Con los avances tecnológicos actuales en AI , lo que era complejo y tedioso puede hacerse ahora de forma rápida y eficaz. Uno de estos ejemplos puede encontrarse en la interrogación de arrendamientos históricos. Con una solución generativa personalizada de AI , se puede crear un entorno seguro en el que se cargan todos los contratos de arrendamiento históricos de bienes inmuebles.

Esto permitirá a cualquier usuario de la empresa acceder a un chatbot para hacerle preguntas en lenguaje natural sobre cualquier aspecto de los contratos de arrendamiento. En esencia, se trata de una herramienta dinámica de gestión de contratos de arrendamiento que pone al alcance de todos los usuarios una increíble información instantánea.

¿Cuál es el problema?

Hoy en día, la mayoría de los propietarios tienen que hacer malabarismos con grandes cantidades de contratos de arrendamiento históricos. Suelen resumirlos en enormes y complejas hojas de cálculo o, en ocasiones, en programas informáticos específicos de gestión de arrendamientos. Las soluciones existentes son estáticas, rígidas e ineficaces, lo que puede generar frustración. Además, no son lo suficientemente flexibles y sólo ofrecen algunas perspectivas con una funcionalidad limitada. Cualquier cuestión que se salga de los KPI prescritos requiere la lectura manual de (a menudo cientos, si no miles) de contratos de arrendamiento. El equipo de información dedica mucho tiempo a generar presentaciones de carteras y contratos de arrendamiento, privando a los ejecutivos de información urgente que les ayudaría a tomar decisiones.

¿Cuál es la solución?

En respuesta a las preocupaciones de los ejecutivos del sector inmobiliario, Artefact ha desarrollado su propia herramienta Lease Explorer. Se trata de una herramienta creada a medida que permite el rápido despliegue de potentes Modelos de Lenguaje Extenso (LLM) dentro de un entorno propio y aislado que contiene los contratos de arrendamiento históricos de las propiedades. De este modo, los ejecutivos del sector inmobiliario pueden consultar directamente sus propios contratos de arrendamiento históricos mediante una interfaz similar a ChatGPT.

El Lease Explorer consta de cinco grandes etapas:

  • Ingesta de contratos: Carga de todos los contratos de arrendamiento históricos en una plataforma común data .

  • Extracción y preparación de información clave: En función de la legibilidad mecánica de los contratos de arrendamiento, se utilizan diversas herramientas de extracción de información, como el reconocimiento óptico de caracteres (OCR) y el rastreo de páginas web. A continuación, se procesa la información y se extraen los elementos clave en un formato tabulado.

  • Chatbot de preguntas y respuestas: Se despliega una sencilla interfaz de chatbot de preguntas y respuestas en la que los ejecutivos pueden hacer preguntas en lenguaje natural.

  • Recuperación de información: La consulta original y las fuentes de información relevantes recuperadas se pasan al LLM.

  • Generación de respuestas LLM: El LLM genera una respuesta coherente al usuario para responder a su pregunta, junto con las fuentes recuperadas.

Huelga decir que la adopción de una herramienta de este tipo requeriría un periodo de gestión del cambio subyacente, ya que habría que adoptar nuevos procesos empresariales y formas de trabajar.

class="img-responsive

Qué tipo de preguntas en lenguaje natural podrían responderse

Con la implementación de Lease Explorer, planteamos algunas preguntas en lenguaje natural que un ejecutivo inmobiliario podría formular al ChatBot de la herramienta. Por supuesto, la capacidad de la herramienta para responder con precisión a esta lista no exhaustiva de preguntas depende de la calidad, la estructura y la disponibilidad de la entrada data, que puede requerir el acceso a información más allá de la contenida en un simple documento de arrendamiento.

  • ¿Cuántos contratos de arrendamiento de personas que alquilan por primera vez en nuestra organización están pendientes de renovación en los próximos seis meses? ¿Dónde están situadas las unidades y cuál es el alquiler medio de esas unidades en concreto?

  • ¿Cuál es el valor de los contratos de arrendamiento que se renovarán el año que viene?

  • ¿Pueden hacer un gráfico de los próximos vencimientos de mis contratos de alquiler desglosados por mes/año?

  • De mis arrendamientos actuales, ¿puede decirme qué porcentaje (por valor) corresponde a oficinas? ¿De uso mixto?

  • ¿Cuántos dentistas me alquilan? ¿Cuál es la superficie media de sus contratos? ¿Me lo puede representar en un gráfico?

  • ¿Cuántos inquilinos comerciales han ejercido opciones de renovación en los dos últimos años?

  • ¿Cuál es la duración media de los contratos de arrendamiento (comercial) en una zona determinada (Zona 1)?

  • ¿Qué cláusulas de progresividad inusuales han aparecido en nuestra cartera en los últimos tres años?

  • ¿Puede mostrarme una comparación de las condiciones de arrendamiento entre locales comerciales en centros comerciales y locales comerciales independientes?

  • ¿Cuál es el importe medio de la fianza solicitada en nuestros contratos de alquiler en los dos últimos años?

  • ¿Puede facilitarnos un desglose de los ingresos por alquiler de nuestra cartera por zonas geográficas (ciudad, condado, etc.)?

  • ¿Cuántos contratos comerciales incluyen la opción de subarrendamiento y qué porcentaje de inquilinos la ha ejercido?

  • ¿Qué porcentaje de nuestros contratos comerciales incluyen cláusulas de reducción del alquiler y cuál es la duración media de los periodos de reducción del alquiler?

  • ¿Qué proporción de la cartera tiene contratos de arrendamiento con cláusula de rescisión con vencimiento en los próximos seis meses?

Qué beneficios genera

La adopción de una herramienta de AI como Enterprise ChatGPT reportará una serie de beneficios a los profesionales inmobiliarios. Por un lado, es probable que la herramienta suponga un cambio radical en cuanto a la velocidad a la que se puede obtener información, lo que permitirá a los responsables de la toma de decisiones acceder rápidamente a información crítica. Además, la escalabilidad y adaptabilidad de una herramienta de este tipo para incorporar un volumen cada vez mayor de contratos de arrendamiento ( data ) tendría un valor incalculable para ayudar a las empresas inmobiliarias a adaptarse a las crecientes exigencias del sector.

Es probable que la adopción de una herramienta de este tipo suponga también un cambio radical dentro de una organización inmobiliaria. La adopción de una herramienta como AI reducirá al mínimo la dependencia de procesos manuales anteriores en lo que respecta a la consulta de contratos de arrendamiento. En lugar de depender de la incorruptibilidad de una hoja de cálculo y del servicio continuo del personal administrativo clave, una herramienta AI sería capaz de asumir directamente las preguntas en lenguaje natural de los ejecutivos y proporcionar respuestas precisas en el momento oportuno. Esencialmente, se reduce la dependencia excesiva de dependencias clave para la búsqueda y recuperación en data y hay margen para que los ejecutivos reduzcan los recursos necesarios en el proceso de generación de insights. Además, para sacar el máximo partido de una herramienta como AI , es probable que su adopción exija que la empresa se someta a un proceso de higiene data transformador, elevando así los umbrales internos de la gestión de data , ya que los conocimientos generados sólo pueden ser tan buenos como la información recopilada.

GenAI presenta además ciertas ventajas respecto a las soluciones tradicionales de AI / ML. Tradicionalmente, se necesitaban grandes cantidades de data etiquetadas para entrenar y evaluar un modelo para una tarea específica. Esto ya no es necesario gracias a AI generativo, lo que acelera el desarrollo de este tipo de soluciones. Además, el AI generativo permite que las soluciones evolucionen y cambien sin necesidad de reelaboración y desarrollo adicionales masivos: las soluciones pueden ser más flexibles y menos rígidas.

¿Cómo se determina la precisión?

Implantar por primera vez una herramienta novedosa de AI y capacitarla para que genere información ejecutiva de gran alcance con una simple indicación puede ser, sin duda, desalentador, especialmente si se tiene en cuenta el conocido inconveniente de las "alucinaciones" de GenAI. Los siguientes pasos, tomados en conjunto, deberían proporcionar suficiente protección para garantizar que se pueda extraer el máximo valor de la herramienta.

  • Iterar la definición de un AI con los documentos reales de arrendamiento de forma que el modelo tenga suficiente contexto específico del sector y de Compañia para proporcionar respuestas.

  • Procesos de validación continua para perfeccionar el rendimiento del modelo y mejorar la precisión con un humano en el bucle (es decir, un humano validando las respuestas del modelo).

  • Adopción de un planteamiento de "prueba y aprendizaje", en el que los comentarios de los revisores pertinentes se incorporan a la solución.

  • Establecer instrucciones detalladas paso a paso y guardarraíles para garantizar que los resultados intermedios y finales sean precisos, específicos para la Compañia y sin alucinaciones.

  • Realización periódica de controles de calidad para verificar la exactitud de la información.

  • Emplear un conjunto diverso de preguntas y respuestas de prueba para validar el modelo con el fin de identificar los puntos fuertes y débiles del sistema, facilitando la mejora de las indicaciones y la necesidad de bloques de construcción y guardarraíles adicionales.

Qué limitaciones existen

Para que esta solución funcione como se desea, hay que tener en cuenta una serie de consideraciones. En primer lugar, lo más probable es que el modelo se limite a los contratos de arrendamiento del Reino Unido, debido a las peculiaridades del sector inmobiliario en cuanto a ubicación y sus legislaciones. El Lease Explorer no tendría capacidad predictiva, ya que sólo se interrogaría el rendimiento histórico de los documentos existentes.

Además, como cualquier herramienta basada en GenAI, el Explorador de Arrendamientos tendría problemas con las preguntas poco claras y vagas al usuario, que podrían no dar los resultados deseados. Por ello, se recomienda siempre formular las preguntas a la interfaz de chat de forma adecuada, de manera similar a como uno podría hacer una pregunta a un analista dentro de su equipo inmobiliario.

Es importante tener en cuenta que la lectura y el procesamiento de documentos PDF en formato legible por máquina requiere OCR (reconocimiento óptico de caracteres) como paso necesario en el proceso de ingestión. Los documentos que no son legibles por máquina o que tienen un formato y una estructura de página complejos podrían no ingerirse correctamente, lo que afectaría a tareas como la extracción de información y la obtención de respuestas fiables.

Además, para responder a las preguntas cuantitativas analíticas se requieren otros procesos:

  • Extracción de la información clave de los contratos de arrendamiento, poniendo estos atributos extraídos de forma estructurada y tabulada en una base de datos. Este proceso también puede automatizarse con AI generativo , lo que aporta ventajas sobre la extracción manual en términos de tiempo de desarrollo y despliegue. El data extraído también puede utilizarse como fuente data para cuadros de mando empresariales tradicionales y reports, convirtiendo esta tarea en un valioso caso de uso empresarial. Obsérvese que este paso sólo es necesario si la data a interrogar no está ya disponible en una base de datos de forma estructurada.

  • Utilizar AI generativo para consultar el data estructurado extraído de los documentos, convirtiendo las preguntas en lenguaje natural formuladas por los usuarios en código SQL que luego se ejecuta en el data tabulado. Los documentos no estructurados también pueden utilizarse para aprovechar ambas fuentes de data, proporcionando un sistema para generar ricos conocimientos cuantitativos en un instante.

Costes y requisitos

La implantación y adaptación de la herramienta Lease Explorer de Artefacttendría un coste razonable de unos 45.000 euros y requeriría al menos cuatro semanas de trabajo en cooperación, en función de las funcionalidades elegidas. Por supuesto, todo ello bajo el supuesto de que todos los contratos de arrendamiento cargados sean legibles por máquina, sustancialmente similares y estén en inglés. Tras el despliegue de Lease Explorer, se requeriría una suscripción continua a cualquier GenAI LLM que se utilice para crear la herramienta personalizada.

¿Por qué Artefact?

Artefact es una consultora líder mundial Compañia dedicada a acelerar la adopción de data y AI para influir positivamente en las personas y las organizaciones. Estamos especializados en data transformación y data marketing para impulsar resultados empresariales tangibles en toda la cadena de valor de la empresa. Artefact Servicios el conjunto más completo de soluciones impulsadas por data, basadas en una profunda data ciencia y en tecnologías de vanguardia AI , realizando AI proyectos a escala en todo el sector inmobiliario del Reino Unido.

Somos socios de confianza de empresas inmobiliarias de los sectores residencial, comercial, industrial y de activos especializados. Entre nuestros socios se encuentran empresas que cotizan en el FTSE 350 y organizaciones privadas de tamaño similar. Con más de 20 años de experiencia en el sector inmobiliario, nuestro equipo especializado incluye expertos y profesionales colegiados en valoraciones inmobiliarias, urbanismo, desarrollo y financiación.

Nuestro trabajo previo abarca desde el desarrollo de estrategias dinámicas dirigidas por data con nuestros clientes -informándoles sobre dónde jugar y cómo ganar en los mercados elegidos- hasta importantes cambios operativos, como el establecimiento de nuevas ramas de negocio y propuestas. Hemos trabajado en todas las fases del ciclo de vida inmobiliario, desde la adquisición de terrenos hasta su mantenimiento, y hemos colaborado con clientes para mejorar científicamente estos procesos.