Publicidad sin humanos: por qué las empresas aún no están listas para entregar el media buying a agentes de IAArtículo · digest del 21 de noviembre
Esquema arquitectónico isométrico de un flujo de cinco agentes de IA para compra de publicidad con pasarela API y pantalla de control del media buyer.
Artículo4 secciones≈ 11 min

Publicidad sin humanos: por qué las empresas aún no están listas para entregar el media buying a agentes de IA

Sobre el papel, la idea parece el sueño de cualquier emprendedor: conectas un agente de IA a tus cuentas publicitarias, fijas un presupuesto y un costo objetivo por lead, y te vas a tomar un café mientras el algoritmo lanza campañas, ajusta pujas y corta ubicaciones no rentables las 24 horas.

En la vida real funciona muy distinto. Sacas ese esquema a operar con dinero de verdad y el agente o choca con los límites de las plataformas publicitarias, o optimiza pujas persiguiendo bots y quema el presupuesto en un par de días. En un análisis publicado en Cossa, Sasha Danílov, cofundador de la agencia móvil de performance TopTraffic, mostró qué tareas de compra de tráfico ya asumen los agentes y por qué todavía no es posible sacar al humano del proceso.

Lo que la IA ya asume hoy en la compra de tráfico

El media buying es la compra profesional de tráfico publicitario con control continuo del costo de adquisición y del retorno. El media buying agéntico no se construye alrededor de un único bot todopoderoso, sino como una cadena de agentes de IA especializados donde cada uno resuelve un paso concreto.

En TopTraffic probaron este enfoque promocionando la app móvil de O’STIN. La competencia es alta, la audiencia está saturada de banners repetitivos y probar decenas de hipótesis a ciegas sale caro, porque los tests masivos inflan rápido el CPI (costo por instalación).

El equipo armó una cascada de cinco agentes: el primero analiza el producto y la audiencia; el segundo revisa campañas de la competencia; el tercero consulta casos previos de la agencia; el cuarto evalúa fuentes de tráfico; y el quinto redacta hipótesis listas con creatividades, segmentaciones y KPI. A partir de ahí entra el media buyer humano: filtra lo que no encaja con la marca, pasa el encargo al diseñador y lanza la campaña. Una vez activa, un agente de monitoreo aparte vigila los números. Mientras todo va dentro del rango, guarda silencio y no satura con mensajes. A Telegram solo llegan alertas de desvío: si supera el plan, escalar; si hay un fallo leve, revisar creatividad; si cae fuerte, pausar.

Resultado del caso O’STIN: +35% en instalaciones, +17% en conversión a compra y −32% en CPI dentro de las hipótesis probadas. Las variantes débiles se descartaron desde el inicio, pero todas las decisiones finales las tomó una persona.

Por qué un «agente rápido» se atasca sin datos y choca con las API

«Se puede montar rápido un agente de IA, pero sin historial de campañas, integraciones, información sobre competidores, fuentes, usuarios y su comportamiento, no podrá trabajar con eficacia», afirma Sasha Danílov, de TopTraffic.

El aprendizaje automático nativo de Google, Meta*, AppLovin o Moloco funciona con tanta precisión porque se apoya en años de datos sobre millones de usuarios. Un agente externo arranca con la mente en blanco. En TopTraffic primero acumularon durante años su propia DMP (Data Management Platform, una base histórica de campañas, audiencias y creatividades), entrenaron sobre ella sus algoritmos y recién después colocaron agentes encima. Sin los datos de las plataformas, un MMP (Mobile Measurement Partner, rastreador móvil como AppsFlyer o Adjust), postbacks de redes y analítica de extremo a extremo conectada a las ventas del CRM, el agente simplemente adivina.

Otra vía es el acceso por API de socio o mediante un servidor MCP (Model Context Protocol, una pasarela con la que el modelo consulta sistemas externos). Así operan herramientas internacionales como Madgicx (analítica de campañas en Meta*) y AdScale (conexión entre Google, Meta* y datos del e-commerce).

Pero incluso con API, la ilusión de que «el agente ajusta pujas cada minuto» se estrella contra cuotas estrictas:

  • Google Ads API: el acceso básico (Basic Access) está limitado a 15,000 operaciones al día (hasta 10,000 cambios por petición); si pasas, recibes un HTTP 429.
  • Meta* Marketing API: cuotas por puntuación (60 puntos cada 300 segundos al inicio, más de 9,000 en estándar) y un techo de 100 peticiones POST por segundo, o te aplican pausas de 60 a 300 segundos.
  • AppsFlyer Pull API: informes de los últimos 0 a 2 días como máximo 1 llamada por minuto, y de 3 o más días hasta 24 llamadas diarias por app (120 por cuenta). Adjust también frena las consultas pesadas con HTTP 429.

No puedes poner al agente a golpear la API directamente: debajo hacen falta almacenamiento propio, caché y procesamiento por lotes.

Panel de configuración de reglas antifraude antes y después de la atribución (Fuente: AppsFlyer)

Fraude y señales distorsionadas: cómo los bots engañan a los algoritmos

Incluso con datos limpios, en la compra de tráfico aguarda otra trampa: el fraude publicitario (ad fraud), compuesto por bots, granjas de teléfonos, secuestro de clics e instalaciones falsas. Un algoritmo autónomo toma las cifras al pie de la letra: ve instalaciones baratas en una fuente dudosa y mueve el presupuesto hacia allá. Esto no se tapa con una sola regla, porque las tácticas cambian todo el tiempo. El antifraude cruza decenas de señales a la vez: IDs de dispositivo, IP, geolocalización, tiempos entre clic e instalación, click ID, datos del MMP y comportamiento posterior al abrir la app.

Según informes recientes de AppsFlyer y Adjust, la tasa de fraude ronda el 14–15% en Android y el 11.7% en iOS, donde las instalaciones falsas explican el 87% y el 92% de las pérdidas respectivamente. En grandes redes cerradas (SRN) el fraude ronda el 1%, pero en redes de afiliados sube hasta el 40%.

Más peligroso aún es el camuflaje: en una muestra de AppsFlyer de 106 mil millones de instalaciones, el 52% del tráfico fraudulento se disfraza de orgánico y corrompe los modelos base. Los propios estafadores usan IA para fabricar apps falsas con reseñas, simular desplazamientos «humanos» en pantalla y migrar a granjas físicas de dispositivos (+72% en juegos de Android). Dejar al agente frente a la billetera sin capa antifraude equivale a dejar las llaves de la caja sobre el mostrador.

Interfaz de detección de fraude publicitario con IA y análisis de anomalías en instalaciones (Fuente: AppsFlyer)

Economía, cinco barreras de autonomía y nueva división del trabajo

¿Por qué implementar agentes entonces? Reducen el costo operativo de gestionar campañas, aceleran el descarte de hipótesis débiles y absorben la rutina por horas. También comprimen la cadena de intermediarios: en un piloto de Butler/Till y PubMatic (para la marca Clubtails sobre AgenticOS y el protocolo AdCP), el agente seleccionó inventario según el brief para aprobación del equipo; los costos de intermediación cayeron un 82%, el CPM (costo por cada 1,000 impresiones) bajó un 30% y se lograron un 40% más de impresiones. Aun así, el botón final lo presionaron humanos.

Prueba abajo el simulador de reglas de monitoreo de TopTraffic para ver cuándo el agente permanece en silencio y cuándo envía una alerta al media buyer.

Simulador de reglas del agente de IA: qué propondrá al media buyer

Incluso con umbrales bien definidos, la última palabra sigue siendo humana. Sasha Danílov identifica cinco barreras para la autonomía total. Primera, riesgo frente a patrones: la IA aprende del pasado, mientras en publicidad suele triunfar una apuesta audaz contra la estadística que solo un buyer humano se atreve a probar. Segunda, costo de infraestructura y contexto de marca: integrar cuentas, MMP y CRM, y encima codificar manual de marca, leyes y seguridad es caro y lento. Tercera, datos cerrados en las plataformas. Cuarta, relación con el cliente: un bot no defiende una hipótesis arriesgada en una reunión. Quinta, falta de madurez del mercado con modelos a medida frente a soluciones genéricas.

En la práctica, los roles se reparten así:

Área de responsabilidadQué delegar a agentes de IAQué mantener en el media buyer
Preparación del lanzamientoAnálisis de producto, competencia e historial de hipótesisSelección de enfoques acordes a la marca, brief de diseño y lanzamiento
Control de campañasMonitoreo por hora de CPI/CPA y alertas por umbralesEscalado, cambio de estrategia y pausa manual
Protección del presupuestoDetección de patrones ocultos de fraude en decenas de señalesAnálisis de incidentes y decisiones sobre tráfico dudoso
Estrategia y clienteProyecciones preliminares basadas en lanzamientos previosPruebas fuera de estándar, reuniones y responsabilidad del presupuesto

Conviene empezar este enfoque por una sola operación clara, sin entregarle al agente acceso directo al presupuesto desde el primer día.

5 pasos para implementar un agente de IA sin quemar el presupuesto

  • Elegir una tarea periódica con reglas claras (por ejemplo, revisar el CPI cada hora).
  • Preparar los datos de entrada: cuentas publicitarias, MMP, CRM e historial de campañas.
  • Definir umbrales de reacción: por debajo del objetivo, escalar; desvío leve, revisar creatividad; desvío fuerte, pausar.
  • Configurar integraciones: almacenamiento centralizado de datos y alertas breves en Telegram o CRM.
  • Mantener el control humano: al inicio el agente solo sugiere, y recibe permisos de acción únicamente tras estadísticas estables.

*Las redes sociales Instagram y Facebook están prohibidas en Rusia y pertenecen a la corporación Meta, declarada extremista en el país.

Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 6