Opendoor analiza hasta 500 señales distintas en cada propiedad antes de hacer una oferta de compra. No son solo metros cuadrados y número de habitaciones: son el tipo de techo, la antigüedad del sistema HVAC, los acabados de las cocinas, la proximidad al transporte público y la calidad de las fotos del interior (según Opendoor, 2025). Todo entra al modelo.
El dato importa porque revela algo que la mayoría de las inmobiliarias todavía hacen de forma informal: decidir en cuáles propiedades del portafolio concentrar el tiempo y el presupuesto. La IA no elimina ese juicio. Lo ancla en señales observables, no en quién llama más seguido o en qué ficha tiene la foto de portada más atractiva.
Las señales que el modelo lee en cada ficha
Un scoring de propiedades no es una planilla con puntos subjetivos. Es un modelo entrenado con miles de transacciones reales que convierte señales observables en un número comparable entre fichas: qué tan vendible es esta propiedad hoy, a qué precio y en cuánto tiempo.
Las señales se organizan en cuatro grupos. El primero son los datos físicos del inmueble: superficie construida, antigüedad, número de habitaciones, estado de los sistemas críticos (techado, HVAC, instalación eléctrica) y acabados de cocina y baños. Son los datos que cualquier ficha debería contener. Cuando faltan, la precisión del score se degrada de forma directa.
El segundo grupo son los datos de mercado y posicionamiento: precio publicado versus precio promedio de cierres recientes en la zona, días en el mercado comparados con el promedio para propiedades similares, e historial de ajustes de precio desde la publicación inicial. Una propiedad con 90 días sin movimiento y tres reducciones de precio no requiere intuición para detectarla: el modelo la identifica como candidata a revisión antes de que el propietario llame molesto.
El tercer grupo son los datos de entorno: distancia a transporte, escuelas, centros comerciales, índices de seguridad por zona. La ponderación varía según el mercado, pero estas señales tienen alta relevancia en cualquier modelo entrenado con datos reales de una ciudad.
El cuarto grupo son los datos visuales. Las fotos importan más de lo que la mayoría supone. Los modelos modernos clasifican imágenes para detectar estado de conservación, calidad de acabados, iluminación y distribución espacial. Opendoor procesa millones de fotos interiores como variables de entrada al mismo nivel que los datos estructurales. Su modelo se entrenó con más de 250.000 transacciones y cruza información de 20 fuentes externas además de su base propia.
Qué produce el modelo con esas señales
El output de un scoring de propiedades no es solo un precio estimado. Un sistema bien construido entrega tres cosas distintas para operar el portafolio:
Un indicador de calidad de ficha. ¿Tiene fotos suficientes y bien iluminadas? ¿La descripción incluye los datos clave: superficie, orientación, estado del inmueble? ¿El precio es coherente con los cierres recientes en la zona? Este número indica si la propiedad está lista para generar demanda o si hay trabajo pendiente antes de activar la pauta.
Una estimación de velocidad de venta. Cuántos días tardará en cerrarse, dado el precio actual, la calidad de la ficha y las condiciones de demanda de esa zona. Si el modelo proyecta que una propiedad tardará el doble del promedio del mercado, el equipo puede actuar en el día 15, no en el día 60.
Una prioridad de atención para el portafolio. Las propiedades con alta probabilidad de cierre rápido y buenas señales reciben más tiempo de seguimiento activo y más presupuesto de pauta. Las que tienen señales débiles van a una cola de revisión: ajustar precio, completar la ficha, actualizar fotos.
Opendoor genera estimaciones en segundos a partir de sus 500 señales por propiedad. El sistema también produce 50 señales internas de confianza: cuando la incertidumbre en una propiedad específica es alta, esa ficha se marca para revisión humana antes de confirmar el precio.
Según la encuesta global de tecnología inmobiliaria de JLL publicada en octubre de 2025, con 1.500 ejecutivos senior en 16 mercados, la valoración automatizada de propiedades y las recomendaciones de optimización de portafolio están entre los ocho principales usos de IA que los inversores y operadores ya tienen activos (JLL, 2025). No son experimentos: son procesos que reemplazan flujos manuales de decisión.
Del ranking a la agenda semanal del equipo
Una inmobiliaria con 60 propiedades activas no puede trabajarlas todas con la misma intensidad. En la práctica, cada agente atiende entre 15 y 25 fichas según criterios informales: las que el propietario llama más, las que el gerente menciona en la reunión del lunes. Ese criterio produce resultados impredecibles.
Un scoring cambia la lógica: el portafolio se convierte en una lista ordenada por probabilidad de cierre, calidad de ficha y tiempo esperado en mercado. El agente llega el lunes y sabe qué tres propiedades tienen prioridad alta esa semana y por qué razón concreta.
Las consecuencias prácticas son directas. Las propiedades con fichas incompletas se detectan antes de publicarlas, no después de 30 días sin consultas. Las propiedades que llevan más tiempo del esperado en mercado reciben una señal de revisión antes de que el propietario pregunte qué está pasando. El presupuesto de pauta digital se asigna a las fichas que el modelo identifica con mayor demanda potencial, no a las que el gerente prefiere por razones subjetivas.
Este reordenamiento no exige construir un sistema propio. Varias plataformas de gestión de portafolio y CRM especializados ya integran scores automáticos que cruzan datos del portal, el historial de contactos y las condiciones de mercado local. El trabajo del operador es activarlos y definir qué decisión quiere que el score apoye. Una propiedad bien posicionada en ese ranking puede cerrar antes de fin de semana. Una invisible en la lista puede llevar tres meses en el portafolio sin que nadie entienda exactamente por qué.
LATAM: cuando el dato mejora, el modelo mejora
La adopción de IA crece, pero de forma desigual. JLL reporta que el 88% de inversores y operadores ya tiene al menos un piloto activo, pero solo el 5% dice haber alcanzado todos sus objetivos de IA. La brecha no está en la disponibilidad de tecnología: está en la calidad de los datos que alimentan los modelos.
En Colombia, la revista Semana documentó en septiembre de 2025 cómo Habi logró reducir sus tiempos de transacción en un 35% de extremo a extremo y sus costos operativos en cerca del 50% en ciertos productos (Semana, 2025). Ese resultado requirió conectar fuentes que pocas agencias medianas tienen integradas hoy: portales, registros catastrales, datos de la Supernotaría y capas urbanas de movilidad y seguridad.
El mismo artículo describe algo accesible sin construir nada propio: plataformas que ya cruzan datos públicos con registros privados para entregar valoraciones automáticas. El operador no diseña el modelo, lo usa. Lo que sí controla el operador es la calidad de lo que alimenta desde su lado.
El patrón se repite en México y Panamá. Incluso en mercados más maduros la adopción es incompleta: el NAR Technology Survey de septiembre de 2025 encontró que el 32% de los profesionales inmobiliarios en Estados Unidos todavía no había adoptado ninguna herramienta de IA (NAR, 2025). Las herramientas que permiten scoring de propiedades ya existen en el mercado regional. El paso siguiente no es esperar más tecnología: es mejorar los datos que entran al modelo.
Qué hacer con esto
El scoring de propiedades empieza antes de activar cualquier herramienta. Empieza con los datos que ya tienes, o con los que todavía faltan en cada ficha.
El primer paso es auditar qué información tiene hoy tu CRM para cada propiedad activa: ¿hay precio histórico registrado?, ¿hay fotos clasificadas por tipo de espacio?, ¿hay fecha de publicación y registro de consultas recibidas? Si más del 30% de tus fichas tiene campos vacíos o desactualizados, cualquier score que calcules sobre esa base será poco confiable.
El segundo paso es definir qué decisión quieres que el score apoye. Priorizar el tiempo del agente no requiere las mismas señales que asignar presupuesto de pauta digital. La definición del objetivo determina qué datos necesitas y cómo interpretar el número que el modelo produce.
El tercer paso es verificar si alguna de las plataformas que ya usas genera ese ranking de forma automática. Muchas lo hacen sin que el operador lo haya revisado o activado. El portafolio ya tiene una jerarquía implícita. Lo que falta es leerla de forma sistemática, con el equipo, cada semana.