¿Cómo se puede utilizar la inteligencia artificial para aumentar la oferta de vivienda, anticipar mejor las necesidades habitacionales de la comunidad, pronosticar costos y reducir las demoras en la entrega de asistencia para la vivienda?
La urgencia es evidente: el vertiginoso aumento de los costos de la vivienda y la visible escasez de vivienda se reflejan en campamentos y personas durmiendo a la intemperie por todo el mundo.
De acuerdo con el Foro Económico Mundial, América Latina arrastra un retraso de más de 23 millones de hogares. En México, según la encuesta intercensal del INEGI, En México, existen 8.33 millones de viviendas en situación de rezago habitacional, lo que equivale al 21% del parque habitacional total del país. Respecto a 2020, cifras oficiales indican que la cantidad de viviendas en rezago disminuyó en 2.0%, mientras la proporción del parque habitacional en esta condición pasó de 24.4% a 21.0%
Sin embargo, bajo estas cifras principales, la mayoría de los gobiernos de mercados emergentes carecen de los datos básicos y de la capacidad analítica para planificar con anticipación. No hay registros completos de tierras. No hay previsiones de demanda detalladas.
No hay una imagen clara de quién necesita qué y dónde. Se están diseñando programas de miles de millones de dólares con información notablemente limitada.
No es de extrañar que tan a menudo veamos un desajuste en la vivienda, con millones de hogares construidos en los lugares equivocados, a los precios equivocados, para personas que no pueden acceder a ellos.
De acuerdo con especialistas se requieren soluciones audaces, y las nuevas tecnologías, aplicadas con responsabilidad, podrían acelerar el progreso.
Sin embargo, de los cientos de miles de millones de dólares invertidos en el desarrollo de la IA, menos del uno por ciento se ha destinado a aplicaciones centradas en el impacto social, como la vivienda.
La IA puede resolver el problema de datos del sector inmobiliario
Ese vacío de información es la restricción clave. Y es precisamente donde la inteligencia artificial puede ser transformadora.
En las economías desarrolladas, la política de vivienda se apoya en datos estandarizados: índices de precios, sistemas catastrales, burós de crédito. Los mercados emergentes tienen vastos desiertos de datos y las consecuencias se refuerzan a sí mismas. Los desarrolladores no pueden obtener financiamiento porque los prestamistas carecen de información fiable. Los gobiernos diseñan subsidios que no alcanzan sus objetivos. Los inversionistas internacionales se mantienen al margen porque no pueden modelar el riesgo.
Los datos a menudo existen. Como ha observado Kecia Rust, del Centre for Affordable Housing Finance in Africa, cada permiso, factura de servicios y cuota hipotecaria genera un registro, pero cada uno existe solo para documentar esa transacción en particular. El desafío no es la recolección; es la curaduría: conectar registros fragmentados para construir una imagen real de cómo funcionan los mercados de vivienda.
Cinco formas en que la IA puede ayudar en los mercados emergentes
La IA prospera en entornos desordenados y fragmentados, precisamente las condiciones que definen la vivienda en los mercados emergentes. Cinco capacidades son las más importantes.
Transparencia del mercado: Las técnicas de aprendizaje automático pueden combinar datos geoespaciales y administrativos para mapear en detalle las condiciones económicas, incluso donde las encuestas tradicionales son escasas. Esto convierte datos fragmentados en información accionable que ayuda a gobiernos, prestamistas y desarrolladores a ver dentro de mercados que durante mucho tiempo han permanecido opacos.
Mapear lo invisible: La herramienta BEAM de las Naciones Unidas utiliza aprendizaje automático para detectar huellas de edificaciones a partir de imágenes aéreas, reduciendo meses de mapeo manual a aproximadamente 72 horas. En eThekwini, Sudáfrica, donde una cuarta parte de la población vive en más de 580 asentamientos informales, BEAM mapeó más de 1.5 millones de huellas de edificaciones, proporcionando a los planificadores evidencia para orientar mejoras y servicios. Desde entonces, se ha implementado en ocho capitales de América Central, identificando más de 6,300 áreas informales. En países donde las decisiones se toman con base en datos censales a menudo de décadas de antigüedad, estos nuevos datos son fundamentales para orientar inversiones inteligentes en infraestructura y vivienda.
Resiliencia y recuperación ante desastres: El Programa Global para Vivienda Resiliente del Banco Mundial utiliza imágenes de drones y aprendizaje automático para analizar edificaciones casa por casa, extrayendo material de techos, tipo estructural y altura para identificar aquellas con mayor probabilidad de fallar en un terremoto o huracán. Después de un desastre, las mismas herramientas comparan imágenes de antes y después para mapear daños en cuestión de horas en lugar de meses. En Estados Unidos, se están probando enfoques similares para evaluar incendios forestales, donde algoritmos montados en drones examinan barrios completos, clasificando las estructuras como destruidas, dañadas o intactas. Estos datos informan directamente las reclamaciones de seguros, la remoción de escombros y la planificación de la reconstrucción. De manera crucial, estas herramientas no solo cuantifican pérdidas; ayudan a los gobiernos a priorizar reparaciones, dirigiendo recursos primero a las áreas más afectadas e identificando qué viviendas pueden ser reforzadas en lugar de reconstruidas. Se estima que cada dólar invertido en mitigación ahorra cuatro en recuperación; la IA hace posible saber dónde deben invertirse esos recursos.
Planificación prospectiva: Al sintetizar datos demográficos, de migración y económicos, la IA puede prever dónde aumentará la presión sobre la vivienda dentro de cinco o diez años, dando a departamentos de planificación con pocos recursos la capacidad de prepararse para la demanda en lugar de verse desbordados por ella.
Inclusión financiera: Modelos de IA que analizan transacciones de dinero móvil y pagos de servicios pueden construir perfiles de solvencia para personas que nunca han tenido una cuenta bancaria. Esto abre el acceso al financiamiento de vivienda para poblaciones que el scoring crediticio tradicional excluye. Prestamistas fintech en África oriental y el sur de Asia ya lo están haciendo a gran escala.
Mejores políticas, no solo más viviendas
Quizá la aplicación más trascendental sea dar a los gobiernos la capacidad de planificar de manera proactiva en lugar de reaccionar de forma permanente. Demasiados programas de subsidios se calibran según promedios nacionales en lugar de realidades locales. La IA puede cambiar esa ecuación no reemplazando a los planificadores, sino multiplicando lo que equipos pequeños pueden hacer. Datos en tiempo real sobre costos de vivienda, ingresos y acceso a infraestructura pueden permitir a los gobiernos ajustar los subsidios según la ubicación y el tipo de hogar. El aprendizaje automático puede identificar comunidades en riesgo de estrés habitacional antes de que caigan en la informalidad, y evaluar qué programas realmente mejoran el acceso frente a aquellos que inflan el número de unidades.
