Um conteúdo que me deixou reflexivo

Hoje, assisti a um conteúdo do meu grande amigo Marcus Anselmo, cofundador da Terracotta Ventures, em uma reunião com imobiliárias promovida pelo Júlio Casas. A pauta foi tecnologia — com foco na CoStar — e, sinceramente, saí ainda mais reflexivo. Desde a primeira vez que o Marcus me apresentou o tema, isso virou quase uma obsessão: como replicar no Brasil um modelo que transforma dados + IA em transações?

Para quem não conhece, a CoStar Group é uma empresa de capital aberto, listada na NASDAQ sob o código CSGP. A CoStar é líder global em fornecer informações e análises sobre o mercado imobiliário, além de operar marketplaces online como o Apartments.com, Homes.com, LoopNet e Ten-X. A tese é digitalizar o mercado e reduzir atrito na compra, locação e venda de imóveis por meio de dados e produtos transacionais. Em 2024/2025, a CoStar avançou também em gêmeos digitais/3D ao anunciar e concluir a aquisição da Matterport, reforçando visão computacional e automação de due diligence.

O grande ponto é que esses caras conseguiram criar uma tese controlando um volume de dados significativo o bastante para desenvolver inteligência artificial de uma forma inteligente e eficiente para o mercado americano e chegando em uma tese bilionária que envolve utilização de IA e transações. É por isso que o Anselmo me deixou “do jeito ilustrado”:

Imagem ilustrando como Anselmo me deixou depois de mostrar o case da CoStar. Foto: Reprodução.

Quem já me ouviu falar sobre a Morada.ai sabe que nossa tese inicial sempre esteve conectada com essa abordagem, e que encaramos o modelo transacional de IA como uma forma de atingir esse objetivo.  

Para resumir em uma frase: a CoStar transforma dados em motor de negócio — gerando liquidez, crédito e precificação em escala — e isso aponta caminhos práticos para quem é do mercado imobiliário no Brasil.

Mas é preciso reconhecer a complexidade de fazer algo semelhante aqui: a CoStar foi fundada em 1987 e acumulou décadas de dados, marcas e M&As antes de chegar ao play atual — o que dá noção do tamanho do desafio. Por isso, na Morada.ai estamos atacando uma construção gradual: começar onde o impacto é concreto (operações que geram dados e automações que derrubam custo transacional), consolidar qualidade de base e, passo a passo, embarcar IA diretamente no fluxo da transação.

Por que a CoStar virou meu case-guia

Aprendi com o Anselmo que a CoStar nasceu com a mentalidade voltada para dados (data-first), consolidando MLS e outras fontes. A empresa abriu capital em 1998 e, com o tempo, expandiu-se para marketplaces e plataformas de transação — como Apartments.com (aluguel residencial), Ten-X (transações comerciais) e Homes.com (residencial à venda).

O pulo do gato? Usar o banco de dados para alimentar IA e fechar o ciclo: buscar, precificar, transacionar, analisar risco e originação de crédito em um mesmo ecossistema.

Alguns pontos que me marcaram:

●  Precificação e liquidez: no Apartments.com, dados + IA ajudam a encontrar o “melhor preço” no aluguel; no Ten-X, o data room e análises assistidas por IA reduzem atrito e aceleram a tomada de decisão do investidor.

●  Sugerir negócios: a IA passa a sugerir transações alinhadas à tese do fundo: mais um empurrão na liquidez.

●  Risco e crédito: além de pontuar risco, a plataforma origina a operação com o veículo adequado, já com documentação e dados estruturados.

●  3D como dado: a compra do Matterport adicionou gêmeos digitais e visão computacional para precificar condição interna de imóveis a partir de imagens (dados visuais também são dados).

Resultado? A CoStar declarou-se uma “data + AI company”, e quase metade da receita passou a vir de intermediação, não só de assinaturas de dados, em uma jornada recente impulsionada por IA .

Três ideias que levo comigo

1) IA derruba custo transacional  e isso muda o jogo

Anselmo reforçou olhar tecnologia pela ótica do custo por transação. Em intermediação, 37% das tarefas são automatizáveis (muito puxadas por IA), o que pode destravar ganhos relevantes de eficiência e acelerar a liquidez do mercado.

Tradução prática: se conferir documentos e preparar contratos passam a custar quase nada, até o modelo operacional pode inverter (“fechar primeiro, checar depois”), porque o custo de checar despenca.

Essa tese conversa diretamente com a nossa visão na Morada.ai: agentes de IA para reduzir tarefas operacionais e repetitivas. Em frentes como análise e concessão de crédito, o impacto é duplo: queda de custo e mais eficiência na originação, com decisões rápidas, rastreáveis e consistentes ao longo do funil.

2) Ops-first vs. Data-first, o que são e por que isso importa agora

Data-first significa começar pelo dado. A empresa prioriza construir e manter bases extensas, limpas e historicamente consistentes, além de taxonomias e processos de governança. A partir daí, lança produtos analíticos, motores de preço, marketplaces e, por fim, camadas transacionais. É o caminho clássico da CoStar nos EUA, que partiu de um acervo profundo de informações para depois acelerar produtos de busca, precificação, originação de crédito e fechamento.

Ops-first significa começar pela operação. A empresa prioriza fluxos de trabalho que resolvem tarefas do dia a dia, capturam dados no momento em que o trabalho acontece e, com o uso repetido, criam um histórico confiável. Na prática, o dado nasce do processo real e vai se enriquecendo até permitir automação, recomendações e, por fim, modelos de risco e preço.

Como isso aparece no Brasil, segundo os slides do Anselmo

Sinais de data-first no Brasil, ainda em construção:

• RID, Registro de Imóveis Digital: existe um volume grande de dados públicos digitalizados, porém muitas vezes “embrulhados” em PDFs e formatos pouco estruturados. Tecnicamente dá para extrair, o gargalo é padronização e modelo de monetização.
• Portais trabalhando qualidade de base: esforços de deduplicação e contagem de imóveis únicos com IA nos grandes portais ajudam a subir o nível de confiabilidade do acervo. É um passo chave para migrar de mídia para passos mais próximos de transação.

Casos ops-first apontados nos slides

• Morada.ai: foco em operação comercial e de atendimento, com agentes de IA reduzindo tarefas repetitivas, capturando dados de pré-venda, venda e pós-venda, e conectando essas evidências a decisões de funil e, progressivamente, a crédito. O dado nasce do trabalho que o time já faz e evolui para inteligência acionável.
• MySide (Hero): priorização da agenda e recomendações ao corretor no fluxo de trabalho, ou seja, dado gerado a partir da rotina comercial, que depois alimenta recomendações melhores.
• CUBE: agentes de IA definindo estratégias de cobrança por carteira, outra frente em que a operação diária produz sinais que viram decisão.

3) “Homem de ferro”: humano + tecnologia

O profissional não sai da equação, ele fica melhor com o suporte certo. Ferramentas que priorizam agenda, recomendam imóveis e embutem inteligência de carteira elevam o desempenho do corretor.

Exemplos citados nos slides

• MySide (Hero): apoio ao corretor no dia a dia, com priorização de contatos e recomendações de próximos passos a partir do contexto do cliente.
• CUBE: uso de agentes de IA para definir estratégia de cobrança por carteira, transformando dados operacionais em decisões práticas.

Como isso conversa com a Morada.ai

O copiloto de vendas Morada.ai atua como camada de “armadura” do corretor:

○ Organiza a fila de leads por probabilidade de conversão;

○ Sugere imóveis e argumentos com base no histórico;

○ Dispara tarefas e follow-ups no momento certo;

○ Registra provas de funil para aprendizado contínuo.

O objetivo é formar o corretor híbrido: gente boa na negociação, apoiada por IA que reduz atrito operacional e aumenta a taxa de conversão com consistência.

Brasil, aqui e agora: sinais práticos que o Anselmo trouxe

• Qualidade de base: o ZAP já usa IA (inclusive visão) para desduplicar anúncios e saber quantos imóveis reais existem na plataforma — um passo essencial para migrar de mídia para transação.
• Dados públicos existem (mas “embrulhados”): o RID concentra informação em PDFs; tecnologicamente, dá para extrair — o desafio é modelo de monetização e padronização .
• Chatbots com “infra de decisão”: além do atendimento, o valor está nos motores de decisão que aprendem com as transações — tema que o Anselmo conectou ao nosso trabalho na Morada.ai.

Recomendações do Anselmo que já posso aplicar na imobiliária

1) Acompanhe IA onde dói no bolso: contratos, compliance e jurídico (tudo texto) são alvos prioritários de LLMs; é aqui que a redução de custo transacional aparece primeiro.

2) Meça custo por transação de ponta a ponta (do aperto de mão à entrega da chave) e teste automações onde o impacto é maior.

3) Prepare a casa para a convergência de dados (quando ela chegar, quem já estiver bem suportado por tecnologia vai ampliar margens).

4) Treine o time para o “homem de ferro”: ferramentas recomendam; gente boa fecha — profissional que sabe usar IA vale mais.

Conclusão

Saí do encontro com a certeza de que dados bem tratados e IA aplicada ao processo já não são tendência, são vantagem competitiva real. A CoStar prova que dá para transformar informação em liquidez, preço e crédito. No Brasil, o caminho passa por operação que gera dado, automações que derrubam custo transacional e profissionais preparados para trabalhar em dupla com a máquina. É exatamente nessa direção que estamos avançando na Morada.ai, com passos consistentes e mensuráveis.

Próximos passos

Para entender melhor a visão da Terracotta Ventures sobre a CoStar e a aplicação de IA no mercado imobiliário brasileiro, sugiro a leitura do artigo “CoStar: dados, IA e mercado imobiliário no Brasil” no Terracotta Radar. O texto aprofunda a tese e pode ajudar a identificar pontos de ação para o seu negócio.

Transforme o Modo Ops-First em Resultado

Se você deseja ver na prática como estamos usando agentes de IA para otimizar tarefas operacionais, capturar dados e, por fim, converter tudo isso em vendas, análise de risco e crédito, entre em contato com a Morada.ai.

Quero operar em modo Ops-first com IA e medir ganho por transação.

Autor: