El 25% de la población urbana de América Latina vive en asentamientos informales, según el BID. Sus propiedades no tienen escritura, no pasan por notaría y no quedan registradas en catastros actualizados. Para un modelo de IA que depende de datos transaccionales históricos, esas propiedades simplemente no existen.
Eso explica, en parte, por qué el 90% de las empresas inmobiliarias a nivel global pilotea IA y solo el 5% reporta haber alcanzado sus objetivos de programa, según JLL (octubre 2025). El problema rara vez es el algoritmo. Es que el dato que necesita el algoritmo no está donde el algoritmo espera encontrarlo.
La pregunta relevante: ¿con qué datos trabajan los modelos que sí funcionan en LATAM?
El vacío que los datos formales no cubren
Los modelos de valuación automatizada necesitan tres ingredientes básicos: transacciones históricas abundantes, registros catastrales actualizados y precios de cierre documentados. En mercados con MLS consolidado, como EE.UU. o el Reino Unido, esos ingredientes están disponibles por código postal, con miles de comparables recientes.
En LATAM el panorama es diferente. No existe un sistema de MLS regional consolidado en la mayoría de los mercados. Los registros catastrales varían enormemente entre países y municipios: hay zonas colombianas y mexicanas donde los avalúos catastrales acumulan décadas sin actualización. El BID estima que 86 millones de hogares, equivalentes al 25% de la población urbana de la región, viven en asentamientos sin tenencia regular de tierra (según BID Group Data Wall, 2026). Eso representa propiedades activas en mercados reales, transacciones que ocurren, precios que se negocian, pero sin el rastro formal que los modelos tradicionales necesitan.
El resultado: un AVM entrenado solo sobre transacciones formales de portales produce resultados aceptables en segmentos bien documentados de clase media-alta y falla precisamente en zonas emergentes, periféricas y de renovación urbana, que son donde más dinamismo de mercado hay y donde las oportunidades de captación son mayores.
Lo que sí existe: cuatro fuentes que el catastro no tiene
Las plataformas de proptech que construyeron modelos funcionales en LATAM tuvieron que salir del circuito formal a buscar datos. Hay cuatro tipos que aparecen sistemáticamente en los modelos que funcionan.
Imágenes satelitales y aéreas. La resolución de imágenes satelitales comerciales permite hoy identificar el tipo de techo de una construcción (lámina, concreto, teja), la densidad de edificación de un polígono, la calidad del entorno y los patrones de crecimiento de una zona. En marzo de 2026, el Foro Económico Mundial documentó el despliegue de la herramienta BEAM de Naciones Unidas, que usa machine learning sobre imágenes aéreas para detectar huellas de edificaciones, en ocho capitales centroamericanas: el sistema identificó más de 6.300 áreas informales que no figuraban en ningún registro oficial (según WEF, 2026). Los mismos modelos de visión por computadora alimentan plataformas privadas de análisis inmobiliario en México y Colombia.
Patrones de movilidad y actividad económica. Los datos de telecomunicaciones y aplicaciones de navegación permiten inferir el flujo peatonal de una zona, los ciclos de actividad comercial y la conectividad real con nodos de transporte. Una zona con alta actividad en horario laboral pero escasos comparables de transacción puede evaluarse a través de esas señales. No reemplazan el precio de cierre, pero reducen la incertidumbre en contextos donde el precio de cierre no existe como dato disponible.
Historial de portales de clasificados. En ausencia de MLS, los portales son el registro más extenso de precios de oferta en la región. Aunque el precio publicado no es el precio de cierre real, el historial de una propiedad, incluyendo el tiempo activa, las variaciones de precio y la cantidad de republicaciones, es una señal potente sobre la liquidez de la zona y la percepción de valor en ese mercado. Varios modelos en LATAM estructuran y procesan ese historial como fuente primaria de calibración.
Datos financieros y de comportamiento crediticio. Habi, la empresa de iBuying con operaciones en Colombia y México, construyó su modelo de valuación cruzando datos de socios inmobiliarios, bancarios y gubernamentales, porque cuando empezaron no existía ninguna base de datos de precios agregada en la región. Esa arquitectura le permitió reducir el tiempo que tarda un propietario en vender su casa de más de diez meses a diez días, una diferencia de 30 veces (según Habi / Interface Media, 2024). La velocidad no viene de un proceso más ágil: viene de una valoración confiable que elimina la incertidumbre de precio que históricamente paraliza las negociaciones en mercados poco transparentes.
Lo que logran con esa arquitectura
Cuando los datos son correctos, los resultados son concretos. JLL reporta que las organizaciones que aplican IA con una base de datos sólida logran transacciones 23% más rápidas y valuaciones 18% más precisas que con métodos convencionales (según JLL Research, 2025). El mismo informe confirma el problema inverso: si los datos de entrada son incompletos o inconsistentes, los resultados son igualmente defectuosos. La IA amplifica la calidad de los datos, en cualquier dirección.
En México, la plataforma YALS de Intelimétrica combina big data, machine learning y análisis geoespacial para ofrecer lo que describen como 95% de precisión en valuaciones, frente a una variación de ±20 a 30% de los métodos tradicionales. Esa diferencia cambia la negociación con el propietario, porque ya no depende de comparables anecdóticos ni de la intuición del corredor de turno.
El patrón es consistente: los modelos funcionales en LATAM combinan capas de datos heterogéneas. Ninguno depende de una sola fuente. La arquitectura de datos múltiples es lo que distingue un modelo que produce un número sin fundamento de uno que produce un número accionable.
Por qué esto cambia las preguntas que debes hacer
Una agencia que evalúa hoy una herramienta de IA para valuar propiedades, priorizar su portafolio o predecir demanda zonal tiene que hacer una pregunta antes que cualquier otra: ¿de dónde vienen los datos con los que este modelo fue entrenado y qué cobertura tiene en mi zona de operación?
Si la respuesta es "transacciones formales de portales locales", el modelo funciona bien en los segmentos del mercado donde esa información existe y falla en el resto. Si el proveedor no puede mostrar un mapa de cobertura de datos por zona o ciudad, probablemente el modelo interpolará desde áreas con buena cobertura hacia áreas sin cobertura. Esa interpolación puede ser razonable o puede ser incorrecta, y desde afuera no se puede saber cuál es.
La escasez de datos formal en LATAM no es un problema pasajero. El BID y la CEPAL acaban de lanzar la primera plataforma integrada de datos habitacionales para la región precisamente porque la fragmentación de información es un obstáculo reconocido a nivel institucional. Mientras esa infraestructura madura, los modelos que dan resultados son los que compensan esa escasez con fuentes alternativas.
Qué hacer con esto
Tres cosas concretas que puedes aplicar esta semana.
Primero, auditar la herramienta que ya usas. Si tienes acceso a una plataforma de análisis de mercado o valuación, contacta al proveedor y pregunta directamente qué datos alimentan el modelo en tu ciudad. No preguntes si usa inteligencia artificial: pregunta cuántas transacciones tiene en tu radio de operación, de qué fuentes vienen y cuándo se actualizan.
Segundo, reconocer que tus propios datos son un activo construible. Una agencia que registra sistemáticamente sus transacciones con precio de cierre real, condición del inmueble, tiempo en mercado y resultado de negociación construye con el tiempo una base que ningún portal tiene. Esa información propia se convierte en la materia prima para modelos más precisos, ya sea que los desarrolles internamente o que los aportes a una plataforma a cambio de mejores resultados.
Tercero, la situación no es estática. Los datos de imágenes satelitales comerciales mejoran y se abaratan cada año. La digitalización catastral avanza en varios países de la región. Las plataformas de datos habitacionales van acumulando cobertura. Las agencias que hoy entienden qué tipo de datos importan para sus modelos de IA están mejor posicionadas para incorporar cada avance de infraestructura a medida que llegue.
Los datos alternativos no son un parche temporal. Son la ingeniería real detrás de la IA que funciona donde el catastro no alcanza.