Qué son las alucinaciones de IA en el contexto de un deal real
Una alucinación ocurre cuando un modelo de lenguaje (LLM) como ChatGPT, Claude o Gemini genera texto que suena seguro y plausible pero es objetivamente incorrecto. El modelo no miente a propósito — completa patrones estadísticos con base en sus datos de entrenamiento. En real estate, "estadísticamente probable" y "contractualmente correcto" no son lo mismo.
Estudios de Stanford y del Vectara Hallucination Leaderboard muestran que incluso los mejores LLMs alucinan en el 2–5% de afirmaciones factuales en pruebas controladas. Con documentos inmobiliarios no estructurados — PDFs escaneados, addenda fotografiados, iniciales escritas a mano — la tasa sube porque el modelo tiene menos texto limpio con el cual trabajar.
La mayoría de los agentes con quienes hablamos caen en uno de dos extremos: confían ciegamente en el output porque "se ve bien," o abandonan las herramientas por completo después de un mal resultado. Ambas reacciones cuestan tiempo. La mejor respuesta es entender los patrones de falla específicos para verificar los campos correctos y dejar fluir el resto.
Cuatro tipos de alucinación que importan en transacciones
No todos los errores de IA son iguales. Un metraje incorrecto en un listing draft y un plazo de inspección equivocado en un resumen de contrato tienen dificultad de detección y consecuencias completamente diferentes. Esta taxonomía se basa en patrones de error que hemos observado en workflows de agentes.
| Tipo de alucinación | Cómo se ve | Dificultad de detección | Severidad |
|---|---|---|---|
| Alucinación de fechas | Fecha de cierre desfasada 3–7 días, plazo de inspección tomado de la cláusula equivocada | Media — los números lucen plausibles | Alta — contingencias perdidas, posible breach |
| Alucinación de entidades | Nombre del comprador intercambiado con el vendedor, brokerage equivocado en resumen de enmienda | Baja — los nombres se verifican rápido | Alta — violación de compliance, retrasos por re-firma |
| Fabricación de cláusulas | La IA inventa un término de contingencia o parafrasea mal el addendum | Alta — suena legalmente plausible | Muy alta — exposición de E&O, disputas contractuales |
| Desviación numérica | Precio de compra con un dígito de más, earnest money redondeado incorrectamente | Media — requiere comparar con la fuente | Alta — problemas de título, alertas del lender |
La fabricación de cláusulas es la más difícil de atrapar porque se lee como lenguaje contractual real. Hemos visto herramientas de IA resumir un AS-IS addendum e insertar una obligación de reparación que no existía en el original — el tipo de error que pasa desapercibido a menos que leas el documento fuente línea por línea.
En qué momentos de la transacción se concentran los errores
El riesgo de alucinación no se distribuye uniformemente en un deal. Se concentra en hitos específicos donde los agentes tienden a alimentar la IA con documentos complejos de múltiples páginas y piden resúmenes o action items.
- **Redacción y comparación de ofertas** — Cuando pegas ofertas competidoras en ChatGPT para un side-by-side, el modelo frecuentemente transpone términos entre ofertas. El precio de la oferta A termina atribuido a la oferta B.
- **Seguimiento de plazos desde contratos ejecutados** — La IA extrae fechas del documento pero a veces toma el punto de referencia equivocado (effective date vs. binding agreement date), desfasando cada plazo subsiguiente.
- **Resúmenes de enmiendas y addenda** — Addenda de múltiples páginas con condiciones anidadas son donde la fabricación de cláusulas alcanza su pico. El modelo llena vacíos lógicos con lenguaje plausible pero inventado.
- **Preparación y revisión de disclosures** — Herramientas de IA para listings pueden identificar incorrectamente características de la propiedad a partir de fotos, generando afirmaciones cercanas a disclosures sobre condiciones que el agente no ha verificado.
- **Generación de narrativas para CMA** — Los modelos fabrican datos de ventas comparables cuando no tienen acceso al MLS en tiempo real. Un comp inventado en una dirección plausible es peligrosamente difícil de detectar.
La calidad del input determina la confiabilidad del output
Esta es la brecha de la que nadie habla. La misma herramienta de IA con el mismo prompt produce tasas de error dramáticamente diferentes dependiendo de lo que le des como input. Hemos visto agentes fotografiar un contrato con su teléfono, subirlo a ChatGPT y confiar en el resumen — sin darse cuenta de que la capa de OCR misleyó la mitad de las fechas antes de que el modelo siquiera empezara.
| Tipo de input | Comportamiento típico de alucinación | Nivel de riesgo |
|---|---|---|
| PDF limpio (firmado digitalmente) | Fechas y nombres mayormente precisos; interpretación de cláusulas sigue siendo riesgosa | Moderado |
| Documento fotografiado | Errores de OCR se multiplican con el pattern-matching del LLM; fechas y números poco confiables | Alto |
| Resumen verbal o nota de voz | El modelo completa detalles que no proporcionaste; inventa específicos con confianza | Muy alto |
| Texto copiado de un hilo de email | Confusión de contexto entre partes; timestamps mal atribuidos | Alto |
Si estás usando IA para procesar documentos de transacción, empieza siempre con la fuente digital más limpia que tengas. Un PDF ejecutado digitalmente desde tu plataforma de transacciones es un input fundamentalmente distinto a una foto de un addendum enviado por fax. Trátalos como corresponde.
La cadena de error compuesto: cómo una fecha mala rompe un deal
Una sola fecha alucinada no se queda contenida. Se propaga. Este es un escenario que hemos visto desarrollarse — no de forma hipotética, sino en el tipo de workflow que los agentes corren cada semana.
- El agente sube un purchase agreement ejecutado a una herramienta de IA y pide un resumen de plazos.
- La IA lee la effective date como 8 de julio en vez de 3 de julio (un error de cinco días por OCR + alucinación en un contrato fotografiado).
- Cada plazo de contingencia en el resumen queda cinco días tarde — inspección, appraisal, financiamiento.
- El agente envía el resumen generado por IA al lender del comprador y al inspector como timeline de referencia.
- El período de inspección en realidad vence antes de la fecha programada del inspector. El comprador pierde el derecho a solicitar reparaciones bajo el contrato.
- El abogado del vendedor señala la contingencia perdida. El deal se renegocia bajo presión o se cae.
El error no ocurrió en el paso 6. Ocurrió en el paso 2. Todo lo que vino después fue una persona razonable confiando en un documento que se veía razonable. Eso es lo que hace peligrosas las alucinaciones compuestas — viajan por email, por paquetes del lender, por instrucciones de título, antes de que alguien revise la fuente.
Aquí es donde el seguro de E&O se complica. Las guías de NAR y la mayoría de las juntas estatales de licencias responsabilizan al agente — no a la herramienta de IA — por la precisión de la información en documentos de transacción. CFPB y Fair Housing enforcement no hacen excepciones por errores generados con IA. Si un detalle alucinado crea una violación de RESPA o de Fair Housing Act, la licencia del agente está en juego. Como siempre, consulta con un abogado licenciado para preguntas de compliance específicas de tu estado.
Protocolo de verificación de 60 segundos por tipo de documento
El consejo genérico de "siempre verifica el output de IA" no sirve porque no te dice qué campos revisar primero. Este protocolo está atado a los documentos que los agentes realmente procesan con herramientas de IA. Está diseñado para atrapar las alucinaciones de alta severidad sin obligarte a releer cada palabra.
| Tipo de documento | Revisa estos campos primero (60 seg) | Por qué estos campos |
|---|---|---|
| Resumen de purchase agreement | Effective date, fecha de cierre, todos los plazos de contingencia, precio de compra, monto de earnest money | Las alucinaciones de fechas y números se concentran aquí; una fecha mal se propaga |
| Resumen de enmienda / addendum | Qué cláusula se modifica, lenguaje exacto del cambio, nombres de las partes | La fabricación de cláusulas alcanza su pico en interpretación de enmiendas |
| CMA / análisis de comps | Direcciones de las propiedades comparables, precios de venta, fechas de venta | La IA inventa comps plausibles cuando no tiene acceso al MLS en vivo |
| Descripción de listing | Pies cuadrados, conteo de recámaras/baños, tamaño del lote, año de construcción, estatus de HOA | Desviación numérica y alucinación de características desde análisis de fotos |
| Notas de revisión de disclosures | Afirmaciones sobre condición material, referencias a historial de reparaciones, menciones de permisos | La IA llena vacíos de conocimiento con afirmaciones plausibles pero no verificadas |
Las herramientas de IA — ya sea ChatGPT Plus, Claude, una plataforma dedicada o un [asistente operacional diseñado para workflows inmobiliarios](/blog/ai-operational-assistant-vs-another-app-to-manage) — ahorran tiempo real en tareas reales. El objetivo no es dejar de usarlas. Es verificar los outputs que tienen peso contractual y dejar fluir los borradores de bajo riesgo. Si quieres un análisis más profundo de cuáles [herramientas de IA están funcionando para agentes en este momento](/blog/real-estate-ai-agents-2026-what-works-what-doesnt), lo desglosamos por separado.
