Ajusta una IA de descripciones de propiedades para bienes raíces: paso a paso

Los agentes inmobiliarios escriben los mismos tipos de oraciones miles de veces. "Impresionante planta abierta." "Cocina de chef con cubiertas de cuarzo." "La luz natural inunda cada habitación." Las herramientas de IA genérica producen estas oraciones también — al igual que todas las demás corredoras usando la misma herramienta.

Un modelo ajustado entrenado con el archivo de listados propios de una corredora escribe descripciones que suenan como esta corredora — su lenguaje preferido, su estructura estándar, su tono para diferentes tipos de propiedades. Los agentes dejan de escribir desde cero y empiezan desde un borrador que reconocen.

Por qué este es un buen primer proyecto de agencia de IA

Los datos están listos. Cada corredora tiene un archivo de años de descripciones de listados aprobadas. Estas ya están en el formato correcto: entrada estructurada (datos de la propiedad) -> salida de calidad (descripción aceptada). No se requiere etiquetado.

El ROI es inmediato. Un agente de alto rendimiento que escribe 30 listados/año ahorra 15-22 horas anuales. Para un equipo de 20 agentes, son 300-440 horas recuperadas. El director de la corredora lo nota.

El ciclo de reentrenamiento es natural. El lenguaje del mercado evoluciona. "Concepto abierto" está en todas partes; "espacios intencionales de reunión" está emergiendo. El reentrenamiento trimestral mantiene las descripciones frescas. Esto justifica un retainer.

Preparación de datos

Fuente: Exportaciones de datos MLS + archivo de listados de la corredora. La mayoría de los CRM de corredoras (Follow Up Boss, Chime, BoomTown) o sistemas MLS (Flexmls, Stellar MLS, CRMLS) permiten exportación CSV o por API.

Lo que necesitas por listado:

• Datos de la propiedad (dormitorios, baños, metros cuadrados, año de construcción, lista de características)
• La descripción aprobada que se publicó en MLS/sitio web
• Tipo de propiedad (casa unifamiliar, condominio, comercial, lujo, primera vivienda)

Objetivo de tamaño: 500-2,000 listados (suficiente para cubrir los tipos de propiedades en su mercado)

Consideraciones de limpieza:

• Eliminar frases específicas del agente que referencian al agente listador por nombre
• Eliminar descripciones escritas durante condiciones de mercado inusuales (lenguaje COVID, lenguaje de guerras de ofertas 2021) a menos que la corredora quiera retener esos patrones
• Filtrar descripciones que fueron claramente auto-generadas por una herramienta genérica previa (estas reducen la calidad del modelo)
• Normalizar el formato de datos de la propiedad para que el modelo aprenda una estructura de entrada consistente

Construyendo el JSONL:

{"messages": [
  {"role": "system", "content": "You are the listing description writer for [Brokerage Name]. Write compelling, accurate property descriptions that match our brand voice: warm, professional, specific. Lead with the most distinctive feature. Use flowing paragraphs, not bullet points. 100-200 words."},
  {"role": "user", "content": "Write a listing description for this property:\nType: Single Family Home\nBeds: 4 | Baths: 3 | Sqft: 2,450\nYear Built: 2018\nFeatures: Open floor plan, chef's kitchen with quartz countertops and gas range, primary suite with walk-in closet and spa bath, covered patio, 3-car garage, corner lot\nNeighborhood: Lakewood Heights\nSchool District: Lakewood USD"},
  {"role": "assistant", "content": "Discover the perfect blend of modern elegance and everyday comfort in this beautifully maintained 2018 Lakewood Heights home. The chef's kitchen anchors an open floor plan designed for gathering — featuring quartz countertops, a professional gas range, and effortless flow to the covered patio and backyard beyond. Four generous bedrooms include a serene primary suite with a spa-inspired bath and custom walk-in closet. Three-car garage and a prized corner lot complete a home that checks every box, all within the highly regarded Lakewood USD school district. This is the one you have been waiting for."}
]}

Incluye ejemplos de todos los tipos de propiedades que tu corredora típicamente lista — lujo, primera vivienda, condominio, comercial si aplica. El modelo necesita ejemplos representativos para calibrar el tono para cada tipo.

Lujo vs primera vivienda: calibración de tono

Una de las cosas más valiosas que un modelo ajustado aprende es la diferencia tonal entre niveles de propiedad. En tus datos de entrenamiento:

• Listados de lujo (top 20% del rango de precios de la corredora): lenguaje más evocador, ritmo más lento, características primero
• Listados de primera vivienda: practicidad al frente, énfasis en el vecindario, señales de valor
• Propiedades de inversión/alquiler: enfoque en rendimiento y condición, metros cuadrados por dólar

Incluye suficientes ejemplos en cada nivel para que el modelo calibre apropiadamente. También puedes agregar una pista de tono al prompt:

Write a description for this property:
Price tier: Luxury ($1.8M)
[property facts]

El modelo aprende a ajustarse basándose en esa pista.

Entrenamiento y evaluación

Con 800-1,500 ejemplos, el entrenamiento toma 30-60 minutos en Ertas. Usa Llama 3 8B Instruct o Mistral 7B como modelo base.

Evaluación: Reserva 50-75 listados. Después del entrenamiento, genera descripciones para cada uno. Haz que el director de la corredora o un agente senior las evalúe:

• ¿Lo publicarías tal cual? (3)
• ¿Lo publicarías con ediciones menores? (2)
• ¿Necesitarías reescribirlo significativamente? (1)

Objetivo: 60%+ en puntuación 3, 30%+ en puntuación 2. Menos del 10% en puntuación 1.

La categoría "publicar con ediciones menores" sigue siendo una ganancia significativa — los agentes editan por 5 minutos en lugar de escribir por 40.

Flujo de trabajo del agente

Antes: El agente tarda 30-45 minutos escribiendo desde cero después de una visita.

Después:

1. El agente llena el formulario de datos de la propiedad (5 minutos)
2. El modelo genera la descripción (5 segundos)
3. El agente revisa, edita si es necesario (5-10 minutos)
4. El agente pega en MLS

Tiempo total: 10-15 minutos. Tiempo ahorrado: 20-35 minutos por listado.

Para un agente que lista 50 propiedades por año: 16-29 horas ahorradas anualmente. Para un equipo de 15 agentes: 240-435 horas recuperadas.

---

Lectura adicional

• Oportunidad de agencia de IA para bienes raíces — La visión completa del vertical de bienes raíces
• IA de calificación de leads inmobiliarios — El modelo de puntuación de leads
• Asistente de IA para CRM inmobiliario — Automatización de CRM para equipos inmobiliarios
• Modelo de retainer para agencias de IA — Construir ingresos recurrentes a partir del mantenimiento de modelos