RE/MAX Premium implementó herramientas de IA en sus operaciones en Argentina y reportó un 80% más de engagement en sus listados, un 50% menos de tiempo en respuesta a compradores y un 30% de reducción en el tiempo promedio de venta (según Ambito, 2025). Los tres números tienen el mismo origen: cambió qué propiedad mostrar, a quién y en qué momento.
El problema que todos normalizan
Un comprador manda un mensaje: "busco 3 habitaciones, zona norte, presupuesto hasta $250,000". El agente, con 180 propiedades en su cartera, abre su sistema y empieza a filtrar. Precio. Zona. Tipo. Le quedan 45 opciones. Elige seis a ojo y las manda.
Ese proceso toma entre 20 y 30 minutos. Lo repite varias veces al día. Y casi siempre selecciona las propiedades que recuerda mejor: las que captó personalmente, las más recientes, las que tienen fotos llamativas. La propiedad que lleva cinco meses en inventario pero encaja perfectamente con ese comprador muchas veces no llega a la conversación.
El sesgo no es malicia. Es memoria. Los agentes trabajan con lo que recuerdan, no con lo que el sistema sabe.
Morgan Stanley estima que el 37% de las tareas del sector inmobiliario son automatizables (según Ambito, 2025). El matching comprador-propiedad está entre las primeras, porque es un problema de búsqueda en base de datos con señales de preferencia: exactamente lo que los modelos de recomendación resuelven bien.
Cómo funciona un motor de recomendación
Los motores de recomendación inmobiliaria operan en tres capas.
La primera son los filtros explícitos: precio, número de habitaciones, zona, tipo de propiedad. Lo que el comprador dijo que busca. Es el punto de partida, pero no es suficiente por sí solo: dos compradores con los mismos filtros pueden querer cosas muy distintas.
La segunda capa son las señales de comportamiento. Qué propiedades abrió el comprador primero. Cuánto tiempo pasó mirando las fotos. Si amplió el plano o solo vio la fachada. Si guardó la ficha o la descartó. Si volvió a abrirla. Si mandó consulta. Cada acción es una señal de preferencia más precisa que cualquier formulario.
La tercera es la similitud entre propiedades. Un modelo calcula qué tan parecidas son dos opciones considerando docenas de variables, no solo las obvias. Dos departamentos en el mismo precio y zona pueden diferir mucho en lo que realmente busca ese comprador: orientación, antigüedad, distribución, amenidades, acceso a transporte.
Compass documentó esto en sus plataformas en Estados Unidos: al lanzar la función "Similar Homes" y recomendaciones personalizadas en homepage, registró un 153% de aumento en la tasa de clics y un 107% de aumento en acciones de engagement como guardar fichas, compartir propiedades o contactar al agente (según Compass True North, 2019). El modelo rastreaba microcomportamientos: en qué orden el usuario abría las fotos, cuánto tiempo pasaba en el plano versus en la foto de fachada.
La clave del sistema es que las preferencias declaradas y las preferencias reales suelen diferir. Un comprador que dice que su presupuesto máximo es $250,000 a menudo guarda fichas de propiedades a $275,000. El modelo aprende eso y ajusta.
Lo que está pasando en LATAM
El 36% de las empresas inmobiliarias a nivel global ya usa IA de alguna forma, con proyección al 90% para 2030 (según Ambito, 2025). En la región la adopción avanza con casos documentados.
En México, el 85% de las interacciones iniciales de un comprador con una propiedad ocurren en canales digitales antes de llegar al showroom físico (según El Imparcial, 2026). Eso significa que la decisión de interés o de descarte ya ocurrió antes del primer contacto con el agente. Si la información que el comprador encontró en digital no fue relevante para él, la llamada no llega.
Tuhabi, la plataforma colombiana-mexicana de vivienda usada, tiene hoy más de 20 millones de propiedades en su base de datos y procesó transacciones por cerca de $2,000 millones de dólares en la región. Su agente conversacional "Gabi" ya asistió a más de 33,000 personas en agendar visitas y resolver consultas. BBVA Spark amplió su financiamiento a la compañía hasta $60 millones de dólares en agosto de 2025, la segunda expansión en menos de nueve meses (según BBVA Spark, 2025). Ese capital va a infraestructura de datos.
El 61% de las empresas de real estate comercial ya tiene algún piloto de IA activo (según MEV, 2025). Hace tres años ese número era marginal. La curva de adopción se está empinando.
Lo que puede hacer una agencia mediana hoy
No necesitas desarrollar un motor de recomendación propio. Pero sí necesitas resolver cuatro cosas, en ese orden.
Primero, datos limpios en tus propiedades. Ningún algoritmo funciona bien con fichas incompletas. Si la mitad de tu inventario no tiene registrada la orientación, los metros de construcción o el número de baños, el matching va a fallar ya en la capa de filtros básicos. Antes de pensar en IA, audita la calidad de tus datos.
Segundo, captura estructurada de preferencias del comprador. Cuando alguien te contacta, ¿tienes un proceso para registrar qué busca en campos que un sistema pueda comparar contra tu inventario? No en notas libres dentro del chat. En campos estructurados. Ese paso convierte la conversación en una consulta ejecutable.
Tercero, señales de comportamiento como dato. Si usas portales para tu inventario, revisa si ofrecen métricas de engagement por ficha: vistas, tiempo de permanencia, guardados. Algunos portales en LATAM ya ofrecen esto. Esos datos son señales de qué tipo de propiedad genera interés real en tu mercado, no solo qué genera más clics.
Cuarto, herramientas que integran todo. Plataformas como Houm, sistemas CRM con módulos de matching o herramientas como Lofty ya ofrecen lógica de recomendación para agencias medianas. No hace falta construir nada desde cero.
El punto de quiebre no es el acceso a la tecnología. Es tener los datos que la alimentan.
Qué hacer con esto
El primer paso no es comprar ningún sistema. Es responder esta pregunta: si un comprador te dijera hoy exactamente qué busca, ¿cuánto tiempo te tomaría darle las tres mejores opciones de tu cartera?
Si la respuesta es más de cinco minutos, el problema es de datos y proceso, no de tecnología.
Audita la calidad de las fichas en tu inventario: completitud de campos, consistencia entre propiedades, datos estructurados versus texto libre. Luego revisa cómo tu equipo captura las preferencias del comprador en el CRM. Si esas dos cosas están en orden, la capa de automatización, con una herramienta comercial o con lógica básica de filtros, empieza a funcionar.
El 80% adicional de engagement que reportó RE/MAX no viene de un sistema sofisticado que nadie puede replicar. Viene de mostrar propiedades relevantes a compradores con perfil alineado, en lugar de mandar lo mismo a todos. La diferencia es simple de enunciar y difícil de ejecutar sin estructura de datos. Empezar por los datos es empezar por donde corresponde.