Cinco formas en que la IA y los datos pueden transformar cómo los mercados emergentes construyen viviendas

Podemos predecir el clima con siete días de anticipación, diagnosticar enfermedades desde la cámara de un teléfono y mapear cada carretera del mundo desde el espacio. Sin embargo, en los países donde la demanda de vivienda está creciendo más rápido, no podemos responder las preguntas más básicas: ¿dónde deberíamos construir, para quién y cuánto costará?

La crisis global de vivienda no es principalmente un problema de construcción. Es una falla de inteligencia. África enfrenta un déficit de 56 millones de unidades que requieren una inversión de 1,4 billones de dólares. El sudeste asiático tiene 200 millones de personas en asentamientos informales. América Latina arrastra un retraso de más de 23 millones de hogares. 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.

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 inversores 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.

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.

Quizás 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 solo inflan el número de unidades.

Para implementar esto realmente a gran escala, son esenciales tres cambios. En primer lugar, los gobiernos deben invertir en infraestructura de datos abiertos: digitalizar los registros de tierras, estandarizar los datos inmobiliarios y convertir los datos de vivienda en un bien público. Iniciativas como la Global Housing Database, que reúne indicadores de déficit, asequibilidad, financiamiento y resiliencia en 75 países, muestran lo que es posible cuando los datos fragmentados se curan en una única plataforma comparable. En segundo lugar, la gobernanza de la IA debe incorporarse desde el inicio. Esto implica transparencia en los modelos, auditorías de equidad y participación de las comunidades. En tercer lugar, las alianzas público-privadas deben aprovechar los análisis generados por IA para reducir el riesgo de la inversión. La IFC estima que la brecha global de financiamiento de vivienda asequible alcanza los 16 billones de dólares; ningún gobierno puede cerrarla por sí solo.

Los mercados emergentes se sitúan en la confluencia de la mayor ola de urbanización de la historia y de las herramientas analíticas más poderosas que hemos tenido. Que esa confluencia produzca mejores ciudades o simplemente ciudades más grandes depende de algo aparentemente simple: si quienes toman decisiones sobre vivienda pueden realmente ver los mercados que intentan moldear.