El 75% de los agentes que ya usan inteligencia artificial la aplican para escribir fichas de propiedades, según el reporte de tecnología 2026 de la Asociación Nacional de Realtors (NAR), publicado el 22 de septiembre. En la mayoría de los casos, el resultado es correcto: texto profesional, tono consistente, descripción lista en minutos. En un porcentaje que nadie mide con precisión, el resultado es una ficha que describe una propiedad que no existe tal como está escrita.
Este no es un problema teórico. Es un problema de flujo de trabajo que la mayoría de las agencias en LATAM todavía no corrigió, en parte porque el error se disfraza de eficiencia.
La razón por la que esto se adoptó tan rápido
Redactar una ficha bien escrita toma entre 30 y 90 minutos: revisar fotos, consultar el expediente, elegir qué destacar, escribir con coherencia para el tipo de comprador que busca esa propiedad. Con IA, el mismo proceso toma entre 3 y 5 minutos.
El 81% de los agentes que usan IA cita el ahorro de tiempo como la razón principal para adoptarla, arriba del 66% que lo hacía en 2025 (NAR 2026 Technology Report). El segundo motivo es la mejora en la experiencia del cliente: texto consistente, sin errores ortográficos, con un tono que antes dependía de la energía del agente al finalizar el día.
El costo de entrada también ayuda. Las herramientas más usadas, ChatGPT principalmente con un 58% de participación según la NAR 2025 Technology Survey, cuestan menos de $30 USD al mes. Para una agencia con 15 agentes publicando 4 fichas cada uno por semana, el cálculo es difícil de ignorar.
El modelo de adopción en LATAM sigue el mismo patrón con un desfase de 12 a 18 meses respecto al mercado norteamericano. Las agencias más activas tecnológicamente en Bogotá, Ciudad de México y Ciudad de Panamá ya usan IA para este proceso. Las agencias medianas lo están adoptando ahora. El problema llega cuando se adopta la herramienta sin ajustar el flujo de trabajo.
Lo que el modelo inventa cuando los datos no están
Un modelo de lenguaje no sabe qué es verdad. Sabe qué texto es estadísticamente probable dado el contexto. Si el contexto es "apartamento de dos habitaciones en el centro de Bogotá, $280,000 USD", el modelo genera un texto que suena como cualquier ficha de ese tipo de propiedad en esa ciudad. Si los datos de entrenamiento indican que ese tipo de ficha suele mencionar "acabados modernos", "ventanas amplias" o "cocina integral", el modelo va a escribirlo, con o sin datos verificados que lo respalden.
El Departamento de Estado de Nueva York emitió una advertencia formal a finales de 2025 sobre fichas generadas con IA que violaban reglas de publicidad engañosa. El caso más citado fue directo: un agente publicó una ficha donde aparecía una ventana en el dormitorio principal. La ventana no existía en la propiedad. El comprador fue a visitarla y no la encontró. El agente, no la IA, respondió por la inexactitud.
Los tipos de error documentados siguen un patrón reconocible, según el análisis de Respan (2026):
- Atributos fabricados: "planta abierta" en distribuciones cerradas, "cocina con isla", "piso de madera" cuando las fotos muestran otro material.
- Datos incorrectos: metraje diferente al registrado en el catastro, año de construcción que no coincide con los documentos del inmueble.
- Amenidades imprecisas: "a dos cuadras del metro" o "vista al parque central" generadas por similitud con otras propiedades en la misma zona, no por datos específicos de la unidad.
El modelo produce estas líneas con el mismo tono confiado que usa para describir atributos reales. No hay señal de alerta en el texto. El lector no puede distinguir qué está verificado y qué fue completado por inferencia estadística.
En la mayoría de los países de LATAM, Colombia, México, Panamá y los demás mercados de la región, el agente o la agencia que publica la ficha es responsable de su contenido ante el comprador. La IA no tiene licencia inmobiliaria.
El error está en el orden, no en la herramienta
El flujo que produce errores es este: "Escribe una ficha para este apartamento de 85 m² en Miraflores, $195,000." El modelo rellena lo que falta.
El flujo que produce fichas verificables empieza por otro lado: primero, una hoja de datos con los atributos confirmados (metraje catastral, número de habitaciones y baños, tipo de cocina, tipo de piso, amenidades del edificio, servicios incluidos, distancias verificadas). Después, la instrucción específica: "Escribe una ficha para un portal inmobiliario usando solo los datos de abajo. Si un atributo no está en la lista, no lo menciones. Para cualquier dato no confirmado, escribe [CONFIRMAR] en su lugar."
Esta distinción es la base de lo que los sistemas más sólidos implementan con RAG (retrieval-augmented generation): anclan el modelo en datos verificados antes de generar el texto. Los sistemas con esa arquitectura producen entre un 40% y un 60% menos de errores factuales comparados con un modelo base operando con instrucción libre, según el análisis de Respan. Para una agencia sin un sistema propietario, la versión manual del mismo principio funciona bien: una plantilla de captura por propiedad, llenada por el agente al momento del mandato, revisada antes de pasarse al modelo.
Por qué el contexto de LATAM amplifica el problema
En mercados con un MLS consolidado, los sistemas de IA para fichas operan sobre bases de datos con millones de registros verificados y estructurados. El agente carga una propiedad y el sistema ya tiene un punto de referencia sólido.
En Colombia, México, Panamá y el resto de la región, esa infraestructura no existe de la misma manera. Los portales contienen datos incompletos, inconsistentes entre sí, y en muchos casos copiados de una publicación anterior sin revisión. Una propiedad puede aparecer con 92 m² en un portal y 98 m² en otro porque alguien actualizó uno y no el otro. Cuando un modelo aprende de esos datos, aprende también sus contradicciones.
Esto no invalida el uso de IA para fichas en LATAM. Significa que la fase de verificación que algunos mercados dejaron automatizada, aquí todavía requiere un paso humano. La hoja de datos verificada no es burocracia adicional: es la única barrera entre la ficha útil y la ficha que describe una propiedad que no existe.
Un beneficio adicional: esa misma hoja de datos sirve para actualizar el CRM, sincronizar portales y generar el reporte al propietario, sin reescribir los atributos en cada herramienta.
Qué hacer con esto
Primero, revisa cómo tu equipo usa IA hoy para escribir fichas. ¿Qué le dan al modelo? Si la respuesta es el precio, la dirección y algunas notas, el riesgo ya existe.
Segundo, crea o revisa tu plantilla de captura de datos. Debe incluir como mínimo: metraje catastral, número de habitaciones y baños, tipo de cocina, tipo de piso, estado de conservación, servicios incluidos, amenidades del edificio y restricciones si aplican. El agente captador la llena al momento de firmar el mandato. Esa plantilla es la fuente de verdad de la propiedad.
Tercero, cambia el prompt. La instrucción deja de ser "escribe una ficha para esta propiedad" y pasa a ser: "Escribe una ficha para un portal inmobiliario usando solo los datos de esta plantilla. Para cada atributo que no esté aquí, usa [CONFIRMAR]."
Cuarto, antes de publicar, alguien en el equipo compara la ficha contra la plantilla. No para corregir estilo: para verificar que ningún atributo extra haya aparecido. Ese paso toma 2 a 4 minutos. Es considerablemente menos costoso que corregir una publicación después de que el comprador ya la leyó.
El modelo de lenguaje escribe bien a partir de datos. No puede saber qué es verdad en la propiedad que estás vendiendo. Ese conocimiento viene de tu equipo, estructurado, antes de que el modelo empiece a escribir.