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 este hilo.
En VB Transform 2026, Toby Roberts, vicepresidente senior de ingeniería de Zillow, y Arvind Jain, cofundador y director ejecutivo de Glean, describieron cómo construyeron una arquitectura de IA destinada a llevar el contexto a lo largo de este viaje, y por qué el contexto, no los datos sin procesar, resultó ser el problema más difícil de resolver. Los productos de Zillow afectan alrededor del 80% de las transacciones inmobiliarias de EE. UU. cada año, y la empresa utilizaba IA mucho antes de que existiera ChatGPT.
«Rápidamente identificamos que necesitaríamos una capa contextual persistente que respondiera a nuestros clientes y profesionales dondequiera que estuvieran», dijo Roberts.
Los datos nunca han sido la parte más difícil
Roberts dijo que los esfuerzos de IA de Zillow comenzaron 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 estuvieran sobre la base correcta», dijo Roberts. Esto 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 esto resultó ser un problema difícil. El problema difícil fue crear algo que recordara dónde se encontraba un cliente en su viaje y lo hiciera avanzar, sin importar en qué superficie apareciera a continuación.
«Esa capa contextual debe estar viva para poder respaldarlo donde se encuentre en cualquier momento de su viaje», dijo Roberts. Zillow eligió poseer esta capa en lugar de depender de una única interfaz de chat externa, una decisión que Roberts dijo que el equipo tomó rápidamente después de observar la forma de una transacción real en lugar de una sola conversación.
Por qué Zillow construyó su propia arquitectura y dónde encaja Glean
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 de aprendizaje automático detrás de productos como Zestimate, basándose en modelos más pequeños y específicos de tareas en lugar de un modelo de propósito general.
Internamente, este arnés funciona junto con 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 este trabajo de integración una vez, a través de la puerta de enlace Glean MCP, en lugar de que finanzas, asuntos legales y marketing reconstruyan cada uno sus propias conexiones a los mismos sistemas.
Esta centralización es también una palanca de costos. Jain destacó dos mecanismos: el enrutamiento de modelos, que envía la mayoría de las tareas a modelos más pequeños y baratos en lugar de utilizar modelos de frontera por defecto, y el contexto precalculado, que evita que un agente queme tokens ensamblando su propio contexto desde cero.
“Claude también es muy lento porque la primera parte de armar este contexto lleva una eternidad”, dijo Jain. Enrutar esta 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 desarrollan 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 la IA se basa en una base de datos DORA que el equipo construyó años antes, no en la implementación de la IA en sí.
Centralice el contexto una vez en lugar de dejar que cada equipo lo reconstruya. El principal argumento 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 considerado.
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 monitoreo constante del cumplimiento 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 son los dos mecanismos indicados por Jain para reducir el gasto en IA, ambos destinados a reducir el consumo innecesario de tokens en lugar de agregar nuevas funciones.
«Los modelos por sí solos no son suficientes para introducir la automatización con IA en su negocio», afirmó Jain. «Tienes que conectarlo con el contexto de tu negocio».
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
