1. O mito da imunidade
Durante anos, o mercado de arte assistiu ao avanço da inteligência artificial com um distanciamento quase entediado. Enquanto algoritmos desmontavam a indústria da música, reescreviam roteiros em Hollywood e obrigavam ilustradores a rever seus contratos — a ponto de a revista TIME publicar um ensaio sugerindo que artistas humanos talvez precisem produzir obras deliberadamente mais "imperfeitas" para provar que não foram feitas por máquinas —, galeristas, advisors e leiloeiros mantiveram a calma. A convicção nos bastidores era simples: o comércio de arte seria emocional demais, subjetivo demais e humano demais para caber em uma planilha.
Essa convicção durou pouco.
O erro de cálculo foi olhar para o lugar errado. Enquanto o debate público se concentrava na estética das imagens geradas por computador e na polêmica sobre direitos autorais, a verdadeira ruptura entrou pelos fundos de forma silenciosa. Ela não veio substituir o pintor no ateliê; veio iluminar a sala fechada onde se decide quanto a pintura vale.
A infraestrutura de dados e o machine learning estão fazendo com o negócio da arte algo que o setor evitou por séculos: reduzir a opacidade. Quando um sistema consegue cruzar milhões de registros históricos de vendas, proveniência e comparações visuais em segundos, a pergunta deixa de ser se um robô pode criar uma obra-prima. A questão, bem mais incômoda para quem vive desse ecossistema, é outra: o que acontece com um mercado inteiro quando seus velhos segredos param de funcionar?
2. A economia do segredo sob pressão
O mercado de arte sempre funcionou à base de assimetria de informação. Fortunas mudam de mãos nesse setor por motivos que seriam considerados crime em qualquer bolsa de valores: um telefonema avisando que uma grande galeria vai anunciar a representação de um artista, ou o valor exato de uma venda privada vazado cinco minutos antes de chegar ao restante do mercado. Quem opera nos bastidores sabe que a opacidade nunca foi um defeito do sistema — ela é o próprio modelo de negócio.
Nos textos acadêmicos, essa engrenagem é tratada como uma característica estrutural. Em estudo publicado no Cambridge Forum on AI: Law and Governance, pesquisadores analisam como a assimetria informacional sustenta os mecanismos tradicionais de sinalização e confiança entre compradores e vendedores de arte — e como a entrada da inteligência artificial começa a corroer esse monopólio de acesso.
Não é a primeira vez que a tecnologia ameaça quem lucra no escuro. Quando os bancos de dados de leilões foram digitalizados e abertos ao público na internet, boa parte dos marchands de Old Masters perdeu sua principal vantagem competitiva: o controle sobre o histórico de preços. Hoje, a diferença é de escala e velocidade.
O sinal mais claro de que essa virada deixou de ser promessa está na consolidação de novas infra estruturas analíticas voltadas ao setor. Plataformas como o Arteindex respondem justamente a essa demanda, permitindo que colecionadores, galeristas e pesquisadores cruzem dados históricos, rastreiem proveniências e analisem o comportamento de mercado com um nível de profundidade que, até ontem, exigia uma equipe dedicada de advisors privados.
A ciência de dados já vinha apontando que o olhômetro dos especialistas tem falhas mensuráveis. No estudo "Can Machine Learning Predict the Price of Art at Auction?", publicado na Harvard Data Science Review (2020) com base em pesquisa de Aubry et al. (2019), os autores demonstraram que modelos de aprendizado de máquina superam a regressão hedônica* tradicional na previsão de preços de leilão. Mais incômodo para os escritórios de avaliação: os algoritmos se mostraram menos suscetíveis a vieses humanos clássicos, como a resistência de avaliadores em reduzir estimativas de catálogo quando o mercado de um artista começa a esfriar.
Quando um sistema consegue cruzar milhões de transações históricas em segundos e expor distorções de preço sem o peso das relações pessoais, a margem de manobra de quem vende apenas "acesso exclusivo" encolhe. A sala fechada começa a ficar transparente — queiram ou não os seus antigos donos.
(*) A regressão hedônica é uma técnica estatística e econométrica usada para estimar o valor ou o preço de um bem (ou a demanda por ele) decompondo-o em seus atributos individuais.
3. Onde a IA já entrega valor real
O setor financeiro tem pouca paciência para subjetividade. Não por acaso, a adoção mais acelerada de inteligência artificial na avaliação de obras de arte vem acontecendo no art-backed lending — o mercado de empréstimos lastreados em coleções. Quando um banco ou fundo aceita quadros, esculturas, joias e relógios como garantia, não dá para esperar três semanas pelo parecer de um comitê. A instituição precisa avaliar portfólios com centenas ou milhares de itens em minutos, auditar cada critério de precificação e calcular o risco de concentração: o que acontece com o preço de um artista se o credor precisar liquidar dez obras dele ao mesmo tempo em caso de calote?
A pesquisa acadêmica confirma essa pressão por método. No estudo "Can AI become a trustworthy art appraiser?" (2026), pesquisadores da Universidade de Luxemburgo (SnT) testaram o protótipo CognArtive sobre 15.000 obras digitalizadas de 23 artistas utilizando grandes modelos de linguagem (LLMs). A conclusão desmonta a ideia de que a precificação algorítmica se resume a analisar pinceladas: a profundidade da proveniência, os sinais sociais e o contexto de mercado pesam muito mais na formação de valor do que a estética isolada. O estudo destaca que é justamente a demanda financeira por avaliações rastreáveis — e não a curiosidade acadêmica — que está empurrando o setor para fora do achismo.
Na prática, os sistemas atuais já lidam com nuances que antes exigiam memória enciclopédica. Quem acompanha leilões sabe que duas peças do mesmo artista, feitas no mesmo ano, podem ter destinos opostos. Um par de cadeiras Ginkgo de Claude Lalanne pode alcançar US$ 1 milhão se vier de uma coleção histórica de design, ou parar em US$ 500 mil se tiver origem comum. Ferramentas de análise combinam reconhecimento visual em bases com milhões de vendas passadas e índices customizados para corrigir valores antigos conforme o movimento atual do mercado. O mesmo vale para recortes ultra específicos: se um colecionador busca um Mark Rothko vermelho, é possível cruzar dimensões, estado de conservação, garantias de leilão e comparar o desempenho histórico das telas vermelhas frente a outras paletas do artista.
Mas o impacto mais silencioso talvez não esteja no topo do blue-chip. Bilionários sempre vão contratar advisors humanos pelo acesso e pela discrição. O gargalo real do mercado de arte sempre foi a escala.
A imensa maioria das obras transacionadas no mundo custa menos de US$50 mil. Galerias e casas de leilão simplesmente não têm tempo nem margem financeira para dedicar dias de pesquisa aprofundada a um lote de US$3 mil ou US$15 mil. A especialização humana não tem escala enquanto o processamento de dados, sim. Ao automatizar a busca por comparáveis e a construção de índices setoriais, a IA preenche exatamente esse vácuo intermediário, entregando inteligência de mercado para obras que antes eram precificadas no escuro.
4. Os limites do algoritmo: gosto, proveniência e o fator humano
Se os algoritmos já resolvem com folga o problema da escala, eles ainda batem de frente com a natureza errática do mercado de arte. A matemática consegue mapear tendências, mas continua cega para o que acontece dentro de uma sala de leilão noturno quando dois colecionadores decidem disputar o mesmo lote por ego, prestígio ou pura obsessão.
A literatura científica recente expõe exatamente onde a máquina tropeça. Em um estudo de 2025 que testou modelos de deep learning sobre uma ampla base de vendas repetidas em leilões, Jianping Mei, Michael Moses e colaboradores — os criadores do índice Mei Moses* — chegaram a uma conclusão direta: o histórico de transações e a identidade do artista ainda dominam a precificação, enquanto a análise visual ajuda mais em obras que estreiam no mercado secundário. O dado mais revelador, porém, está nos erros do modelo. Os algoritmos subestimam sistematicamente as vendas blue-chip de alto prestígio, justamente porque o contexto humano e a competição acirrada entre compradores empurram os preços para patamares que nenhuma série histórica consegue antecipar.
Essa margem de erro não é um detalhe técnico menor. Pesquisadores que avaliaram modelos tabulares para prever resultados de leilões — em artigo publicado na Applied Sciences (MDPI) — apontaram que, diante de dados incompletos e distribuições de preços fortemente assimétricas, o erro médio de previsão ainda pode girar em torno de 50%. É por isso que sistemas de "caixa-preta", que cospem um valor final sem explicar o caminho, geram rejeição imediata entre profissionais do setor. Sem a possibilidade de auditar a lógica, excluir comparáveis ruins ou ajustar manualmente o estado de conservação de uma tela, o número produzido pela IA vale pouco.
Há ainda duas barreiras estruturais que os modelos atuais não superaram. A primeira é a consistência: faça a mesma pergunta de avaliação duas vezes a um modelo de linguagem e ele pode atribuir pesos diferentes às mesmas variáveis em cada resposta. A segunda, mais profunda, é o gosto. Não se treina um algoritmo para ter "bom gosto" pela simples razão de que o conceito não possui definição estável — muda conforme o momento histórico, o discurso curatorial e o desejo coletivo.
O mesmo ceticismo se aplica à autenticação. Empresas que analisam pinceladas por computador e anunciam "80% de certeza de que se trata de um Rembrandt" entram em uma batalha perdida. Se o algoritmo erra, a credibilidade evapora; se acerta, o mercado continua desconfiando da metodologia. Na prática, a inteligência artificial não serve como carimbo definitivo de autenticidade. Seu papel real na proveniência é menos espetacular e muito mais útil: cruzar volumes massivos de catálogos, arquivos históricos e registros de exposições para dar ao especialista humano melhores evidências antes do veredito final.
(*) O índice Mei Moses mede o retorno financeiro do mercado de arte acompanhando a revenda da mesma obra em leilões ao longo do tempo. Criado em 2002 pelos professores Jianping Mei e Michael Moses (NYU Stern), o indicador ajuda a avaliar a arte como classe de ativo e compará-la a outros investimentos.
Nota do autor: Na minha opinião, O Índice Mei Moses falha principalmente por superestimar a rentabilidade real e subestimar os riscos do mercado de arte devido a um forte viés de seleção. Como considera apenas obras revendidas em grandes casas de leilão, ele ignora peças que perderam valor e não foram negociadas novamente, além de excluir vendas privadas e galerias que representam a maior parte do setor. Além disso, o indicador calcula apenas a valorização bruta sem descontar as altas comissões de leilão, seguros e custos de conservação, apresentando também baixa liquidez, defasagem temporal entre transações e falta de transparência desde que seus dados deixaram de ser públicos após a compra pela Sotheby's.
5. Quem ganha e quem perde em um mercado mais transparente?
Toda vez que um mercado fechado ganha transparência, alguém perde margem. No comércio de arte, os primeiros a sentir o golpe são os intermediários cujo único ativo é o sigilo — operadores que constroem rentabilidade em cima de assimetrias brutas, como saber que uma mega galeria do porte da Gagosian vai anunciar um novo artista antes do restante da praça. Por ser muito menos regulado que o mercado financeiro, o setor permitiu por décadas ganhos extraordinários para poucos à custa do prejuízo silencioso de muitos.
Esse desequilíbrio sempre cobrou um preço alto da própria indústria. Quando um novo colecionador entra no jogo, paga valores inflacionados por um nome em alta momentânea e vê a obra perder 90% do valor poucos anos depois, a reação é previsível: ele abandona o mercado e não volta mais. A abertura de dados reduz esse tipo de armadilha. Há uma demanda represada de compradores interessados em adquirir arte com lastro histórico e consistência real — em vez de decoração superfaturada vendida sob o verniz da exclusividade.
Do lado dos profissionais, a vantagem muda de endereço: sai das mãos de quem esconde preços e vai para quem usa a automação para eliminar o trabalho braçal. Se um sistema monta um levantamento de comparáveis ou um pitch deck em cinco minutos em vez de dois dias, o galerista, o leiloeiro ou o advisor ganha tempo para fazer o triplo de reuniões e visitas.
Nenhum modelo estatístico substitui a conversa no ateliê, a construção de confiança com um colecionador ou a experiência física de caminhar por uma feira e encarar a superfície de uma obra de perto. O paradoxo da inteligência artificial no mercado de arte é justamente este: ao desmontar a velha economia do segredo, a tecnologia obriga o setor a entregar aquilo que sempre disse ser sua essência — curadoria, critério e relacionamento, e não apenas a chave da sala fechada.
Referências Bibliográficas
AUBRY, Mathieu; KRAEUSSL, Roman; MANSO, Gustavo; SPAENJERS, Christophe. Biased Auctioneers. NBER Working Paper / Harvard Data Science Review ("Can Machine Learning Predict the Price of Art at Auction?"), 2019–2020.
CAMBRIDGE FORUM ON AI: LAW AND GOVERNANCE. EU rules of origin, signalling and the potential erosion of the art market through generative artificial intelligence. Cambridge University Press.
MDPI / APPLIED SCIENCES. Tabular Data Models for Predicting Art Auction Results.
MEI, Jianping; MOSES, Michael; WÄLTY, et al. Estudo sobre Deep Learning e vendas repetidas em leilões de arte (Repeat-Sales Auction Analysis), 2025.
UNIVERSIDADE DE LUXEMBURGO (SnT — Interdisciplinary Centre for Security, Reliability and Trust). Can AI become a trustworthy art appraiser? (Projeto CognArtive), 2026.