Heimstaden reduce más de un 99 % el coste del acondicionamiento virtual de viviendas

La gestora inmobiliaria Heimstaden ofrece un ejemplo poco habitual y útil de adopción corporativa de la IA: no se trata de «hemos dado un chatbot a todos», sino de un análisis de procesos concretos con costes claros antes y después. La compañía emplea ChatGPT y Codex para preparar anuncios, estimar los alquileres, validar datos y analizar riesgos climáticos.

La métrica más llamativa surgió en los Países Bajos. Antes, la preparación virtual de la foto de un piso vacío costaba aproximadamente 50 €. Tras incorporar herramientas generativas, el coste de una imagen, según la estimación de Heimstaden, cayó por debajo de 0,10 €, es decir, más de un 99 %. El ahorro anual potencial solo en ese mercado se calcula en 130.000 €.

Pero lo importante no es la imagen barata. La empresa está rediseñando todo el recorrido de una vivienda vacía: el sistema ayuda a proponer un precio, preparar imágenes y descripción, comprobar el anuncio publicado según los estándares internos y recopilar la respuesta del mercado. Un empleado sigue aprobando el resultado y responde de la decisión.

No un chatbot, sino un proceso conectado

Imaginemos un piso que queda libre. El gestor debe calcular la renta, encargar fotos, redactar el anuncio, revisar su calidad y después entender por qué el inmueble se alquila despacio. Si solo se automatiza el texto de la descripción, la ganancia será pequeña: el resto de los retrasos no desaparece.

Heimstaden partió del proceso en su conjunto. Se crearon herramientas basadas en ChatGPT para los empleados, un equipo central coordina los cambios y los datos de los sistemas de gestión inmobiliaria se van preparando poco a poco para el procesamiento automático. Es la parte aburrida de la implantación, pero es la que separa un sistema operativo de una demostración vistosa.

El enfoque sirve más allá del sector inmobiliario. Un equipo de producto debería elegir un recorrido de cliente repetible, medir su coste y duración, localizar los traspasos manuales entre sistemas y solo entonces conectar un modelo. La métrica no debe ser el volumen de consultas a la IA, sino la reducción de tiempo, errores o gastos por operación completada.

Cuando la especialista construye la herramienta

El segundo caso de Heimstaden resulta aún más interesante para los desarrolladores. La analista de sostenibilidad Julie Erlandsen necesitaba evaluar los riesgos climáticos de la cartera. Los datos de partida estaban repartidos entre distintas fuentes abiertas, formatos y conjuntos de datos. Normalmente, un proyecto así habría requerido un equipo de ingeniería propio o consultores.

Con Codex, la analista construyó un pipeline repetible de búsqueda, limpieza, estandarización y validación de datos. Como resultado, se evaluaron 20.112 inmuebles y se generaron más de seis millones de filas de datos útiles. Según la estimación interna de la empresa, el trabajo pasó de requerir cinco personas durante un año a dos personas durante dos meses.

Esto no significa que el modelo haya realizado por sí solo una investigación fiable. La metodología y la verificación siguieron en manos de la especialista. El esquema práctico es este: el experto fija reglas y ejemplos de control, la IA ayuda a escribir y enlazar las operaciones de procesamiento, y la persona revisa muestras, excepciones y cálculos finales.

Lo que el caso aún no demuestra

El material lo publicó OpenAI y es, en esencia, un caso de cliente, por lo que las cifras deben tomarse como datos de la propia Heimstaden y no como resultado de una auditoría independiente. No se revelan los costes de licencias, integración, formación de empleados, control de calidad y mantenimiento de las soluciones creadas. Tampoco hay datos sobre errores en las recomendaciones de precio ni sobre el efecto de la automatización en el plazo de alquiler.

Aun así, el caso aporta un marco útil. Empiece no por elegir el modelo, sino por un mapa del proceso y una métrica de partida. Deje a las personas la potestad de aprobar decisiones financieras y de cliente. En los pipelines de datos, añada comprobaciones automáticas, un registro de procedencia de las fuentes y conjuntos de prueba con resultado conocido.

La conclusión principal es sencilla: el rendimiento notable aparece cuando la IA accede a datos preparados y se integra entre las etapas del trabajo real. Un chat corporativo por sí solo ahorra minutos. Un proceso rediseñado puede ahorrar meses, pero solo si la empresa mide la calidad y no cede al modelo una responsabilidad que este no puede asumir.