Colaboración entre humanos y máquinas
La integración de la IA o, más específicamente, el aprendizaje automático (AA) en el proceso de obtención de valores inmobiliarios con fines fiscales o valuación catastral, debe atender a una serie problemas y de cuestiones que tengan en consideración una serie de principios que orienten la gestión administrativa del aspecto económico del catastro. Cuando se trata de innovaciones tecnológicas que incorporan un alto nivel de automatización, debe ponerse el foco en el juicio humano, en el conocimiento de las condiciones locales de los mercados y en una evaluación estadística ex post que demuestre resultados confiables dentro de los márgenes de precisión manejados para una valuación de carácter masivo.
Más concretamente, la máquina se encarga de procesar toda la complejidad estadística mientras que los profesionales aportan la mirada crítica necesaria sobre los flujos de trabajo y los resultados. Después de todo la credibilidad de todo el proceso de generación de valores catastrales por la vía del AA depende de la calidad, la distribución espacial y el detalle de los datos de referencia, así como de la habilidad del modelador y no exclusivamente del software, de las herramientas de programación o algoritmo utilizado. Los profesionales deben verificar las suposiciones del modelo y aplicar un razonamiento crítico que la matemática pura no puede replicar. De esta manera, se optimiza la toma de decisiones al delegar el procesamiento y cálculo de datos masivos en la tecnología, mientas que se libera tiempo para que los especialistas aporten su análisis, opinión y ética contextualizada al entorno de trabajo y a los resultados que se persiguen. En el mismo sentido se expresa el Grupo de Trabajo 9.3 de Comisión 9 de la FIG en su plan de trabajo 2023-2026, cuando menciona que hay que aceptar este cambio como un realineamiento filosófico: la IA no como una calculadora, sino como un cocreador (FIG, 2023).
Cambio organizacional y creación de capacidades
La incorporación a la práctica de la valuación catastral de estas herramientas, implica tomar en cuenta el proceso de cambio organizacional para crear las capacidades necesarias que le permitan a los organismos catastrales administrar los procesos que se derivan de la aplicación de tecnologías vinculadas a la IA. Esto supone enfrentar una serie de cuestiones relacionadas con:
- la actualización de los datos catastrales y su disponibilidad en formatos que permitan su geoprocesamiento;
- la disposición de un marco normativo general para el uso de la IA dentro del ámbito de las administraciones públicas;
- la brecha en el recurso humano;
- la adecuación del corpus normativo reglamentario en línea con estándares nacionales e internacionales;
- la ausencia de valores de referencia sistematizados para alimentar los modelos de valuación automatizados (MVA);
- la inestabilidad y cierta opacidad de los mercados inmobiliarios; y
- la necesidad de incorporar herramientas que expliquen los resultados de los algoritmos utilizados.
De una observación detenida de estos puntos, podrá observarse que existe una combinación de factores relacionados con la técnica, el marco institucional, la organización propiamente dicha y lo normativo, ya que la adopción de innovaciones de esta naturaleza genera impactos que alteran completamente la operación, el desarrollo y la lógica misma de los procesos administrativos.
Para llevar a cabo cualquier proceso masivo de actualización de valores catastrales, lo primero que se debe tener en cuenta es que la base de datos de la jurisdicción se encuentre al día, bajo un proceso de mantenimiento continuo, con cobertura sobre toda la jurisdicción, y en formato que soporte el geoprocesamiento y análisis espacial. Por ello, en caso de situaciones desfavorables en cuanto a la actualidad de la información, las actividades que primariamente hay que afrontar son aquellas relacionadas con la actualización de la información que tiene incidencia sobre la base de tributación como, por ejemplo, la incorporación de construcciones no declaradas, el completamiento de la cobertura del catastro en determinadas zonas, el relevamiento y carga de servicios públicos a nivel de frente de manzana o eje de calle, etc.
En segundo lugar, algunas provincias – por ejemplo: Buenos Aires, Río Negro, Santa Fe y Tucumán, entre otras- han avanzado y están desarrollando marcos para la gobernanza para la IA, en tanto que organismos como el CIPPEC han incluido el tema dentro de las recomendaciones para la adopción de la IA en el sector público (Solano, M., et. al, 2025). En cualquier caso y cómo ya señalamos en otra entrada, es importante señalar que estas políticas atiendan aspectos como la trazabilidad, la explicabilidad -que abordaremos más adelante-, la supervisión, la responsabilidad y la normatividad, que transversalmente abordan cuestiones relacionadas con la ética, la transparencia y la preponderancia del juicio humano sobre las decisiones algorítmicas.
En cuanto a la brecha en el recurso humano, hay que
capacitar yendo de lo general a lo particular en: ciencia de datos, tratamiento
estadístico, geoestadística, fuentes de datos de referencia y su gestión,
análisis exploratorio de datos, interpolación geoespacial lineal y no lineal,
generación de modelos predictivos basados en aprendizaje automático y
evaluación de la calidad de los resultados. Estos temas son meramente
ilustrativos y no taxativos. El foco debe ponerse en lo que se quiere lograr
atendiendo al contexto situacional de cada organismo catastral, para determinar
metas realistas y luego en lo que se necesita para alcanzar el objetivo. Las
estrategias para capacitar al personal pueden partir desde la búsqueda de
soluciones ad hoc individuales, sea con profesionales especialistas o con
universidades o ambos, hasta estrategias comunes que pueden surgir de planes de
formación y capacitación más amplios que involucren a varios catastros
jurisdiccionales.
La adecuación de las normas al nuevo enfoque para las
valuaciones inmobiliarias con fines fiscales, pasa por incorporar a las
disposiciones reglamentarias los métodos, las herramientas y los procesos y
todos aquellos elementos, especificaciones y variables que contribuyan a agregar
valor a los procedimientos administrativos, aportando confianza y transparencia
a la generación de resultados y evitando, al mismo tiempo, la discrecionalidad y
la subjetividad. Es importante remarcar la necesidad que el marco legal que de
sustento a la valuación catastral, se oriente o alinee sobre la base de las
normas nacionales e internacionales en todo lo que sean aplicables a la
valuación masiva, por ejemplo:
- las Normas Provinciales de Tasación cuando existan,
- las Normas Nacionales de Valuación del Tribunal de Tasaciones de la Nación,
- los Estándares Internacionales de Valuación del International Valuation Standards Council (IVSC), y
- el Estándar sobre Modelos Automatizados de Valuación de la International Association of Assessing Officers (IAAO).
De este último estándar son particularmente relevantes los aspectos vinculados a la calibración de los modelos y el aseguramiento de la calidad.
Para alimentar los modelos automatizados, se requiere de un conjunto de valores de referencia estructurados y sistematizados en bases de datos geoespaciales y puestos a disposición a través de Observatorios del Mercado Inmobiliario (OMI). Debe hacerse un enorme esfuerzo inicial para recopilar datos representativos de ventas de inmuebles en el mercado inmobiliario a través de Internet, empresas del sector, profesionales especializados, bancos e incluso tasaciones individuales, caso éste que procura obtener cobertura en zonas dónde se han podido obtener valores de mercado por otros medios. Dicho esfuerzo de recopilación de datos puede estar distribuido cuando aportan al observatorio directamente otros actores, sean colegios profesionales, organismos estatales, cámaras inmobiliarias, etc., para lo cual se recurre a la estrategia ganar-ganar, es decir dónde todas las partes involucradas obtienen beneficios. Un notorio ejemplo de este tipo de estructuración y estrategia es el OMI de la Provincia de Córdoba, el cual dispone datos de aproximadamente 6.000 inmuebles rurales, 14.000 parcelas sometidas al régimen de propiedad horizontal, 30.000 inmuebles edificados y 46.000 inmuebles baldíos a mayo del 2026 (IDECOR, 2026).
Los mercados suelen ser inestables y muy fluctuantes en respuesta a eventos económicos de diversa naturaleza, además de poco transparentes. Esta situación genera una asimetría de información que tiene un impacto directo en la transacción de bienes, además de causar especulación, disparidad entre precios y valores, demoras en el tiempo de venta y dificultad en el acceso a la vivienda, entre otros problemas. Si consideramos que la opacidad del mercado tiene su origen principalmente en una falta de visibilidad, una solución evidente a esta problemática es centralizar toda la información y tratarla como dato abierto de libre disponibilidad y acceso a través de un OMI, el cual además vendría a cumplir funciones que van más allá de lo tributario, para todas las personas y organizaciones que necesiten conocer valores de referencia aproximados al valor del mercado, sean inmobiliarias, empresas, bancos u organismos del estado.
En todo el flujo para generar la actualización de valores catastrales, desde la captura de los datos de mercado pasando por el entrenamiento y la generación de MVA y la evaluación de la calidad hasta la obtención de resultados finales, debe priorizarse la transparencia y la interpretabilidad sobre el concepto tradicional de “caja negra”. La IA Explicable (XAI) y técnicas como el análisis de importancia de características y los algoritmos interpretables contribuyen a revelar cómo las entradas afectan las salidas, identificando sesgos y errores (Renigier-Bilozor, M., et. al.,2025). Cabe aclarar que la interpretabilidad es el grado en que una persona puede entender la causa de una decisión, mientras que la explicabilidad va un paso más allá y analiza cómo la IA ha llegado a dichos resultados (IBM, 2026).
La XAI funciona a través de dos caminos principales:
1) para los algoritmos relativamente simples y, por ello, inherentemente
interpretables como árboles de decisión y regresión lineal se utiliza la
técnica LIME (Local Interpretable Model-agnostic Explanations), que determina
aquellas variables que tuvieron mayor peso en la predicción; y 2) para algoritmos
complejos que no son intrínsecamente interpretables, como random forest o redes neuronales se emplea la técnica SHAP (Shapley Additive exPlanations), que se basa en la teoría de juegos
para asignar a cada variable explicativa del valor su contribución a la
predicción y, más precisamente, TreeSHAP
cuando se utilizan modelos de bosques (Komisarczyk, K. & Maksymiuk, S.,
2001). En síntesis, estas técnicas permiten dar el paso de “confíe en la
máquina” a uno de “éstas son las razones de su valor”, lo cual contribuye a
auditar y transparentar el flujo de trabajo y a la defensa ante los reclamos de
los ciudadanos.
Bibliografía consultada y referencias:
Coronado García, Beatriz (2025). Big data e inteligencia artificial. Fundamentos, tecnologías y aplicaciones reales. Ed. Alfaomega – RA-MA.
IBM (2026). ¿Qué es la IA explicable?, https://www.ibm.com/es-es/think/topics/explainable-ai
Infraestructura de datos espaciales de la Provincia de Córdoba (IDECOR) (2026). Geoservicios, https://www.mapascordoba.gob.ar/#/geoservicios
International Federation of Surveyors (FIG) (2023). FIG Commission 9, Valuation and the Management of Real State, Work Plan 2023-2026, https://www.fig.net/organisation/comm/9/workplan_23-26.asp#9.3
Komisarczyk, K. & Maksymiuk, S. (2001). treeshap – explain tree-based models with SHAP values, en R-Bloggers, https://www.r-bloggers.com/2021/01/treeshap%E2%80%8A-%E2%80%8Aexplain-tree-based-models-with-shap-values/
Renigier-Bilozor, Malgorzata; Ache, Peter; Dimopolous, Thomas & Janowski, Artur (2025). FIGuring the Future: AI and AVMs Transforming Property Valuation, FIG Working Week 2025, Brisbane, Australia, https://fig.net/resources/proceedings/fig_proceedings/fig2025/papers/ts03i/TS03I_renigier-bilozor_ache_et_al_13429.pdf
Solano, M.; Estévez E. & Peralta, A. (2025). Guía para el uso de la IA en el sector público en Argentina. Documento del CIPPEC, Programa Estado y Gobierno, https://www.cippec.org/wp-content/uploads/2025/05/Guia-para-el-uso-de-IA-en-el-sector-publico-en-Argentina_2025.pdf
