1. No un número, sino un intervalo de confianza: la reconfiguración de la valoración inmobiliaria

La misma casa, dos números distintos

En 2021, una casa unifamiliar de tres dormitorios en un suburbio de Austin, Texas, produjo dos respuestas.

Una la dio una persona. Un tasador con veinte años en el mercado local recorrió la vivienda, revisó el estado del techo, la luz solar en el patio trasero, la altura de la cerca respecto al lote vecino, la comparó con tres viviendas similares vendidas recientemente y le puso un precio. La otra la dio un algoritmo. El AVM (modelo de valoración automatizado, por sus siglas en inglés) de Zillow —el “Zestimate”— procesó miles de variables a la vez y arrojó una cifra en segundos: metros cuadrados, orientación, planta, distrito escolar, historial reciente de ventas en la zona, e incluso si aparecía una piscina en las fotografías aéreas.

Las dos cifras diferían. Eso no sorprende: los tasadores humanos también discrepan rutinariamente entre sí. Lo verdaderamente sorprendente vino después. Zillow confió tanto en la respuesta de su propio algoritmo que empezó a comprar casas directamente a ese precio. El negocio, llamado “iBuying”, se sostenía sobre una premisa tan simple como audaz: si la IA fija el precio con precisión, ¿por qué no comprar y vender nosotros mismos a ese precio? Solo en el tercer trimestre de 2021, Zillow perdió 421 millones de dólares en este negocio. Antes de terminar el año, Zillow Offers cerró por completo y la empresa despidió a una parte considerable de su plantilla. La cifra de pérdidas del año completo y la confesión pública del propio director ejecutivo se abordan en detalle en el Capítulo 8.¹ Por la misma época, los experimentos de iBuying en Europa y Asia se redujeron o se apagaron silenciosamente —varias startups del Reino Unido, y las operaciones de compra interna de algunas de las grandes plataformas de correduría inmobiliaria china, entre ellas—. No fue el error de una sola compañía. El fallo —confundir “un precio preciso” con “liquidez de mercado real para comprar y vender a ese precio”— se repitió en varios continentes.

La precisión del Zestimate en sí no era mala. Frente a viviendas efectivamente en venta, el margen de error rondaba el 2%, más ajustado de lo que logra la mayoría de los tasadores humanos.¹ Aun así, la compañía quemó cientos de millones de dólares en cuestión de trimestres.

La razón está en una distinción que recorre todo este capítulo. “Saber cuánto vale algo” y “tener el temple y el timing para comprarlo y venderlo realmente a ese precio” son problemas completamente distintos. La IA es buena en lo primero. Lo segundo sigue siendo, y probablemente seguirá siendo por mucho tiempo, un terreno enredado con la liquidez del mercado, el timing y el juicio humano. El verdadero cambio en la valoración inmobiliaria de los últimos cinco años no es la historia simplista de que “la IA se volvió más precisa que las personas”. Lo que cambió fue la pregunta misma. Ya no es “cuánto vale este edificio”, sino “cómo es la distribución de probabilidad de cuánto vale este edificio”.

De la era de la precisión a la era de los intervalos de confianza

William Poorvu, cuyo libro de 1999 The Real Estate Game es un clásico de la inversión inmobiliaria, plantea un argumento que vale la pena revisitar: el sector inmobiliario se juzga, la mayoría de las veces, no con una hoja de cálculo elaborada, sino con un “análisis de servilleta” (“back-of-the-envelope analysis”). Incluso mientras enseñaba bienes raíces en Harvard, observaba que mientras la academia se inclinaba hacia modelos cada vez más elaborados, los profesionales filtraban oportunidades rápidamente usando apenas un puñado de ratios centrales —el ingreso operativo neto (NOI), el retorno sobre el capital propio (ROE), el precio de compra frente al costo de reposición—. El cálculo que garabateaba en un bloc de notas amarillo mientras atendía la llamada de un corredor resulta, incluso hoy, sorprendente por su simplicidad: dividir el precio de compra entre los metros cuadrados para obtener un precio por metro cuadrado, compararlo con el costo de construir de nuevo para medir qué tan seguro es el precio, y luego calcular qué porcentaje del capital invertido genera la renta después de restar costos operativos y servicio de deuda. Él llamaba a esta analogía “la sopa de pollo de la abuela”: un resultado que sale aproximadamente bien cada vez, sin necesidad de una receta precisa.

Veinticinco años después, vale la pena invertir esa analogía. La valoración inmobiliaria en la era de la IA no ha llegado al toque de la abuela: ha llegado al extremo opuesto. Una máquina ultraprecisa que cuantifica miles de variables, se entrena con millones de transacciones históricas y controla su margen de error hasta el decimal. Y sin embargo, lo que esta precisión les ha entregado a los profesionales no es “un número más exacto”. Irónicamente, es la pregunta de cuánto confiar en ese número, para empezar.

La razón es sencilla. El margen de error de un AVM no es uniforme. En mercados líquidos con activos estandarizados, el margen de error puede caer al 2-3%. Una casa suburbana de tres dormitorios en Estados Unidos es el caso clásico: los datos abundan.[^2] Al pasar a mercados con poco volumen de transacciones, activos comerciales distintivos, o una clase de activo emergente que apenas está naciendo (los centros de datos, que se abordan más adelante, son el ejemplo por excelencia), el margen de error supera fácilmente el 10%. La escasez de datos es la causa. El mismo modelo, la misma empresa, produce cifras donde coexisten “esta es casi palabra santa” y “esta es apenas una guía aproximada”. Un AVM es, en esencia, una tasación por comparables ejecutada a velocidad extrema. Donde una persona forma una impresión a partir de cinco o seis comparables durante una sola llamada telefónica, la máquina escanea miles de comparables en el mismo instante. Pero en un mercado sin nada que escanear —sin historial de transacciones—, incluso la máquina más veloz no tiene con qué trabajar.

Una sensibilidad se ha asentado, de forma silenciosa pero firme, en la industria durante los últimos cinco años. La medida de un buen modelo de valoración ya no es “cuán precisa es la cifra que produce”, sino “si te dice cuánta confianza depositar en esa cifra”. El intervalo de confianza —un concepto tomado prestado de la estadística— se ha vuelto parte del vocabulario de trabajo de la práctica inmobiliaria. En lugar de una declaración plana y única —“este edificio vale un millón de dólares”—, ahora se confía en una respuesta como “este edificio vale, con un 90% de confianza, entre 950.000 y 1.050.000 dólares, aunque este rango descansa en solo tres ventas comparables recientes y la muestra es escasa”. No la precisión, sino la honestidad, se ha convertido en el nuevo estándar.

La suscripción de crédito en ocho minutos, y su precio

En ningún otro lugar se ha visto este cambio de forma tan dramática como en la suscripción de préstamos comerciales inmobiliarios (underwriting). Tradicionalmente, un préstamo inmobiliario comercial era un proceso burocrático —de 30 a 45 días desde el papeleo hasta la aprobación—, que pasaba varias veces por manos de banqueros y analistas. Leer contratos de arrendamiento uno por uno, transcribir a hojas de cálculo los ingresos por renta inquilino a inquilino, verificar las cifras de los estados operativos contra años anteriores, construir modelos de flujo de caja a mano. Igual que el cálculo de servilleta descrito antes se resolvía en una sola llamada telefónica, la lógica subyacente de este trabajo es, en sí misma, simple. Lo que cambia es la escala. La misma aritmética que un inversor individual usa para evaluar un solo edificio, un banco tiene que repetirla en cientos de operaciones cada día.

En los últimos cinco años se han acumulado informes sobre la adopción de suscripción de crédito con IA en bancos: reducciones del 50-75% en el tiempo de suscripción, ahorros de costos de hasta el 20%.² En operaciones con condiciones claras y bien definidas, han surgido casos en los que la IA lee los documentos, construye el modelo de flujo de caja automáticamente y termina la suscripción en ocho minutos. Un trabajo que antes le tomaba a un analista varias semanas, ahora una máquina lo resuelve en el tiempo que toma terminarse un café.

Esa velocidad tiene un precio: un número creciente de “cajas negras” en las que resulta difícil explicar por qué salió determinada cifra. Un analista humano puede articular el razonamiento detrás de un juicio —“bajé la probabilidad de renovación de este inquilino porque sus ventas recientes han sido inestables”—. Cuando un modelo de IA llega a la misma conclusión, es mucho más difícil saber si esa conclusión realmente se remonta a las cifras de ventas del inquilino o a algún sesgo que se coló por accidente en los datos de entrenamiento. La regulación también ha empezado a ponerse al día —tarde, pero rápido— y el punto de origen y la forma de la respuesta difieren según el país. En Estados Unidos, la Norma Interinstitucional sobre AVM (Interagency Rule on AVMs), vigente desde 2024, exige la gestión de la confianza en los modelos de valoración, salvaguardas contra la manipulación de datos y protecciones frente a conflictos de interés.³ En Europa, el organismo que fija los estándares de la industria de tasación consolidó, a través de su estándar revisado de 2025, el principio de que “un AVM no puede sustituir por sí solo una tasación formal: debe combinarse con una inspección in situ y el juicio de un experto”. Hace cinco años, la ventaja competitiva significaba “qué tan rápido adoptas la IA”. Hoy significa “qué tan defendible es la explicación del juicio de esa IA” —un nuevo eje competitivo que atraviesa todos los continentes.

Treinta personas compran a un gigante

Otro episodio resume este arco de cinco años. En 2021, JLL —una de las mayores firmas de servicios inmobiliarios del mundo— adquirió Skyline AI, una startup de datos con sede en Israel y Nueva York y una plantilla de apenas poco más de treinta personas. Qué construyó exactamente esta empresa, y cómo se usó tras la adquisición, se aborda en detalle en el Capítulo 2.⁴

La pregunta que planteó esta adquisición era simple y contundente: ¿puede un pequeño equipo de científicos de datos predecir el futuro de un activo con más precisión que una organización construida durante décadas de corredores y tasadores? La respuesta de la industria fue la propia adquisición. No fue una forma aislada de incorporar capacidad: en los cinco años siguientes, las grandes correduras y gestoras de activos optaron reiteradamente por comprar en lugar de construir. Asia adoptó un enfoque algo distinto. Una gran plataforma de correduría inmobiliaria china, en lugar de adquirir, construyó un amplio equipo interno de ingeniería de datos y desarrolló sus propias funciones de asistencia a la valoración con IA de forma interna —incluidas herramientas de reconocimiento de imágenes para leer el estado de un inmueble a partir de fotografías—. Comprar frente a construir divergió, pero la conclusión —que la capacidad de IA se ha convertido en un activo competitivo central para las firmas de servicios inmobiliarios— se sostuvo en todos los continentes. Las propias estadísticas de respaldo de JLL (número de casos de uso de IA, tasas de adopción piloto institucional) también se abordan en el Capítulo 2. La valoración ya no es el experimento de un puñado de adoptantes tempranos. Se ha convertido en un flujo de trabajo estándar de la industria.

Un algoritmo que construyó colusión sin siquiera saberlo

No todo en este arco de cinco años es una historia luminosa. El giro más dramático es el caso de RealPage, un software de fijación de rentas. El software reunía información confidencial de precios de múltiples propietarios y recomendaba una “renta óptima” para cada edificio. La lógica sonaba razonable —la misma premisa que un AVM—: más datos producen un precio más preciso.

El problema fue que múltiples propietarios en la misma ciudad usaban este software simultáneamente. Ningún propietario individual discutió jamás una colusión con otro. Pero como todos alimentaban los datos de precios de su propio edificio al mismo algoritmo, y el algoritmo sintetizaba esa información en la misma conclusión susurrada para cada uno de ellos —“todos los demás también usan el mismo software, así que el mercado puede soportar un aumento de renta coordinado”—, surgió una estructura que funcionaba como una colusión sin que nadie hubiera acordado explícitamente coludirse. Según la denuncia del Departamento de Justicia de Estados Unidos, un propietario comenzó a subir las rentas apenas una semana después de adoptar el software y las había elevado más de un 25% en once meses.⁵ La demanda estadounidense sobre el algoritmo de rentas lo acusó, en efecto, de facilitar la colusión, y en noviembre de 2025 la empresa de software llegó a un acuerdo con el Departamento de Justicia —sin admitir responsabilidad— comprometiéndose a discontinuar la función de recomendación de rentas que usaba información competitiva confidencial.⁵

Este caso importa más allá de cualquier empresa o país en particular. Es la primera gran refutación legal del relato de que “la IA hace que los mercados sean más eficientes”. Una preocupación similar ya ha aflorado al otro lado del Atlántico —no en el sector inmobiliario, sino en la venta minorista de gasolina en Europa, donde una ola de estaciones que migraron al mismo algoritmo de precios fue seguida por un alza conjunta de márgenes, lo que atrajo la atención de las autoridades de competencia. Industria distinta, misma estructura. Dejando de lado la normativa particular de cada país y mirando el principio subyacente: en el momento en que varios competidores ejecutan el mismo algoritmo de precios simultáneamente, ese algoritmo queda situado en la línea entre herramienta de eficiencia y mecanismo de colusión. Cada parte actúa racionalmente por su cuenta, y sin embargo el resultado funciona colectivamente como un cártel: una nueva especie de falla de mercado. Esta es la lección más inesperada de los primeros cinco años de la valoración con IA, y no está confinada a un solo país.

El tasador no está desapareciendo: se está reubicando

Entonces, ¿qué pasa, al final de todo esto, con las profesiones de tasador y corredor? Los cinco años de datos apuntan a una respuesta de “reubicación”, no de “extinción”.

Hay trabajo real que la IA claramente ha asumido: extraer y listar comparables, calcular precios para activos estandarizados, leer ingresos por renta y construir modelos de flujo de caja. Estas tareas repetitivas y cuantitativas ahora son más rápidas para las máquinas que para las personas, y para los activos estándar, también más precisas. Es exactamente por eso que las grandes correduras compraron enteras compañías como Skyline AI en lugar de construir internamente. La capacidad de cálculo repetitivo ya no es un vacío que un humano tiene que llenar a mano; es un componente que se compra ya hecho.

Precisamente por eso, el carácter del trabajo que queda para las personas ha cambiado. La pregunta con la que hoy lidia un tasador ya no es “en cuánto se vendió recientemente un edificio comparable” —una máquina ya responde eso en segundos—. En cambio, las personas se han desplazado hacia las preguntas que los datos todavía no capturan: ¿cómo se valora un activo sin comparables significativos de los que el modelo pueda echar mano? ¿Hay un cambio gestándose en la composición de inquilinos de este barrio que los datos aún no han registrado? ¿Está el vendedor ocultando una situación desesperada? La insistencia del organismo europeo de estándares de tasación en que “un AVM debe combinarse con inspección in situ y juicio experto” va en la misma línea: institucionaliza una estructura donde la respuesta de la máquina y la respuesta humana se colocan lado a lado, y una persona señala dónde divergen.

El rol del corredor ha cambiado de forma similar. Decirle a alguien cuál es el precio de mercado ya perdió su valor de escasez ahora que cualquiera puede verificarlo en el teléfono en segundos. Lo que genera valor en cambio es leer la situación real de la contraparte al otro lado de la mesa de negociación, y navegar variables que no se reducen a números —regulación, relaciones comunitarias, sociedades—. La nueva división del trabajo que han producido estos cinco años es esta: la máquina calcula “cuánto vale” donde los datos abundan; la persona juzga “si esta cifra merece confianza” donde los datos son escasos o nunca fueron reducibles a números, para empezar. No un empleo perdido. Uno reubicado.

Lo que viene después del intervalo de confianza

Entonces, ¿qué partes de este arco de cinco años seguirán siendo válidas dentro de tres años, o en otro país? Destacan tres preguntas.

Primero, el límite estructural de que la precisión de la valoración con IA escala directamente con la densidad de los datos no va a desaparecer. Para activos estandarizados en mercados líquidos, la IA seguirá superando a las personas con una precisión más fina. Para activos raros y especializados y clases de activos recién emergentes, la experiencia y la intuición humanas conservarán la ventaja. Esa línea divisoria seguirá desplazándose a medida que los modelos de IA mejoren, pero no desaparecerá del todo.

Segundo, “predecir” y “la decisión de desplegar realmente capital sobre la fuerza de esa predicción” seguirán siendo cosas separadas. Zillow perdió más de 400 millones de dólares no porque su modelo estuviera equivocado, sino porque convertir una predicción precisa en una transacción real chocó con la liquidez del mercado y el timing —variables que un modelo estadístico tiene dificultades para manejar—. Es poco probable que esa brecha se cierre por más sofisticada que se vuelva la IA, porque el sector inmobiliario no es un activo que se vende en el instante en que uno quiere venderlo.

Tercero, el riesgo estructural que surge cuando varios competidores usan la misma herramienta simultáneamente seguirá acompañando a esta industria sin importar cómo evolucione la regulación. Las herramientas de valoración ya cruzaron la frontera de ser una ayuda al juicio individual para convertirse en infraestructura que moldea directamente la formación de precios en todo el mercado. Quién supervisa esta infraestructura, y cómo, es una pregunta que recién empieza a plantearse.

Lo que han dejado estos cinco años no es la simple historia de ganador y perdedor de “la IA reemplazó a las personas”. Ha cambiado la propia manera en que preguntamos por el valor de un inmueble. Antes, una sola cifra, firmada por un solo tasador, era la respuesta. Ahora, un signo de interrogación sigue a esa cifra como cosa de rutina: ¿cuánto se puede confiar realmente en este número? La capacidad de responder honestamente a ese signo de interrogación se ha convertido en la nueva credencial exigida tanto a personas como a máquinas que trabajan en el sector inmobiliario en la era de la IA.

Ahora es momento de llevar ese signo de interrogación a la siguiente pregunta. ¿Por qué la IA está tan empeñada en calcular el valor inmobiliario con este nivel de precisión? ¿Y dónde, exactamente, vive la propia IA?

---

Regla del juego Un modelo resume el mercado; no lo crea. La IA es tan inteligente como profundos sean los datos, y conocer la cifra exacta no equivale a tener el temple y el timing para poner realmente capital detrás de ella. Así que el bando que gana no es el que tiene el modelo más sofisticado, sino el que sabe con exactitud hasta dónde se puede confiar en ese modelo, y dónde tiene que tomar el relevo un ser humano.

---

Fuentes

Footnotes

1. Zillow operó un negocio de iBuying (Zillow Offers) desde 2018, usando su propio AVM “Zestimate” para comprar y vender viviendas directamente, pero se retiró tras perder 421 millones de dólares en el tercer trimestre de 2021. El margen de error del Zestimate frente a listados en el mercado se ha reportado en torno al 2%. (The Close, “Zillow Estimates Ultimate Guide”; Best Practice AI, “Zillow provides real estate price estimates”) (PatSnap, “AI property valuation technology landscape 2026”; BusinessWire, “PropStream Announces New AVM & AI Innovations”) ↩ ↩²

2. Materiales de proveedores/consultoras de la industria (Blooma, GrowthFactor, Alpaca, entre otros) — los bancos que adoptan suscripción de crédito con IA reportan reducciones del 50-75% en el tiempo de revisión, ahorros de costos de hasta el 20%, y casos de suscripción en menos de 8 minutos para operaciones bien definidas. Nótese una variación significativa según la institución y la muestra; no son estadísticas estandarizadas de la industria. ↩

3. La Norma Interinstitucional estadounidense sobre AVM (Interagency Rule on AVMs, vigente desde 2024) exige la gestión de la confianza en los modelos de valoración, salvaguardas contra la manipulación de datos y protecciones frente a conflictos de interés. También han entrado en vigor requisitos de cumplimiento regionales adicionales, como la ley de IA de Colorado de 2026. ↩

4. JLL adquirió Skyline AI, una startup de IA para bienes raíces comerciales con sede en Israel y Nueva York, en 2021. Las especificaciones completas, el uso posterior a la adquisición y las estadísticas de adopción de IA de JLL se abordan en el Capítulo 2. (JLL Newsroom; AI Business; PitchBook) ↩

5. El Departamento de Justicia de Estados Unidos acusó en agosto de 2024 a la empresa de software de fijación de rentas RealPage de facilitar colusión algorítmica, citando un caso en el que un propietario comenzó a subir las rentas apenas una semana después de la adopción y las había elevado más de un 25% en once meses. En noviembre de 2025, RealPage llegó a un acuerdo con el Departamento de Justicia sin admitir responsabilidad, comprometiéndose a discontinuar las funciones de recomendación de rentas que usaban información competitiva confidencial. (Anuncio oficial del DOJ; ProPublica; NPR; Holland & Knight) ↩ ↩²