Analisar como a produção científica tem relacionado inteligência artificial, sistemas de suporte à decisão e análise de viabilidade de empreendimentos imobiliários, identificando a evolução das pesquisas, os métodos empregados, os temas predominantes e o nível de integração entre as dimensões da decisão.
A pesquisa é relevante por mostrar que o crescimento das aplicações de IA no mercado imobiliário não significa, necessariamente, maior integração dos fatores da viabilidade. Sua originalidade está em relacionar os resultados bibliométricos às diferentes dimensões envolvidas na decisão imobiliária.
Foi realizada análise bibliométrica, complementada por análise temática, de 113 publicações selecionadas após triagem documental. Foram examinados evolução temporal, distribuição geográfica, autoria, fontes, palavras-chave, métodos, temas e sua relação com as dimensões da viabilidade imobiliária.
Os resultados mostram crescimento das publicações após 2019 e predominância de aprendizado de máquina, SIG e avaliação imobiliária. Apenas sete estudos tratam diretamente de viabilidade ou desenvolvimento, e nenhum integra plenamente aspectos urbanísticos, mercadológicos, financeiros, riscos e indicadores de retorno.
A pesquisa diferencia o avanço dos modelos preditivos da integração necessária à decisão imobiliária. Como contribuição metodológica, combina indicadores bibliométricos com análise temática das dimensões da viabilidade, permitindo avaliar não apenas a frequência das técnicas, mas também o alcance de suas aplicações.
Para a gestão, o estudo orienta a escolha de técnicas para analisar localização, preços, custos, riscos e cenários, preservando a decisão do especialista. Socialmente, pode favorecer decisões imobiliárias transparentes e fundamentadas, além de reduzir riscos de projetos incompatíveis com as condições urbanas.
To examine how the scientific literature connects artificial intelligence, decision support systems, and real estate development feasibility analysis, identifying research trends, applied methods, predominant themes, and the degree of integration among the dimensions involved in decision-making.
The study is relevant because it shows that growth in AI applications in real estate does not necessarily mean greater integration of feasibility factors. Its originality lies in connecting bibliometric findings with the different dimensions involved in real estate decision-making.
A bibliometric analysis, complemented by a thematic analysis, was conducted on 113 publications selected after document screening. The study examined temporal trends, geographic distribution, authorship, sources, keywords, methods, themes, and their relationship with the dimensions of real estate feasibility.
Results show publication growth after 2019 and a predominance of machine learning, GIS, and real estate valuation. Only seven studies directly address feasibility or development, and none fully integrates urban, market, financial, risk, and return dimensions.
The study distinguishes advances in predictive models from the integration required for real estate decision-making. Methodologically, it combines bibliometric indicators with thematic analysis of feasibility dimensions, assessing not only the frequency of techniques but also the scope of their applications.
For management, the study guides the selection of techniques to analyze location, prices, costs, risks, and scenarios while preserving expert judgment. From a social perspective, it supports transparent, evidence-based decisions and helps reduce the risk of projects incompatible with urban conditions.