Un mini-PC de $700 puede reemplazar una suscripción de IA que cuesta entre $2.000 y $10.000 dólares al año para una agencia mediana. Lo que cambia no es la potencia del modelo: es que los datos de tus clientes no salen de tu red. Eso es lo que distingue a un Small Language Model (SLM) de los servicios de IA en la nube que la mayoría de las inmobiliarias usa hoy.
Qué diferencia a un SLM de los modelos cloud que ya conoces
Los servicios de IA más usados en real estate, ChatGPT, Gemini, Claude, son LLMs (Large Language Models) que operan en la nube. Cuando envías texto a través de su API, ese texto viaja a servidores en Estados Unidos o Europa, el modelo lo procesa y devuelve una respuesta. Pagas por cada token procesado, y los datos que incluyeste en el prompt se alojan, al menos temporalmente, en infraestructura de terceros.
Un SLM es distinto en tres dimensiones. Primero: su tamaño. Modelos como Llama 3.2 3B, Qwen 2.5 14B o Phi-4 Mini tienen entre 3.000 y 14.000 millones de parámetros, versus los cientos de miles de millones de los modelos grandes. Segundo: el hardware que necesitan. Funcionan en una laptop moderna, un mini-PC de escritorio o un servidor propio. Tercero: la ubicación del procesamiento. El modelo corre localmente. Los datos no salen de tu red.
En enero de 2026, WAV Group publicó el primer análisis comparativo entre SLMs y LLMs para herramientas de real estate. La conclusión: no compiten en el mismo campo. Los LLMs ganan en conectividad, chatbots multilingues con conocimiento actualizado de mercado e integración con docenas de herramientas vía API. Los SLMs ganan en privacidad, costo controlado y personalización para tareas repetitivas de la operación interna de una agencia.
El argumento de privacidad para agencias en LATAM
Cuando un agente genera un seguimiento de lead desde su CRM usando un servicio cloud, el dato que viaja incluye el nombre del comprador, su situación financiera, su límite de presupuesto y muchas veces su plazo de decisión. Información sensible que pasa por servidores de terceros antes de convertirse en un correo o un mensaje en WhatsApp.
Las leyes de protección de datos en LATAM complican esa cadena. Colombia tiene la Ley 1581, México la LFPDPPP, Panamá la Ley 81. Ninguna prohíbe el uso de servicios cloud, pero todas exigen consentimiento explícito para transferir datos personales a terceros o fuera del territorio nacional. En la práctica, la mayoría de los contratos de servicio de las agencias no contemplan ese consentimiento con la especificidad que las leyes requieren.
El argumento para usar IA local no depende de que los proveedores cloud sean inseguros. Depende de que mantener el procesamiento en tu propio servidor es más fácil de auditar, elimina un vector de riesgo regulatorio y simplifica lo que le dices a tu cliente sobre cómo usas sus datos. WAV Group lo señala con precisión: el real estate es una de las industrias donde el argumento de privacidad para la IA local es más fuerte, por la confidencialidad del vendedor, los datos de negociación y la información financiera del comprador.
Para agencias en LATAM hay un factor adicional: el costo en moneda local. Una agencia en Bogotá o en Ciudad de México que paga suscripciones de IA en dólares absorbe la devaluación en cada factura mensual. Un SLM local tiene costo de hardware inicial, pero no tiene costo por token: el modelo corre sin pagar por cada consulta.
Cuatro tareas donde el modelo local supera a la suscripción mensual
El análisis de LocalAI Master (2026) midió los ahorros de tiempo concretos para agentes que adoptaron modelos locales en su operación diaria:
- Seguimiento de leads por etapa: entre 4 y 6 horas por semana recuperadas por agente. El modelo redacta mensajes personalizados según la etapa del funnel sin que el historial del lead salga del CRM.
- Fichas de propiedades: con MacBook Pro M3 y el modelo Qwen 2.5 14B, un equipo genera en 12 segundos una ficha completa con titular, descripción, variante para redes y bullets para volante.
- Narrativa de análisis comparativo de mercado (CMA): 3 a 4 horas por semana. El modelo procesa la base de transacciones internas de la agencia y genera la narrativa de sustento del precio, sin que esos datos salgan.
- Análisis de rendimiento por agente: tasa de cierre, días en mercado, margen de negociación obtenido. Métricas del propio CRM procesadas localmente, sin pasar por ningún servidor externo.
En las cuatro tareas, el modelo opera sobre datos que la agencia ya tiene en casa: el historial del CRM, los datos del mandato, el registro de transacciones. No requiere conectividad en tiempo de ejecución. Funciona con o sin internet, un punto relevante para operaciones en ciudades de LATAM con conectividad variable.
Donde el SLM local no gana: cuando necesitas información de mercado actualizada en tiempo real, cuando la tarea requiere integrar docenas de APIs simultáneamente, o cuando el volumen de uso es bajo y el costo del hardware no se amortiza en un plazo razonable. Para esas tareas, los LLMs cloud siguen siendo la opción correcta.
El costo real: hardware versus suscripción
WAV Group comparó los rangos anuales para operaciones de tamaño mediano. Los LLMs cloud pueden costar entre miles y millones de dólares al año según el volumen de uso. Los SLMs locales operan entre cientos y pocos miles de dólares anuales en total.
El hardware es el costo de entrada. Una laptop con chip Apple M3 ya puede correr Llama 3.2 3B sin configuración adicional. Un mini-PC dedicado con 32 GB de RAM cuesta alrededor de $700 y permite correr Qwen 2.5 14B a una velocidad útil. Un servidor compartido para un equipo de 10 o más agentes puede alojar varios modelos simultáneamente por entre $1.200 y $2.000 en hardware.
La señal más clara de que el sector mayor ya tomó nota viene del Deloitte Commercial Real Estate Outlook 2026: más del 40% de los operadores institucionales declaró interés activo en Small Language Models como tecnología emergente para los próximos 12 a 18 meses. El mismo porcentaje que registró interés en sistemas multiagente y en IA multimodal. No es tecnología de laboratorio: está en el radar de los equipos de tecnología de las firmas más grandes del mundo en real estate.
El punto de inflexión para una agencia mediana ocurre cuando el volumen de tareas repetitivas supera un umbral concreto. Una agencia de cinco agentes con 40 o más leads mensuales y publicación activa en múltiples portales amortiza el hardware en pocos meses frente a lo que pagaría en suscripciones de API por el mismo trabajo.
Qué hacer con esto
El punto de entrada más bajo riesgo es Ollama, una herramienta gratuita de código abierto que permite correr modelos como Llama 3.2, Qwen o Phi-4 en cualquier laptop moderna. Sin servidor dedicado, sin conocimientos técnicos avanzados. Permite probar en pocas horas si el modelo local produce la calidad que tu operación necesita para una tarea concreta.
La secuencia recomendable: identifica la tarea de mayor volumen que involucra datos sensibles de clientes, generalmente el seguimiento de leads o la redacción de fichas. Prueba el modelo local contra el servicio que ya usas. Si la calidad es comparable, tienes un caso de negocio para el hardware. Si no lo es, los modelos locales avanzan rápido: vale revisitar cada tres a seis meses.
El paso siguiente es conectar el modelo con tu CRM a través de una API interna, para que el agente no copie y pegue manualmente. Entre una y dos semanas de trabajo técnico. El resultado: los datos del cliente entran al modelo desde el CRM y la respuesta vuelve al CRM sin salir de tu red en ningún punto.
Emilio Portes, director global de innovación de JLL, resumió la posición del sector en mayo de 2026: la tecnología sola no transforma nada; la ventaja competitiva aparece cuando las organizaciones combinan capacidades de IA con el juicio profesional de su equipo. Un SLM corriendo en tu servidor cumple la parte de la tecnología. La otra mitad la pone tu operación.
La IA local no reemplaza los servicios cloud para todo. Reemplaza su uso donde el dato es sensible, el volumen justifica el hardware y la privacidad de tu cliente importa. Para una agencia en LATAM, esas tres condiciones se cumplen con más frecuencia de lo que parece.