Qué significa realmente 'ventana de contexto' en un deal de 45 días
Toda herramienta de IA — ChatGPT, Claude, Gemini — funciona con un modelo de lenguaje que tiene una ventana de contexto. Esa ventana es la cantidad de texto que el modelo puede mantener en memoria activa durante una sola conversación. La ventana de GPT-4o tiene unos 128,000 tokens, que suena como mucho hasta que consideras lo que contiene una sola transacción de real estate.
Una compraventa residencial típica genera datos de contacto de compradores y vendedores, notas de showings, términos de oferta, historial de contraofertas, hallazgos de inspección, comunicaciones con el lender, actualizaciones de título y coordinación de closing con más de 20 personas durante 30 a 60 días. No es una conversación — son cientos de mensajes, documentos y decisiones repartidos en semanas.
Incluso dentro de una sesión larga, los límites de tokens crean un techo. Si pegas tu archivo completo del deal, la lista de contactos y el hilo de emails más reciente, consumiste la mayoría de la ventana antes de hacer tu primera pregunta. El modelo empieza a soltar detalles anteriores para hacer espacio. Para agentes con closings simultáneos, ese techo llega rápido.
El impuesto oculto de tiempo al re-alimentar contexto
Hemos visto agentes construir workarounds elaborados para este problema. Mantienen un Google Doc con resúmenes de cada deal que pegan al inicio de cada sesión de ChatGPT. Escriben plantillas de prompts con campos para dirección, nombre del comprador, etapa del contrato y deadlines. Algunos pasan de 5 a 10 minutos al inicio de cada sesión simplemente recargando el contexto.
Ese es el impuesto oculto. Si usas IA para trabajo de transacciones en tres deals activos y abres sesiones nuevas dos veces al día, estás gastando de 30 a 60 minutos por semana solo re-enseñándole a la herramienta lo que ya sabía ayer. La ganancia de productividad que la IA prometía se la come el overhead de re-entrada de contexto.
La ironía de usar IA para ahorrar tiempo en admin de deals: el tiempo que ahorras en la tarea, lo gastas en el contexto. Los agentes no son malos con los prompts — están atrapados en una herramienta que olvida.
Y se acumula. Mientras más deals manejas, más contexto tienes que administrar, más sesiones abres y más tiempo pierdes re-alimentando. Agentes solos chocan con esta pared alrededor de tres deals simultáneos. Equipos chocan más rápido porque el contexto vive en las plantillas de una sola persona, no en un sistema compartido.
Por qué los deals de real estate son especialmente difíciles para la IA genérica
No todos los usos rompen a la IA stateless con esta intensidad. Escribir blogs, generar captions para redes, resumir artículos — esas son tareas de una sola sesión con contexto autocontenido. Le das al modelo todo lo que necesita en un prompt. Las transacciones de real estate son diferentes porque el contexto es relacional, temporal y condicional.
| Dimensión | Lo que significa para la IA | Ejemplo |
|---|---|---|
| Relacional | Múltiples entidades conectadas a un solo deal | Comprador, vendedor, lender, agente de título, inspector — cada uno con distintas preferencias de contacto y necesidades de actualización |
| Temporal | La información cambia de significado con el tiempo | Una objeción de inspección tiene urgencia diferente en el día 5 que en el día 14 de una contingencia de 15 días |
| Condicional | Los próximos pasos dependen de resultados previos | El appraisal llega bajo → activa ruta de renegociación, no la secuencia estándar de preparación de closing |
Las herramientas genéricas de IA no modelan estas relaciones. Procesan el texto que les das en ese momento. No pueden decirte que el closing de los García está en riesgo porque el lender no ha enviado el clear-to-close y el deadline es el viernes — a menos que tú escribas todo eso primero. Una herramienta deal-aware ya lo sabría.
Por eso los CRMs que agregan un chat con IA muchas veces decepcionan. Herramientas como Follow Up Boss, kvCORE o Lofty pueden agregar respuestas con GPT, pero la capa de IA generalmente no accede al estado completo de tu deal — ve el registro del CRM, no la transacción viva con todas sus piezas en movimiento.
Stateless vs. stateful: la distinción que nadie te está explicando
En arquitectura de IA, stateless significa que el sistema trata cada interacción como independiente. Stateful significa que mantiene conocimiento entre interacciones. La mayoría de las herramientas que los agentes usan hoy — incluyendo ChatGPT, Claude y chatbots de CRMs — son fundamentalmente stateless para trabajo de transacciones. Incluso la función de memoria de ChatGPT guarda preferencias generales, no datos estructurados de deals.
- IA stateless procesa tus palabras. Le describes el deal, genera un resultado basado en esa descripción y después olvida.
- IA stateful entiende tus deals. Conoce tu pipeline, rastrea deadlines entre transacciones y referencia conversaciones anteriores sin que se lo pidas.
- La brecha entre ambas no es una actualización de features — es una arquitectura diferente. La conciencia stateful de deals requiere memoria persistente, recuperación de datos estructurados y modelado de relaciones entre múltiples entidades.
Algunos equipos intentan resolver esto con retrieval-augmented generation (RAG) — alimentando documentos a una base de datos vectorial para que la IA pueda extraer contexto relevante cuando se le pregunta. Es un avance, pero RAG solo no resuelve los problemas temporales y condicionales. Saber que un documento existe no es lo mismo que saber en qué punto del timeline del deal estás y qué debería pasar después.
Plataformas de transaction management como Dotloop, SkySlope o Brokermint guardan datos estructurados de deals, pero sus funciones de IA tienden a ser específicas de tareas: auto-llenar formularios, marcar firmas faltantes. No te dan un asistente conversacional que razone a través de todo tu pipeline. La arquitectura para IA verdaderamente deal-aware requiere combinar estado persistente, recuperación estructurada y razonamiento conversacional — y eso es lo que la mayoría de las herramientas todavía no han construido.
Cinco preguntas para evaluar si una herramienta de IA realmente conoce tus deals
Si estás evaluando cualquier herramienta de IA para operaciones de real estate — ya sea un asistente independiente, un add-on de CRM o una plataforma de transacciones — estas cinco preguntas separan las herramientas deal-aware de las que solo procesan prompts. Hazlas antes de invertir tiempo o dinero.
- ¿Recuerda tu pipeline entre sesiones? Abre la herramienta mañana sin pegar nada. Pregúntale cuál de tus deals cierra primero. Si no puede contestar, es stateless.
- ¿Puede distinguir entre tus deals sin que le digas cuál? Di 'el deadline de inspección' y observa si sabe que hablas de 742 Oak Street y no de 315 Coral Way. Las herramientas con contexto resuelven la ambigüedad desde el estado del deal.
- ¿Sabe en qué etapa está cada deal y qué debería pasar después? No lo que le dijiste hace cinco minutos — sino derivado de datos reales de la transacción, deadlines y timelines de contingencias.
- ¿Puede referenciar una conversación anterior sobre un contacto específico? Pregúntale 'qué dije sobre el appraisal de los García la semana pasada'. Si no puede recuperar eso, no tiene memoria persistente de tu trabajo.
- ¿Actualiza su entendimiento cuando cambia el status del deal? Cuando un deal pasa de under-contract a pending, ¿el comportamiento de la herramienta cambia — mostrando tareas de closing en vez de soporte de negociación — o espera a que tú anuncies el cambio?
No se trata de encontrar la herramienta perfecta hoy. Se trata de saber qué buscar para dejar de culpar a tus habilidades con prompts por un problema que vive en la arquitectura de la herramienta. Los agentes con quienes hemos hablado que avanzaron no se volvieron mejores en prompts — migraron a herramientas que cargaban el contexto hacia adelante. Ese cambio transforma por completo si la IA te ahorra tiempo neto o es solo otra cosa más que administrar.
Mejores prompts no van a resolver un problema de memoria
La conversación sobre IA en real estate lleva dos años atorada en los prompts. 'Escribe mejores prompts para descripciones de listings.' 'Usa esta plantilla para follow-ups de compradores.' 'Prueba este wrapper de GPT hecho para agentes.' Ese consejo no está mal — pero apunta al constraint equivocado. Es como decirle a un agente que escriba sticky notes más ordenados cuando el problema real es que los sticky notes se tiran a la basura cada noche.
El constraint que importa es el contexto del deal: si la herramienta de IA que usas puede mantener el estado completo de tus transacciones entre sesiones, referenciar interacciones previas y razonar sobre lo que debería pasar basándose en dónde está cada deal realmente. Esa es una pregunta de arquitectura, no de prompts.
Una herramienta de IA que entiende tus deals no necesita un prompt perfecto. Una herramienta que no entiende tus deals no se salva con uno.
Si llegaste al límite con ChatGPT o Claude para trabajo de transacciones, no es que lo estés haciendo mal. Encontraste el borde de lo que la IA stateless puede hacer por un flujo de trabajo que es fundamentalmente stateful. El siguiente paso no es una mejor biblioteca de prompts — es una herramienta construida para cargar tu contexto de deals hacia adelante. Reddy está construyendo exactamente ese tipo de asistente operacional deal-aware. Si quieres ver cómo se ve cuando la IA realmente recuerda tu pipeline, agenda una llamada y te lo mostramos.
