a introdus o structură revizuită a standardelor generale, incluzând IVS 104 Date și date de intrare, IVS 105 Modele de evaluare și IVS 106 Documentație și raportare [2]. Structura susține o viziune asupra ciclului de viață:

• definirea sferei și a bazei;
• identificarea surselor și evaluarea datelor;
• selectarea și aplicarea modelelor;
• exercitarea raționamentului profesional;
• păstrarea documentației semnificative; și
• raportarea unei concluzii cu ipoteze și limitări.

Ghidurile IPEV 2025 oferă bune practici actuale pentru capitalul privat [3]. Piețele private necesită frecvent date de intrare neobservabile, calibrare, luarea în considerare a performanței companiei, dovezi de piață și raționament. AI poate îmbunătăți consecvența și acoperirea. Opacitatea unui model sau eticheta unui furnizor nu pot elimina cerința de a înțelege factorii semnificativi care stau la baza concluziei.

Modele automatizate de evaluare

RICS tratează AVM-urile ca un spectru, nu ca un singur produs [4]. La un capăt, un model poate furniza o estimare automatizată fără intervenție profesională specifică cazului. La celălalt, analitica susține o evaluare profesională. Ghidul RICS pentru creditarea bancară precizează că un AVM poate fi adecvat atunci când proprietatea este suficient de uniformă, piețele sunt active și datele sunt adecvate, sub rezerva validării și a instrucțiunii convenite [5]. Proprietățile unice, în dezvoltare, specializate sau cu tranzacționare redusă necesită o revizuire mai riguroasă, specifică cazului.

Implicația pentru control este o taxonomie pe trei niveluri:

Materialele de marketing ar trebui să descrie nivelul real. Un memorandum asistat de AI nu ar trebui prezentat ca evaluare profesională independentă, cu excepția cazului în care mandatul, standardul, competența și aprobarea susțin această descriere.

Registrul dovezilor de evaluare

Obiecte de dovezi

Un proces supus guvernanței stochează dovezile ca obiecte structurate și datate. Un număr dintr-o foaie de calcul ar trebui să își păstreze sursa, data observării, data efectivă, moneda, unitatea, zona geografică, atributele activului, starea tranzacției, starea relației, nivelul de încredere, transformările și revizorul.

Serviciul de date deschise al Dubai Land Department este o sursă oficială pentru anumite câmpuri de tranzacții, chirii, proiecte și evaluare [11]. Setul de date trebuie profilat înainte de utilizare: câmpurile lipsă, duplicatele, modificările de codificare, tipul de tranzacție, convențiile privind unitățile, geografia și decalajele temporale pot afecta rezultatele. Existența unui câmp nu demonstrează că acesta este complet sau comparabil economic.

Trasabilitatea sursă-rezultat

Fiecare rezultat semnificativ trebuie să fie reproductibil prin cinci legături:

1. fișierul sursă, înregistrarea sau endpoint-ul;
2. instantaneu de ingestie imuabil;
3. codul de transformare și versiunea;
4. versiunea modelului și a parametrilor; și
5. celula din raport, graficul sau paragraful.

Registrul probelor ar trebui să înregistreze modificările manuale separat de valorile sursă. Dacă un analist exclude o tranzacție, modifică o rată de capitalizare sau aplică o ajustare de calitate, sistemul ar trebui să păstreze valoarea anterioară, valoarea nouă, proprietarul și motivul. Acest design sprijină revizuirea și permite unui viitor revizor să recreeze setul de informații disponibil la data evaluării.

AI limită de extragere

Modelele lingvistice și de documente pot extrage datele contractelor de închiriere, revizuirile chiriei, covenanții, tabelele de capitalizare, termenii tranzacțiilor și indicatorii operaționali. Extragerea trebuie tratată ca o înregistrare structurată propusă până la verificarea față de pasajul sursă. Înregistrarea trebuie să includă identificatorul documentului, pagina sau celula, textul extras, valoarea normalizată, versiunea modelului, nivelul de încredere și decizia revizorului.

Sistemul ar trebui să se abțină sau să solicite revizuire manuală atunci când:

• sursa este scanată, incompletă sau inconsistentă intern;
• o sumă nu are monedă sau unitate;
• o clauză depinde de definiții din altă parte;
• un tabel combină perioadele realizate, bugetate și de prognoză;
• valoarea unei tranzacții depinde de datorie, earn-out-uri sau contraprestație condiționată;
• un atribut al proprietății intră în conflict cu dovezile oficiale; sau
• încrederea modelului sau validarea bazată pe reguli scade sub pragul aprobat.

Abținerea este un rezultat de control. Ea direcționează timpul limitat al experților către cazurile în care automatizarea este cel mai puțin fiabilă.

Analiza comparabilă ca flux controlat

Întrebarea privind comparabilele

Un comparabil este o observație care ajută la estimarea modului în care participanții la piață ar evalua subiectul după luarea în considerare a diferențelor relevante. Numele, sectoarele sau codurile poștale similare nu sunt suficiente. Fluxul ar trebui să definească relația economică dintre subiect și candidat.

Pentru o întreprindere, dimensiunile pot include modelul de afaceri, geografia, calitatea veniturilor, creșterea, marja, intensitatea capitalului, levierul, dimensiunea și data tranzacției. Pentru proprietăți, dimensiunile pot include subpiața, utilizarea permisă, regimul de deținere, dimensiunea, vechimea, specificațiile, gradul de ocupare, calitatea veniturilor, durata contractului de închiriere, stadiul de dezvoltare și condițiile de vânzare. Pentru o participație într-un fond, dimensiunile pot include strategia, vintage-ul, durata de viață rămasă, angajamentul nefinanțat, concentrarea, data NAV și restricțiile privind transferul.

Generarea candidaților și eligibilitatea

Prima etapă maximizează acoperirea în limitele scrise. Căutarea poate utiliza baze de date, registre, regăsirea semantică a documentelor și filtre structurate. A doua etapă aplică reguli stricte de eligibilitate. A treia etapă clasează relevanța. A patra etapă necesită revizuirea de către analist.

Universul inițial trebuie să rămână vizibil. Un raport final care prezintă doar tranzacțiile selectate poate ascunde biasul de selecție. Evaluatorii au nevoie de candidații excluși și de motive codificate, cum ar fi instrument greșit, piață diferită, dificultăți financiare, parte afiliată, condiții incomplete, dată neactualizată sau drepturi incompatibile.

De la potrivirea directă la ajustarea caracteristicilor

Analiza hedonică modelează prețul ca funcție de caracteristici. Cadrul lui Rosen din 1974 a stabilit baza economică pentru prețurile implicite în produsele diferențiate [17]. Sistemele comparabile moderne pot extinde ideea prin regresie regularizată, ansambluri de arbori și alte metode neliniare. Pădurile aleatoare combină arbori decorrelați și oferă instrumente flexibile de predicție și de importanță a variabilelor [18]. Gradient boosting construiește o funcție aditivă prin optimizarea secvențială a unei funcții de pierdere [19].

Aceste metode pot identifica relații neliniare și interacțiuni. Utilizarea lor necesită totuși controale:

• variabila țintă trebuie să corespundă întrebării de evaluare;
• observațiile de antrenament trebuie să precedă data evaluării sau să fie valide la această dată;
• scurgerile de date din câmpuri de rezultat viitoare sau derivate trebuie eliminate;
• ingineria caracteristicilor trebuie să reflecte informațiile disponibile din punct de vedere economic;
• validarea încrucișată trebuie să respecte timpul, entitatea și geografia;
• eroarea trebuie raportată pe segmentul relevant, nu doar în agregat;
• subiecții aflați în afara distribuției trebuie semnalați; și
• modelul trebuie să sprijine revizuirea factorilor materiali.

Cadrul SHAP al lui Lundberg și Lee atribuie contribuții ale caracteristicilor predicțiilor individuale în cadrul unei clase de explicații aditive [20]. O explicație arată modul în care un model a produs un rezultat. Ea nu dovedește efect cauzal, calitatea datelor, corectitudinea sau caracterul adecvat al evaluării. O contribuție pozitivă mare a unei caracteristici poate releva dependența de o variabilă care ar fi trebuit exclusă.

Ajustări și intervale

O ajustare ar trebui să precizeze direcția, baza, magnitudinea și incertitudinea. O tranzacție imobiliară cu șase luni mai devreme poate necesita o ajustare temporală susținută de un indice sau de dovezi pereche. O companie mai mică poate necesita luarea în considerare a dimensiunii sau a lichidității. O tranzacție cu terenuri de dezvoltare poate necesita ajustări privind planificarea, infrastructura și termenele de plată. O tranzacție cu o companie privată poate necesita analiza drepturilor de garanție și a structurii capitalului.

Rezultatul ar trebui să fie o distribuție sau un interval, nu o precizie artificială. Intervalul poate combina incertitudinea modelului, incertitudinea datelor de intrare și incertitudinea scenariului. Intervalele mai largi ar trebui să declanșeze o revizuire mai amplă, o încredere mai redusă sau o decizie explicită de abținere.

Arhitectura hibridă de evaluare

Nucleu transparent, suport automatizat și ajustări aprobate

Arhitectura ar trebui să mențină vizibilă metoda economică. Învățarea automată poate sprijini descoperirea dovezilor, clasificarea comparabilelor, ajustarea neliniară și detectarea erorilor. Un nucleu transparent păstrează logica de piață, de venit și de cost necesară pentru revizuire.

Arhitectura minimă cuprinde:

• stratul sursă: dovezi oficiale, de la furnizori, clienți și de piață, cu controale de acces;
• stratul de dovezi: observații versionate, normalizare și marcaje de calitate;
• stratul de model: comparabile directe, regresie, model arbore, DCF, modele de teren rezidual și de cost;
• stratul de scenarii: stări, dependențe, acțiuni de management și tratamentul probabilităților;
• stratul de control: inventar, aprobare, validare, praguri, suprascrieri și monitorizare;
• stratul decizional: raport, document pentru comitet, condiții și aprobare finală responsabilă; și
• stratul de învățare: rezultate realizate, erori, excepții și remediere.

Inventarul modelelor și utilizarea prevăzută

Standardele CBUAE de management al modelelor definesc așteptări privind guvernanța, datele, dezvoltarea, validarea, implementarea și utilizarea [6]. SR 26-2 al Rezervei Federale a înlocuit SR 11-7 în aprilie 2026 și pune accent pe o abordare bazată pe risc, adaptată profilului modelelor, dimensiunii și complexității organizației [14]. SS1/23 actual al PRA stabilește cinci principii care acoperă identificarea și clasificarea, guvernanța, dezvoltarea și utilizarea, validarea independentă și măsurile de atenuare în domeniul bancar declarat [15].

Inventarul de evaluare ar trebui să includă componente statistice, financiare, bazate pe reguli și generative. Un algoritm de clasare a comparabilelor poate influența în mod semnificativ valoarea chiar dacă nu calculează numărul final. O foaie de calcul cu macrocomenzi bazate pe raționament poate fi un model. Un furnizor API rămâne în perimetrul de guvernanță al utilizatorului.

Generativ AI ca strat de interfață

Generativ AI poate interoga registrul dovezilor, poate redacta rezumate comparative, poate explica diferențele dintre scenarii și poate crea secțiuni pentru documentele de comitet. Ar trebui să recupereze din surse controlate și să citeze înregistrarea subiacentă. Calculele deterministe ar trebui să ruleze în cod controlat sau în modele financiare. Modelul lingvistic nu ar trebui să fie singurul calculator pentru valori semnificative, probabilități sau covenant.

Profilul generativ AI al NIST identifică riscuri precum confabulația, confidențialitatea datelor, integritatea informațiilor și configurarea human-AI [8]. Un design sigur restricționează instrumentele modelului, domeniile de date, schema de ieșire și permisiunile. Se înregistrează prompturile, dovezile recuperate și rezultatele acolo unde este adecvat din punct de vedere legal și operațional. Declarațiile materiale necesită verificarea surselor.

Modelarea scenariilor

Scenariile sunt stări coerente

O analiză de sensibilitate modifică o variabilă de intrare menținând celelalte constante. Un scenariu descrie o stare coerentă în care mai mulți factori determinanți evoluează împreună și pot declanșa acțiuni de management. O distribuție de probabilitate descrie un set mai larg de rezultate într-o structură stochastică definită. Aceste instrumente răspund la întrebări diferite.

Pentru un dezvoltator, o absorbție mai lentă poate coincide cu stimulente mai mari, încasări mai mici, finanțare a construcției pe o perioadă mai lungă și o ieșire mai târziu. Pentru un family office, multiplii de ieșire mai mici pot coincide cu rezultate mai slabe, lichiditate întârziată și un mediu valutar sau de rate ale dobânzii schimbat. Sensibilitățile independente cu o singură variabilă pot subestima aceste dependențe.

Harta factorilor determinanți

Motorul de scenarii ar trebui să pornească de la legături cauzale și contractuale pe care managementul le poate revizui.

Modelul ar trebui să prevină combinațiile incoerente intern, cu excepția cazului în care scopul este testarea unei dislocări extreme. Un scenariu de vânzări rapide cu reduceri severe de preț poate fi valid. Acesta necesită o ipoteză explicită de elasticitate. Un scenariu cu dobândă scăzută și o rată de actualizare mai mare poate fi valid dacă primele de risc se majorează. Acesta necesită descompunerea.

Protocol de construire a scenariilor

1. Definiți decizia, orizontul și data evaluării.
2. Selectați factorii economici și contractuali semnificativi.
3. Stabiliți un scenariu central pe baza dovezilor aprobate.
4. Definiți stări alternative cu evoluții coerente ale factorilor determinanți.
5. Adăugați măsuri de management cu competență decizională, cost și întârziere.
6. Calculați fluxurile de numerar, finanțarea, covenanturile și valorile terminale.
7. Reconciliați rezultatele cu dovezile de piață și de cost.
8. Atribuiți probabilități numai acolo unde guvernanța și dovezile le susțin.
9. Raportați cazurile neponderate acolo unde probabilitățile ar crea o precizie falsă.
10. Înregistrați pragurile de acțiune declanșate de fiecare stare.

Generare de scenarii susținută de AI

AI poate analiza comunicate oficiale, dovezi de piață, rapoarte operaționale și contracte pentru a propune factori de risc. Poate grupa stări istorice și poate căuta dependențe omise. Poate genera narațiuni candidate și poate contesta ipotezele. Scenariile candidate rămân propuneri până când un responsabil le aprobă.

Sistemul ar trebui să distingă:

• stare observată: susținută de dovezi datate;
• scenariul conducerii: plan sau buget aprobat;
• scenariul participanților de piață: ipoteze coerente cu baza definită;
• scenariu de stres: în mod deliberat sever, dar coerent;
• stres invers: stare care încalcă un prag de valoare, de lichiditate sau de covenant; și
• scenariu exploratoriu: Posibilitate cu dovezi reduse, păstrată pentru discuție strategică.

Probabilitățile nu trebuie generate pe baza fluenței modelului lingvistic. Ele necesită o bază declarată de natură statistică, de piață sau de guvernanță.

Validare, incertitudine și abținere

Validarea este o contestare independentă

Validarea ar trebui să acopere conceptul, datele, implementarea, performanța, utilizarea și raportarea. Independența ar trebui să fie proporțională cu materialitatea. Evaluatorul are nevoie de autoritate, competență și acces suficiente pentru a contesta modelul și a-i restricționa utilizarea.

Măsuri de eroare

Eroarea absolută medie este interpretabilă în unități monetare. Eroarea procentuală absolută mediană reduce influența erorilor procentuale extreme. Eroarea pătratică medie penalizează abaterile mari. Corelația de rang poate testa performanța de selecție. Calibrarea verifică dacă intervalele declarate conțin rezultatele realizate la frecvența așteptată. Nicio singură măsură nu este suficientă.

Kok, Koponen și Martinez-Barbosa au raportat o eroare absolută de 9 la sută pentru modelul lor automatizat pe un eșantion definit de active multifamiliale din SUA [22]. Rezultatul este o dovadă relevantă că un AVM poate depăși anumite repere de evaluare selectate într-un context anume. El nu trebuie transferat la proiectele de dezvoltare GCC, la companii private sau la fiecare segment de proprietăți fără o validare nouă.

Intervale de predicție

Estimările punctuale ascund incertitudinea. Predicția conformală poate crea intervale de predicție independente de distribuție, cu acoperire marginală pe eșantion finit în condițiile ipotezelor sale, folosind un set de calibrare în jurul unui model predictiv ales [21]. Acoperirea se poate deteriora în cazul schimbării distribuției, iar acoperirea marginală nu garantează o acoperire la fel de puternică pentru fiecare subgrup sau activ.

Un raport instituțional ar trebui să prezinte:

• indicație centrală;
• interval de evaluare aprobat;
• interval statistic de predicție, unde este aplicabil;
• interval de scenarii;
• date de intrare neobservabile semnificative;
• dispersia comparabilelor;
• starea în afara distribuției; și
• prag de decizie.

Matrice de abținere

Motorul ar trebui să returneze evaluare manuală necesară atunci când dovezile sau adecvarea modelului se află în afara domeniului său de aprobare.

Modelul operațional înainte și după

Fluxul de lucru actual fragmentat

Multe procese de evaluare distribuie munca între e-mail, foldere, foi de calcul, rapoarte PDF și baze de date de piață. Analiștii reintroduc informațiile, reconstruiesc tabele de comparabile, modifică manual datele și urmăresc cifrele după ce un revizor pune o întrebare. Aceeași muncă este repetată pentru monitorizare, documente pentru comitet și materiale pentru creditori. Controlul depinde de disciplina fiecărui fișier în parte.

Fluxul de lucru țintă controlat

Procesul țintă mută timpul expertului de la recuperarea și reformatarea informațiilor către decizii privind perimetrul, contestarea probelor, ajustare, proiectarea scenariilor și concluzie. Această mutare ar trebui măsurată prin rezultate acceptate, nu prin schițe brute.

Două exemple ilustrative ipotetice

Scenariul A: decizie de dezvoltare

Exemplu ilustrativ Un dezvoltator UAE/GCC evaluează un proiect cu utilizare mixtă. Toate cifrele, datele și rezultatele din această subsecțiune sunt ipoteze de management neverificate, create pentru a demonstra cadrul. Acestea nu reprezintă o evaluare, o prognoză sau o recomandare de tranzacție.

Venitul brut din dezvoltare în scenariul central este AED 1.125 billion înainte de stimulente, anulări, impozite, comisioane și alte ajustări. Scenariul negativ combină un preț mai scăzut, o absorbție mai lentă, escaladarea costurilor și o finanțare pe durată mai lungă. Scenariul pozitiv combină un preț mai ridicat, o absorbție mai rapidă și o durată de finanțare mai mică. Dependențele împiedică modelul să trateze fiecare factor ca o sensibilitate izolată.

Modulul de comparabile caută dovezi oficiale și de la furnizori aprobați pentru tranzacții cu terenuri, unități și active finalizate. Acesta păstrează universul complet de candidați, apoi filtrează după locație, utilizare, stare, dată și tip de tranzacție. Revizorul aprobă ajustări pentru planul de plată, vedere, specificații, stadiul de finalizare, titlu și condiții de vânzare în bloc. Modulul de scenarii transformă apoi prețul și absorbția în încasări, finanțarea construcțiilor, utilizarea datoriei și necesarul de capital propriu.

Pragurile de decizie pot include capitalul propriu maxim la vârf, acoperirea minimă a dobânzii, marja disponibilă pentru covenant și randamentul minim în scenariul negativ. Modelul ar trebui să arate care ipoteză provoacă prima o încălcare. AI poate redacta explicația variației. Autoritățile financiare și de investiții aprobă scenariul, tratamentul de finanțare și decizia.

Scenariul B: decizie privind activele private

Exemplu ilustrativ Un family office evaluează o investiție minoritară într-o companie operativă privată. Toate cifrele, datele și rezultatele din această subsecțiune sunt ipoteze de management neverificate. Acestea nu constituie o evaluare, o recomandare de alocare sau un randament așteptat.

Motorul de comparabile filtrează tranzacțiile listate și private după modelul de afaceri, geografie, creștere, calitatea veniturilor, marjă, dimensiune, drepturi de garanție și dată. Afișează efectul fiecărei excluderi și ajustări. Abordarea pe venit utilizează o prognoză bazată pe factori determinanți. Motorul de scenarii combină performanța operațională, necesarul de capital, diluția, momentul ieșirii și multiplul de piață.

Rezultatul decizional al family office-ului adaugă potrivirea cu mandatul, rezerva de lichiditate, concentrarea, drepturile de guvernanță, drepturile de informare și capacitatea pentru investiții ulterioare. O valoare justificabilă a companiei nu demonstrează adecvarea pentru portofoliu. Comitetul de investiții aprobă alocarea și condițiile.

Limita probatorie a scenariului

Intrările scenariului nu au validare observată. Valorile lor nu trebuie să apară în marketing, declarații de marketing, studii de caz sau atribuirea performanței. Veniturile atribuite Matchpoint sau clienților, reducerea costurilor în numerar, reducerea pierderilor și alpha din aceste scenarii rămân USD 0.

Productivitate și venituri

Unitate de productivitate

Unitatea de productivitate ar trebui să fie un rezultat acceptat și gata de decizie. Textele în schiță, documentele obținute, comparabilele generate și rulările de model sunt muncă intermediară. O schiță mai rapidă care creează costuri suplimentare de revizuire sau de eroare nu reprezintă un câștig de productivitate.

Dovezi externe privind productivitatea

Brynjolfsson, Li și Raymond au studiat o implementare etapizată la 5.172 de agenți de suport clienți și au raportat o creștere medie de 15% a problemelor soluționate pe oră, cu efecte eterogene [23]. Studiul experimental al lui Noy și Zhang privind sarcinile de scriere profesională a constatat timpi de finalizare mai scurți și o calitate mai ridicată a rezultatelor în cadrul designului său [24]. Dell'Acqua și coautorii au studiat 758 de consultanți și au raportat câștiguri pentru sarcini din interiorul frontierei de capabilități AI testate, cu performanțe mai slabe la o sarcină din afara acestei frontiere [25].

Aceste studii oferă dovezi credibile că AI generativă poate îmbunătăți anumite sarcini de muncă intelectuală. Ele nu stabilesc o rată de productivitate a evaluării. Evaluarea implică dovezi, standarde profesionale, modele, consecințe și revizuire diferite. Productivitatea Matchpoint și cea a clientului ar trebui măsurate într-un pilot controlat.

Punte ilustrativă nevalidată pentru business case

Exemplu ilustrativ Presupunem că o echipă finalizează 20 de pachete acceptate de evaluare sau monitorizare pe lună. Presupunem că un pilot controlat reduce timpul uman median de la 24 de ore la 18 ore, în timp ce indicatorii privind acceptarea, corecțiile semnificative și erorile rămân în pragurile aprobate. Capacitatea eliberată ilustrativă este de 120 de ore pe lună. Acesta este un calcul de planificare, nu un rezultat observat pentru Matchpoint sau pentru client.

Capacitatea eliberată poate fi utilizată pentru o acoperire mai mare, decizii mai rapide, examinare critică de calitate superioară sau muncă pentru client. Veniturile apar numai dacă capacitatea susține un mandat semnat, un livrabil acceptat și un onorariu încasat. O formulă de venit poate fi scrisă astfel:

Venit încasat = rezultate plătite acceptate x preț aprobat x rata de încasare - rambursări și credite

Fiecare termen necesită dovezi observate. Până când aceste dovezi sunt aprobate, venitul colectat atribuit rămâne USD 0.

Structura veniturilor pe categorii de audiență

Pentru dezvoltatori, un serviciu poate include un diagnostic privind dovezile și evaluarea, un pachet de scenarii de structură a capitalului, un argumentar pentru creditor sau investitor, remedierea modelului și actualizarea monitorizată a scenariilor. Pentru family office-uri, poate include revizuirea evaluării activelor private, contestarea evaluării portofoliului, un pachet de scenarii de lichiditate, subscrierea tranzacțiilor și monitorizare continuă. Termenii comerciali necesită aprobare separată și documentația mandatului.

Website-ul și lucrarea de cercetare ar trebui să descrie capacitățile și controalele. Afirmațiile privind rezultatele specifice clientului necesită dovezi observate, aprobare și divulgare adecvată.

Moduri de eșec și răspunsuri de control

Defecțiunea datelor

Dovezile învechite, duplicate, raportate selectiv sau normalizate incorect pot domina calitatea modelului. Un model cu capacitate mai mare poate reproduce defectele datelor mai consecvent. Controalele includ prioritatea sursei, datele de valabilitate, verificări de completitudine, validarea unităților, indicatori de relaționare, detectarea duplicatelor, reconcilierea și eșantionarea de către evaluatori.

Defecțiunea selecției comparabilelor

Algoritmii de similaritate pot învăța proxy-uri care par utile statistic și sunt necorespunzătoare economic. Analiștii pot, de asemenea, să selecteze tendențios comparabilele. Controalele includ un univers documentat, criterii stricte de eligibilitate, jurnal complet al excluderilor, revizuirea caracteristicilor, metode alternative de clasare și performanța în afara eșantionului.

Defecțiunea prognozelor și scenariilor

Scenariile pot ascunde dependențe inconsistente, pot dubla contabilizarea riscurilor, pot aplica probabilități fără dovezi sau pot ignora constrângerile de finanțare. Controalele includ un graf al factorilor determinanți, reconcilierea contabilă și a fluxurilor de numerar, logica acțiunilor conducerii, testarea inversă de stres și contestarea independentă.

Prejudecata automatizării

Un narrative șlefuit și cifre precise pot crește încrederea utilizatorilor. Raportul ar trebui să distingă vizibil dovezile observate, estimările modelului, ipotezele conducerii, ajustările și scenariile neverificate. Evaluatorii ar trebui să vadă neconcordanțele modelului și dovezile lipsă înainte de concluzie.

Deriva modelului

Regimurile de piață, acoperirea datelor, stimulentele și mixul de active se schimbă. Monitorizarea ar trebui să testeze distribuția intrărilor, eroarea, acoperirea intervalelor, rata de suprascriere, gradul de date lipsă și performanța pe segmente. O depășire a pragului ar trebui să declanșeze restricționare, recalibrare, redevelopare sau scoatere din uz.

Securitate cibernetică, confidențialitate și eșecul furnizorului

Sistemele de evaluare pot conține date confidențiale financiare, de proprietate, imobiliare și tranzacționale. Controalele includ acces minim, criptare, analiza regiunii și a retenției, due diligence asupra furnizorilor, răspuns la incidente, permisiuni pentru prompturi și instrumente, filtrarea rezultatelor, capacitate de backup și export. Un serviciu de furnizor nu ar trebui să devină singurul depozit de dovezi.

Guvernanță și porți de lansare

Guvernanță, cartografiere, măsurare și gestionare

NIST AI RMF organizează activitatea de gestionare a riscurilor AI în patru funcții [7]. Aplicat la evaluare:

• Guvernanță: stabilește responsabilitatea, politica, inventarul, apetitul pentru risc și escaladarea.
• Cartografiere: definește decizia, utilizatorii, subiectul, contextul, prejudiciile și dependențele.
• Măsurare: testează datele, modelul, incertitudinea, securitatea, explicabilitatea și utilizarea umană.
• Gestionare: aprobă, restricționează, monitorizează, remediază, comunică și retrage.

ISO/IEC 42001 specifică cerințe pentru un sistem de management AI și sprijină un cadru organizațional mai larg pentru dezvoltarea și utilizarea responsabilă [16]. Adoptarea sau certificarea nu trebuie prezentată drept dovadă că o anumită evaluare este corectă.

Porți de lansare

Aprobarea poate restricționa modelul la o piață, un tip de activ, un interval de timp, un interval de valori sau o utilizare. Un pilot reușit susține doar perimetrul testat.

Foaie de parcurs pentru adoptare în 90 de zile

Zilele 0-15: perimetru și inventar

• selectați un caz de utilizare delimitat;
• documentați scopul, baza, data, utilizatorii și drepturile de decizie;
• inventariați datele, modelele, foile de calcul și furnizorii existenți;
• cartografiați datele confidențiale și accesul;
• definiți măsurile de acceptare, eroare și productivitate; și
• înregistrați starea de referință actuală.

Punct de control: instrucțiune aprobată, responsabil, stare de referință și plan de acces la date.

Zilele 16-30: registru de evidențe

• creați ierarhia surselor și dicționarul de date;
• integrați un instantaneu datat al evidențelor;
• construiți câmpuri de proveniență, transformare și excludere;
• testați completitudinea, unitățile, duplicatele și scurgerile de date;
• definiți revizuirea extragerii AI; și
• pregătiți un set reprezentativ de cazuri.

Punct de control: evidențele pot fi urmărite de la sursă până la câmpul normalizat.

Zilele 31-45: prototip de comparabile și scenarii

• implementați regulile de eligibilitate și ierarhizare;
• construiți metode transparente de benchmark;
• adăugați alternative ajustate după caracteristici;
• creați graful factorilor determinanți ai scenariului;
• definiți logica de abținere și de suprascriere; și
• produceți rezultate preliminare trasabile la sursă.

Punct de control: fiecare concluzie poate fi reprodusă și contestată.

Zilele 46-60: validare independentă

• testați conceptul, datele, codul și rezultatul;
• rulați teste de performanță adaptate la timp și pe segmente;
• testați intervalele de predicție și semnalările pentru valori în afara distribuției;
• examinați explicațiile și cazurile adverse;
• testați securitatea, accesul și mecanismul de rezervă al furnizorului; și
• remédiați constatările.

Punct de control: nicio constatare critică deschisă; restricțiile aprobate sunt înregistrate.

Zilele 61-75: operare în regim shadow

• rulați în paralel procesele noi și procesele actuale;
• colectați date privind timpul, acceptarea, corecțiile și excepțiile;
• comparați deciziile modelului și ale revizorului;
• înregistrați motivul și rezultatul suprascrierii;
• testați raportarea către comitet; și
• rafinați pragurile.

Punct de control: dovezile susțin utilizarea controlată în perimetrul declarat.

Zilele 76-90: lansare controlată

• aprobați permisiunile pentru model, date și utilizatori;
• instruiți utilizatorii și revizorii;
• activați monitorizarea și fluxul de lucru pentru incidente;
• definiți procesele de modificare și de scoatere din uz;
• lansați numai cazul de utilizare aprobat; și
• programați revizuirea post-implementare.

Punct de control: autoritatea responsabilă semnează lansarea și limitările.

Registrul declarațiilor și limitărilor

Declarații permise

Dovezile susțin următoarele afirmații circumscrise:

• AI și învățarea automată pot sprijini extragerea dovezilor, analiza comparabilelor, modelarea și generarea de scenarii.
• Standardele oficiale de evaluare impun o sferă de aplicare definită, date adecvate, metodă, raționament profesional, documentație și raportare [1-5].
• Cadrele privind riscul de model pun accent pe inventar, guvernanță, validare, monitorizare și control [6-8,14-16].
• Studiile primare demonstrează îmbunătățiri ale productivității în anumite sarcini de asistență pentru clienți, redactare și consultanță [23-25].
• Un studiu AVM pentru imobile comerciale a raportat o performanță favorabilă a erorii în eșantionul său specific de imobile multifamiliale din SUA [22].
• Datele oficiale din Dubai îmbunătățesc accesul la anumite observații de piață [11-12].

Afirmații nesuportate

Dovezile nu stabilesc că:

• un rezultat AI este o evaluare sau o decizie de investiție;
• un model este precis pentru toate GCC activele și regimurile;
• mai multe date elimină necesitatea raționamentului;
• explicația demonstrează cauzalitate sau echitate;
• o estimare punctuală este mai utilă pentru decizie decât un interval;
• procentele externe de productivitate se aplică evaluării;
• producția mai rapidă creează venituri încasate; sau
• a generat Matchpoint sau venituri de la clienți, economii de numerar, reducerea pierderilor sau alpha.

Limitări empirice

Nu au fost furnizate Matchpoint, seturi de date pilot ale clientului, rezultate de evaluare realizate, studiu de timp, serie de erori, registru de acceptare sau dovezi privind veniturile. Cazurile ilustrative și scenariile nu sunt cazuri observate. Lucrarea propune, prin urmare, un sistem și un protocol de testare. Nu raportează performanța unui model implementat.

Limitări de reglementare și profesionale

Cerințele contabile, de evaluare, privind valorile mobiliare, creditarea, datele, AI și cele profesionale variază în funcție de entitate, activ, jurisdicție, instrucțiune și dată. Materialele SEC, Federal Reserve și PRA citate au domenii instituționale de aplicare definite. Ele sunt utilizate ca dovezi de control comparative în afara acestor domenii, nu ca afirmații privind o obligație legală universală.

Limitări tehnice

Performanța modelului depinde de acoperirea surselor, codificare, proiectarea caracteristicilor, regim, subiect și utilizarea prevăzută. Intervalele de predicție depind de metoda și ipotezele lor. Modelele generative pot produce conținut nejustificat. Modelele furnizorilor se pot schimba. Sistemul de producție necesită controlul versiunilor, validare, monitorizare, controale de acces și soluții de rezervă.

Limitări comerciale

Nu a fost aprobată nicio prognoză privind cererea, stabilirea prețurilor, conversia sau încasarea. Pachetizarea serviciilor și onorariile necesită aprobarea CK și condițiile de colaborare cu clientul. Veniturile atribuite, reducerea costurilor în numerar, reducerea pierderilor și alpha rămân USD 0.

Concluzie

Evaluarea augmentată cu AI ar trebui concepută ca un sistem de la dovezi la decizie. Sistemul începe cu scopul, drepturile, baza, data și autoritatea. Stochează dovezi de piață și operaționale cu proveniență. Menține vizibile universul comparabil, eligibilitatea, clasamentul, ajustările și excluderile. Combină metode de evaluare transparente cu sprijin automatizat limitat. Modelează scenarii coerente și acțiuni ale conducerii. Raportează incertitudinea și se abține în afara perimetrului aprobat. Atribuie autoritatea finală unor persoane responsabile.

Pentru directorii de investiții ai family office-urilor și șefii departamentelor de investiții alternative, sistemul poate crește consistența și acoperirea deciziilor privind activele private, păstrând în același timp revizuirea mandatului, lichidității și concentrării. Pentru UAE/GCC dezvoltatorii imobiliari și sponsorii financiari, poate conecta dovezile de piață, ipotezele de dezvoltare, structura de capital și pragurile de decizie într-un singur proces guvernat. În ambele cazuri, productivitatea ar trebui măsurată prin rezultate acceptate, iar valoarea atribuită prin dovezi comerciale observate și aprobate.

Disciplina centrală de implementare este trasabilitatea. Un revizor ar trebui să poată trece de la concluzie la metodă, ipoteză, transformare și sursă datată. Un comitet ar trebui să poată vedea incertitudinea, dependența de scenarii și dezacordul dintre modele înainte de a aproba o acțiune. Un rezultat viitor ar trebui să actualizeze modelul și registrul de control. Astfel, AI poate multiplica acoperirea analitică fără a estompa judecata de evaluare.

Referințe

[1] Fundația IFRS. IFRS 13 Evaluarea valorii juste. Standarde emise, ediția 2024. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/

[2] Consiliul Internațional al Standardelor de Evaluare. Noua ediție a Standardelor Internaționale de Evaluare a fost publicată. 31 ianuarie 2024; în vigoare 31 ianuarie 2025. https://ivsc.org/new-edition-of-the-international-valuation-standards-ivs-published/

[3] Consiliul Internațional de Evaluare pentru Private Equity și Capital de Risc. Ghidurile internaționale de evaluare pentru private equity și capital de risc. 2025. https://www.privateequityvaluation.com/Valuation-Guidelines

[4] Royal Institution of Chartered Surveyors. Modele automatizate de evaluare. Lucrare de analiză, 2022. https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models

[5] Royal Institution of Chartered Surveyors. Evaluări pentru creditare bancară și valoarea de creditare ipotecară, ediția a 2-a. Decembrie 2025. https://www.rics.org/content/dam/ricsglobal/documents/standards/Bank-lending-valuations-and-MLV_2nd-edition_Dec2025.pdf

[6] Banca Centrală a UAE. Standarde de management al modelelor. Notificare 5052/2022. https://www.centralbank.ae/en/rulebook/banking/risk-management/risk-management/model-management-standards/

[7] Institutul Național de Standarde și Tehnologie. Cadrul de gestionare a riscurilor de inteligență artificială (AI RMF 1.0). NIST AI 100-1, ianuarie 2023. https://www.nist.gov/itl/ai-risk-management-framework

[8] Institutul Național de Standarde și Tehnologie. Cadrul de gestionare a riscurilor de inteligență artificială: Profilul de inteligență artificială generativă. NIST AI 600-1, iulie 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[9] Autoritatea pentru Servicii Financiare din Dubai. Noul sondaj DFSA AI: adoptarea AI generative aproape s-a triplat în cadrul DIFC; guvernanța continuă să se dezvolte. 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] Organizația Internațională a Comisiilor de Valori Mobiliare. Inteligența artificială pe piețele de capital: cazuri de utilizare, riscuri și provocări. 2025. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[11] Departamentul Funciar din Dubai. Date imobiliare: date deschise. Accesat la 1 august 2026. https://dubailand.gov.ae/en/open-data/real-estate-data/

[12] Departamentul de Terenuri din Dubai. Tranzacțiile imobiliare din Dubai cresc cu 31% și ajung la AED 252 billion în T1 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] Comisia pentru Valori Mobiliare și Burse din SUA. Determinări cu bună-credință ale valorii juste: Ghid de conformitate pentru entități mici. 2020. https://www.sec.gov/resources-small-businesses/small-business-compliance-guides/good-faith-determinations-fair-value-small-entity-compliance-guide

[14] Consiliul Guvernatorilor al Sistemului Rezervei Federale. SR 26-2: Ghid revizuit privind gestionarea riscului de model. 17 aprilie 2026. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[15] Banca Angliei, Autoritatea de Reglementare Prudențială. SS1/23: Principii de gestionare a riscului de model pentru bănci. Versiunea actuală, aprilie 2026. https://www.bankofengland.co.uk/prudential-regulation/publication/2023/may/model-risk-management-principles-for-banks-ss

[16] Organizația Internațională pentru Standardizare. ISO/IEC 42001:2023, Tehnologia informației - Inteligență artificială - Sistem de management. 2023. https://www.iso.org/standard/42001

[17] Rosen, S. Prețuri hedonice și piețe implicite: diferențierea produselor în competiție pură. Journal of Political Economy, 82(1), 34-55, 1974. https://doi.org/10.1086/260169

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

[19] Friedman, J. H. Aproximarea funcției greedy: o mașină de gradient boosting. Annals of Statistics, 29(5), 1189-1232, 2001. https://doi.org/10.1214/aos/1013203451

[20] Lundberg, S. M., și Lee, S.-I. O abordare unificată pentru interpretarea predicțiilor modelului. Advances in Neural Information Processing Systems 30, 2017. https://arxiv.org/abs/1705.07874

[21] Angelopoulos, A. N., și Bates, S. O introducere blândă în predicția conformală și cuantificarea incertitudinii fără distribuție. 2021. https://arxiv.org/abs/2107.07511

[22] Kok, N., Koponen, E.-L., și Martinez-Barbosa, C. A. Big Data în imobiliare? De la evaluarea manuală la evaluarea automată. Journal of Portfolio Management, 43(6), 202-211, 2017. https://doi.org/10.3905/jpm.2017.43.6.202

[23] Brynjolfsson, E., Li, D., și Raymond, L. AI generativă la locul de muncă. Quarterly Journal of Economics, 140(2), 889-942, 2025. https://doi.org/10.1093/qje/qjae044

[24] Noy, S., și Zhang, W. Dovezi experimentale privind efectele asupra productivității ale inteligenței artificiale generative. 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., și Lakhani, K. R. Navigarea frontierei tehnologice accidentate: dovezi experimentale de teren privind efectele AI asupra productivității și calității lucrătorilor din cunoaștere. Organization Science, 2026. https://doi.org/10.1287/orsc.2025.21838

Anexa A. Registru minim de dovezi pentru evaluare

Anexa B. Listă de verificare pentru revizuirea comparabilelor

• Sunt definite interesul asupra subiectului și unitatea de cont?
• Este impusă data evaluării în interogarea probelor?
• Este păstrat universul complet al candidaților?
• Sunt regulile stricte de eligibilitate scrise înainte de clasare?
• Are fiecare comparabil exclus un motiv codificat?
• Sunt normalizați termenii tranzacției și drepturile de garanție?
• Sunt ajustările pentru timp, dimensiune, calitate, drepturi și finanțare susținute de dovezi?
• Modelul evită utilizarea informațiilor viitoare și scurgerea de informații din variabila țintă?
• Sunt erorile raportate pe segment semnificativ și pe perioadă?
• Se încadrează subiectul în distribuția de date validată?
• Sunt indicațiile metodelor reconciliate, în loc să fie mediate mecanic?
• Sunt păstrate ajustările revizorului, motivele și valorile anterioare?
• Raportul prezintă dispersie, incertitudine și limitări?

Anexa C. Listă de verificare pentru scenariu și lansare

• Sunt definite decizia și orizontul?
• Sunt coerente stările centrală, negativă, pozitivă și de stres invers?
• Sunt documentate dependențele dintre factorii determinanți?
• Sunt atribuite acțiunilor managementului autoritatea, costul și întârzierea?
• Fluxurile de numerar, finanțare, impozitare și contabilitate se reconciliază?
• Probabilitățile sunt susținute sau omise?
• Sunt vizibile pragurile de decizie și factorii determinanți ai primei abateri?
• Validarea independentă a acoperit datele, metoda, codul și utilizarea?
• Sunt aprobate accesul, confidențialitatea, jurnalizarea și soluția de rezervă a furnizorului?
• Sunt active regulile de abținere și restricționare?
• Sunt utilizatorii instruiți cu privire la limitele modelului și la biasul de automatizare?
• Este monitorizarea activă pentru drift, erori, suprascrieri și incidente?
• Decizia finală aparține unei persoane autorizate?

Anexa D. Glosar

Abținere: un rezultat controlat care nu emite o concluzie automată și direcționează cazul către revizuire manuală.

Model automat de evaluare: un sistem matematic sau statistic care estimează valoarea pe baza datelor despre proprietăți sau piață, cu un grad definit de automatizare.

Baza valorii: ipotezele fundamentale de măsurare în baza cărora se estimează o valoare.

Calibrare: ajustarea unui model astfel încât rezultatul său să fie consecvent cu dovezi observate relevante, inclusiv prețul tranzacției, atunci când este cazul.

Comparabil: o tranzacție, un instrument sau un activ observat, utilizat pentru a fundamenta valoarea după analizarea relevanței și a diferențelor.

Predicție conformală: o familie de metode care construiește seturi sau intervale de predicție folosind date de calibrare și proprietăți de acoperire definite.

Registru de dovezi: un registru versionat care conectează fiecare intrare semnificativă la sursa, data, transformarea, revizorul și utilizarea rezultatului său.

Explicabilitate: informații care descriu modul în care intrările au influențat rezultatul unui model; acestea nu stabilesc prin ele însele corectitudinea sau cauzalitatea.

Risc de model: consecință adversă potențială a deciziilor bazate pe modele incorecte, utilizate necorespunzător sau slab controlate.

În afara distribuției: un subiect sau o intrare în mod semnificativ în afara populației reprezentate în dezvoltarea și validarea modelului.

Interval de predicție: un interval conceput să conțină un rezultat viitor sau neobservat la un nivel de acoperire declarat, conform ipotezelor metodei.

Scenariu: un set coerent de ipoteze economice, operaționale și de finanțare interconectate, utilizat pentru a evalua un rezultat sau o decizie.

Sensibilitate: efectul modificării uneia sau mai multor ipoteze, adesea fără a afirma o stare completă a lumii.

Ajustare de evaluare: o ajustare umană documentată aplicată unei indicații a modelului sau metodei, pentru dovezi sau riscuri necuprinse adecvat.