Un prospecto llega a tu sitio un martes a las 11 pm, revisa tres torres, quiere saber cuánto sale un departamento de 2 recámaras en piso alto con estacionamiento doble. Sin sistema automatizado, esa pregunta queda en el CRM hasta el miércoles por la mañana — si el asesor la ve antes del mediodía. Con arquitectura correcta, la respuesta llega en menos de 90 segundos y el prospecto ya está calificado antes de que abra el correo del asesor.
El problema no es que la IA no pueda cotizar. El problema es que la mayoría de las implementaciones que se hacen en inmobiliarias de LatAm ponen el LLM en el lugar equivocado: intentan que el modelo “sepa” los precios en lugar de que los consulte. Eso genera alucinaciones de precio, inconsistencias y, eventualmente, desconfianza del equipo comercial en el sistema.
Por qué la arquitectura importa más que el modelo
Hay dos formas de construir un sistema de cotización con IA. La primera es darle al LLM toda la información del catálogo en el prompt y pedirle que calcule. La segunda es usar el LLM solo como interfaz de conversación, mientras la lógica de precios vive en una base de datos estructurada que el agente consulta en tiempo real.
La primera opción es la más común y la más problemática. Los precios cambian. Las unidades se venden. Las promociones tienen fecha de vencimiento. Un LLM con información estática en el contexto va a cotizar unidades que ya no existen o precios que cambiaron hace dos semanas.
La arquitectura correcta separa responsabilidades: el LLM entiende la intención del prospecto y formula la consulta; la base de datos devuelve los datos reales; el LLM presenta el resultado en lenguaje natural. El modelo nunca inventa un número — solo lo formatea.
Los tres componentes del stack mínimo viable
Para una desarrolladora mediana con 3–5 proyectos activos y un volumen de 200–400 consultas mensuales, el stack funcional tiene tres capas:
1. Base de datos de inventario en tiempo real No tiene que ser sofisticada. Un PostgreSQL bien estructurado con tablas de unidades, precios, disponibilidad y reglas de descuento es suficiente. Lo crítico es que esté sincronizada con el sistema de ventas — si el asesor cierra una unidad en el CRM, esa unidad debe marcarse como no disponible en segundos, no al día siguiente.
2. Capa de herramientas (tool use / function calling)
El agente de IA necesita funciones definidas que pueda invocar: buscar_unidades(filtros), calcular_precio(unidad_id, condiciones), verificar_disponibilidad(unidad_id). Esto es lo que los frameworks como LangChain, LlamaIndex o el function calling nativo de OpenAI resuelven. El modelo decide cuándo llamar cada función basándose en lo que el prospecto pregunta.
3. LLM para conversación y calificación Este es el componente que más se sobredimensiona. Para cotización, un modelo de costo bajo funciona bien. Donde vale la pena usar un modelo más capaz es en la calificación: detectar si el prospecto tiene intención de compra real, qué rango de precio maneja, si ya tiene crédito preaprobado. Esa información, capturada durante la conversación, es lo que el asesor recibe antes de la llamada.
Cómo manejar las reglas de negocio que no están en la base de datos
Este es el punto donde más proyectos se complican. Toda desarrolladora tiene reglas implícitas que viven en la cabeza de los asesores: “a los clientes que vienen por referido les damos el 3% extra de descuento”, “en la torre B los pisos 8 al 12 tienen vista obstruida y se cotizan diferente”, “si el cliente paga de contado antes del 30 del mes, aplica la promoción de lanzamiento”.
Esas reglas no están en ningún sistema. Están en conversaciones de WhatsApp y en la experiencia del equipo comercial.
El proceso que funciona en la práctica tiene dos pasos. Primero, una sesión de mapeo con el equipo comercial donde se documentan todas las reglas de negocio existentes — normalmente toma 2–3 reuniones de trabajo. Segundo, esas reglas se codifican en la base de datos como condiciones o en la lógica de las funciones del agente. Lo que no se puede documentar, no puede automatizarse; ese es el límite real del sistema.
En Eurema, cuando trabajamos con desarrolladoras inmobiliarias, esta fase de mapeo suele revelar entre 15 y 30 reglas implícitas que nadie había escrito antes. El ejercicio tiene valor independientemente de si se implementa IA o no.
Integración con el proceso comercial existente
Un sistema de cotización instantánea que no conecta con el CRM del equipo de ventas genera trabajo doble. El prospecto recibe su cotización, el asesor no sabe que existe, y la conversación se pierde.
La integración mínima necesaria incluye: crear el lead en el CRM automáticamente cuando el prospecto interactúa con el agente, adjuntar el transcript de la conversación, marcar el nivel de calificación detectado (frío / tibio / caliente según criterios definidos), y disparar una notificación al asesor asignado.
Con esa integración, el flujo cambia de forma medible. Lo que vemos en proyectos de este tipo es que el tiempo promedio entre primera consulta y primer contacto humano baja de 18–24 horas a menos de 2 horas — no porque el asesor trabaje más rápido, sino porque llega a prospectos ya calificados en lugar de responder consultas genéricas.
Los agentes personalizados de este tipo no reemplazan al asesor; le cambian en qué gasta su tiempo.
Qué no automatizar
Vale la pena ser directo sobre los límites. Un agente de cotización no debería intentar cerrar la venta. No debería manejar objeciones complejas sobre financiamiento. No debería negociar condiciones fuera del catálogo.
El criterio que usamos en Eurema para delimitar el scope es simple: si la respuesta correcta depende de información que está en la base de datos, la IA la maneja. Si depende de juicio, relación o contexto que no está registrado en ningún sistema, el humano la maneja. Intentar cruzar esa línea produce sistemas que dan respuestas incorrectas con mucha confianza — que es peor que no tener sistema.
Para desarrolladoras que están evaluando dónde empezar, la página de Websites + AI SEO cubre cómo este tipo de agente se integra también con la visibilidad del sitio en buscadores y en respuestas de IA generativa.
El paso siguiente concreto
Antes de evaluar tecnología, vale hacer un ejercicio de una hora con el equipo comercial: contar cuántas consultas de precio llegan por semana, cuánto tiempo tarda responder cada una, y qué porcentaje de esas consultas termina en una llamada real. Esos tres números definen si el ROI de automatizar es claro o no. Si el volumen es bajo y la tasa de conversión es alta, quizás no hay problema que resolver. Si el volumen es alto y los tiempos de respuesta están perdiendo prospectos, la arquitectura descrita aquí tiene sentido construirla.