En diciembre de 2025, el DANE confirmó lo que el mercado ya percibía: por primera vez en Colombia, más hogares arriendan que poseen su vivienda. Son 7,3 millones de hogares arrendatarios frente a 7,1 millones de propietarios (según Infobae Colombia, 2025). En México y Panamá, la tendencia va en la misma dirección. Con ese volumen, la pregunta de cuánto cobrar por cada unidad cada mes ya no se responde con el índice de precios al consumidor y una llamada al inquilino.
Cómo funciona el precio dinámico en un portafolio de arriendo
El esquema tradicional es el siguiente: ajuste anual por inflación, aplicado igual a todas las unidades. El resultado suele ser precios rezagados cuando la demanda sube, y unidades vacías más tiempo del necesario cuando la demanda baja.
Los modelos de precio dinámico funcionan distinto. Procesan entre 50 y 200 variables por unidad todos los días: precios de unidades comparables activas en el submercado, tasa de disponibilidad por zona, días promedio en mercado para ese tipo de inmueble, vencimientos próximos de contratos en el mismo edificio, eventos locales, estacionalidad histórica. El resultado es una recomendación de precio revisada a diario, no una vez al año.
Plataformas como PriceLabs (que gestiona más de 450.000 propiedades en el mundo) aplican esta lógica principalmente a arrendamientos temporales. Los mismos principios ya se usan en portafolios residenciales de largo plazo mediante herramientas como Prorize o los módulos de revenue management de RealPage. La diferencia con el ajuste anual no es solo tecnológica: es el reconocimiento de que el precio óptimo de arriendo cambia cada semana, no cada año.
Lo que dicen los resultados
Los operadores multifamiliares que adoptaron pricing dinámico reportan tres efectos medibles (según The AI Consulting Network, 2026):
- Entre 2 y 5% de incremento en ingreso efectivo frente a quienes usan precios fijos manuales.
- Reducción de 5 a 15% en días promedio de vacío por unidad.
- Reducción de 10 a 20% en concesiones totales: los descuentos y meses gratis que se entregan cuando no hay lectura real de la demanda.
Para dimensionar la escala: en un portafolio de 200 unidades con un canon promedio de $2.500.000 COP mensuales, un incremento del 3% representa cerca de $18.000.000 COP adicionales al año. No por subir precios arbitrariamente, sino por capturar mejor el momento de mercado en cada renovación y en cada nuevo contrato.
El concepto técnico detrás de este margen es el "loss-to-lease": la diferencia entre lo que una unidad genera y lo que generaría si su precio reflejara la demanda real del submercado. Los análisis de portafolios con precios fijos muestran que ese margen no capturado va del 3 al 8% del ingreso anual por propiedad.
El caso RealPage: dónde el algoritmo cruzó una línea
El 23 de agosto de 2024, el Departamento de Justicia de EE.UU. demandó a RealPage, el mayor proveedor de software de gestión de portafolios de arriendo en ese país. La acusación era concreta: el algoritmo de precios de RealPage usaba datos no públicos de propiedades competidoras (tasas de ocupación, precios de renovación, condiciones de contratos activos) para calcular sus recomendaciones (según Multifamily Dive, 2025).
El efecto práctico era que cientos de propietarios, sin acordarlo entre sí, usaban el mismo modelo alimentado con los datos de todos. Eso funciona como coordinación de precios implícita. Grupos de arrendatarios calcularon que el mecanismo generó 4.000 millones de dólares en arriendos inflados solo en 2023.
El 24 de noviembre de 2025, RealPage llegó a un acuerdo con el DOJ. Sin multa, pero con restricciones concretas: ya no puede usar datos no públicos de competidores en sus recomendaciones diarias, ni datos activos de menos de 12 meses para entrenar sus modelos. Cuatro días antes, el 20 de noviembre, el operador Greystar acordó pagar $7 millones a nueve estados por el mismo motivo (según Wilson Sonsini, 2025). En la demanda colectiva privada, propietarios que usaban el software ya distribuyeron $141,8 millones en acuerdos.
La distinción que el caso establece es técnica pero importante. Una IA que optimiza precios usando datos del propio portafolio y señales públicas de mercado es una herramienta de eficiencia. Una IA que usa datos confidenciales de la competencia para alinear precios en un submercado es coordinación anticompetitiva, aunque ningún propietario lo haya acordado verbalmente.
Lo que esto implica para inmobiliarias y gestoras en LATAM
La tecnología de precios dinámicos ya opera en la región. PriceLabs tiene presencia activa en Colombia y México para arrendamientos temporales. Los CRMs locales más avanzados empiezan a incorporar señales de demanda real en sus módulos de gestión de portafolios.
Antes de adoptar cualquiera de estas herramientas, conviene tener dos cosas claras.
La primera es la fuente de datos del modelo. Datos de tu propio portafolio, información pública de portales (tiempo en mercado por zona, número de anuncios activos, precios de cierre publicados) y variables macroeconómicas regionales son correctos y no generan problema regulatorio. Datos obtenidos de plataformas que agregan información confidencial de portafolios de competidores sin el consentimiento de esos propietarios: ahí empieza el riesgo.
La segunda es el marco regulatorio local. Colombia tiene la Ley 1581 de habeas data. México tiene la LFPDPPP. Panamá tiene la Ley 81 de 2019. Las tres regulan el tratamiento de datos personales, y los datos de arrendatarios y propietarios que alimentan un modelo de precios entran en ese marco. El caso RealPage enseña que la fuente de los datos importa tanto como lo que el modelo hace con ellos.
Qué hacer con esto
Si gestionas un portafolio de arriendo de 20 o más unidades, hay tres pasos concretos antes de evaluar software de pricing dinámico.
Primero: registra el tiempo de vacío por unidad y por zona, no solo el promedio del portafolio total. Esa granularidad es la base de cualquier modelo útil. Sin ella, el software produce recomendaciones sin contexto.
Segundo: calcula tu loss-to-lease actual. ¿Cuánto cobraste en los últimos 12 meses versus lo que unidades de características similares cerraron en el mismo periodo en tu zona? Ese número define si el problema es de precio, de condición del producto o de estrategia de captación.
Tercero: audita qué datos captura ya tu CRM. Un portafolio con 3 años de datos de contratos, tiempos de vacío y precios de cierre tiene suficiente historia para un modelo de precio propio. No necesita datos de la competencia para rendir bien.
El mercado de arriendo en Colombia ya tiene más arrendatarios que propietarios por primera vez en su historia. En México y Panamá la curva va en la misma dirección. La pregunta ya no es si la tecnología de precios llega a la región, sino con qué datos planeas alimentarla.