Zillow y Glean revelan su arquitectura de IA: el contexto persistente como clave del ROI empresarial
En el marco de la conferencia VB Transform 2026, dos figuras clave del ecosistema tecnológico estadounidense compartieron escenario para revelar uno de los casos de implementación de inteligencia artificial más sofisticados y documentados de los últimos años. Toby Roberts, Vicepresidente Senior de Ingeniería de Zillow, y Arvind Jain, cofundador y CEO de Glean, expusieron con detalle técnico y estratégico cómo la mayor plataforma de tecnología inmobiliaria de Estados Unidos ha construido una arquitectura de IA capaz de mantener el contexto a lo largo de toda la trayectoria del cliente. Las conclusiones de esta sesión no solo son relevantes para el sector inmobiliario, sino para cualquier empresa que esté evaluando o escalando sus inversiones en inteligencia artificial.
El problema de fondo: la continuidad en un proceso complejo
Zillow opera a una escala que pocas empresas tecnológicas igualan dentro del sector inmobiliario. Sus productos participan en aproximadamente el 80% de las transacciones inmobiliarias residenciales en Estados Unidos cada año, lo que representa un volumen extraordinario de interacciones entre compradores, vendedores, agentes inmobiliarios y oficiales de préstamos hipotecarios.
El desafío central que enfrentaba la compañía no era de datos ni de capacidad computacional. Era un problema de continuidad contextual. Un cliente que inicia su búsqueda en la aplicación de Zillow, luego conversa con un oficial de préstamos, después contacta a un agente inmobiliario y finalmente cierra una transacción varios meses más tarde, espera razonablemente que el sistema recuerde quién es y en qué momento de su proceso se encuentra. Los chatbots convencionales, diseñados para gestionar conversaciones únicas y aisladas, son estructuralmente incapaces de satisfacer esa expectativa.
“Identificamos bastante rápidamente que íbamos a necesitar una capa de contexto persistente que pudiera encontrar a nuestros clientes y a los profesionales dondequiera que estuvieran”, afirmó Roberts durante la sesión. Esta declaración resume con precisión el nudo del problema: no basta con tener modelos de lenguaje potentes si estos no pueden acceder a la historia acumulada de cada cliente en cada punto del proceso.
La solución técnica: un armazón propio que supera el chat convencional
Ante este desafío, Zillow tomó una decisión arquitectónica crítica y deliberada: no depender de una única interfaz de chat externa ni de una sola API de modelo de lenguaje generalista. En cambio, la empresa construyó su propio “harness” o armazón tecnológico que integra más de veinte años de historia en aprendizaje automático, incluyendo productos propietarios como el Zestimate, el célebre algoritmo de valoración de propiedades que la compañía opera desde su fundación en 2006.
La estrategia técnica se apoya en el uso de modelos pequeños y especializados mediante fine-tuning para tareas específicas, en lugar de delegar todo el trabajo a grandes modelos de propósito general. Esta decisión no solo responde a consideraciones de rendimiento, sino también a factores de costo, control y privacidad de datos. Para Zillow, cuyo activo más valioso es la calidad y profundidad de su base de datos inmobiliarios, mantener el control sobre cómo y dónde se procesan los datos es una prioridad estratégica innegociable.
El hecho de que Zillow haya llegado a la era de los grandes modelos de lenguaje con dos décadas de infraestructura de IA ya construida es un factor diferencial enorme. Roberts fue claro al respecto: la empresa “ha estado usando inteligencia artificial mucho antes de que existiera ChatGPT”. Esto significa que no tuvo que comenzar desde cero, sino que pudo integrar las nuevas capacidades generativas sobre una base sólida y probada.
Glean como columna vertebral del trabajo interno automatizado
Paralelamente a su arquitectura propietaria orientada al cliente externo, Zillow despliega Glean para la gestión de agentes de inteligencia artificial internos. Según Roberts, la empresa tiene actualmente miles de agentes de Glean en producción, con decenas de miles de ejecuciones distribuidas a lo largo de toda la organización. Estos agentes automatizan tareas repetitivas en departamentos como finanzas, legal y marketing, liberando tiempo humano para labores de mayor valor estratégico.
Arvind Jain, CEO de Glean, explicó durante la sesión el valor diferencial de su plataforma: la centralización del trabajo de integración a través del Glean MCP Gateway, cuyas siglas corresponden a Model Context Protocol Gateway. Sin esta centralización, cada departamento de una organización se vería obligado a construir sus propias conexiones individuales a los mismos sistemas corporativos, generando una duplicación de esfuerzo y una acumulación de costos ocultos que la mayoría de las empresas no contabilizan correctamente en sus análisis de ROI.
Glean, fundada en 2019 por Jain —exingeniero de Google— y con sede en Palo Alto, ha recaudado más de 1.000 millones de dólares en financiamiento y está valorada en aproximadamente 4.600 millones de dólares. Su propuesta de valor consiste en actuar como una capa de búsqueda e integración de conocimiento empresarial que conecta todas las herramientas y fuentes de datos de una organización, desde plataformas de mensajería y almacenamiento de documentos hasta sistemas ERP y CRM. El gateway centraliza esas conexiones y proporciona contexto precomputado, lo que reduce drásticamente el consumo de tokens y la latencia en cada ejecución de agente.
El dato más importante: un incremento del 40% en código y cómo se midió
El número más citado de toda la presentación fue que Zillow atribuye a la adopción de inteligencia artificial un incremento del 40% en código despachado, es decir, en software efectivamente entregado y puesto en producción. Esta cifra es llamativa por sí misma, pero lo verdaderamente revelador fue la advertencia metodológica con la que Roberts la acompañó.
Esa cifra solo es defendible y creíble, explicó, porque el equipo de ingeniería de Zillow estableció una línea de base de métricas DORA (DevOps Research and Assessment) años antes del despliegue masivo de herramientas de IA, no como consecuencia de él. Las métricas DORA son un estándar ampliamente reconocido en la industria del desarrollo de software para medir el rendimiento de los equipos de ingeniería. Incluyen indicadores como la frecuencia de despliegue, el tiempo de entrega de cambios, la tasa de fallos en producción y el tiempo de recuperación ante incidentes.
Contar con estos datos históricos permitió a Zillow establecer comparaciones rigurosas entre el antes y el después de la implementación de las herramientas de inteligencia artificial, otorgando credibilidad estadística real a sus afirmaciones de productividad. Sin esa línea de base previa, el número del 40% no sería más que una estimación subjetiva sin respaldo verificable.
Esta advertencia metodológica tiene implicaciones directas para toda la industria: los números de ROI en IA solo son creíbles si la medición de referencia se establece antes de implementar la tecnología, no después. Establecer métricas retrospectivamente, una vez que la implementación ya ocurrió, genera sesgos de confirmación que contaminan cualquier análisis de impacto.
El contexto más amplio: de “¿deberíamos usar IA?” a “¿cómo la escalamos bien?”
La sesión de Roberts y Jain se enmarca dentro de una tendencia más amplia que marcó el tono general de VB Transform 2026. El debate en el evento ha migrado visiblemente desde la pregunta inicial de “¿deberíamos adoptar inteligencia artificial?” hacia preguntas mucho más maduras y complejas: ¿cómo medimos que la IA está funcionando realmente? ¿Cómo la escalamos de forma responsable? ¿Cómo evitamos que los costos ocultos neutralicen los beneficios anunciados?
Esta maduración del debate es una señal positiva para el ecosistema empresarial en su conjunto. Las organizaciones que llegaron temprano a la implementación de IA, como Zillow, están ahora en posición de compartir lecciones aprendidas que pueden ahorrar a otras empresas errores costosos. Entre esas lecciones, la más valiosa parece ser esta: la infraestructura de medición es tan importante como la infraestructura tecnológica. Sin datos de referencia sólidos, ninguna afirmación de productividad o ahorro puede sostenerse ante un escrutinio serio.
Lecciones aplicables para empresas de cualquier sector
El caso de Zillow y Glean ofrece varios aprendizajes extrapolables a organizaciones de cualquier industria que estén evaluando o escalando sus inversiones en inteligencia artificial. En primer lugar, la arquitectura importa tanto como el modelo: elegir el modelo más potente del mercado no garantiza resultados si la infraestructura que lo rodea no está diseñada para mantener contexto, integrar datos propios y operar a escala.
En segundo lugar, la centralización de integraciones reduce costos ocultos significativos. La duplicación de conexiones entre agentes y sistemas corporativos es uno de los principales generadores de desperdicio en implementaciones descentralizadas de IA empresarial. En tercer lugar, y quizás lo más importante: medir primero, implementar después. Establecer líneas de base antes del despliegue no es burocracia innecesaria; es la única forma de saber con honestidad si la inversión está generando el retorno prometido.
El ejemplo de Zillow demuestra que la inteligencia artificial, cuando se implementa con rigor metodológico y una arquitectura bien pensada, puede transformar de manera medible y sostenible la productividad de equipos técnicos y la calidad de la experiencia del cliente. Pero esa transformación requiere paciencia, disciplina en la medición y una visión de largo plazo que vaya mucho más allá del entusiasmo inicial por la tecnología.
En definitiva, el mensaje central de Roberts y Jain en VB Transform 2026 no fue sobre las capacidades extraordinarias de la inteligencia artificial, sino sobre algo más fundamental: la responsabilidad metodológica de quienes la implementan. En un entorno lleno de promesas de ROI infladas y casos de éxito difíciles de replicar, la honestidad sobre cómo se mide el impacto real puede ser la ventaja competitiva más duradera de todas.
