Inteligencia de demanda contra ubicación: qué define realmente el retorno del build-to-rent en Latinoamérica

La tesis que desafía al real estate tradicional

Durante décadas, la máxima del sector inmobiliario residencial fue categórica: ubicación, ubicación, ubicación. El retorno de un activo dependía, antes que de cualquier otra variable, de su coordenada geográfica. Esa lógica orientó el capital institucional hacia corredores consolidados, zonas premium y mercados con liquidez probada. Hoy, una generación de operadores de multifamily en Latinoamérica propone invertir el orden de prioridades. La inteligencia de demanda, construida sobre capas de datos de absorción, perfiles socioeconómicos, patrones de movilidad y proyecciones de ingreso disponible, aspira a convertirse en el driver principal de la decisión de inversión.

UrbanHub, desarrollador mexicano especializado en build-to-rent (BTR), representa la expresión más visible de esta tesis en la región. Su modelo selecciona micromercados a partir de analítica de demanda antes de definir la localización del proyecto. La premisa es que un algoritmo bien calibrado identifica oportunidades de retorno que la intuición geográfica tradicional pasa por alto. La pregunta que el mercado institucional debe responder es si esa premisa resiste condiciones adversas, restricciones regulatorias y la heterogeneidad informacional de Latinoamérica.

El contexto regional ofrece dimensiones relevantes para este debate. El mercado inmobiliario de América Latina se estima en 1,155.79 mil millones de dólares para 2026, según reportes sectoriales regionales, con una proyección de crecimiento a tasa compuesta anual (CAGR) del 8.35% hacia 2034, cuando alcanzaría los 2,195.38 mil millones de dólares. Dentro de ese universo, el segmento multifamily institucional permanece como una fracción emergente, con grados de madurez muy distintos entre México, Chile y Colombia. Fitch Ratings mantiene una perspectiva neutral para el sector inmobiliario latinoamericano en 2026, con resiliencia particular en los fideicomisos industriales mexicanos pese a la volatilidad económica.

¿Puede la analítica predictiva reemplazar la lógica de ubicación como motor del retorno?

La respuesta corta es que no se trata de un reemplazo absoluto, sino de una reconfiguración jerárquica. Los modelos data-driven como el de UrbanHub no eliminan la variable geográfica, sino que la subordinan a un análisis previo de demanda efectiva. La ubicación deja de ser el punto de partida para convertirse en una consecuencia del análisis.

Esta inversión metodológica tiene ventajas operativas concretas. Permite detectar micromercados con demanda insatisfecha en zonas que un análisis convencional descartaría por falta de precedentes comparables. En ciudades con expansión urbana acelerada, donde los patrones de habitabilidad cambian en ciclos cortos, la capacidad de procesar señales de demanda en tiempo real otorga una ventaja competitiva frente a desarrolladores que dependen de valuaciones históricas.

Sin embargo, el modelo enfrenta límites estructurales que el mercado institucional debe ponderar con rigor. El primero es la disponibilidad de datos. La densidad informacional de la Ciudad de México, con registros catastrales digitalizados, datos de movilidad granulares y series históricas de absorción, no se replica en mercados secundarios mexicanos ni en la mayoría de las ciudades latinoamericanas. Un modelo data-driven es tan robusto como la infraestructura de información sobre la que opera. En mercados donde esa infraestructura es precaria, el riesgo de sesgo algorítmico en la selección de zonas aumenta de forma proporcional.

El segundo límite es regulatorio, y la experiencia reciente de UrbanHub en México lo ilustra con claridad. Urbanhub México SPV5 promovió un amparo contra el tope de rentas establecido en la Ciudad de México, fundamentado en el Artículo 2448 D del Código Civil capitalino, que limita los incrementos anuales de renta de vivienda a la inflación del año anterior reportada por el Banco de México. La Suprema Corte de Justicia de la Nación (SCJN) rechazó el amparo por unanimidad el 18 de febrero de 2026, declarando constitucional la norma.

Esta resolución constituye un precedente de alcance sistémico para el BTR institucional en México. La capacidad de un operador data-driven para optimizar retornos queda acotada por un techo regulatorio sobre la variable más sensible del modelo de ingresos: el crecimiento de rentas. La analítica predictiva puede identificar la demanda, pero el marco legal define el rango de monetización de esa demanda.

El modelo data-driven optimiza la selección de mercados, pero el entorno regulatorio establece el techo de su rentabilidad. Esta tensión será definitoria para la institucionalización del multifamily en toda la región.

¿Es el modelo data-driven exportable a Chile y Colombia, o es un fenómeno de mercados con alta densidad informacional?

La exportabilidad del modelo depende de dos condiciones: la disponibilidad de datos estructurados y la madurez del ecosistema de renta institucional en cada mercado.

Chile ofrece el benchmark regional más sólido para la institucionalización del BTR. Según datos de BDO Chile correspondientes a 2025, la ocupación del mercado de renta residencial multifamily en el Gran Santiago se consolidó en niveles estables, lo que indica un mercado maduro con demanda predecible. Esta estabilidad reduce, paradójicamente, la ventaja marginal de un modelo data-driven: donde la ocupación es consistentemente alta, la analítica predictiva aporta menos diferenciación porque la demanda ya está validada por el propio mercado.

En mercados con ocupación consolidada como Santiago, el valor de la inteligencia de demanda reside menos en la selección de micromercados y más en la optimización de la mezcla de producto y la estrategia de pricing. La pregunta para operadores que evalúan el modelo chileno es si la capa analítica justifica su costo operativo cuando el mercado ya exhibe señales de demanda robustas por medios convencionales.

Colombia presenta un escenario distinto. El multifamily institucional se encuentra en fase emergente, con un ecosistema de datos inmobiliarios menos estructurado que el de México o Chile. La ausencia de series históricas de absorción en formato granular y la fragmentación de registros catastrales en ciudades como Bogotá, Medellín y Barranquilla limitan la aplicación directa del modelo. No obstante, esta misma carencia de información representa, para los operadores dispuestos a invertir en infraestructura de datos propia, una barrera de entrada que puede traducirse en ventaja competitiva a mediano plazo.

La exportabilidad del enfoque data-driven al BTR latinoamericano dependerá de la inversión en infraestructura de datos tanto como de la inversión en activos físicos. Los operadores que construyan sus propias capas de inteligencia de demanda en mercados con baja densidad informacional podrán definir las reglas de un segmento que aún carece de incumbentes institucionales.

¿Qué significa la resolución de la SCJN para la estrategia urbana del multifamily institucional?

La declaración de constitucionalidad del tope a las rentas en la Ciudad de México reconfigura la estrategia urbana del BTR de forma inmediata. Los operadores institucionales enfrentan un escenario donde el crecimiento orgánico de ingresos está indexado a la inflación, lo que comprime las proyecciones de cap rates en mercados donde la expectativa previa incorporaba incrementos de renta por encima de ese indicador.

Para un modelo data-driven, esta restricción reorienta la analítica hacia variables distintas al crecimiento de rentas. La selección de micromercados debe priorizar ahora la eficiencia operativa, la velocidad de absorción y la minimización de vacancia sobre la expectativa de apreciación de ingresos por renta. La inteligencia de demanda se vuelve más valiosa cuando el techo de ingresos es fijo, porque la diferenciación de retorno se concentra en el lado de los costos y la ocupación.

En el ecosistema del GRI Institute, donde líderes del sector inmobiliario y de infraestructura en Latinoamérica analizan estas transformaciones de forma continua, la convergencia entre regulación, tecnología y estrategia de inversión en multifamily ha emergido como uno de los ejes temáticos centrales para 2026. Los encuentros de la comunidad GRI dedicados al real estate residencial en la región han incorporado el debate sobre modelos data-driven como parte de la agenda de institucionalización del segmento.

El punto de inflexión es claro. La inteligencia de demanda no invalida la importancia de la ubicación, pero sí redefine cómo se evalúa, selecciona y monetiza. En un mercado regional de más de un billón de dólares con trayectoria de crecimiento sostenido, la capacidad de procesar datos de demanda con rigor analítico será un diferenciador competitivo. Pero ese diferenciador opera dentro de marcos regulatorios que limitan su potencial, en mercados con infraestructura de datos desigual, y frente a modelos tradicionales que, en plazas consolidadas como Santiago, siguen entregando resultados estables sin la complejidad algorítmica.

La pregunta estratégica para los próximos años es quién construirá la infraestructura de datos que permita institucionalizar el BTR en mercados emergentes de la región, y si el retorno de esa inversión justifica la apuesta frente a alternativas más convencionales. La respuesta definirá la forma del multifamily latinoamericano en la próxima década.