Cuando una empresa tecnológica como Zillow afirma que el verdadero reto no son los datos, sino el contexto, obliga a replantearse cómo se mide realmente el retorno de la inversión en inteligencia artificial. La compañía, que participa en aproximadamente el 80% de las transacciones inmobiliarias de Estados Unidos, lleva décadas utilizando aprendizaje automático. Sin embargo, su directivo de ingeniería, Toby Roberts, dejó claro en un evento reciente que el ROI de la IA solo es tangible si se establecen métricas de referencia antes de lanzar ningún modelo. Esta lección resuena con fuerza en cualquier organización que aspire a adoptar agentes inteligentes sin caer en el derroche de cómputo o en la pérdida de información crítica.
La idea central es sencilla: sin una línea base de rendimiento, cualquier mejora atribuida a la IA puede ser una ilusión estadística. Zillow implementó métricas DORA años antes de su actual oleada de automatización, lo que le permitió medir con precisión un incremento del 40% en código enviado a producción gracias a sus asistentes de codificación. Ese dato no habría sido posible sin un marco de medición previo. Para la mayoría de las empresas, construir ese marco implica auditar procesos, identificar cuellos de botella y definir indicadores clave antes de tocar un solo modelo de lenguaje.
Aquí es donde entra el valor de contar con un socio tecnológico que entienda tanto la infraestructura como la estrategia de negocio. En Q2BSTUDIO, hemos ayudado a decenas de organizaciones a diseñar esa línea base desde cero, combinando aplicaciones a medida con un profundo conocimiento de los ciclos de vida del software. No se trata solo de instalar un chatbot; se trata de orquestar servicios en la nube, proteger los datos con ciberseguridad avanzada y construir un modelo de gobernanza que permita escalar la inteligencia artificial sin perder el control.
El caso de Zillow también ilustra la importancia de no delegar el contexto en un único interfaz de chat. La compañía eligió construir su propia capa de contexto persistente, capaz de seguir al cliente a través de distintos puntos de contacto durante meses. Esa decisión refleja una verdad incómoda: los modelos por sí solos no bastan. Necesitan una arquitectura que recuerde dónde se quedó el usuario, qué permisos tiene y qué información sensible debe protegerse. Y eso, como señalaron los expertos, es mucho más difícil que limpiar datos.
En lugar de encadenar a los clientes a un único modelo de lenguaje, Zillow apostó por un arnés de modelos pequeños y especializados, entrenados para tareas concretas. Esta aproximación, que ya utilizan muchas empresas punteras, reduce el consumo de tokens y mejora la latencia. Para replicarla, se necesita una plataforma que centralice las integraciones y evite que cada departamento construya sus propios conectores. Aquí es donde el ecosistema de cloud AWS/Azure ofrece ventajas competitivas, ya que permite desplegar múltiples agentes con políticas de seguridad unificadas.
Otro aprendizaje clave del enfoque de Zillow es que la medición del ROI no puede limitarse a la fase de desarrollo. Debe extenderse a la operación diaria. El cofundador de Glean, Arvind Jain, explicó cómo el enrutamiento inteligente de modelos puede cortar el consumo de tokens a la mitad, simplemente enviando las tareas más simples a modelos más pequeños y económicos. Además, el contexto precalculado evita que cada agente tenga que reconstruir el hilo desde cero, un ahorro que a menudo pasa desapercibido en los presupuestos de IA.
Si una empresa quiere implementar agentes IA con un retorno medible, debería empezar por auditar sus procesos actuales, establecer indicadores de productividad y coste, y luego diseñar una arquitectura que separe el contexto del modelo subyacente. En Q2BSTUDIO trabajamos precisamente en esa línea: ayudamos a las organizaciones a construir la capa de contexto que necesita su negocio, ya sea mediante integraciones con sistemas legacy, migraciones a la nube o el desarrollo de paneles de control con BI/Power BI que monitoricen en tiempo real el rendimiento de los agentes.
No menos importante es la ciberseguridad. Zillow añadió reglas estrictas y comprobaciones de cumplimiento adicionales para sus datos más sensibles, incluso después de haber implementado una plataforma consciente de permisos. Esa prudencia es totalmente aplicable a sectores regulados como la banca, la salud o las fintech. Cuando un agente de IA accede a información confidencial, la confianza en el sistema depende de que ese acceso esté controlado, auditado y reversible.
En definitiva, la historia de Zillow no es un caso de éxito aislado, sino una guía práctica para cualquier empresa que quiera obtener un ROI real de sus inversiones en inteligencia artificial. Medir antes de construir, centralizar el contexto, especializar los modelos y blindar la seguridad son los pilares de una estrategia que trasciende los titulares. Y en ese camino, contar con un equipo que domine tanto la técnica como el negocio marca la diferencia entre un experimento costoso y una transformación sostenible.
