Un corredor en Costa del Este abre ChatGPT, escribe "apartamento 2 habitaciones, vista al océano, cocina remodelada, piso 15" y obtiene una descripción de 220 palabras en cuatro segundos. El modelo añade "pisos de mármol importado", "closets walk-in amplios" y "acabados europeos de primera línea". Nada de eso está en el apartamento. El corredor no lo advierte, publica la ficha y el comprador llega a la visita esperando algo que no existe.
Este escenario no es hipotético. Es la consecuencia directa de cómo funciona la mayoría de los generadores de fichas disponibles hoy, y explica por qué la adopción masiva de estas herramientas no se ha traducido en resultados equivalentes.
Por qué el modelo inventa lo que tú no le diste
Cuando le das a un modelo de lenguaje una instrucción corta para generar una ficha de propiedad, el modelo no trabaja con lo que sabes tú sobre el apartamento. Trabaja con lo que cabe en tu instrucción.
Nila June, una plataforma especializada en descripciones inmobiliarias, lo documentó con precisión: la instrucción promedio que un corredor envía a un generador de fichas tiene entre 15 y 25 palabras de datos reales de la propiedad. El sistema debe producir 150 palabras o más. Las 125 palabras que faltan las completa el modelo con lo que estadísticamente suena plausible en una ficha inmobiliaria: lo que aparece en los millones de listings con los que fue entrenado.
Así aparecen los pisos de mármol que nunca viste, los closets que no existen, las vistas que nadie midió. El modelo no miente de forma deliberada. Predice el texto que, según su entrenamiento, sigue a ese tipo de descripción. Si la instrucción menciona "cocina remodelada" en un apartamento de precio medio, el modelo aprendió que en ese contexto suelen aparecer "cubierta de cuarzo", "gabinetes de madera" o "electrodomésticos de acero inoxidable". Los pone, tengas o no evidencia de que están ahí.
Las consecuencias llegaron lo suficientemente lejos como para requerir legislación. En abril de 2026, California aprobó el Proyecto de Ley AB 2025, que obliga a los propietarios que listen propiedades con fotografías "significativamente alteradas" mediante IA a declararlo y ofrecer un enlace a las imágenes originales. Consumer Reports apoyó el proyecto argumentando que "muchos propietarios han comenzado a usar inteligencia artificial para alterar radicalmente la apariencia de propiedades en línea, creando una inducción falsa para el consumidor". Si llegó a requerir ley, es porque el problema era documentable y recurrente.
Los números de adopción en 2025 y la brecha de resultados
La encuesta de tecnología 2025 de la NAR, que relevó 49,233 Realtors activos en julio de 2025, ofrece el corte estadístico más completo disponible sobre cómo los agentes están usando estas herramientas hoy.
El 68% de los encuestados reportó usar herramientas de IA. De ese grupo, el 46% las aplica específicamente a contenido: fichas técnicas, publicaciones en redes, correos a clientes. La herramienta más usada fue ChatGPT (58% de los usuarios de IA), seguida de Gemini (20%) y Copilot (15%). El 34% gasta entre $50 y $250 al mes en tecnología; el 20% gasta entre $250 y $500.
El problema está en el otro número: solo el 17% reportó un impacto significativamente positivo en su negocio. El 46% no percibió diferencia notable. El 33% reportó impacto moderado.
¿Por qué el 46% usa IA para fichas pero solo el 17% ve resultados significativos? La respuesta está en el proceso, no en la herramienta. Un corredor que le da 25 palabras a ChatGPT y publica el resultado sin revisar gana velocidad, pero no calidad ni confiabilidad. El que captura datos estructurados antes de generar, revisa cada afirmación contra sus notas de visita y ajusta el tono al mercado local obtiene algo que cumple su función.
La herramienta que tienen es la misma. El proceso que rodea a esa herramienta es completamente diferente.
Qué hace un sistema bien construido
Los pipelines que producen resultados consistentes no son una ventana de chat con un prompt corto. Combinan varios modelos especializados en secuencia.
El flujo documentado por UppLabs trabaja así: un modelo de visión analiza las fotografías de la propiedad y extrae características observables, materiales de la cocina, tipo de pisos, estado del baño, presencia de terraza. Esos datos visuales se combinan con un formulario estructurado de 50 o más campos que el corredor llena durante la visita. Un tercer componente recupera fichas comparables de propiedades similares ya vendidas en el mismo submercado, para calibrar el vocabulario y los atributos típicos de ese segmento. Solo entonces el modelo de lenguaje redacta.
El proceso completo tarda entre 60 y 90 segundos. Lo que más tiempo toma es el formulario: esos 50 campos que el corredor llena en la visita. Pero es exactamente eso lo que elimina la alucinación. Si el campo "tipo de piso en sala" dice "cerámica 60x60 color gris claro", eso es lo que aparece en la ficha. No mármol importado, no hardwood.
La diferencia en resultados es medible. Los listings generados con ese tipo de pipeline muestran tasas de clic entre 20% y 30% superiores a los generados manualmente, y una reducción de 8 a 12 días en el tiempo de permanencia en mercado frente a grupos de control, según UppLabs. Un brokerage con 200 propiedades activas por mes y 30 corredores gasta aproximadamente 150 horas semanales en redacción manual de fichas. Con el pipeline bien configurado, ese número baja a menos de 10 horas.
La tasa de rechazo también es un indicador del proceso. Entre el 50% y el 70% de los resultados de estos sistemas se descarta en la primera semana cuando el modelo no fue ajustado con la voz del corredor o del brokerage. Cuando sí lo fue, la aceptación supera el 85% y los corredores no vuelven al método manual.
El factor idioma en las fichas del mercado panameño
Los datos anteriores vienen del mercado estadounidense. En Panamá hay un matiz adicional que los informes en inglés no capturan.
Los modelos de lenguaje fueron entrenados masivamente en fichas en inglés. Las convenciones, la terminología y las expectativas de formato de ese corpus no corresponden a las de una ficha para un apartamento en Punta Pacífica, en Obarrio o en Albrook.
Una ficha local tiene atributos sin equivalente directo en ese corpus de entrenamiento: cuota de condominio mensual, vistas al cintillo costero, área social en piso 24, cuarto de servicio con baño, generador por edificio, certificado de garantía de construcción, calzada de acceso controlada. Cuando el modelo no tiene esos datos en el input, aplica la misma lógica que ya describimos: completa con lo que suena plausible. En este caso puede ser terminología importada del mercado anglosajón o simplemente inventada.
El resultado suena extraño al comprador panameño que conoce el mercado local. Una ficha que describe un edificio en Costa del Este con el vocabulario de un condominio en Brickell, Miami, transmite una señal equivocada. En el peor caso, incluye afirmaciones que el corredor no puede verificar porque las generó el modelo, no su visita de inspección.
La corrección es la misma que en cualquier mercado: más datos estructurados, en español, específicos para el contexto local. Si tu formulario de visita captura si el parqueo es en sótano o en estructura, si hay tanque de agua propio, si el edificio tiene generador individual o compartido, si la cocina es cerrada o abierta al área social, esos datos aparecen en la ficha sin que el modelo tenga que inventarlos.
Qué hacer con esto
El punto de partida más práctico no es elegir una nueva herramienta. Es cambiar lo que le das a la que ya tienes.
Antes de tu próxima visita, prepara un formulario de campo con al menos 40 campos concretos: material de pisos por área, tipo de cocina (abierta o cerrada), estado del sistema de aire acondicionado (central o split), orientación de ventanas, vista específica desde cada área (no "vista al mar" sino "vista al Pacífico hacia el sur desde el piso 12"), condición de las áreas comunes, número exacto de parqueos incluidos en el precio, cuota mensual de condominio en dólares, año de construcción del edificio, si tiene generador y su capacidad. Llénalo durante la visita, no tres horas después desde el auto.
Con esos datos, cualquier modelo de lenguaje con un prompt básico produce una ficha que no necesita inventar nada. No necesitas el pipeline de $500 al mes para empezar. Necesitas un formulario en Google Forms o Notion, quince minutos de atención durante la visita y la disciplina de revisar cada afirmación del resultado contra tus notas antes de publicar.
El corredor que usa ese proceso ahorra 35 minutos por ficha y tiene tiempo real para atender más propiedades. El que publica el resultado de un prompt de 25 palabras sin revisar acumula un riesgo diferente: el comprador que llega a la visita esperando los pisos de mármol que el modelo puso porque suenan plausibles, no porque estén ahí.