_{INVESTOR TRACK}

Há alguns dias, li um artigo interessante publicado pelo Milstein Center for Real Estate, da Columbia Business School, e assinado por Donal Warde, fundador da Folio Strategy Partners.

E vejo o mesmo padrão por aqui.

Quando o crédito fica atrativo, todos correm para o crédito. Quando o Minha Casa, Minha Vida ganha força, todos passam a olhar para o econômico. Quando uma nova tese entra no radar, rapidamente surgem fundos, veículos e apresentações defendendo estratégias parecidas.

Ao mesmo tempo, quase todas as gestoras dizem estar usando inteligência artificial. Mas, na prática, a maioria usa IA para ganhar produtividade: gerar memorandos, revisar documentos, organizar informações e acelerar tarefas internas.

Isso é útil. Mas não diferencia ninguém.

Na leitura de Warde, esse tipo de aplicação gera “beta”: melhora a eficiência, reduz custo e ajuda a equipe a fazer mais com menos.

O verdadeiro diferencial está em usar IA para gerar “alfa”: produzir insights que os concorrentes ainda não têm e que, de fato, melhorem a alocação de capital.

Essa é a discussão mais relevante.

O problema das gestoras hoje não é apenas captar dinheiro. É provar que conseguem enxergar algo que os outros não enxergam.

Uma pesquisa da NAREIM aponta que 91% das empresas pesquisadas já haviam implementado sistemas de inteligência artificial, embora o próprio setor avaliasse sua maturidade em IA em apenas 5,7 de 10.

A diferença entre adoção e maturidade é enorme. Muitas empresas já compraram as ferramentas. Poucas mudaram a forma de investir.

Gerar um investment memo em menos tempo é positivo. Revisar um contrato com mais rapidez também. Ler um data room em horas, e não em dias, melhora a produtividade da equipe.

Mas qualquer concorrente pode contratar as mesmas soluções.

Quando uma tecnologia é acessível a todos, ela tende a reduzir custo e elevar o padrão mínimo de eficiência. Não cria, por si só, vantagem duradoura.

É o que Warde chama de beta.

Beta é usar IA para fazer melhor aquilo que o mercado inteiro já faz.

Alfa é usar IA para descobrir algo que o mercado ainda não percebeu.

A diferença é grande.

No primeiro caso, a gestora economiza horas de trabalho. No segundo, compra melhor, evita um risco, identifica uma oportunidade ou precifica um ativo de forma diferente.

Uma aplicação melhora a operação da gestora.

A outra pode melhorar o retorno do fundo.

Para mostrar que esse tipo de aplicação já é viável, Warde construiu um estudo sobre o mercado hoteleiro de Miami.

A base inicial tinha 272.014 avaliações de hóspedes de 470 hotéis no TripAdvisor, cobrindo aproximadamente 80% do mercado analisado.

Depois de remover duplicidades, respostas das administrações, comentários fora da janela selecionada e avaliações em outros idiomas, o conjunto foi reduzido para 82.546 registros.

A princípio, eram apenas milhares de textos soltos.

Um hóspede reclamava do atendimento. Outro, da limpeza. Outro, do barulho. Outro, da condição do quarto. Em uma análise convencional, essa massa de informação seria difícil de transformar em uma tese de investimento.

Warde usou ferramentas de codificação agêntica e um modelo de linguagem para estruturar esse conteúdo.

Cada reclamação foi classificada em três grupos.

Problemas operacionais incluíam atendimento, comunicação, limpeza, check-in, alimentação e manutenção cotidiana.

Problemas de capital envolviam condição dos quartos, banheiros, ar-condicionado, elevadores, áreas comuns e infraestrutura.

Problemas estruturais abrangiam atributos difíceis de corrigir, como localização, tamanho dos quartos, ruído permanente ou ausência de vista.

O modelo também identificou perfil do hóspede, intensidade da crítica, percepção de custo-benefício, disposição de retornar e os principais aspectos positivos mencionados.

O que antes era texto desorganizado virou uma base comparável entre ativos.

A principal descoberta foi que 56,8% das reclamações negativas estavam ligadas a problemas operacionais.

Esse resultado tem uma implicação clara para investimento.

Problemas estruturais costumam ser difíceis de resolver. Um hotel mal localizado continuará mal localizado. Um imóvel com quartos muito pequenos não muda de perfil apenas com uma troca de operador.

Problemas de capital são corrigíveis, mas exigem investimento.

Já problemas operacionais podem, em muitos casos, ser enfrentados com mudanças de equipe, treinamento, processos, manutenção, tecnologia e gestão.

Essa tese não é nova. O mercado imobiliário sempre procurou ativos com potencial de value-add.

A novidade está na capacidade de medir isso em escala.

Em vez de afirmar genericamente que um hotel tem “potencial de melhoria operacional”, a gestora pode identificar quais problemas aparecem com mais frequência, como eles afetam a percepção do cliente e quais ativos apresentam maior diferença entre qualidade da localização e qualidade da operação.

A IA não inventa a tese.

Ela transforma uma percepção subjetiva em um processo de triagem.

Warde também percebeu que 71,4% das avaliações eram de cinco estrelas.

Isso criava outro problema: a nota pública podia esconder distorções.

Por isso, foi criado um modelo de credibilidade.

As avaliações passaram a receber pesos diferentes de acordo com fatores como histórico do usuário, nível de detalhe, menção a funcionários, descrição de incidentes específicos e referência a aspectos concretos da experiência.

O objetivo não era decidir se cada hóspede estava dizendo a verdade.

Era separar comentários mais úteis de avaliações pouco informativas.

Com isso, alguns hotéis passaram a ter uma nota ajustada inferior à nota pública. Outros, como Four Seasons Miami e AC Brickell, apareceram com desempenho melhor depois do ajuste, indicando que a percepção agregada poderia subestimar a qualidade operacional desses ativos.

Esse é o tipo de divergência que interessa a um investidor.

Alfa normalmente surge quando a percepção dominante e a realidade econômica não coincidem.

Se todo mundo olha a mesma nota, não há vantagem.

Se uma gestora consegue entender por que aquela nota pode estar errada, começa a existir uma leitura própria.

O ativo com maior aparente potencial foi o Holiday Inn Port of Miami.

O hotel combinava uma boa avaliação de localização com uma operação muito mal avaliada. Em tese, era exatamente o tipo de ativo que o modelo buscava: bom endereço, operação fraca e espaço para reposicionamento.

Mas profissionais com conhecimento do mercado local identificaram um detalhe decisivo.

O imóvel era, na prática, uma tese de terreno. Havia previsão de demolição do hotel para dar lugar a um empreendimento de uso misto com 82 pavimentos.

A operação fraca podia não ser resultado de incompetência.

Podia ser uma decisão racional de não investir em um ativo próximo do fim de sua vida econômica.

O modelo encontrou uma anomalia verdadeira, mas interpretou mal a oportunidade.

Esse episódio é talvez a parte mais importante do estudo.

A IA pode encontrar padrões que um analista não conseguiria identificar manualmente. Mas quem decide se o padrão faz sentido continua sendo o profissional de mercado.

Sem o modelo, o ativo talvez nem aparecesse na triagem.

Sem conhecimento imobiliário, a gestora poderia transformar um bom sinal estatístico em uma tese ruim.

O valor está na combinação.

Warde não é engenheiro de software nem cientista de dados.

Ainda assim, conseguiu organizar dezenas de milhares de avaliações, criar classificações, desenvolver um modelo de credibilidade e produzir um ranking de oportunidades.

Isso mostra que o custo técnico para construir análises proprietárias caiu de forma relevante.

O gargalo mudou.

O problema já não é apenas saber programar.

É saber o que perguntar.

Essas perguntas exigem experiência de domínio.

Um programador pode construir uma ferramenta que leia alvarás, licenças, registros de propriedade e certificados de ocupação.

Mas alguém precisa saber quais documentos alteram de fato uma tese de oferta, quais aprovações têm pouca consequência prática e quais atrasos administrativos podem comprometer uma entrega.

A ferramenta é horizontal.

O alfa vem da pergunta vertical.

Quando todos tiverem acesso à mesma análise, ela deixará de ser alfa.

É o chamado “alpha decay".

A oportunidade atual existe porque a tecnologia avançou mais rápido do que a capacidade das empresas de reorganizar seus processos.

Muitas gestoras já usam IA como assistente.

Poucas a incorporaram ao underwriting.

Menos ainda construíram uma base própria de dados, validação e acompanhamento que alimente decisões recorrentes.

Essa distância não ficará aberta por muito tempo.

As grandes plataformas têm escala, capital e capacidade de contratar. Gestores pequenos e especializados podem usar ferramentas acessíveis para operar com equipes enxutas e aprofundar teses de nicho.

Quem tende a sofrer mais é o meio indiferenciado.

A estrutura provável é um mercado em formato de barbell: grandes plataformas ficando maiores de um lado e gestoras especializadas surgindo do outro.

No centro, casas com discursos semelhantes, dados semelhantes e estratégias semelhantes competindo por um capital cada vez mais concentrado.

Para começar a receber o conteúdo semanal, basta estar inscrito no Radar Terracotta e clicar aqui.

_{NO NOSSO RADAR}

_{FIQUE DE OLHO}

_FEEDBACK

Se gostou do conteúdo, encaminhe para um conhecido seu