Las empresas de gestión inmobiliaria afrontan una exposición legal simultánea en dos frentes: la selección de inquilinos que discrimina bajo la Fair Housing Act y la gestión de ingresos que coordina precios bajo la Sherman Act. Auditamos ambos, diseñamos arquitecturas conformes y mapeamos sus sistemas frente a cada jurisdicción que importa.
$140M+
Acuerdos de demandas colectivas contra arrendadores por fijación algorítmica de precios
Fortune, oct. 2025
$2,275M
Acuerdo de SafeRent por selección discriminatoria de inquilinos
Cohen Milstein, nov. 2024
4 estados
Nuevas leyes de IA en vivienda activas en 2026 (CA, NY, CO, IL)
Legislaturas estatales, 2025-2026
La mayoría de las empresas de gestión inmobiliaria tratan el cumplimiento en la selección y el cumplimiento en la fijación de precios como problemas separados. Los tribunales y los reguladores no lo hacen.
El Registry ScorePLUS de SafeRent puntuaba bajo a los titulares de vales de vivienda porque ponderaba en exceso el historial crediticio sin tener en cuenta el flujo de ingresos garantizado que proporcionan los vales. El algoritmo trataba la puntuación crediticia como un predictor neutral. No lo es. Las puntuaciones FICO medianas se dividen según líneas raciales: 727 (blancos), 667 (hispanos), 627 (negros). Cuando su modelo de selección utiliza el historial crediticio como característica principal para inquilinos subvencionados, codifica esas disparidades directamente en las tasas de aprobación.
El tribunal rechazó el argumento de SafeRent de que era un "proveedor neutral" no sujeto a la Fair Housing Act. Si un arrendador se basa principalmente en una puntuación de terceros, el proveedor de esa puntuación comparte responsabilidad por los resultados discriminatorios.
Teoría legal: Fair Housing Act, impacto dispar. Prueba clave: Ratio de Impacto Dispar (regla de los cuatro quintos). Si su tasa de aprobación para cualquier grupo protegido está por debajo del 80% del grupo con mayor aprobación, tiene una presunción de infracción.
AIRM y YieldStar de RealPage recopilaban tarifas de alquiler no públicas, términos de arrendamiento y datos de ocupación de arrendadores competidores, y luego usaban esos datos para generar recomendaciones de precios diseñadas para mover los precios "al unísono". El DOJ trató esto como un cártel de "eje y radios": RealPage era el eje, y cada arrendador que compartía datos a través de la plataforma era un radio.
Las funciones de aceptación automática lo empeoraban. Los valores predeterminados de AIRM aceptaban automáticamente recomendaciones de precios dentro de un cambio diario del 3% y un cambio semanal del 8%. La mayoría de los arrendadores nunca ajustaba estos parámetros, lo que significa que el algoritmo fijaba precios de forma efectiva sin revisión humana.
Teoría legal: Sherman Act Sección 1, leyes antimonopolio estatales. Defensa clave: Aislamiento de datos demostrable. Yardi ganó su caso en California específicamente porque la arquitectura de Revenue IQ hacía imposible por diseño la contaminación de datos entre clientes.
La próxima ola de PropTech son los agentes de arrendamiento autónomos que gestionan consultas, programan visitas, preseleccionan solicitantes y negocian términos de arrendamiento sin intervención humana. Una plataforma que opera en una de cada doce unidades multifamiliares de EE. UU. afirma plazos de captación a arrendamiento un 65% más rápidos. Pero cada decisión que toma un agente autónomo es una posible infracción de equidad en la vivienda o un punto de contacto antimonopolio. Un agente que varía la calidad de respuesta según la demografía del solicitante, dirige a ciertos solicitantes hacia ciertas propiedades o aplica concesiones de precios de forma desigual genera una responsabilidad que escala con cada interacción. La arquitectura de cumplimiento para sistemas de arrendamiento agénticos aún no existe. Eso es lo que construimos.
El cumplimiento de IA en vivienda no es una sola regulación. Es un mosaico de estatutos federales, acuerdos del DOJ, leyes estatales y marcos internacionales emergentes. Esta tabla cubre lo que es exigible ahora mismo y lo que entra en vigor en 2026.
| Regulación | Alcance | Requisitos clave | Sanciones | Estado |
|---|---|---|---|---|
| Fair Housing Act (federal) | Selección de inquilinos | Sin impacto dispar sobre clases protegidas. Los proveedores tecnológicos comparten responsabilidad. La guía del HUD de mayo de 2024 se centra en datos de crédito, desahucios y antecedentes penales. | $26,262 primera infracción, $131,308 reincidencia (ajustado a 2025) | Activo |
| Sherman Act (federal) | Fijación algorítmica de precios | Sin coordinación de precios mediante algoritmos compartidos que usen datos de competidores. Acuerdo del DOJ: antigüedad de datos de 12 meses, prohibición de CSI, simetría del limitador de precios, aceptación automática configurable. | Sanciones penales + daños triplicados en acciones privadas | Activo (vigencia de 7 años) |
| FCRA (federal) | Selección de inquilinos | Proceso de notificación de acción adversa en dos pasos. Se exigen razones específicas para el rechazo. Las puntuaciones algorítmicas que funcionan como informes de consumo deben cumplir. | $100-$1,000 por infracción (legal), daños reales, honorarios de abogados | Activo |
| California AB 325 | Fijación algorítmica de precios | Prohíbe los algoritmos de precios "comunes" (2+ usuarios) que usen datos de competidores. Rechaza el estándar federal de demanda para los demandantes. Doble aplicación a través de CalPrivacy + Fiscal General. | Acumulativa con remedios de la Cartwright Act | Vigente el 1 ene. 2026 |
| Nueva York S.7882 | Fijación algorítmica de precios (residencial) | Prohibición total de herramientas de precios con "función coordinadora" que usen datos de múltiples propietarios. Sin distinción entre datos públicos y no públicos. Derecho de acción privada del inquilino. | Sanciones de la Donnelly Act + acciones privadas | Vigente el 15 dic. 2025 (suspensión de RealPage pendiente) |
| Colorado SB 205 | Selección de inquilinos (como "decisión de consecuencia") | Evaluaciones de impacto anuales. Programas de gestión de riesgos. Divulgaciones de decisiones adversas que describan el papel de la IA, las fuentes de datos y los procesos de apelación. | Aplicación por el Fiscal General + remedios para el consumidor | Vigente el 30 jun. 2026 |
| EU AI Act | Selección de inquilinos + fijación de precios (alto riesgo) | Evaluaciones de conformidad. Documentación. Supervisión humana. Pruebas de sesgo. Aplica a firmas con inquilinos u operaciones en la UE. | Hasta 35M€ o el 7% de la facturación global | Aplicación escalonada 2025-2026 |
La aplicación federal se ha debilitado bajo la actual administración. El HUD retiró su guía de IA de su sitio web a principios de 2025. El CFPB ha reducido personal y capacidad de aplicación. Una orden ejecutiva presidencial ordenó a las agencias "despriorizar" la aplicación del impacto dispar. Pero la aplicación estatal está cubriendo el vacío de forma agresiva. California, Nueva York, Colorado e Illinois están promulgando leyes de vivienda específicas de IA. Los derechos de acción privada de los inquilinos bajo la Donnelly Act y la Cartwright Act enmendadas significan que la aplicación no depende de la iniciativa gubernamental. Los más de $140M en acuerdos contra arrendadores provinieron principalmente de demandas colectivas privadas, no de la aplicación regulatoria.
Ningún proveedor único cubre tanto la equidad en la selección de inquilinos como el cumplimiento antimonopolio en la fijación algorítmica de precios. Esta tabla muestra dónde se queda corto cada enfoque.
| Enfoque | Qué cubre | Qué se le escapa | Costo típico |
|---|---|---|---|
| Plataformas de gobernanza de IA (Credo AI, Holistic AI, FairNow) | Métricas de equidad de propósito general. Gestión de políticas. Mapeo multimarco (EU AI Act, NIST). NYC LL144 para Credo AI. | No es específico de vivienda. Sin mapeo de la guía del HUD. Sin verificación de aislamiento de datos antimonopolio. Sin búsqueda LDA. Sin cobertura de leyes estatales de IA en vivienda. | $18K-$100K+/año |
| Kits de herramientas de código abierto (IBM AIF360, Fairlearn) | Más de 70 métricas de equidad (AIF360). Integración con scikit-learn (Fairlearn). Gratis. | Sin mapeo de cumplimiento. Sin capa de consultoría. Sin generación de notificaciones de acción adversa. Requiere experiencia interna en ML para operar. Sin cobertura antimonopolio. | Gratis (+ costo interno de ingeniería) |
| Big 4 / grandes SI (Deloitte, PwC, EY, KPMG) | Confianza de marca. Relaciones existentes con clientes. Escala para grandes PMC. Marcos de políticas y gobernanza. | Equipos generalistas dotados de personal junior. Lentos para entregar soluciones técnicas. Auditarán su modelo pero no lo reconstruirán. $300-$600/hora significa que una auditoría básica cuesta $100K+. El cumplimiento antimonopolio es una práctica separada de la equidad en IA, así que obtiene dos equipos con dos presupuestos. | $100K-$500K+ |
| Proveedores de selección (SafeRent, TransUnion SmartMove, CoreLogic) | Funciones de cumplimiento integradas (el ResidentScore de SmartMove predice desahucios un 15% mejor que el crédito sin procesar). Capas de cumplimiento de FCRA. | Son los modelos que se auditan, no los auditores. SafeRent está bajo una orden judicial de 5 años. La autoevaluación del proveedor no es verificación independiente. Sin cumplimiento en fijación de precios. | Precio por informe |
| Bufetes de derecho antimonopolio | Análisis legal del riesgo del algoritmo de precios. Asesoría sobre cumplimiento de acuerdos. Defensa en litigios. | Asesoría legal, no ingeniería. No pueden construir arquitecturas de precios con aislamiento de datos ni ejecutar cálculos de métricas de equidad. No pueden realizar búsquedas LDA ni implementar remediación técnica. | $500-$1,500/hora |
| Veriprajna | Tanto la equidad en la selección como el cumplimiento antimonopolio en la fijación de precios como cumplimiento unificado. Búsqueda LDA. Arquitectura de aislamiento de datos. Mapeo regulatorio multiestatal. Guardrails para IA agéntica. | No somos un bufete de abogados. No podemos proporcionar opiniones legales ni representarle ante un tribunal. Para la interpretación legal de los términos de un acuerdo, necesita asesoría antimonopolio trabajando junto a nosotros. | Basado en el encargo |
Cuatro capacidades que abordan ambos frentes de la responsabilidad de la IA en vivienda. Cada encargo se dimensiona a medida según el tamaño de su cartera, su pila de proveedores y su exposición jurisdiccional.
Tomamos su modelo de selección (ya sea SafeRent, TransUnion SmartMove, un modelo personalizado o una integración de AppFolio), ejecutamos un análisis completo de impacto dispar en todas las clases protegidas, y luego ejecutamos una búsqueda de Alternativa Menos Discriminatoria. La búsqueda LDA usa programación entera (Gurobi/CPLEX) para explorar el espacio de multiplicidad de modelos y encontrar configuraciones que mantengan su precisión predictiva mientras maximizan el Ratio de Impacto Dispar.
Resultado: Gráfico de frontera de Pareto (precisión vs. equidad), DIR actual por clase protegida, las 5 configuraciones de modelo recomendadas, mapa de cumplimiento de la guía del HUD, auditoría de notificaciones de acción adversa de FCRA, hoja de ruta de remediación.
Diseñamos e implementamos sistemas de precios con el aislamiento de datos como restricción de ingeniería de primera clase, no como una capa de políticas. Los datos de cada cliente residen en entornos estructuralmente separados donde la contaminación entre clientes es imposible por diseño. Esta es la arquitectura que ganó el juicio sumario de Yardi en California.
Resultado: Arquitectura de precios con aislamiento de datos, registro de procedencia de datos para cada recomendación, verificación de simetría del limitador de precios, auditoría de configuración de aceptación automática, artefacto de verificación independiente para la asesoría legal.
Si gestiona propiedades en California, Nueva York y Colorado, está sujeto a la AB 325, la S.7882 y la SB 205 de forma simultánea, además de la FHA, la Sherman Act y la FCRA. Cada ley tiene definiciones distintas de conducta prohibida, distintos mecanismos de aplicación y distintos requisitos de divulgación. Mapeamos toda su cartera de sistemas de IA frente a cada regulación aplicable y elaboramos una matriz de cumplimiento jurisdicción por jurisdicción.
Resultado: Matriz de cumplimiento con análisis de brechas por jurisdicción, prioridades de remediación clasificadas por gravedad de la exposición, biblioteca de plantillas de divulgación, marcos de evaluación de impacto para la Colorado SB 205.
Los agentes de arrendamiento autónomos toman docenas de microdecisiones por interacción con el inquilino: qué unidades recomendar, con qué rapidez responder, qué concesiones ofrecer, con qué agresividad negociar. Cada decisión es un posible punto de contacto de equidad en la vivienda o antimonopolio. Construimos capas de guardrails deterministas que anulan el modelo neuronal en las decisiones sobre clases protegidas, con métricas de equidad en tiempo real y disyuntores para la escalada a humanos.
Resultado: Capa de aplicación de políticas, registro de auditoría con puntuaciones de equidad por interacción, detección de deriva y configuración de disyuntores, módulo de detección de direccionamiento, verificación de uniformidad de concesiones de precios.
Cada encargo comienza por entender su exposición actual. Los plazos varían según el tamaño de la cartera y el número de jurisdicciones implicadas.
Inventariamos cada sistema de IA que toca la selección de inquilinos o la fijación de precios en toda su cartera. Para cada sistema, mapeamos: qué datos ingiere, quién más usa el mismo proveedor, en qué jurisdicciones opera y qué divulgaciones proporciona actualmente. El resultado es un mapa de calor de riesgos que le indica exactamente dónde reside su mayor exposición.
Para sistemas de selección: ejecutamos análisis de impacto dispar, búsqueda LDA, revisión de acción adversa de FCRA y atribución de sesgo a nivel de característica. Para sistemas de precios: verificamos el aislamiento de datos, probamos la simetría del limitador de precios, auditamos las configuraciones de aceptación automática y rastreamos la procedencia de datos de cada recomendación en un periodo de muestra. Esta fase requiere acceso a los artefactos del modelo, los metadatos de los datos de entrenamiento y la documentación de la arquitectura del sistema.
Con base en los hallazgos de la auditoría, remediamos sus sistemas existentes o diseñamos nuevas arquitecturas. La remediación de la selección suele implicar reingeniería de características, recalibración de umbrales y selección de modelos guiada por LDA. La remediación de precios implica construir arquitecturas con aislamiento de datos, implementar el registro de procedencia y reconfigurar los parámetros del limitador de precios y de aceptación automática. Para los sistemas agénticos, construimos la capa de guardrails como un servicio separado que se sitúa entre el agente y el punto de decisión.
Las métricas de equidad derivan. Las regulaciones cambian. Entran en vigor nuevas leyes estatales. Proporcionamos paneles de monitoreo continuo que rastrean DIR, SPD y Equalized Odds en sus sistemas de selección, y verificación de aislamiento de datos para los sistemas de precios. Cuando una nueva regulación entra en vigor (la Colorado SB 205 el 30 de junio de 2026, por ejemplo), actualizamos su matriz de cumplimiento y señalamos de forma proactiva los cambios requeridos.
Responda seis preguntas sobre sus sistemas de IA actuales para ver su perfil de exposición tanto en equidad de selección como en antimonopolio de fijación de precios. Los resultados incluyen citas regulatorias específicas y próximos pasos recomendados.
Una auditoría de selección adecuada va más allá de ejecutar un ratio de impacto dispar en una sola dimensión. Comenzamos mapeando cada característica que usa su modelo con su relación predictiva con el desempeño real del arrendamiento, no solo la solvencia crediticia. El historial crediticio, los registros de desahucio y los antecedentes penales son las tres categorías de alto riesgo del HUD, y cada una requiere un análisis separado. Para las puntuaciones crediticias específicamente, la disparidad racial es estructural: las puntuaciones FICO medianas son 727 (blancos), 667 (hispanos) y 627 (negros). Si su modelo pondera en exceso el historial crediticio sin tener en cuenta los ingresos subvencionados como los vales de vivienda, casi con certeza está por debajo del umbral de los cuatro quintos para los titulares de vales. Ejecutamos la batería completa: Diferencia de Paridad Estadística, Ratio de Impacto Dispar, Equalized Odds y Equidad Contrafactual en todas las clases protegidas. Luego ejecutamos una búsqueda de Alternativa Menos Discriminatoria usando programación entera para encontrar configuraciones de modelo que mantengan su precisión predictiva mientras maximizan el DIR. El resultado es una frontera de Pareto que muestra exactamente dónde se sitúa su modelo actual y qué alternativas existen. Para el cumplimiento de FCRA, verificamos que sus notificaciones de acción adversa atribuyen correctamente las características específicas que impulsaron cada rechazo, no códigos de razón genéricos que enmascaran la lógica de decisión real del algoritmo.
El acuerdo establece cinco requisitos técnicos que ahora funcionan como referencia del sector. Primero, ingesta de datos: no puede usar información competitivamente sensible (CSI) no pública de propiedades rivales. Segundo, entrenamiento del modelo: cualquier dato no público debe tener al menos 12 meses de antigüedad y no estar asociado a arrendamientos activos. Tercero, aislamiento en tiempo de ejecución: las recomendaciones de precios en tiempo real no pueden incorporar datos no públicos de competidores como la ocupación actual o los términos de arrendamiento. Cuarto, simetría del limitador de precios: sus parámetros de piso y techo de precios deben funcionar de forma idéntica. Si un usuario puede configurar las recomendaciones para superar los techos en un 5%, también debe poder descender por debajo de los pisos en un 5%. Quinto, configuración de aceptación automática: la aceptación automatizada de recomendaciones de precios debe ser una opción de adhesión manual por cada usuario, no un valor predeterminado. El acuerdo tiene una vigencia de siete años. De forma crítica, Yardi ganó su caso antimonopolio estatal en California específicamente porque Revenue IQ demostró el aislamiento de datos por diseño. El tribunal determinó que Revenue IQ "no usa, y por diseño no puede usar, la información de precios confidencial de ningún cliente para recomendar precios a ningún otro cliente". Esa prueba arquitectónica fue decisiva. Le ayudamos a construir ese mismo aislamiento demostrable en sus sistemas de precios.
Si gestiona propiedades en California o Nueva York y usa cualquier herramienta de precios multiinquilino, sí. La California AB 325 (vigente el 1 de enero de 2026) enmienda la Cartwright Act para prohibir el uso o la distribución de un algoritmo de precios "común" que use datos de competidores para influir en los precios. Un algoritmo de precios es "común" si tiene dos o más usuarios e incorpora datos de competidores. La ley también facilita que los demandantes sobrevivan a una desestimación temprana al rechazar el estándar federal de demanda. La Nueva York S.7882 (vigente el 15 de diciembre de 2025) es más amplia. Prohíbe cualquier software con una "función coordinadora" que recopile y analice datos de múltiples propietarios para fijar alquileres. A diferencia del estándar federal, Nueva York no distingue entre información pública y no pública. RealPage está impugnando actualmente la S.7882 por motivos de la Primera Enmienda y ha obtenido una suspensión de la aplicación pendiente de su moción de medida cautelar preliminar. Sin embargo, esta suspensión solo protege a RealPage y a sus clientes directos. Si usa un proveedor de precios diferente, o su propia herramienta multiinquilino, la ley le aplica ahora. La AI Act de Colorado (SB 205, vigente el 30 de junio de 2026) añade otra capa: la selección de inquilinos se clasifica como una "decisión de consecuencia" que requiere evaluaciones de impacto anuales, programas de gestión de riesgos y divulgaciones específicas de decisiones adversas.
La victoria de Yardi en California proporciona la plantilla. El tribunal concedió el juicio sumario porque Yardi demostró que la arquitectura de Revenue IQ hace imposible por diseño la contaminación de datos entre clientes. Para construir una defensa comparable, necesita tres cosas. Primero, separación arquitectónica: los datos de cada cliente deben residir en entornos aislados donde el modelo de precios del Cliente A físicamente no pueda acceder a los datos no públicos del Cliente B. Esto no son solo controles de acceso; es aislamiento estructural en las capas de base de datos, cómputo y entrenamiento del modelo. Segundo, rastros de auditoría: cada entrada de datos a cada recomendación de precios debe registrarse con su procedencia. Cuando el abogado de un demandante pregunte "¿de dónde vino esta recomendación de precio?", debe poder producir un linaje completo que muestre únicamente sus propios datos históricos e información de mercado disponible públicamente. Tercero, verificación independiente: una auditoría técnica de terceros que confirme que la arquitectura impone el aislamiento, no solo que una política dice que debería hacerlo. Diseñamos arquitecturas de precios con el aislamiento como restricción de ingeniería de primera clase, no como una capa de políticas. El entregable es tanto el sistema como el artefacto de auditoría que demuestra que funciona.
La IA agéntica en el arrendamiento multiplica cada riesgo de cumplimiento existente. Un agente autónomo que gestiona consultas de inquilinos, programa visitas, preselecciona solicitantes y negocia términos de arrendamiento está tomando docenas de microdecisiones potencialmente discriminatorias por interacción. Destacan tres riesgos específicos. Primero, direccionamiento: un agente que recomienda unidades o comunidades diferentes según las características del solicitante infringe la FHA incluso sin una programación explícita para hacerlo. Si el agente aprendió de datos históricos de interacción donde a ciertos grupos demográficos se les mostraban ciertas propiedades, reproducirá ese patrón. Segundo, trato diferencial en la comunicación: los agentes que varían los tiempos de respuesta, la profundidad de la información o la frecuencia de seguimiento según el perfil del solicitante crean un trato dispar medible. Tercero, negociación de precios: un agente autorizado a ofrecer concesiones o ajustar términos de arrendamiento tiene que aplicar esas ofertas de forma uniforme. Si negocia con más agresividad con ciertos perfiles demográficos debido a patrones en los datos de entrenamiento, eso es una infracción de equidad en la vivienda. Construimos capas de guardrails para sistemas de arrendamiento agénticos: aplicación de políticas determinista que anula el modelo neuronal en las decisiones sobre clases protegidas, registro de auditoría de cada acción del agente con métricas de equidad calculadas en tiempo real, y disyuntores que escalan a revisión humana cuando el comportamiento del agente se desvía fuera de los límites de equidad.
Estas plataformas son sólidas para la gobernanza de IA de propósito general, pero tienen brechas significativas para el cumplimiento específico de vivienda. Credo AI ofrece gestión de políticas y mapeo regulatorio incluyendo la NYC Local Law 144, pero no mapea con la guía de selección de inquilinos del HUD, los requisitos cautelares del acuerdo de SafeRent, ni los estándares de aislamiento de datos de fijación algorítmica de precios del DOJ. Holistic AI proporciona cuantificación de riesgo multidimensional en equidad, robustez y explicabilidad, pero es horizontal, no verticalizada para la pila regulatoria de vivienda. FairNow se centra específicamente en el monitoreo continuo de equidad, pero está construida para RR. HH. y servicios financieros, no para vivienda. Ninguna de estas plataformas aborda el cumplimiento antimonopolio para la fijación algorítmica de precios. Ninguna ofrece búsqueda de Alternativa Menos Discriminatoria. Ninguna mapea con el mosaico estatal emergente: la California AB 325, la Nueva York S.7882 y la Colorado SB 205 tienen cada una definiciones distintas de conducta prohibida, distintos mecanismos de aplicación y distintos remedios. La brecha es la integración. El cumplimiento en vivienda requiere satisfacer simultáneamente los estándares de impacto dispar de la Fair Housing Act, los requisitos de acción adversa de FCRA, los requisitos de aislamiento de datos de la Sherman Act y las prohibiciones específicas de cada estado. Construimos sistemas de cumplimiento que abordan todos estos como una arquitectura unificada en lugar de auditorías separadas frente a marcos separados.
Los whitepapers interactivos detrás de esta página de solución. Cada uno proporciona un análisis técnico profundo de una dimensión del cumplimiento de IA en vivienda.
Responsabilidad bajo la Fair Housing Act para los algoritmos de selección de inquilinos, análisis de impacto dispar, metodología de Alternativa Menos Discriminatoria y los requisitos cautelares del acuerdo de SafeRent.
Análisis del acuerdo DOJ-RealPage, arquitectura de aislamiento de datos para la defensa antimonopolio, cumplimiento de la California AB 325 y la Nueva York S.7882, y privacidad diferencial para inteligencia de mercado.
El costo de una evaluación de exposición es una fracción de una sola sanción.
Trabajamos con empresas de gestión inmobiliaria y proveedores de PropTech para auditar algoritmos de selección y de precios, construir arquitecturas conformes y mapear la exposición regulatoria en cada jurisdicción relevante.