A IA vai mudar o valuation das empresas?

No meu mestrado, eu dissertei sobre valuation, pauta corporativa que muita gente fala e pouca gente realmente entende. Na época, eu li mais de 140 artigos científicos para buscar entender de que maneira big data poderia contribuir com a avaliação de empresas por fluxo de caixa descontado. Minha linha de pensamento era que caminharíamos cada vez mais para modelos financeiros robustos e mais livres de vieses, uma vez que cada variável a ser estabelecida como premissa das projeções poderia ter uma fundamentação estatística relevante.

Seis anos se passaram da minha dissertação e, mais uma vez, a intersecção da tecnologia com a ciência de valuation me intriga. Dessa vez, porém, com uma leitura mais lúcida, estou pensando menos na hiper sofisticação de modelos por big data usando dos mesmos métodos e mais se os métodos ainda se sustentam.

Há décadas, ensinamos e praticamos a mesma liturgia: projetar 5 a 7 anos de fluxo de caixa explícito, chegar a um ano-base "normalizado" e aplicar o modelo de Gordon para capturar a perpetuidade. Uma explicação técnica para aquilo que eu sempre falo: "valuation é um exercício frustrado de tentar transformar renda variável em renda fixa".

O resultado dessa arquitetura conceitual, como qualquer analista sabe, é que 60% a 80% do valor presente de uma empresa típica se concentra no valor terminal. Ou seja: a maior parte do que chamamos de valuation de uma empresa depende da hipótese mais frágil do modelo — a de que existe uma perpetuidade a ser capturada.

Sempre foi assim. O que mudou é que essa fragilidade, antes acadêmica, virou material.

A premissa silenciosa que sustentava tudo

Gordon não é um modelo sobre crescimento. É um modelo sobre continuidade. Sua matemática é trivial; sua premissa, não. Ele assume que, após o período explícito, a empresa terá fluxos estáveis e crescimento sustentável até o fim dos tempos. Em outras palavras: assume que a empresa existirá em horizonte indefinido, operando uma vantagem competitiva durável.

Essa premissa nasceu num mundo onde a meia-vida das empresas do S&P 500 era de aproximadamente 33 anos. Hoje é cerca de 15 — e caindo. A literatura de longevidade corporativa (Reeves, Innosight, Foster) já vinha apontando essa tendência muito antes da IA generativa. A IA não criou o fenômeno. Ela o acelerou em ordem de magnitude.

Os três pilares que estão cedendo

Quando se observa de perto, três premissas implícitas do modelo de Gordon estão sob estresse simultâneo.

A primeira é o going concern indefinido. A IA não está apenas tornando empresas mais eficientes — está tornando categorias inteiras de negócio estruturalmente menos necessárias. Agências de tradução, BPOs de processos repetitivos, partes substanciais de customer service, diversos nichos de criação de conteúdo: não estão sofrendo erosão de margem, estão sofrendo erosão de razão de existir. Para esses ativos, a pergunta não é qual o "g" estável. É se haverá empresa em 10 anos.

A segunda é a estabilidade do crescimento terminal. Gordon exige que, no estado estacionário, "g" seja constante e inferior ao custo de capital. Mas em um ambiente onde tecnologia redesenha cadeias de valor a cada 24 meses, "g" deixou de ser uma variável bem-comportada. Empresas hoje vivem em distribuição bimodal: ou capturam IA e crescem de forma explosiva e instável, ou são capturadas por ela e veem g virar negativo. A média desapareceu.

A terceira é a previsibilidade do fluxo de saída. O ano-base do valor terminal é, na prática, uma ficção útil — uma extrapolação do que esperamos ser "normal". Quando o conceito de normalidade operacional dura menos do que o próprio período explícito de projeção, essa âncora some.

O analista honesto contra o analista preguiçoso

Aqui está a provocação central: continuar usando Gordon como método universal hoje talvez seja apenas uma inércia metodológica disfarçada de rigor técnico clássico.

Não se trata de aposentar o modelo. Trata-se de reconhecer que ele foi desenhado para um regime econômico de obsolescência lenta — e que aplicá-lo indistintamente a um banco tradicional, a uma empresa de tradução e a uma utility regulada produz três níveis muito diferentes de erro embutido. O primeiro é tolerável. Os outros dois, não.

O analista honesto na era da IA precisa fazer uma pergunta antes de abrir a planilha: qual é o regime de incerteza tecnológica do ativo que estou analisando? Essa classificação prévia deveria preceder a escolha de método, não seguir dela.

Caminhos metodológicos que precisam sair do papel

Se a crítica é fácil, o substituto exige humildade. Não há um único modelo herdeiro de Gordon — há um leque de ferramentas que precisam ser escolhidas conforme o ativo. Esse é, na minha visão, o trabalho que o analista da próxima década vai precisar fazer.

DCF com horizonte finito e valor de liquidação. Para negócios em que a disrupção já é visível pela tecnologia que existe hoje — não pela que talvez exista —, abandonar a perpetuidade não é heresia. É honestidade. Projeta-se 8 a 12 anos e assume-se valor residual de ativos. Conservador, defensável, e frequentemente mais próximo do valor real do que um Gordon otimista.

DCF com g estocástico e probabilidade explícita de disrupção. Para negócios aparentemente perpétuos, mas estruturalmente expostos, mantém-se a arquitetura do DCF e introduz-se uma variável: probabilidade anual de ruptura material do modelo de negócio. Um haircut probabilístico no valor terminal. É menos elegante, mas captura algo que Gordon estático não captura — o fato de que perpetuidade é hipótese, não dado.

Real options para captadores de IA. Para empresas cujo valor está mais na flexibilidade de capturar novos mercados habilitados pela IA do que em fluxos previsíveis, o ferramental de opções reais (Black-Scholes adaptado) é matematicamente mais coerente do que projeção de fluxo. Hyperscalers, plataformas com data moat, parte da infraestrutura tech.

Gordon com humildade epistêmica. Para utilities reguladas, infraestrutura crítica, bens de consumo de marca dominante e ativos físicos escassos, o modelo tradicional ainda serve. Mas merece um prêmio de incerteza tecnológica sistêmica embutido no "g" — talvez 50 a 100 bps a menos do que se usaria há 10 anos.

A dualidade que sempre esteve lá

Valuation sempre foi mistura de ciência e arte. Graham sabia. Buffett sabe. Damodaran escreve sobre isso há trinta anos. O que muda agora é a proporção da mistura por tipo de ativo.

Em utilities, valuation continua sendo 80% ciência e 20% julgamento. Em uma edtech ou em um banco médio, a proporção pode estar invertida. O erro contemporâneo não é usar arte demais. É fingir, com a precisão de três casas decimais no DCF, que ainda estamos no regime onde a ciência dava conta sozinha.

Seis anos atrás, eu apostei que big data tornaria valuation mais científico. Hoje, vejo que a tecnologia trouxe o efeito inverso: ela não eliminou a arte do método, ela ampliou o espaço onde a arte é necessária. Modelos com mais dados, mas aplicados a um mundo onde a perpetuidade evaporou, não são mais precisos. São apenas mais confiantes no erro.

A pergunta que importa

A provocação que deixo ao leitor não é "qual modelo usar". É anterior:

Quando você abre um relatório sell-side hoje, com um target price preciso até o centavo, você se pergunta qual era a premissa de perpetuidade embutida ali — e se ela faz sentido para aquele ativo, naquele setor, neste momento da história tecnológica?

Se a resposta é não, o problema não está nos analistas. Está na fé coletiva em um modelo que nunca resolveu sozinho — só era mais fácil fingir que sim.