Heimstaden reduz em mais de 99% o custo da decoração virtual de apartamentos

A empresa de gestão imobiliária Heimstaden oferece um exemplo raro e útil de adoção corporativa de IA: não é o "demos um chatbot a todos", mas a análise de processos específicos com custos claros antes e depois. A companhia usa o ChatGPT e o Codex na preparação de anúncios, na estimativa de aluguéis, na validação de dados e na análise de riscos climáticos.

A métrica mais expressiva surgiu nos Países Baixos. Antes, a preparação virtual da foto de um apartamento vazio custava cerca de €50. Depois da adoção de ferramentas generativas, o custo de uma imagem, segundo estimativa da Heimstaden, caiu para menos de €0,10, uma redução de mais de 99%. A economia anual potencial apenas nesse mercado é estimada em €130.000.

Mas o mais importante não é a imagem barata. A empresa está reconstruindo todo o percurso de um apartamento vago: o sistema ajuda a sugerir o preço, preparar imagens e descrição, verificar o anúncio publicado segundo os padrões internos e reunir o retorno do mercado. O funcionário continua aprovando o resultado e respondendo pela decisão.

Não um chatbot, mas um processo conectado

Imagine um apartamento que ficou vago. O gerente precisa estimar o valor do aluguel, encomendar fotos, redigir o anúncio, verificar sua qualidade e depois entender por que o imóvel está demorando a ser alugado. Se apenas o texto da descrição for automatizado, o ganho será pequeno: os demais atrasos não desaparecem.

A Heimstaden partiu do processo como um todo. Foram criadas ferramentas baseadas no ChatGPT para os funcionários, uma equipe central coordena as mudanças e os dados dos sistemas de gestão imobiliária vão sendo preparados aos poucos para o processamento por máquina. É a parte chata da adoção, mas é ela que separa um sistema funcional de uma demonstração vistosa.

A abordagem vale além do setor imobiliário. Uma equipe de produto deve escolher uma jornada de cliente repetível, medir seu custo e duração, encontrar as transições manuais entre sistemas e só então conectar um modelo. A métrica não deve ser o volume de consultas à IA, mas a redução de tempo, erros ou despesas por operação concluída.

Quando a especialista monta a própria ferramenta

O segundo caso da Heimstaden é ainda mais interessante para desenvolvedores. A analista de sustentabilidade Julie Erlandsen precisava avaliar os riscos climáticos do portfólio. As informações de origem estavam em diferentes fontes abertas, formatos e conjuntos de dados. Normalmente, um projeto assim exigiria uma equipe de engenharia própria ou consultores.

Com o Codex, a analista construiu um pipeline repetível de busca, limpeza, padronização e validação de dados. Como resultado, foram avaliados 20.112 imóveis e geradas mais de seis milhões de linhas de dados úteis. Pela estimativa interna da empresa, o volume de trabalho caiu de cinco pessoas por um ano, como se previa, para duas pessoas por dois meses.

Isso não significa que o modelo tenha feito sozinho uma pesquisa confiável. A metodologia e a verificação ficaram com a especialista. O esquema prático é este: o especialista define regras e exemplos de controle, a IA ajuda a escrever e encadear as operações de processamento, e a pessoa confere amostras, exceções e cálculos finais.

O que o caso ainda não comprova

O material foi publicado pela OpenAI e é, no fundo, um caso de cliente; por isso, os números devem ser vistos como dados da própria Heimstaden, e não como resultado de uma auditoria independente. Não foram revelados os custos de licenças, integração, treinamento de funcionários, controle de qualidade e suporte das soluções criadas. Também não há indicadores de erros nas recomendações de preço nem do efeito da automação no prazo de locação.

Ainda assim, o caso oferece um arcabouço viável. Comece não pela escolha do modelo, mas por um mapa do processo e uma métrica inicial. Mantenha com as pessoas o direito de aprovar decisões financeiras e de clientes. Nos pipelines de dados, adicione verificações automáticas, um registro de procedência das fontes e conjuntos de teste com resultado conhecido.

A principal conclusão é simples: o retorno notável surge quando a IA tem acesso a dados preparados e é incorporada entre as etapas do trabalho real. Um chat corporativo, por si só, economiza minutos. Um processo reconstruído pode economizar meses, mas apenas se a empresa medir a qualidade e não transferir ao modelo uma responsabilidade que ele não pode assumir.