Fiabilidade da IA na avaliação imobiliária é a pergunta que o avaliador tem de fazer sempre que usa um resultado produzido por uma ferramenta de inteligência artificial: posso confiar nisto? A IA escreve com segurança, organiza com rapidez e raramente diz “não sei”. É precisamente por isso que pode errar sem que se note.
Este é o terceiro artigo do ciclo sobre o uso responsável da IA na avaliação. Depois de tratar o que dizem as normas e a proteção de dados, chego ao dever mais exigente da norma RICS: a decisão escrita sobre a fiabilidade de cada resultado da IA com impacto material.
Fiabilidade da IA na avaliação imobiliária: porque é que a IA erra
A norma da RICS sobre o uso responsável de IA, em vigor desde 9 de março de 2026 e obrigatória para os membros, parte de uma constatação: os resultados de um sistema de IA nem sempre são totalmente previsíveis nem totalmente explicáveis, e há sempre um risco inerente de erro ou de enviesamento. As causas podem ser a qualidade dos dados de treino, a programação, a falta de diversidade dos dados, as limitações do próprio sistema ou até os enviesamentos de quem o usa.
O IVSC, no Perspectives Paper sobre IA (julho de 2025), dá nome ao problema mais conhecido: as “alucinações”, respostas inexatas apresentadas como se fossem factos. Para a fiabilidade da IA na avaliação imobiliária, este é o risco central: um erro que parece uma resposta certa.
Fiabilidade da IA na avaliação imobiliária: três erros típicos
Os exemplos seguintes são ilustrativos, mas correspondem a erros que qualquer avaliador que use IA já encontrou ou vai encontrar.
1. A área trocada. Peço à IA que extraia as áreas de uma caderneta predial digitalizada. O resultado indica 95 m² de área bruta privativa. Na caderneta, a área é de 59 m². A IA leu mal os algarismos de uma digitalização de fraca qualidade. Se a área passar para o relatório sem verificação, o valor fica sobreavaliado em mais de metade.
2. O comparável que não existe. Peço à IA uma lista de apartamentos T2 à venda numa freguesia. Recebo dez anúncios bem organizados, com preços e áreas. Ao verificar, dois não existem, um é o mesmo imóvel anunciado por duas agências e outro está noutra freguesia. A lista parecia completa e coerente. Não era.
3. A estatística inventada. Peço à IA uma primeira versão do enquadramento de mercado. O texto refere uma variação de preços num determinado trimestre, atribuída a uma fonte oficial. Quando procuro o valor na fonte, não o encontro, ou encontro um valor diferente. O parágrafo estava bem escrito. O número estava errado.
Em nenhum dos três casos a IA avisou que podia estar enganada. A fiabilidade da IA na avaliação imobiliária não se presume: verifica-se.
A decisão escrita sobre a fiabilidade da IA na avaliação imobiliária
A secção 4.2 da norma RICS estabelece que os membros e as firmas reguladas têm de aplicar o seu julgamento profissional para decidir sobre a fiabilidade de qualquer resultado de IA que tenha impacto material no serviço. A norma define o julgamento profissional como a combinação de conhecimento, competência, experiência e ceticismo profissional.
Essa decisão tem de ficar escrita e tem de indicar:
- os pressupostos relevantes que foram adotados;
- as principais preocupações quanto à fiabilidade, incluindo a fiabilidade dos dados de base;
- a razão de cada preocupação;
- se alguma coisa pode ser feita para a atenuar;
- o impacto das preocupações na fiabilidade global do resultado, com uma conclusão sobre se o resultado pode razoavelmente ser usado para o fim pretendido.
A decisão tem de ser preparada por um avaliador devidamente qualificado e identificado pelo nome, ou sob a sua supervisão, que assume a responsabilidade pelo uso do resultado. Na fiabilidade da IA na avaliação imobiliária, a responsabilidade tem sempre um nome.
Quando o avaliador conclui que um resultado não pode ser usado para o fim pretendido, tem de o comunicar por escrito ao cliente, com a fundamentação ou um resumo dela.
Fiabilidade da IA na avaliação imobiliária: um modelo de decisão escrita
A norma não impõe um formato para registar a fiabilidade da IA na avaliação imobiliária. Proponho um modelo simples, aplicado ao primeiro exemplo, o da área trocada:
Resultado avaliado: extração das áreas da caderneta predial da fração em avaliação, feita com ferramenta de IA.
Pressupostos: a caderneta disponibilizada pelo cliente é a versão em vigor.
Preocupações: (1) a caderneta é uma digitalização de baixa qualidade, o que aumenta o risco de erro de leitura; (2) a área extraída (95 m²) não é coerente com a tipologia T1 indicada na mesma caderneta.
Medidas tomadas: verificação manual da caderneta original e confronto com a certidão permanente e com a medição feita na vistoria.
Conclusão: a área correta é de 59 m². O resultado da IA não é fiável para este fim e não foi usado. As áreas constantes do relatório foram verificadas manualmente.
Responsável: João Fonseca, MRICS.
Este registo ocupa poucas linhas e fica no processo de avaliação. Se a avaliação for contestada, mostra exatamente onde a IA entrou, que erro produziu e como foi corrigido. Neste caso, como o resultado não foi usado no relatório, não houve impacto no serviço prestado ao cliente, mas a decisão fica registada.
Fiabilidade da IA na avaliação imobiliária em grande volume: amostragem
A norma RICS reconhece que, quando a IA é usada para automatizar resultados ou produzir grandes volumes, não é necessário nem proporcional fazer uma decisão escrita para cada um. Mas a firma continua responsável por cada resultado. Por isso, tem de fazer amostragens aleatórias regulares dos resultados para verificar e garantir a sua qualidade.
Exemplo prático: se uso IA para extrair rotineiramente as áreas de todas as cadernetas que recebo, verifico manualmente, a intervalos regulares, uma amostra aleatória dessas extrações e registo o resultado. Se a taxa de erro for relevante, a ferramenta deixa de ser fiável para essa tarefa e a fiabilidade da IA na avaliação imobiliária tem de ser reavaliada.
Fiabilidade da IA na avaliação imobiliária: as técnicas que já conhecemos
O IVSC lembra que a IVS 104 exige que a origem, a seleção e a utilização dos dados significativos sejam explicadas, justificadas e documentadas (50.01). Para o conseguir com dados produzidos por IA, o avaliador pode usar técnicas como a amostragem, a comparação com referências, a calibração ou o recálculo. Nada disto é novo. São as técnicas que um bom avaliador sempre usou para testar qualquer fonte de informação. A fiabilidade da IA na avaliação imobiliária testa-se com o mesmo ceticismo com que se testa um anúncio de imobiliária ou uma informação dada pelo proprietário.
Checklist de fiabilidade da IA na avaliação imobiliária
- O resultado da IA tem impacto material na avaliação? Se sim, é preciso decisão escrita.
- Confrontei o resultado com a fonte original (caderneta, certidão, anúncio, estatística oficial)?
- O resultado é coerente com o resto da informação (tipologia, área, localização, preço)?
- Registei os pressupostos, as preocupações, as medidas tomadas e a conclusão?
- A decisão está assinada por um avaliador identificado?
- Se o resultado não puder ser usado e o cliente o esperasse, comuniquei-o por escrito?
- Em uso repetido ou automático, faço amostragens aleatórias regulares?
A decisão escrita fica no processo e sustenta o que depois aparece no relatório de avaliação imobiliária.
Princípios normativos
A fiabilidade da IA na avaliação imobiliária enquadra-se nas seguintes referências: RICS, Responsible use of artificial intelligence in surveying practice, 1.ª edição, setembro de 2025, em vigor desde 9 de março de 2026, secção 4.2. IVS 104 Data and Inputs (50.01) e IVS 105 Valuation Models (40.02 e 40.03), International Valuation Standards efetivas desde 31 de janeiro de 2025. IVSC Perspectives Paper: Navigating the Rise of Artificial Intelligence in Valuation, julho de 2025.
Este artigo foi escrito por João Fonseca, perito avaliador de imóveis certificado pela CMVM. O conteúdo tem caráter informativo e não substitui parecer técnico específico para cada situação.
A IA raramente diz “não sei”. Por isso, cabe ao avaliador dizer, por escrito, se o que ela respondeu é fiável.
João Fonseca, perito avaliador de imóveis certificado pela CMVM
Factos, pressupostos e limitações
Este artigo baseia-se na norma profissional RICS “Responsible use of artificial intelligence in surveying practice” (1.ª edição, setembro de 2025, em vigor desde 9 de março de 2026), nas IVS (efetivas desde 31 de janeiro de 2025) e no Perspectives Paper do IVSC sobre IA (julho de 2025). Os três erros descritos e o modelo de decisão escrita são ilustrativos. A norma RICS não impõe um formato para a decisão escrita; o modelo apresentado é uma proposta.
Referências normativas
- RICS – Responsible use of artificial intelligence in surveying practice, 1.ª edição, setembro de 2025, em vigor desde 9 de março de 2026.
- IVSC – International Valuation Standards Council: IVS 104 Data and Inputs; IVS 105 Valuation Models. International Valuation Standards, efetivas desde 31 de janeiro de 2025. Perspectives Paper: Navigating the Rise of Artificial Intelligence in Valuation, julho de 2025.
Perguntas frequentes
O que é a decisão escrita sobre a fiabilidade da IA na avaliação imobiliária?
É o registo, exigido pela secção 4.2 da norma RICS, em que o avaliador decide se um resultado de IA com impacto material pode ser usado. Indica os pressupostos, as preocupações e a sua razão, as medidas tomadas e a conclusão, e é preparado por um avaliador qualificado e identificado, ou sob a sua supervisão.
É preciso uma decisão escrita para cada resultado da IA?
Para cada resultado com impacto material, sim. Quando a IA é usada de forma automática ou em grande volume, a norma RICS admite que não se faça uma decisão para cada resultado, mas exige amostragens aleatórias regulares para verificar a qualidade.
O que acontece se o resultado da IA não for fiável?
Não é usado. Se o avaliador concluir que um resultado não pode ser usado para o fim pretendido, tem de o comunicar por escrito ao cliente, com a fundamentação ou um resumo dela.
Como se verifica a fiabilidade da IA na avaliação imobiliária?
Confrontando o resultado com as fontes originais, verificando a sua coerência com a restante informação e usando técnicas como a amostragem, a comparação com referências, a calibração ou o recálculo. É o mesmo ceticismo profissional que o avaliador aplica a qualquer fonte de informação.
