Cada mes, una desarrolladora mediana en Bogotá o Ciudad de México recibe entre quince y veinte ofertas de terrenos. Evaluar una en serio, antes de decidir si vale la pena profundizar, tomaba entre doce y veinte horas de trabajo analítico: leer la normativa urbanística, rastrear comparables activos y cerrados, estimar costos de construcción, modelar la absorción esperada. El 88% de las empresas inmobiliarias ya pilotea herramientas de IA para este tipo de análisis. Solo el 5% dice haber alcanzado todos sus objetivos (según JLL, octubre 2025). La brecha entre ambas cifras es exactamente el lugar donde se gana o se pierde.
El cuello de botella que precede a todo proyecto
Antes de que comience la obra, el tiempo que pasa entre una oportunidad de terreno y la decisión de compra mide el ritmo real de una desarrolladora. La Reserva Federal de Atlanta documentó un promedio de 15,3 meses entre el anuncio de un proyecto multifamiliar y el inicio de construcción, con 27,6 meses desde la identificación hasta la entrega. La mayor parte del tiempo no ocurre en la obra: ocurre en la etapa previa.
En LATAM la dinámica tiene sus propias capas. Los permisos en mercados como Colombia, México o Panamá suman complejidad: normativas municipales, seccionales y nacionales que cambian por zona, usos de suelo con criterios distintos en cada alcaldía o delegación, y costos de cumplimiento regulatorio que en proyectos multifamiliares pueden representar más del 40% del costo total de desarrollo. El analista que tarda una semana en leer la normativa de tres terrenos candidatos no es lento: es lo que el proceso exige sin automatización.
El resultado práctico es que una desarrolladora que quiere moverse con velocidad no puede hacerlo si su análisis de viabilidad es completamente manual. Y la mayoría en la región aún trabaja así. Como señaló InnovaciónDigital360 en junio de 2026, muchas desarrolladoras de LATAM todavía dependen de planillas, WhatsApp y correos para las decisiones que definen si un proyecto avanza o se descarta.
Lo que la IA automatiza en el análisis inicial
La evaluación inicial de un terreno tiene tres componentes técnicos que se pueden automatizar hoy con herramientas existentes.
Lectura de normativa urbanística. Las regulaciones de uso de suelo existen como PDFs, HTML o archivos de texto en portales municipales. Un modelo de lenguaje configurado para este propósito puede leer la normativa de una zona, extraer el coeficiente de utilización del suelo, las alturas máximas permitidas, los retiros reglamentarios, los requisitos de estacionamiento y las restricciones de mezcla de usos. Lo que antes requería dos horas de un abogado urbanista o un arquitecto experimentado se comprime a minutos. La IA no reemplaza el criterio legal: elimina el trabajo mecánico de localizar y transcribir los parámetros relevantes.
Extracción de comparables. Los portales inmobiliarios de la región contienen decenas de miles de fichas activas. Combinados con scraping estructurado y procesamiento de lenguaje, permiten construir automáticamente la tabla de comparables: precio por metro cuadrado de terreno y de producto terminado, características del mix, tiempos en mercado, velocidades de absorción observadas en la zona objetivo. El analista recibe la tabla lista para revisar, no para armar.
Screening financiero preliminar. Un sistema de IA puede verificar un terreno contra un checklist de criterios de inversión: ¿el precio por metro cuadrado de suelo está dentro del rango viable para el producto proyectado? ¿La normativa permite la densidad necesaria para que el proyecto genere la rentabilidad mínima esperada? ¿Hay factores de riesgo en el registro público, como conflictos de linderos o restricciones ambientales?
Un caso documentado por NextAutomation (julio 2026) muestra el impacto de este tipo de sistema: un screening automatizado para un inversor en Florida redujo el análisis inicial de quince horas a tres minutos por terreno, usando una lista de verificación de 26 puntos. Para estudios de viabilidad más completos, tareas que tomaban entre tres y cuatro semanas se procesan en diez minutos.
La brecha entre el piloto y el resultado
El reporte de JLL de octubre de 2025, basado en más de 1.500 tomadores de decisiones senior en 16 mercados, documenta una paradoja: casi el 90% de las empresas inmobiliarias corre pilotos de IA, pero menos del 5% alcanzó todos los objetivos que se propuso. Casi la mitad alcanzó dos o tres de sus metas. Más del 60% admite que no está técnica ni estratégicamente preparada para adoptar IA a escala completa.
Datos de Deloitte citados por NextAutomation apuntan en la misma dirección: el 40% de las firmas del sector está en implementación temprana de IA, cifra que subió desde el 28% del año anterior. El movimiento es real, pero la brecha entre adopción y resultado persiste.
La razón principal no es el modelo de IA: es la calidad de los datos que lo alimentan. Un sistema que calcula la rentabilidad proyectada de un terreno necesita precios reales de transacciones cerradas, costos de construcción actualizados por zona y velocidades de absorción históricas. En muchos mercados de LATAM, esa información es fragmentada, incompleta o no está digitalizada. Los catastros tienen actualización irregular, los precios de cierre rara vez son públicos y las series históricas de absorción por microzona no existen de forma centralizada.
Esto no invalida el análisis con IA: lo contextualiza. Las tareas que dependen de datos disponibles hoy (normativa pública, comparables de portales) funcionan bien. Las que dependen de historiales de transacciones tienen mayor variabilidad según el mercado. La ciudad donde el desarrollador tiene diez años de datos propios bien estructurados es distinta a la ciudad donde recién empieza.
Lo que implica el argumento de McKinsey para la región
McKinsey estimó en 2026 que la automatización con IA, aplicada al trabajo de conocimiento en real estate, construcción y desarrollo, podría liberar entre US$430.000 millones y US$550.000 millones en valor por año a nivel global. La porción que corresponde a LATAM no la captura quien adopta la herramienta: la captura quien construye el activo de datos que esa herramienta necesita para funcionar bien.
Una desarrolladora con precios de cierre propios de los últimos cinco años, costos de construcción registrados por microzona y datos de absorción de sus proyectos anteriores tiene una ventaja que no es tecnológica: es de datos. La IA amplifica esa ventaja. Dos desarrolladoras que usan el mismo modelo con datos de distinta calidad obtienen resultados distintos.
En Colombia, México y Panamá, donde el volumen de transacciones residenciales tiene mayor profundidad, el potencial de automatización del análisis de viabilidad es concreto. No requiere esperar a que el catastro nacional se modernice: requiere que las propias empresas empiecen a estructurar los datos que ya tienen dispersos en correos, carpetas y hojas de cálculo.
Qué hacer con esto
El punto de partida no es el modelo de IA más sofisticado: es el inventario de datos que ya tienes. Si tu empresa tiene precios de cierre de proyectos propios de los últimos cinco años, costos reales de construcción por tipo de producto y zona, y velocidades de absorción históricas de tus propios desarrollos, esos datos valen más que la herramienta a la que los conectes.
Para la etapa de screening inicial, las herramientas disponibles hoy funcionan bien con datos de portales y normativa pública. Un equipo con capacidades básicas de programación puede construir un pipeline que evalúe diez terrenos en el tiempo que antes tomaba revisar uno. El umbral de entrada es más bajo de lo que parece, y el retorno en tiempo analítico es inmediato.
Para agencias que trabajan con desarrolladoras, el cambio práctico es de velocidad. Si el desarrollador comprime su análisis de semanas a horas, el tiempo que tienes para presentar un terreno antes de que la decisión se cierre también se comprime. Tener la información estructurada desde el primer contacto, con comparables y normativa básica adjuntos, ya es una ventaja diferenciadora frente a quienes entregan solo la dirección y el precio.
El 5% que está alcanzando resultados reales con IA en análisis de proyectos no tiene un modelo más avanzado. Tiene datos más limpios y empezó por las tareas donde la IA necesita menos para funcionar bien.