La encuesta de tecnología de la NAR de julio de 2025 encontró que el 68% de los agentes inmobiliarios usa herramientas de IA, y que el 46% las usa específicamente para generar contenido en sus fichas. El tiempo de redacción bajó de cerca de tres horas a menos de veinte minutos por propiedad. El problema llega cuando el modelo de lenguaje completa los datos que no están en el expediente con lo que "debería" estar, según los patrones que aprendió de millones de fichas anteriores. Un estudio de la Universidad de Columbia sobre ocho sistemas de búsqueda con IA encontró que producen respuestas incorrectas más del 60% de las veces. Eso mismo puede estar ocurriendo en las fichas que publicas cada semana.
Lo que escribe la IA cuando el expediente no está completo
Los modelos de lenguaje generan texto a partir de patrones estadísticos aprendidos durante el entrenamiento. Cuando les pides que redacten una ficha con poco contexto, producen lo que "debería" estar ahí: proximidad a estaciones de metro, amenidades características del tipo de edificio, rangos de superficie plausibles para la zona. Esos datos no provienen del expediente de la propiedad. Provienen de fichas similares que el modelo procesó durante el entrenamiento. En Colombia, donde más del 71% de las búsquedas de vivienda usada se concentran en apartamentos (según Ciencuadras, 2026), el volumen de fichas activas es alto y el tiempo de generación se convierte en un diferencial operativo. El problema de exactitud escala con el volumen.
Los errores que resultan de esto no son evidentes. No dicen que un apartamento sin piscina tiene piscina. Dicen que la distancia a la estación de metro es de 8 minutos cuando son 22, o que la superficie construida es de 135 metros cuadrados cuando el catastro registra 118. Todos esos valores caen dentro de rangos plausibles para la zona. Pasan la revisión rápida del agente que asume que la IA usó el expediente antes de escribir.
El factor que complica la detección es que los modelos expresan los datos inventados con la misma fluidez que los verificados. No hay una señal de advertencia en el texto generado. Según la encuesta NAR 2025, el 46% de los agentes usa IA principalmente para fichas y textos de listado, pero solo el 17% reporta un impacto positivo significativo en el negocio. La brecha entre quienes adoptaron la herramienta y quienes ven resultados incluye este problema: la herramienta fue adoptada sin el proceso de validación que la hace confiable.
La exposición crece junto con la adopción
En enero de 2026 entró en vigencia en California la Ley AB 723, que obliga a los agentes a declarar cuando las imágenes de un listado han sido modificadas digitalmente por IA (Nila June, 2026). Fue la primera regulación específica sobre contenido generado por IA en fichas inmobiliarias en Estados Unidos, y su lógica se extiende de manera natural al texto: si la IA puede producir imágenes que inducen a error, el texto generado tiene el mismo potencial.
En LATAM, la exposición legal es distinta pero real. En Colombia, México y Panamá, las fichas publicadas pueden servir como referencia documental en disputas post-contrato cuando las condiciones reales no coinciden con lo ofrecido. Una superficie declarada incorrectamente puede derivar en reclamaciones después del cierre. Una agencia que publicó datos fabricados por su modelo de IA no tiene, en ese escenario, ninguna protección técnica.
Lo que agrava la situación en la región es la fragmentación de los datos de referencia. Colombia tiene más de 30 millones de registros en el IGAC, actualizados en junio de 2026, pero la mayoría de las agencias no integra esa base con su CRM. México tiene el programa de big data de la AMPI, que cubre 60 ciudades en 15 estados (AMPI México, 2025), pero el acceso programático para agencias individuales es limitado. Sin esa capa de datos verificados disponible como contexto, el modelo no tiene contra qué validar su propio output antes de escribir.
RAG: del texto inventado al texto anclado en hechos
RAG es el acrónimo de Retrieval-Augmented Generation. En términos prácticos: en lugar de pedirle al modelo que genere una ficha libremente y corregir después, le entregas primero el bloque de datos estructurados de la propiedad y le pides que escriba a partir de eso.
El flujo sin RAG: abres el chat, subes una foto y escribes "genera una ficha para este apartamento". El modelo produce un texto que combina lo que ve en la imagen con lo que "sabe" que suele tener ese tipo de propiedad en esa zona. El resultado puede ser fluido en estilo. En exactitud factual, depende de cuánto contexto proveyó la imagen.
El flujo con RAG: antes de pedir la redacción, entregas al modelo un bloque estructurado con los datos verificados: superficie catastral registrada, número de habitaciones y baños según expediente, amenidades confirmadas del edificio, año de construcción, dirección exacta, nivel de acabados. El modelo escribe a partir de eso. Cada afirmación en el texto tiene un punto de referencia verificable en los datos que recibió.
La validación cierra el proceso: después de la generación, se comparan los valores clave del texto producido (superficie, habitaciones, amenidades específicas) contra el bloque de datos fuente. Si hay una discrepancia, se marca para revisión antes de publicar. Este proceso no requiere arquitectura técnica elaborada: puede ser tan simple como una plantilla de CRM exportable más un prompt que incluya esos campos obligatoriamente antes de la instrucción de escritura. La frecuencia de corrección manual cae de manera considerable cuando el modelo recibe los datos correctos desde el inicio.
Las agencias que ya tienen sus fichas estructuradas en el CRM, con campos separados por tipo de dato, tienen el insumo necesario para implementar este flujo hoy. Las que trabajan con información mezclada en notas de texto libre tienen, antes del problema de IA, un problema de datos.
Qué hacer con esto
El primer paso es auditar lo que ya tienes publicado. Selecciona cinco fichas recientes generadas con IA y compara cada dato declarado contra el expediente de la propiedad: superficie, número de habitaciones, año de construcción, distancias mencionadas. No es un ejercicio teórico. En la mayoría de los casos vas a encontrar al menos una discrepancia por ficha.
El segundo paso es estructurar el insumo antes de activar el modelo. Define cuáles campos del CRM son obligatorios para cualquier solicitud de redacción: área registrada, número exacto de habitaciones y baños, lista de amenidades confirmadas. Ese bloque va en el contexto del prompt antes de la instrucción de escritura.
El tercero es medir tu tasa de corrección. Cuántas veces por semana alguien en el equipo modifica el texto que generó la IA antes de publicarlo es un indicador directo del volumen de errores. Si nadie lo corrige nunca, no es porque el modelo sea perfecto: es porque nadie está comparando contra el expediente.
La pregunta de fondo es cuánto tiempo va a pasar antes de que una agencia grande descubra que una parte de sus fichas activas tiene errores de superficie o amenidades. Hacer esa auditoría interna antes de que la haga un comprador es una decisión de control de calidad, no de tecnología. El proceso de validación que se construye hoy se convierte en una ventaja operativa cuando la regulación llegue y la mayoría de las agencias apenas esté empezando a responder.