Zillow, la empresa de tecnología inmobiliaria, no mantiene una sola conversación con sus clientes. Pasan de la pantalla de un teléfono a un oficial de préstamos y a un agente de bienes raíces, a veces durante meses o años, y esperan que el contexto los siga. Un solo chatbot nunca podría llevar ese hilo.
En Transformación VB 2026el vicepresidente senior de ingeniería de Zillow, Toby Roberts, y el cofundador y director ejecutivo de Glean, Arvind Jain, describieron cómo construyeron una arquitectura de inteligencia artificial destinada a transmitir contexto a lo largo de todo ese viaje, y por qué el contexto, no los datos sin procesar, resultó ser el problema más difícil de resolver. Los productos de Zillow afectan aproximadamente al 80% de las transacciones inmobiliarias de EE. UU. cada año, y la empresa ha estado utilizando IA mucho antes de que existiera ChatGPT.
«Rápidamente identificamos que íbamos a necesitar una capa de contexto persistente que se encontrara con nuestros clientes y profesionales dondequiera que estuvieran», dijo Roberts.
Los datos nunca fueron la parte difícil
Roberts dijo que el esfuerzo de IA de Zillow comenzó donde comienzan la mayoría de los esfuerzos de IA empresarial: con los datos mismos.
«Comenzamos con un gran esfuerzo para asegurarnos de que nuestros datos tuvieran la base correcta», dijo Roberts. Eso significó un enfoque de malla de datos, un linaje de datos claro y una estructura de gobernanza con permisos e identidad adjuntos a los datos mismos.
Nada de eso resultó ser el problema difícil. El problema difícil fue construir algo que recordara dónde se encontraba un cliente en su viaje y lo llevara adelante, sin importar en qué superficie apareciera a continuación.
«Esta capa de contexto tiene que vivir para poder apoyarte donde estás en cualquier punto de tu viaje», dijo Roberts. Zillow eligió poseer esa capa en lugar de depender de una única interfaz de chat externa, una decisión que Roberts dijo que el equipo tomó rápidamente una vez que analizó la forma de una transacción real en lugar de una sola conversación.
Por qué Zillow construyó su propia arquitectura y dónde encaja Glean en ella
Zillow construyó su propio arnés en lugar de enrutar a los clientes a través de una API de modelo único. El equipo se basó en 20 años de historia del aprendizaje automático detrás de productos como Zestimate, apoyándose en modelos más pequeños y ajustados para tareas específicas en lugar de un modelo de propósito general.
Internamente, ese arnés corre junto a Glean. Roberts dijo que Zillow ahora tiene miles de agentes de Glean en producción, manejando tareas repetitivas con decenas de miles de ejecuciones en toda la empresa. El argumento de Glean, según Jain, es centralizar ese trabajo de integración una vez, a través de la puerta de enlace Glean MCP, en lugar de permitir que finanzas, asuntos legales y marketing reconstruyan sus propias conexiones con los mismos sistemas.
Esa centralización también es una palanca de costos. Jain señaló dos mecanismos: el enrutamiento de modelos, que envía la mayoría de las tareas a modelos más pequeños y más baratos en lugar de utilizar por defecto modelos de frontera, y el contexto precalculado, que evita que un agente queme tokens para ensamblar su propio contexto desde cero.
«Claude también es muy lento porque la primera parte de armar ese contexto en realidad lleva una eternidad», dijo Jain. En cambio, enviar esa solicitud a través de Glean, dijo, puede reducir el consumo de tokens hasta a la mitad.
Qué significa el enfoque de Zillow y Glean para las empresas
En cuanto a datos, costos y permisos, la sesión ofreció algunas conclusiones prácticas para las empresas que crean IA agente en sus propios sistemas.
Construya la línea de base de medición antes del impulso de la IA, no después. Roberts dijo que la capacidad de Zillow para atribuir de manera creíble un aumento del 40% en el código enviado a la adopción de IA se basa en una base de métricas de DORA que el equipo implementó años antes, no en el lanzamiento de la IA en sí.
Centralice el contexto una vez en lugar de dejar que cada equipo lo reconstruya. El argumento central de Jain a favor de la plataforma Glean es que el trabajo de integración duplicado entre los equipos de finanzas, legal y marketing es un costo oculto que la mayoría de las empresas no han tenido en cuenta.
No asuma que la herencia de permisos es suficiente para los datos regulados. Incluso con una plataforma contextual que reconoce los permisos, Zillow superpuso reglas estrictas y un control de cumplimiento permanente para sus categorías más sensibles, en lugar de confiar en que la arquitectura las manejará automáticamente.
Trate el contexto como una palanca de costos, no solo como una capacidad. El enrutamiento del modelo y el contexto precalculado fueron los dos mecanismos que Jain señaló para reducir el gasto en IA, ambos destinados a reducir el consumo de tokens desperdiciados en lugar de agregar nuevas capacidades.
«Los modelos por sí solos no son suficientes para llevar la automatización con IA dentro de su empresa», afirmó Jain. «Tienes que conectarlo con tu contexto empresarial».
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
