Automatizar o cálculo de uma viabilidade é resolver a parte fácil: a parte difícil — decidir se a premissa faz sentido, se há demanda para aquele produto ali, se o risco é aceitável para a empresa naquele momento — continua sendo julgamento humano. Este artigo delimita essa fronteira, porque confundir os dois lados é o caminho mais curto para uma decisão ruim com muita confiança.
Definição
Fronteira de automação, em análise de viabilidade, é a linha que separa o que pode ser executado por processo determinístico ou por modelos — cálculo, consulta, aplicação de padrão e geração de cenários — do que depende de julgamento profissional: validação de premissas, leitura de contexto local, avaliação de risco e decisão estratégica.
O que a automação faz bem
Vale começar reconhecendo o alcance real, que é considerável:
- Recuperar e aplicar parâmetros urbanísticos a partir da localização de um terreno.
- Gerar composições de produto plausíveis dentro dos parâmetros disponíveis.
- Aplicar bibliotecas de premissas de custo, prazo e estrutura de despesas.
- Montar o fluxo de caixa e calcular indicadores, sem erro aritmético e sem variação entre analistas.
- Gerar dezenas de cenários alternativos instantaneamente.
- Comparar e ordenar muitas oportunidades sob a mesma metodologia.
Tudo isso é trabalho real, que consome a maior parte do tempo de uma análise manual. Automatizá-lo libera capacidade — e é justamente por isso que a pergunta sobre o que sobra ganha importância: o tempo liberado precisa ir para as decisões que só uma pessoa toma.
A automação não substitui o analista. Ela devolve ao analista o tempo que ele gastava fazendo o que não exigia análise.
O que permanece humano
| Decisão | Por que não se automatiza | O que ela exige |
|---|---|---|
| Adequação do produto à demanda | Depende de conhecer quem compra naquele lugar e o que procura | Vivência de mercado local e leitura de comportamento de compra |
| Validação das premissas | O modelo aplica premissas, não julga se elas fazem sentido ali | Experiência para reconhecer quando um número está fora de lugar |
| Leitura de contexto | Fatores locais não estruturados afetam valor e velocidade de vendas | Conhecimento do entorno, de projetos vizinhos e do momento da praça |
| Avaliação de risco | Risco aceitável depende da situação e da estratégia da empresa | Definição de apetite a risco, que é decisão de sócios |
| Interpretação de resultado atípico | Resultado muito acima do usual costuma indicar erro, não oportunidade | Desconfiança calibrada e capacidade de rastrear a origem |
| Decisão de compra | Envolve estratégia, capital, timing e carteira, não só retorno | Visão do conjunto do landbank e da posição da empresa |
A quinta linha é a mais prática e a mais subestimada. Um analista experiente que vê um retorno muito acima do padrão da empresa desconfia antes de comemorar — e vai procurar o erro na premissa. Um processo automatizado apresenta o mesmo resultado com a mesma aparência de confiabilidade de qualquer outro.
O risco específico da resposta confiante
Existe um risco que a automação cria e que não existia no processo manual: a uniformidade da apresentação.
Em uma planilha montada à mão, quem construiu sabe quais números vieram de pesquisa e quais foram arbitrados. Em um resultado automatizado, todos os campos aparecem com o mesmo grau de formatação e de aparente autoridade. Um custo de obra levantado em orçamento recente e outro aplicado por padrão genérico se parecem exatamente iguais na tela.
Isso produz um efeito conhecido: a confiança na saída passa a ser função da apresentação, não da qualidade dos dados. E como o resultado sai rápido e formatado, ele tende a ser aceito sem o escrutínio que uma planilha manual receberia.
A mitigação é de projeto: o resultado precisa carregar suas premissas visíveis, com origem e data, distinguindo o que foi levantado do que foi assumido por padrão. Um estudo automatizado que mostra apenas o número final entrega velocidade e retira o único mecanismo de defesa contra a premissa errada.
O perigo não é a IA errar. É ela errar com a mesma cara de quando acerta.
Onde a automação erra sistematicamente
Três categorias de situação em que resultados automatizados tendem a se afastar da realidade:
| 1 | Terrenos atípicos Formato irregular, topografia acidentada, testada estreita, desníveis relevantes ou restrições específicas. A geração automática de produto pressupõe implantação padrão, e nesses casos o aproveitamento real costuma ser bem menor que o calculado. |
| 2 | Praças com pouca referência Regiões com poucos lançamentos comparáveis produzem premissas de preço frágeis. O modelo entrega um número, mas ele foi construído sobre uma base rala — e essa fragilidade não aparece no resultado. |
| 3 | Momentos de transição de mercado Quando preço, custo ou condições de crédito estão mudando rapidamente, premissas baseadas em histórico recente descrevem um cenário que já passou. |
| 4 | Produtos fora do padrão da empresa Bibliotecas de custo e prazo refletem a experiência acumulada em determinado tipo de produto. Aplicá-las a um segmento novo transporta premissas que podem não valer. |
| 5 | Situações registrais ou legais incomuns Questões de titularidade, posse, sucessão ou restrições contratuais não se traduzem em parâmetros e só aparecem na verificação humana. |
Como dividir o trabalho corretamente
A divisão que funciona não é entre etapas simples e complexas, mas entre o que é determinístico e o que é interpretativo:
- A automação assume o cálculo e a padronização. Enquadramento, geração de produto base, aplicação de premissas, montagem de fluxo, cálculo de indicadores e geração de cenários.
- O profissional assume a validação e a decisão. Verificar se o produto proposto faz sentido ali, se as premissas se sustentam, o que o contexto local acrescenta, qual o risco real e se a oportunidade merece o capital da empresa.
- O processo assume a rastreabilidade. Registrar premissas com origem e data, preservar o histórico das análises e sinalizar estudos vencidos.
Empresas que fazem essa divisão explícita obtêm o melhor dos dois lados: volume e consistência da automação, com o filtro de quem entende do negócio aplicado onde ele faz diferença. Empresas que não a fazem tendem a um de dois extremos — desconfiar da ferramenta e voltar à planilha manual, ou aceitar as saídas sem crítica e decidir rápido na direção errada.
Esse texto é o contraponto direto de como a IA acelera a viabilidade preliminar: aquele mostra o que a automação resolve bem, este delimita onde ela para. A base de tudo continua sendo um bom estudo de viabilidade econômico-financeira, com uma estrutura de um estudo de viabilidade bem definida e testada com análise de sensibilidade para expor onde as premissas pesam mais.
Perguntas frequentes
O que a inteligência artificial não consegue decidir em uma viabilidade imobiliária?
A adequação do produto à demanda local, a validação das premissas adotadas, a leitura de fatores de contexto não estruturados, a avaliação do risco aceitável para aquela empresa, a interpretação de resultados atípicos e a decisão final de compra — que envolve estratégia, capital disponível, timing e composição da carteira, e não apenas o retorno projetado.
Qual o principal risco da análise de viabilidade automatizada?
A uniformidade da apresentação. Em um resultado automatizado, um custo levantado em orçamento recente e outro aplicado por padrão genérico aparecem com a mesma formatação e a mesma aparência de autoridade. Isso faz a confiança no resultado depender da apresentação em vez da qualidade dos dados, e reduz o escrutínio que uma planilha manual receberia.
Em que situações a análise automatizada erra mais?
Em terrenos atípicos, com formato irregular, topografia acidentada ou restrições específicas, onde a geração automática pressupõe implantação padrão; em praças com poucos lançamentos comparáveis, que produzem premissas de preço frágeis; em momentos de transição rápida de mercado; em produtos fora do padrão habitual da empresa; e em situações registrais ou legais incomuns.
Como dividir o trabalho entre automação e análise humana?
A automação assume o que é determinístico: enquadramento urbanístico, geração de produto base, aplicação de premissas, montagem de fluxo, cálculo de indicadores e geração de cenários. O profissional assume o interpretativo: validar premissas, avaliar adequação do produto, ler o contexto local, dimensionar o risco e decidir. E o processo garante a rastreabilidade, registrando premissas com origem e data.
Como reduzir o risco de confiar demais em um estudo automatizado?
Fazendo o resultado carregar suas premissas visíveis, com origem e data, distinguindo o que foi levantado do que foi assumido por padrão. Um estudo que apresenta apenas o número final entrega velocidade e elimina o principal mecanismo de defesa contra a premissa errada, que é a possibilidade de questionar de onde cada número veio.