Vivienda y sector inmobiliario

La IA para la vivienda está sujeta a una aplicación normativa más activa que cualquier otra categoría tecnológica inmobiliaria. Nuestro enfoque consiste en construir la capa de cumplimiento y verificación que se sitúa entre su plataforma de IA y los reguladores, inquilinos y prestatarios que la impugnarán.

La ola de aplicación normativa ya ha comenzado

El cambio propuesto en la FHA trasladaría la carga de la aplicación normativa de los reguladores federales a los fiscales generales estatales y a los litigantes privados, pero la presión no está esperando a que eso ocurra. Los evaluadores encubiertos de vivienda justa (fair housing testers), los fiscales generales estatales y los abogados de los demandantes ya están utilizando datos de la HMDA y herramientas de auditoría algorítmica para identificar patrones que las entidades obligadas aún no han detectado por sí mismas.

Evaluación de inquilinos que resiste las impugnaciones de vivienda justa

El acuerdo de SafeRent sentó un precedente concreto: las puntuaciones de evaluación generadas por IA que producen resultados dispares entre clases protegidas generan responsabilidad con arreglo a la Ley de Vivienda Justa (Fair Housing Act), independientemente de la intención (detallado en nuestra investigación técnica sobre el mandato de integridad algorítmica de SafeRent). La discriminación por fuente de ingresos añade además un mosaico de normativas a nivel estatal. Más de 23 estados y numerosos municipios prohíben ahora la discriminación por vales de vivienda, pero Texas, Georgia y Florida no lo hacen.

Un operador nacional que ejecuta un único algoritmo de evaluación en todos los mercados está sujeto simultáneamente al análisis federal de impacto dispar y a un conjunto fragmentado de protecciones por fuente de ingresos que el algoritmo nunca estuvo diseñado para contemplar. La transición hacia la IA agéntica en el arrendamiento —sistemas que programan visitas de forma autónoma, procesan solicitudes y toman decisiones de evaluación sin intervención humana directa— amplía la superficie de cumplimiento. Un agente autónomo que evalúa a un titular de vale de vivienda en Oregón de forma distinta que en Texas debe hacerlo deliberadamente, no porque a nadie se le ocurrió programar dicha distinción.

Nuestro enfoque consiste en crear entornos de prueba y auditoría de evaluación de inquilinos que analizan el impacto dispar por motivos de raza, origen nacional, estado familiar, discapacidad y fuente de ingresos. El entorno está diseñado para ejecutarse continuamente, no como una simple verificación puntual previa al despliegue, y para alertar sobre desviaciones estadísticas antes de que un evaluador de vivienda justa presente una denuncia. Para los operadores en jurisdicciones con protección a los vales, el proyecto se estructura para desarrollar capas de restricción que garanticen que los ingresos por vales de vivienda se traten como ingresos computables con criterios de evaluación coherentes, generando decisiones explicables con pistas de auditoría que un inspector del HUD pueda seguir desde las variables de entrada hasta el resultado final.

Valoraciones automatizadas que cumplen la nueva norma de AVM

La norma de control de calidad de AVM de la CFPB exige a los originadores de hipotecas y a los emisores del mercado secundario adoptar controles que garanticen una alta fiabilidad en las estimaciones, protejan contra la manipulación de datos, eviten conflictos de intereses, realicen pruebas con muestras aleatorias y cumplan con las leyes de no discriminación. El requisito de no discriminación es precisamente donde la mayoría de los proveedores de AVM no logran dar la talla.

Las investigaciones del Urban Institute revelaron que la magnitud porcentual del error de los AVM es sistemáticamente mayor en vecindarios de mayoría negra: si las propiedades de esos vecindarios se trasladaran hipotéticamente a zonas de mayoría blanca con atributos idénticos, el error previsto disminuiría del 36.2% al 31.8%. Esa brecha de 4.4 puntos porcentuales refleja una subvaloración histórica arraigada en los datos de entrenamiento, y la norma de AVM exige ahora a las entidades identificarla y subsanarla.

Nuestro enfoque consiste en desarrollar marcos de auditoría y pruebas de sesgo de AVM que ejecutan análisis de no discriminación a nivel de distrito censal, identifican variables indirectas (proxies) correlacionadas con atributos protegidos y generan la documentación de control de calidad que exige la norma. El resultado esperado no es un simple informe de políticas internas. Es un entorno de pruebas activo y en ejecución que su equipo de cumplimiento opera frente a cada actualización del AVM, cada nuevo flujo de datos y cada reentrenamiento del modelo.

Fijación algorítmica de precios tras el precedente de RealPage

El acuerdo del Departamento de Justicia (DOJ) con RealPage reescribió las reglas para la fijación algorítmica de los precios de alquiler. El software que utiliza datos no públicos y comercialmente sensibles compartidos entre propietarios competidores para recomendar tarifas de alquiler ahora se considera un mecanismo de fijación de precios ilícito. El acuerdo:

• Prohíbe los datos no públicos en tiempo real en los algoritmos de fijación de precios.
• Exige que las funciones de aceptación automática puedan anularse en lugar de operar por defecto hacia aumentos de alquiler.
• Prohíbe los estudios de mercado que recopilan inteligencia competitiva para la fijación de precios.
• Impone un supervisor de cumplimiento sobre las operaciones durante tres años, con derechos de inspección del DOJ durante siete años.

Para los operadores que aún desean fijar precios basados en datos, nuestro enfoque consiste en crear sistemas de optimización de alquileres que utilicen exclusivamente fuentes de datos conformes: anuncios públicos, el historial propio de su cartera, indicadores económicos y datos de mercado permitidos con una antigüedad superior a los umbrales del acuerdo judicial. El sistema está diseñado para generar recomendaciones de precios con una trazabilidad completa de la procedencia de los datos, de modo que si un regulador o un codemandado en los litigios en curso contra propietarios pregunta de dónde procede una cifra, usted disponga de una respuesta documentada en lugar de una caja negra.

IA de diseño y construcción con claridad sobre la responsabilidad legal

La IA se está introduciendo en la ingeniería estructural a través de herramientas de diseño generativo (nuestro informe técnico sobre diseño generativo basado en restricciones) y la revisión automatizada de planos, pero el marco de responsabilidad jurídica no ha avanzado al mismo ritmo. Ninguna plataforma de IA cuenta con seguro de responsabilidad civil profesional. Cuando un diseño estructural generado por IA suspende una inspección o contribuye a un fallo de seguridad, el ingeniero profesional colegiado (PE) que lo visó o selló asume toda la responsabilidad legal y deontológica por un trabajo que tal vez no comprenda en su totalidad. Los contratos estándar de AIA y ConsensusDocs no se redactaron pensando en diseños generados por IA y no aclaran quién selecciona la herramienta de IA, quién es el propietario de los datos generados ni quién asume la responsabilidad de las decisiones impulsadas por IA.

California lanzó en abril de 2025 una herramienta de verificación electrónica de permisos de construcción basada en IA para acelerar la recuperación tras los incendios de Los Ángeles, y plataformas como CivCheck, CodeComply y Archistar están automatizando las revisiones de conformidad con los códigos en diversas jurisdicciones. No obstante, la revisión automatizada de planos frente a requisitos prescriptivos del código es muy distinta de verificar que un diseño optimizado por IA cumpla con la intención prestacional del código. Una IA podría generar un elemento estructural que cumpla formalmente cada requisito específico de la norma ASCE 7 y que, al mismo tiempo, force los límites del espacio de parámetros admisibles de maneras que un funcionario municipal no puede evaluar sin criterio de ingeniería.

Nuestro enfoque consiste en crear sistemas de verificación que se sitúan entre las herramientas de diseño con IA y el visado del ingeniero colegiado (PE). El sistema está diseñado para cotejar los cálculos estructurales generados por IA tanto con los requisitos normativos prescriptivos (IBC, ASCE 7, ACI 318) (nuestra investigación sobre grafos estructurales basados en la física) como con la intención prestacional, alertar sobre diseños que cumplen técnicamente pero rozan los límites del margen de seguridad, y generar el registro documental que respalda el criterio profesional del ingeniero. En el caso de la revisión automatizada de planos, el proyecto se estructura para construir motores de cumplimiento adaptados a cada jurisdicción que resuelven las discrepancias entre más de 30,000 códigos municipales de EE. UU., incluidos distritos de zonificación especial (overlay districts) y enmiendas recientes que las herramientas genéricas pasan por alto.

IA en operaciones de edificios que genera rentabilidad demostrable

El impacto económico de la IA en la gestión de edificios está ampliamente documentado. Los sistemas de climatización (HVAC) representan entre el 30% y el 40% de los costes operativos de un inmueble, y las mejoras de eficiencia son constantes en los distintos proveedores:

• Johnson Controls — logró una reducción del 35% en el consumo energético de climatización (HVAC) en más de 500 edificios comerciales mediante mantenimiento predictivo con IA.
• Siemens — notificó descensos del 40% en los costes de mantenimiento de equipos mediante analítica predictiva.
• En todo el sector — el mantenimiento predictivo con IA reduce el gasto total entre un 25% y un 30%, con un período típico de retorno de la inversión (ROI) de 8 a 14 meses.

El reto no reside en si la tecnología funciona. Radica en decidir si construir o comprar, qué sensores alimentan qué modelos y cómo evitar que sus datos operativos queden cautivos en el ecosistema de un único proveedor. Nuestro enfoque consiste en diseñar arquitecturas de IA para la operativa de edificios que se integran con su BMS y su infraestructura de sensores existentes, mantienen la capa de datos portátil entre plataformas y generan la documentación de rendimiento energético que exigen los informes ESG y los programas de certificación ambiental. Para la implantación de gemelos digitales, el proyecto se orienta a crear entornos de simulación que modelan patrones de climatización, iluminación y ocupación a partir de los datos reales de su edificio en lugar de utilizar parámetros teóricos del proveedor.

Por qué una consultora especializada y no una plataforma o un gran integrador

La brecha entre «debería comprobar el impacto dispar» y «aquí tiene un entorno activo que lo evalúa de forma continua» es donde encallan la mayoría de los operadores inmobiliarios. Las opciones actuales dejan cada una parte de ese vacío sin cubrir:

Ese vacío es precisamente el objetivo de nuestro trabajo. Cada proyecto está diseñado para generar los artefactos de auditoría que los reguladores, los evaluadores de vivienda justa y los abogados demandantes acabarán solicitando.