Zillow publica su tasa de error para el Zestimate: 1.94% en propiedades con precio activo en portal, y 7.06% en propiedades que no están publicadas (según Zillow, 2025). Redfin reporta cifras similares: 2.0% activas, 7.6% inactivas. La diferencia de tres a cuatro veces no es un bug del modelo. Es una consecuencia directa de cómo se alimentan estos sistemas. En LATAM, donde los precios de cierre rara vez entran a bases de datos públicas estructuradas, el segundo número es casi siempre el que aplica.
Qué datos consume un AVM para producir una estimación
Un modelo de valuación automatizada (AVM) es, en esencia, una regresión estadística entrenada sobre comparables. Toma un inmueble con características conocidas y busca propiedades similares que se hayan vendido recientemente, ajustando por diferencias de superficie, antigüedad, ubicación y condición. El output es un número con un intervalo de confianza. La calidad de ese número depende directamente de los datos que entran al entrenamiento.
Los datos relevantes se dividen en tres tipos. El primero y más valioso: precios de cierre de transacciones anteriores, registrados en notarías, catastros o en sistemas de múltiple listado como el MLS en Estados Unidos. El segundo: precios de lista de propiedades actualmente publicadas. El tercero: características físicas y geoespaciales del inmueble, incluyendo metros cuadrados, número de habitaciones, año de construcción y distancia a puntos de referencia.
El primer tipo es el más valioso porque refleja lo que los compradores pagaron en el cierre, con toda la negociación incorporada. El segundo es un proxy imperfecto: los vendedores publican precios de aspiración, no de cierre. Sin un historial denso de transacciones reales en la zona, el modelo no tiene ancla estadística confiable. Puede calcular promedios de precios de oferta, pero eso es diferente a saber cuánto pagó el último comprador.
En Colombia, BBVA Research documentó en abril de 2025 que los inmuebles residenciales se cierran a un descuento de entre el 4% y el 8% respecto al precio de oferta inicial. Un AVM entrenado principalmente sobre precios de lista sobreestima de forma sistemática.
El efecto ancla y lo que reveló el AEI Housing Center
Cuando un AVM detecta que una propiedad tiene un precio de lista activo, ese número tiende a influir en la estimación del modelo. Este fenómeno se llama efecto ancla. El resultado es que las estimaciones para propiedades en venta activa son más precisas, pero parte de esa precisión es circular: el modelo está repitiendo, en cierta medida, lo que el vendedor declaró.
AVMetrics documentó este problema en mayo de 2026 al analizar el criterio de "elasticidad" de los AVM: qué tanto se mueve la estimación cuando el precio de lista aparece o desaparece (según AVMetrics, 2026). Una evaluación de cinco proveedores líderes, realizada por el AEI Housing Center, encontró que ese criterio presentó "la mayor varianza en los puntajes de cualquier criterio evaluado, con algunos proveedores recibiendo calificaciones reprobatorias". Los modelos que se comportan bien con propiedades activas no funcionan igual cuando esa señal no existe.
La consecuencia práctica: un AVM que anuncia un error median del 2% lleva un asterisco oculto. Ese 2% aplica cuando hay precio de lista visible. Sin ese precio, el mismo modelo puede subir al 7% o más. En mercados donde muchas transacciones ocurren de forma privada, sin publicación previa en portal, esa degradación no es la excepción. Es la norma.
El problema estructural en LATAM: datos escasos y mercados opacos
En México, Colombia y Panamá, los precios de cierre no están sistematizados en bases de datos de acceso libre y estructurado. Las notarías registran las transacciones, pero el acceso organizado a esos datos es fragmentado y variable según el país y el municipio. Los portales inmobiliarios, que concentran la oferta visible en estos mercados, publican precios de lista, no precios de cierre.
Esto crea un problema de entrenamiento para cualquier AVM que opere en la región. Los datos disponibles son precios de oferta, con todos los sesgos que eso implica. Las propiedades que se venden con descuento significativo, las que se negocian directamente entre propietario y comprador sin pasar por portal, y las transacciones en zonas con pocas operaciones son invisibles para el modelo.
Habi, la proptech colombiana valorada en US$1,000 millones, encontró una solución operativamente costosa: convertirse en comprador directo. Al adquirir propiedades para revenderlas, construyó su propio inventario de precios reales de cierre. En 2025, Habi canalizó US$1,000 millones en transacciones y adquirió Pulppo, sumando una red de 100 inmobiliarias y 800 brokers en la región (según Ecosistema Startup, 2026). Su ventaja en valuación parte, en parte, de tener datos que otros no tienen. La mayoría de las agencias independientes en LATAM no puede replicar ese modelo de acumulación.
En México, Tasvalúo desarrolló Techvalúo bajo estándares de la Asociación Internacional de Tasadores (IAAO), trabajando con portales y fuentes oficiales disponibles. Incluso con ese esfuerzo, el mercado reconoce que el AVM en México "transita por una fase de adaptación al entorno local", con disponibilidad de datos que varía por zona y tipo de inmueble.
Cuándo un AVM agrega valor y cuándo distorsiona
Entender el límite del modelo permite usarlo bien. Una agencia que no lo entiende puede tomar decisiones sobre la base de un número de apariencia científica que tiene más incertidumbre de la que parece.
El AVM es útil para tareas de clasificación y escala: ordenar un portafolio de 50 o 200 propiedades para decidir cuáles trabajar primero, preparar la primera conversación con un propietario antes de hacer un análisis de comparables más fino, o detectar anomalías donde el precio de oferta se aleja significativamente de la estimación del modelo.
El AVM distorsiona cuando se usa para negociar. Un vendedor que conoce su zona sabe que el modelo no vio la última venta privada en su calle. Un inmueble sin comparables recientes, en una zona con pocas transacciones, produce una estimación con un intervalo de confianza implícito que puede superar el 10%. Usarlo como punto de referencia de negociación en ese contexto es confiar en un promedio de datos que excluye los datos más relevantes.
En julio de 2024, seis agencias federales de Estados Unidos emitieron una regla que exige estándares de control de calidad para cualquier AVM usado en decisiones de crédito hipotecario. La regulación reconoce lo que los practicantes conocen: el número del modelo no es un avalúo. Es una estimación con condiciones explícitas.
Qué hacer con esto
Para una agencia en LATAM, el AVM es un filtro de primer nivel, no un instrumento de precisión. Clasifica, prioriza y prepara conversaciones. No cierra tratos por sí solo.
Si usas una herramienta que produce estimaciones automáticas de valor, vale la pena preguntar dos cosas al proveedor: qué fuente de datos usa para los precios de cierre en tu mercado específico, y cuál es el error median en zonas con pocas transacciones, no solo el promedio general. Un proveedor que no puede responder esas preguntas probablemente no tiene los datos para hacerlo bien.
La transparencia de datos es la variable estructural del problema en LATAM. Mientras los registros de cierres no sean públicos y accesibles, el AVM en la región operará con el mismo déficit de información que explica la brecha entre el 2% y el 7%. El operador que entiende ese límite tiene una ventaja clara sobre el que confía en el número sin leerlo.