Demai Real Estate: IA que proyecta la población hacia 2030

DEMAI Real Estate: la startup que modela la población futura antes de tirar el primer ladrillo

DEMAI Real Estate trabaja con 18 variables demográficas sobre 3.800 radios censales de la Ciudad de Buenos Aires —cada uno equivalente, en promedio, a cuatro manzanas— para proyectar cómo cambiará la composición de los hogares hacia 2030 y dónde hará falta qué tipo de vivienda. Lo hace combinando datos censales públicos con modelos de inteligencia artificial y mapas interactivos que un desarrollador puede abrir hasta llegar a una esquina concreta.

La tesis del equipo, liderado por Sebastián Gauna, es directa: la demografía dejó de ser un dato para mirar hacia atrás y se convirtió en un insumo crítico para decidir hacia adelante. Si un edificio tarda entre tres y cinco años en estar habitable, la pregunta relevante no es quién vive hoy en la zona, sino quién vivirá cuando se entregue.

Por qué este enfoque importa ahora

El sector inmobiliario está entrando en una fase en la que la inteligencia artificial deja de ser piloto y pasa a integrarse en inversión, gestión de activos y operaciones. Según datos recogidos por The District 2026 del Banco Europeo de Inversiones, el 37% de las compañías europeas ya utiliza inteligencia artificial generativa, y un informe de Deloitte citado por el mismo evento indica que el 72% de los inversores inmobiliarios en Europa ya destina recursos a soluciones de IA para sus operaciones. Distintos análisis de mercado estiman que la IA generativa puede incrementar hasta un 10% la rentabilidad en mercados desarrollados.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

En ese contexto, una herramienta como la de DEMAI no es un lujo analítico: es la diferencia entre levantar un edificio que el mercado quiere absorber o uno que se entrega con unidades vacías y un producto equivocado.

Qué variables analiza el modelo de DEMAI

El modelo cruza 18 variables por cada radio censal. Entre las más relevantes para la decisión inmobiliaria se encuentran:

Edad y sexo
Cantidad y composición del hogar
Relaciones de parentesco
Nivel socioeconómico e ingresos
Condiciones de vida
Tipo de vivienda
Proporción de propietarios frente a inquilinos
Cantidad de personas que viven solas

A partir de esos datos, el sistema clasifica los hogares en cuatro estructuras que ya no se distribuyen de forma pareja en la ciudad:

Hogares unipersonales — ganando peso en comunas del norte de CABA
Hogares monoparentales
Hogares nucleares — familia tipo
Familias extendidas — con mayor presencia en ciertas comunas del sur, donde varias generaciones conviven bajo el mismo techo

El hallazgo que cambió el planteo del equipo

Lo que más sorprendió a DEMAI no fue el modelo en sí, sino el descalce entre la población que se usa como referencia al diseñar y la que efectivamente habitará los edificios dentro de unos años. La conclusión del equipo, según declaró Gauna, fue cruda: "estamos diseñando edificios para gente que quizás no los va a habitar".

El problema se vuelve crítico en zonas con fecundidad decreciente o con fuerte migración interna. Cuando un desarrollador decide cantidad de ambientes, tamaño de las unidades o amenities, está tomando una decisión sobre un público que quizá ya no esté ahí cuando el edificio se entregue. Y a la inversa: una zona que hoy parece secundaria puede concentrar la demanda futura de unidades pequeñas para hogares unipersonales o de adultos mayores solos.

Cómo bajan los datos al desarrollador

La propuesta de valor concreta es simple: el desarrollador selecciona una zona de CABA y obtiene:

Proyección demográfica del radio censal hacia 2030
Estructura probable de hogares
Distribución por edades y sexo
Proporción estimada de propietarios e inquilinos
Nivel socioeconómico proyectado
Clasificación de presión demográfica sobre propiedad horizontal

Toda esa información se visualiza sobre mapas interactivos, con el nivel de granularidad suficiente para comparar dos radios censales vecinos dentro de la misma comuna. "Cuando uno mira solamente las comunas aparecen grandes tendencias, pero dentro de una misma comuna las situaciones pueden ser completamente diferentes", explican desde la startup.

Qué significa esto para tu startup

El caso DEMAI es una muestra concreta de tres patrones que cualquier founder tech debería mirar con atención, ya sea que trabajes en real estate o no.

Primero, los datos públicos son una mina infravalorada. Los censos, las proyecciones del INDEC, los registros de propiedad y los padrones son datasets enormes y gratuitos. Combinados con IA accesible, se convierten en producto vendible a sectores que hasta ahora tomaban decisiones por intuición o por repetición. Si tu startup tiene acceso a datos propios del vertical que atacas, tu defensibilidad sube mucho.

Segundo, el granularity vence al promedio. El insight de DEMAI —que la heterogeneidad dentro de una comuna importa más que la comuna entera— aplica a casi cualquier problema de planeamiento urbano, salud, educación, retail o logística. Si tu modelo predictivo trabaja con promedios gruesos, hay una oportunidad ahí: bajar a la unidad territorial más chica posible y vender decisiones, no estadísticas.

Tercero, el sector proptech está recalibrando sus exigencias. El contexto europeo lo dejó claro en The District 2026: los inversores ya no premian la idea novedosa, piden demanda real, retención, capacidad de implantación y métricas de escalabilidad. Una startup como DEMAI, con un problema concreto (qué construir y para quién), datos públicos verificables y un cliente con dolor claro (el developer), encaja en ese nuevo estándar mejor que plataformas genéricas de "IA para real estate".

Acciones concretas que podés aplicar

Audita qué datos públicos existen en tu vertical. En LATAM, INDEC, DANE, INEGI, los catastros municipales y los registros de propiedad son fuentes accesibles. Una tarde de exploración puede revelar un ángulo de producto que tu competencia no está explotando.
Piensa en granularidad espacial o temporal. Si tu producto entrega insights, ¿puede bajar al barrio, manzana o bloque? ¿puede proyectar a 1, 3 y 5 años? Cuanto más específico, más caro cobrás y más defendible es el modelo.
Diseña la salida para quien toma la decisión, no para el analista. DEMAI no le vende un paper al desarrollador: le vende un mapa interactivo donde elige la esquina y ve la proyección. Si tu dashboard requiere un analista para interpretarse, perdiste a la mitad de tus clientes potenciales.