MIA

01 · CONTEXTO Y PROBLEMA

Una plataforma con mucho tráfico y pocas ventas reales

Ciencuadras es la plataforma inmobiliaria del Grupo Bolívar — uno de los grupos empresariales más grandes de Colombia con más de 80 años de historia. Tenían un problema que no era visible en el dashboard: muchísimo tráfico, muchos leads, pero muy pocas conversiones reales.

El buscador tradicional mostraba propiedades por filtros genéricos — precio, zona, metros cuadrados — sin entender quién era realmente el usuario ni en qué momento de su vida estaba. El resultado: usuarios que buscaban repetidamente sin encontrar, y leads que llegaban al equipo comercial sin intención real de compra.

La dirección del Grupo Bolívar tomó una decisión estratégica: incorporar inteligencia artificial como ventaja competitiva real. No como experimento — como producto. Yo entré a liderar la estrategia de diseño de inicio a fin.

Screen · Antes

PROBLEMA 01

Búsquedas sin conversión

Los usuarios buscaban repetidamente sin avanzar en el funnel. El sistema no aprendía de su comportamiento.

↑ Rebote alto en resultados

PROBLEMA 02

Abandono antes del contacto

Los usuarios llegaban al punto de contactar al vendedor y se iban. El momento de mayor valor era el más frágil.

↓ Tasa de contacto con vendedor

PROBLEMA 03

Leads sin calidad real

El equipo comercial recibía contactos sin intención real de compra, desperdiciando tiempo y recursos.

↑ Costo por adquisición

02 · DISCOVERY & RESEARCH

Entender antes de diseñar

Antes de abrir Figma, pasé semanas entendiendo el problema desde cuatro ángulos distintos. El reto más grande no era técnico — era humano: alinear a un equipo de más de diez personas con visiones muy distintas sobre qué debía ser MIA.

01

Entrevistas con usuarios

Conversaciones profundas con compradores reales para entender su proceso de decisión, sus miedos y sus patrones de búsqueda. Descubrí que el problema no era la falta de oferta — era la falta de relevancia.

02

Análisis de comportamiento

Usé Google Analytics y Microsoft Clarity para mapear heatmaps, sesiones y puntos de abandono. Los datos revelaron dónde exactamente el usuario perdía confianza en el sistema.

03

Benchmark competitivo

Analicé referentes internacionales de proptech con IA — Zillow, Idealista, Properati — para entender cómo otros habían resuelto el problema de personalización en real estate.

04

Talleres con stakeholders

Facilité sesiones de alineación con producto, data science, ingeniería y negocio. El mayor insight no vino de los datos — vino de entender qué quería cada equipo y dónde chocaban esas visiones.

Heatmaps y sesiones de Microsoft Clarity / Google Analytics

Anlytics tags

Comparativo Zillow · Idealista · Properati

Benchmark

Hallazgos clave

CUANTITATIVO

El buscador generaba ilusión de actividad, no conversión

Alta tasa de rebote y sesiones cortas indicaban que los usuarios llegaban, no encontraban lo relevante y se iban — generando volumen de tráfico sin valor real para el negocio.

CUALITATIVO

Las propiedades no coincidían con el perfil real del usuario

Los usuarios reportaban que las recomendaciones no tenían relación con lo que buscaban. Querían más control — no porque les gustara filtrar, sino porque el sistema no demostraba que los entendía.

CUANT. + CUAL.

El abandono ocurría justo antes de la conversión

El análisis de Clarity mostró que los usuarios abandonaban en el paso de contactar al vendedor. No era falta de interés — era falta de confianza y contexto para actuar.

ESTRATÉGICO

El mayor reto era alinear tres visiones distintas

El negocio quería conversión. Tecnología quería precisión del modelo. Los usuarios querían simplicidad. Mi trabajo fue encontrar el punto donde esas tres cosas convergían.

03 · DEFINICIÓN DEL PROBLEMA

“¿Cómo podemos conectar automáticamente al usuario correcto con la propiedad correcta, antes de que él mismo sepa que la está buscando?”

OKR principal

Aumentar la tasa de leads efectivos mediante hiperpersonalización basada en IA — midiendo cada decisión de diseño contra métricas reales de conversión.

Criterios de éxito

Aumentar leads efectivos en el primer año
Reducir tiempo de decisión del usuario
Habilitar la primera venta gestionada por IA
Mejorar la calidad del lead para el equipo comercial

04 · ESTRATEGIA & SOLUCIÓN

Hacer invisible la complejidad

La clave del diseño de MIA fue una decisión contraintuitiva: cuanto más inteligente fuera el sistema, menos lo debería notar el usuario. La IA trabaja en el fondo — el usuario solo ve recomendaciones que sienten relevantes, en el momento correcto, con el contexto adecuado para decidir.

La IA no se muestra — se siente.

Diseñé una experiencia donde el usuario nunca ve un algoritmo. Ve propiedades que parecen haber sido elegidas para él. La confianza se construye con relevancia, no con explicaciones técnicas.

Hiperpersonalización con retargeting dinámico

El sistema aprende del comportamiento del usuario en tiempo real — qué ve, cuánto tiempo se detiene, qué ignora — y ajusta las recomendaciones de forma continua sin que el usuario lo configure manualmente.

Screen

Eliminación de fricción en el contacto

Rediseñé el flujo de contacto con el vendedor — el punto de mayor abandono identificado en el research — simplificando el proceso y agregando contexto relevante para llegar con confianza a ese momento.

Screen

Enfoque basado en datos

Google Analytics y Microsoft Clarity fueron mis aliados en cada sprint. Ningún cambio avanzaba sin respaldo en datos: tasa de leads, conversión, rebote, retención y tiempo en sesión.

Data

05 · PROCESO DE DISEÑO

Del insight al producto

01 EXPLORACIÓN CONCEPTUAL

Design tokens

Definí los flujos principales de MIA: cómo el sistema recibe información del usuario, cómo la procesa y cómo la presenta sin exponer la lógica algorítmica.

Arquitectura de la experiencia / User flow

Figma tokens

Wireframes

02 WIREFRAMING

Estructura antes que estética

Diseñé wireframes de baja y media fidelidad para validar la lógica de interacción con producto y tecnología antes de invertir en diseño visual.

03 PROTOTIPADO

Alta fidelidad navegable

Construí prototipos navegables en Figma con el flujo completo — desde la búsqueda inicial hasta el contacto con el vendedor — para pruebas reales con usuarios.

Prototipo

Testing

04 TESTING

Dos rondas de validación

Probé con usuarios reales en dos rondas. El hallazgo más importante: MIA necesitaba menos datos técnicos y más contexto de decisión en las recomendaciones.

05 HANDOFF & QA

Implementación sin pérdida de calidad

Trabajé codo a codo con desarrollo en la implementación, validando cada componente en QA para asegurar que la experiencia diseñada fuera la experiencia entregada.

QA / Video

06 · RESULTADOS

Números que transformaron el negocio

MIA no fue solo un rediseño — fue la primera vez que el Grupo Bolívar cerraba ventas gestionadas íntegramente por inteligencia artificial. Estos son los resultados del primer año.

+70% Leads efectivos · 1er año

1st Ventas cerradas por IA

15k+ Usuarios post-lanzamiento

85% Mejora tasa de contacto

↑ Tiempo en sesión — los usuarios exploraban más cuando las recomendaciones eran relevantes
↑ Retención — los usuarios volvían más veces; MIA construyó hábito de uso
↓ Tasa de rebote — menos usuarios salían sin interactuar con las recomendaciones
↑ Calidad del lead — el equipo comercial recibía contactos con mayor intención real de compra

Panel de resultados post-lanzamiento MIA

Dashboard

07 · APRENDIZAJES

Lo que me llevé del proyecto

INSIGHT 01

Diseñar para IA es diseñar confianza

El reto no fue técnico — fue emocional. El usuario necesita confiar en que el sistema lo entiende antes de actuar. La relevancia es la única forma de construir esa confianza.

INSIGHT 02

La alineación es parte del diseño

Facilitar conversaciones entre negocio, tecnología y usuarios no fue una tarea periférica — fue el trabajo de diseño más importante del proyecto.

INSIGHT 03

Los datos validan, no reemplazan el criterio

Usé Analytics y Clarity en cada iteración, pero los datos me decían qué pasaba — no por qué. El por qué siempre vino de hablar con usuarios reales.