De registrar actividad a construir inteligencia comercial

Imaginemos una reunión de cartera. Una propiedad sigue publicada. Ha recibido consultas y algunas visitas, pero ninguna oferta. El propietario pide explicaciones. Una persona propone aumentar la publicidad; otra, cambiar las fotos; una tercera considera que hay que revisar el precio.

Las tres opciones merecen consideración. Cada una, sin embargo, supone una explicación diferente de lo que está ocurriendo. Antes de elegir, la agencia necesita relacionar lo que vio el comprador en el anuncio, lo que preguntó, lo que encontró durante la visita y la razón por la que decidió no avanzar.

Esa capacidad de reconstruir una decisión comercial es una dirección especialmente interesante para la tecnología inmobiliaria. Puede orientar dónde dedicar tiempo, qué conversar con el propietario y qué aprender de una operación que no prosperó.

La IA empieza a aportar piezas para hacerlo. Su valor depende de cómo esas piezas se incorporen al trabajo de la agencia.

En la encuesta tecnológica de NAR de 2025, con 1.241 respuestas utilizables de sus miembros, el 46 % declaró usar contenido generado por IA; el 21 %, CRM con insights de IA; y el 6 %, analítica predictiva. Son categorías de uso diferentes y pueden superponerse. Los datos corresponden a esa muestra estadounidense, no describen la adopción latinoamericana. Informe de NAR, páginas 4 y 18.

Mi interés está en esa capacidad analítica: qué puede aprender una agencia de su actividad y cómo convierte ese aprendizaje en mejores decisiones.

StreetEasy ofrece un ejemplo concreto. En mayo de 2026 explicó Performance Pulse, un modelo construido con más de 200.000 anuncios de Nueva York que combina características del inmueble, interacción de compradores, promoción y contexto de precio y mercado. El producto permite explorar qué factores contribuyen a su puntaje. La propia compañía advierte que el resultado no está garantizado. Performance Pulse.

Un puntaje puede ayudar a formular preguntas. Su explicación, por sí sola, no demuestra que pagar publicidad o modificar un precio produzca una venta. Esa diferencia importa cuando alguien debe comprometer presupuesto o defender una recomendación frente al propietario.

Para una agencia, la primera tarea es distinguir situaciones que pueden parecer iguales en el reporte mensual:

La tabla organiza una investigación. Ninguna fila establece una causa automática. Una propiedad puede ser difícil de vender por varios motivos al mismo tiempo, y algunos estarán fuera del control de la agencia.

El trabajo consiste en reducir la incertidumbre suficiente para elegir una intervención razonable.

Aquí entra la información de las visitas. Un CRM puede indicar que hubo actividad y conservar poco contexto sobre lo que esa actividad enseñó. Conviene comprobar si distingue una visita realizada de una cancelada, una objeción de una impresión del corredor y una preferencia vigente de otra que el comprador ya cambió.

Rechat lanzó AI Memo en abril de 2026 para resumir conversaciones grabadas con permiso o notas dictadas después de una interacción. Los puntos relevantes y próximos pasos sugeridos quedan asociados al contacto. Es un ejemplo de cómo facilitar la captura de información dentro del seguimiento comercial. AI Memo.

Para utilizar esa información en decisiones de cartera hace falta trabajo adicional. La nota debe relacionarse con la propiedad correcta, conservar su fecha y permitir distinguir lo dicho por el cliente de la interpretación del corredor. Si otro integrante continúa la atención, necesita contexto suficiente y permisos apropiados para acceder a él.

También hay una decisión sobre cuánto registrar. Pedir relatos extensos después de cada visita puede volver inviable la rutina. Un conjunto breve de observaciones útiles, acordado con quienes hacen el trabajo, puede ser un mejor comienzo. La información se justifica por la decisión que ayuda a tomar y por el servicio que permite continuar.

También hace falta observar lo que cambió fuera de la visita. Un anuncio de infraestructura puede modificar las expectativas sobre una zona; un cambio en las condiciones del crédito puede alterar lo que el comprador puede financiar. El valor percibido, la capacidad de pago y el precio de cierre son cosas distintas. Una noticia puede justificar una pregunta, aunque todavía no permita estimar un efecto económico.

Un análisis del BIS publicado en diciembre de 2024 encontró que la respuesta de los precios de la vivienda a cambios en los tipos de interés depende de cuán fácilmente puede aumentar la oferta. Esa evidencia muestra por qué una señal macroeconómica necesita interpretarse en su contexto antes de aplicarla a una propiedad. BIS: política monetaria y mercados de vivienda.

McKinsey ya documentaba en 2018 la combinación de datos tradicionales y no tradicionales para analizar alquileres de edificios multifamiliares en Seattle. También describía cómo automatizar la recolección mediante APIs y bases de datos. Es un antecedente de integración de información para decisiones de inversión; su aplicación al trabajo de un corredor requiere evaluar qué fuentes, datos y decisiones son pertinentes. McKinsey: datos tradicionales y no tradicionales en real estate.

Para el seguimiento comercial, un sistema podría consultar indicadores económicos, comunicados oficiales y noticias de fuentes seleccionadas; identificar la fecha, la zona y el asunto de cada novedad; y relacionarla con las propiedades y necesidades registradas en el CRM. La alerta tendría que explicar por qué se considera relevante y qué información conviene comprobar.

Imaginemos que una autoridad informa un cambio de fase en una obra de transporte. El sistema podría identificar inmuebles dentro de la zona de seguimiento definida por el corredor y señalar conversaciones en las que la movilidad fue una prioridad. Antes de actualizar la presentación de una propiedad, habría que verificar el trazado, los plazos y si se trata de un anuncio, una aprobación o una obra terminada.

La fecha de publicación, la fecha del hecho y el estado de la información deben conservarse. Si una noticia repite un anuncio antiguo o contradice una fuente oficial, la alerta necesita mostrar esa diferencia. La revisión humana decide si corresponde aclarar una objeción, comprobar una condición de financiación o actualizar información compartida con un interesado.

Integrar esta capacidad requiere acordar reglas de relevancia, responsables y permisos, además de resolver las conexiones técnicas y la calidad de los datos. Para un corredor independiente, podría empezar con pocas fuentes y zonas de interés. Para una agencia, el mismo criterio debe coordinarse entre quienes mantienen la cartera y atienden a los compradores.

Su utilidad se comprobaría registrando qué alertas llevaron a una revisión y cuáles resultaron irrelevantes, desactualizadas o incorrectas. Así se puede ajustar el seguimiento sin confundir cantidad de noticias con conocimiento del mercado, ni una coincidencia temporal con la causa de una variación de precio.

El caso de Plezzel muestra parte de ese trabajo previo. Según Slalom, en seis semanas reorganizaron más de 8.000 tablas y extractos en 65 y habilitaron reportes que combinaban datos de plataforma y marketing. Plezzel describió una preparación de informes inmediata frente a un proceso antes laborioso. El caso documenta una base para desarrollar capacidades predictivas; no prueba un aumento de cierres atribuible a IA. Caso Slalom y Plezzel.

La utilidad de este ejemplo está en conectar una necesidad comercial con ingeniería de datos y una forma distinta de trabajar. El tamaño de esa solución no prescribe el tamaño de la que necesita otra agencia.

McKinsey plantea una unidad de intervención compatible con esta discusión: el recorrido completo desde un interesado hasta un contrato, con un responsable y un resultado medible. Su análisis inmobiliario de marzo de 2026 relaciona ese rediseño con datos, integración y controles que permiten ejecutar el trabajo dentro de los sistemas del negocio. Análisis de McKinsey.

Los datos económicos de otros modelos inmobiliarios también requieren cuidado. McKinsey reportó en 2024 aumentos observados de 2–4 % en ingreso operativo neto tras cambios digitales y operativos en empresas residenciales. Se trata de propietarios y operadores; ese indicador no equivale a las comisiones de una agencia, y el artículo no identifica los casos ni permite aislar causalidad. Estudio sobre experiencia y operación residencial.

Una agencia necesita establecer su propia medida de valor. Podría revisar el tiempo dedicado a cada operación, la conversión entre etapas, los motivos de abandono y el costo comercial. La elección depende de qué problema esté intentando resolver y de los datos que pueda obtener de forma confiable.

Incluso una mejora aparente exige interpretación. Conseguir más visitas puede elevar la carga de los corredores sin mejorar la calidad de las oportunidades. Reducir el tiempo de venta puede coincidir con un cambio importante de precio o de condiciones del mercado. Medir el resultado requiere conservar también qué cambió alrededor de él.

Desde Business Technology Engineering, pondría atención en cómo se toma una decisión concreta. Cuando aparece una señal, alguien debe poder revisar su origen, considerar alternativas, actuar dentro de su responsabilidad y observar qué ocurrió después. El reporte necesita formar parte de esa rutina para tener una consecuencia operativa.

Eso puede empezar con una revisión periódica de un conjunto acotado de propiedades. Marketing aporta exposición y consultas; los corredores, lo aprendido en la atención; la persona responsable de la cartera decide qué hipótesis investigar y qué intervención coordinar. Las reglas y herramientas deben ajustarse al tamaño y a la forma de trabajar del equipo.

También conviene registrar los resultados que suelen desaparecer del relato comercial: propiedades retiradas, compradores que posponen la búsqueda y operaciones que no cierran. Si solo se conservan los éxitos, la agencia pierde información para revisar sus criterios y un futuro modelo aprendería de una historia incompleta.

Para Latinoamérica, el punto de partida debe ser local: disponibilidad y derechos de uso de los datos, calidad de los registros, particularidades del mercado y responsabilidades de cada participante. Importar un modelo entrenado en otra ciudad no permite dar esas condiciones por resueltas.

En la próxima reunión de cartera, una prueba útil sería elegir una propiedad y reconstruir la última decisión tomada sobre ella. Qué evidencia la sostuvo, qué se esperaba conseguir y qué ocurrió después. Si la agencia puede responder con claridad, ya tiene una base concreta sobre la cual decidir qué tecnología le conviene incorporar.