El 96.1% de las agencias inmobiliarias ya usa alguna forma de IA en 2026 (según Propmodo, 2026). En 2024 esa cifra era del 75.2%. Y aun así, solo el 5% de las firmas que pilotan IA reporta haber alcanzado la mayor parte de sus metas. ¿Qué tienen en común las que sí lo logran?
La respuesta no está en el tamaño de la empresa ni en el presupuesto tecnológico. Está en la profundidad de los datos que la empresa acumula dentro de un nicho específico.
El presupuesto no garantiza el resultado
CBRE destinó cerca de 1,700 millones de dólares a hardware y software en 2025, 300 millones más que el año anterior. Con esa inversión logró reducir un 25% el tiempo de procesamiento manual de contratos y desplegar herramientas de IA sobre más de mil millones de metros cuadrados de propiedades administradas. Son resultados concretos. Son también el producto de décadas de estandarización de datos y procesos internos que llegaron antes de que la IA entrara en escena.
JLL encuestó a más de 1,000 directores de real estate en 16 mercados y encontró que el 60% de las empresas debe resolver problemas tecnológicos de base antes de poder aprovechar la IA (según JLL Research, 2025). El 81% reporta que al menos tres de sus sistemas actuales funcionan por debajo de las expectativas. El 88% destina presupuesto a actualizar tecnología heredada antes de poder escalar IA.
La lección no es que la inversión no importa. Es que la IA amplifica lo que ya existe en la base de datos. Si esa base está fragmentada o es superficial, la amplificación produce ruido, no señal. El presupuesto funciona solo cuando los datos que alimentan el modelo son limpios, consistentes y concentrados.
La boutique que supera a la red
En 2026, el 100% de las agencias con 50 o más agentes usa alguna herramienta de IA. Las firmas de 11 a 50 agentes llegaron también al 100% de adopción. Las más pequeñas, de hasta 10 agentes, están en 81.8%. La lógica sugeriría que las empresas más grandes, con mayores recursos, obtienen los mejores resultados. Los datos no confirman esa suposición.
Terra CRG, una boutique comercial de Brooklyn con pocos agentes, superó a las cinco firmas más grandes de su sector en las recomendaciones que los motores de IA generan para ese mercado. La razón es concreta: Terra CRG se especializa exclusivamente en Brooklyn y mantiene una presencia pública concentrada y consistente en esa zona durante años. Los sistemas de inteligencia artificial priorizan fuentes con historial profundo en un mercado específico sobre generalistas con cobertura amplia pero superficial.
El mismo principio aplica en Lima, Bogotá, Ciudad de México o Panamá. Una agencia que gestiona 400 propiedades en Miraflores acumula datos de transacción, perfiles de compradores, tiempos de cierre y patrones de comportamiento en ese mercado que una agencia generalista que cubre toda la ciudad no puede igualar en densidad. Cuando ambas adoptan las mismas herramientas de IA, la boutique especializada obtiene predicciones más precisas y recomendaciones más relevantes para su segmento.
La IA no tiene preferencia por el tamaño de la empresa. Tiene preferencia por la densidad y la consistencia de los datos.
Por qué los obstáculos de LATAM no dependen del tamaño
La encuesta de JLL sobre el futuro del trabajo en LATAM (2026) encontró que el 47% de los líderes corporativos de la región identifica la transformación impulsada por IA como su prioridad estratégica principal (según JLL Research LATAM, 2026). Es el porcentaje más alto entre las regiones encuestadas. También es la región con el menor nivel de preparación entre los ocho escenarios evaluados.
Los obstáculos de LATAM son distintos a los del promedio global. En el resto del mundo, la falta de habilidades en IA encabeza la lista de barreras. En LATAM, el principal obstáculo es la complejidad regulatoria y de cumplimiento, citado por el 35% de los encuestados. La escasez de talento técnico especializado ocupa el segundo lugar, mencionado por el 33%. Además, el 49% de los líderes de LATAM ve la incertidumbre sobre el impacto de la IA en su portafolio como un riesgo concreto, frente al 40% a nivel global.
Ninguno de estos obstáculos favorece a las firmas grandes sobre las pequeñas. La complejidad regulatoria afecta a todas las empresas por igual. La escasez de talento técnico es un problema que cada organización enfrenta sin importar su escala. En este contexto, la ventaja no la da el tamaño: la da la claridad sobre dónde concentrar los datos y los recursos disponibles.
Por qué los datos concentrados amplifican mejor
La diferencia entre datos concentrados y datos dispersos tiene consecuencias concretas en cada proceso donde la IA agrega valor.
En la calificación de leads: un modelo de scoring entrenado con 700 transacciones en una zona específica de Ciudad de México es más preciso que uno entrenado con 8,000 transacciones dispersas en toda la ciudad. Las señales de conversión varían por zona, por tipo de producto y por perfil de comprador. Un modelo generalista promedia y pierde resolución precisamente donde más importa actuar.
En el scoring de captación: los modelos que priorizan propiedades para captar mandatos necesitan datos históricos de comportamiento en ese mercado. Una agencia con cuatro años de registros en un barrio entiende qué propiedades se venden en 30 días y cuáles llevan más de 150, sin necesidad de que el modelo empiece desde cero con datos externos.
En la generación de contenido: un LLM que ha procesado cientos de descripciones de propiedades en un segmento con sus terminologías y características propias produce textos más precisos para ese mercado que uno entrenado con vocabulario genérico de múltiples contextos.
En los tres casos, la IA no crea la ventaja: la amplifica. La ventaja existe en los datos que la empresa construyó antes de adoptar la herramienta.
Qué hacer con esto
La presión para implementar IA en LATAM es creciente. El PropTech Latam Summit Week 2026 reunió a más de 1,500 líderes de 19 países en Ciudad de México, con la inteligencia artificial como eje central de la agenda. La adopción dejó de ser opcional como señal de competitividad.
La pregunta más útil no es cuándo empezar, sino en qué orden.
Antes de adoptar herramientas de IA, la decisión más importante es definir el nicho donde la empresa va a acumular datos en serio: una zona geográfica delimitada, un tipo de producto específico, un perfil de propietario o comprador. La especialización no es una limitación: es la condición que hace que los datos acumulados tengan valor cuando la herramienta los procese.
En Colombia, donde los arrendatarios ya superan en número a los propietarios por primera vez en la historia reciente (7.3 millones de hogares que arriendan frente a 7.1 millones propietarios, según BBVA Research, 2025), una gestora que domina el arriendo residencial en Chapinero o en El Poblado tiene datos más accionables que una que intenta cubrir todo el país con la misma profundidad.
El segundo paso es estandarizar la captura de datos antes de integrar IA. Propiedades con campos incompletos, leads sin seguimiento registrado, transacciones sin cierre documentado: cada registro faltante es un punto de entrenamiento menos para el modelo.
Las herramientas que requieren menos infraestructura de datos históricos son un punto de partida razonable: generación de descripciones con LLMs, scoring de leads a partir de señales de comportamiento en portales, análisis de retroalimentación de visitas. Estas producen valor desde los primeros meses sin necesitar años de datos limpios acumulados.
El error más frecuente en LATAM no es adoptar demasiado tarde. Es adoptar sin haber construido primero la base de datos que hace que la adopción valga la pena.