El agente ya puede gastar solo, pero... ¿quién paga cuando se equivoca?

Nos hemos pasado los últimos meses preguntándonos si un agente de IA será capaz de comprar medios por nosotros, pero quizá deberíamos empezar a preocuparnos por una cuestión bastante menos sexy: qué hacemos cuando ya lo haya hecho y todavía no sepamos si tenía razón, porque un agente puede comportarse perfectamente bien y gastar demasiado.

Un agente puede respetar el presupuesto asignado, puede comprar únicamente en fuentes autorizadas, utilizar datos conocidos, documentar cada decisión y mantenerse exactamente dentro de las reglas que le hemos dado. Nada de eso significa que el resultado vaya a llegar a tiempo para detener la siguiente decisión. Imaginemos algo bastante plausible. Una marca entrega 200.000 euros a un agente y este empieza a mover 1.000 euros por hora hacia una nueva combinación de CTV y Retail Media. La primera lectura de ventas suficientemente madura para evaluar ese cambio tarda 48 horas. Cuando llega, ya se han comprometido 48.000 euros y ni siquiera entonces tendremos una respuesta definitiva: tendremos una estimación, con su correspondiente incertidumbre, sobre una decisión tomada dos días antes.

A ese espacio entre el momento en que gastamos y el momento en que podemos demostrar si tenía sentido hacerlo podemos llamarlo “proof gap”, o brecha de evidencia, y déjame que te diga que no es un problema nuevo en publicidad… lo nuevo es la velocidad. Un media buyer humano también toma decisiones antes de tener todos los datos. La diferencia es que normalmente existe cierta fricción entre decisión y ejecución: una reunión, una optimización diaria, alguien que revisa el presupuesto, otra persona que pregunta por qué estamos duplicando inversión en un publisher que ayer ni siquiera aparecía en el plan. Un agente no necesita esas pequeñas molestias organizativas que durante años hemos considerado ineficiencias y que, visto ahora, también servían como freno: puede cambiar pujas, audiencias y mix de canales simultáneamente y puede hacerlo otra vez dentro de cinco minutos… y otra después.

La medición puede acelerarse, pero hay algo que no puede acelerarse igual: el resultado de negocio. Un modelo puede recalcular una estimación en milisegundos; vender un coche, cerrar una hipoteca o comprobar si una campaña ha construido marca sigue necesitando tiempo. Ahí empieza el verdadero problema, porque solemos pensar que el presupuesto de campaña ya resuelve el riesgo pero no es así. Un presupuesto de 200.000 euros limita cuánto puede perderse en total; el pacing limita a qué velocidad se consume, pero ninguno responde a otra pregunta: ¿cuánto dinero estamos dispuestos a dejar cabalgar sobre una decisión que todavía no hemos validado?

Déjame proponerte que añadas una segunda capa: el risk budget. La idea es bastante sencilla: además del presupuesto general, la marca define cuánto puede comprometer el agente bajo una nueva hipótesis antes de tener que demostrar que esa hipótesis funciona. Podrían ser, por ejemplo, 12.000 euros para probar un nuevo mix. Cuando llega a ese límite, se acabó. O aparecen las evidencias acordadas previamente o alguien vuelve a autorizar más gasto. Aquí está la diferencia entre automatizar decisiones y entregar las claves de tu tarjeta de crédito a tus hijos; ese límite tendría que existir fuera del objetivo que intenta maximizar el propio agente. Si premiamos al sistema por invertir más y al mismo tiempo le dejamos modificar su techo de riesgo, hemos construido algo parecido a darle una tarjeta corporativa a un comercial y permitirle que él mismo decida su límite.

Tampoco debería poder reiniciar el contador simplemente cambiando de canal o delegando la compra en otro agente, y antes del primer euro tendría que estar acordado algo mucho menos emocionante que el modelo de IA utilizado: qué evidencia vamos a aceptar como suficiente. Un pixel puede decir que ocurrió una conversión, pero no dice necesariamente cuánto de esa conversión causó la publicidad. El nivel de confianza que el propio agente asigna a su decisión tampoco constituye una validación independiente; si queremos darle más capacidad de gasto cuando funciona, tendremos que establecer antes cómo vamos a decidir que ha funcionado.

Esto nos lleva a otro problema que AdTech conoce sorprendentemente bien: quién se queda con la pérdida. En los años noventa la industria discutió sobre algo que solo los más viejos del lugar recordarán: el sequential liability. Básicamente, es quién debía pagar al medio cuando la agencia todavía no había cobrado del anunciante; dicho de otra forma, es (o era) un riesgo de crédito, pero su versión agéntica es distinta: aquí el dinero existe, pero lo que puede no existir es el resultado esperado. Hablamos de riesgo de evidencia; es decir, una cosa es limitar cuánto puede arriesgar el comprador mientras aprende y otra muy diferente es garantizar quién responde económicamente cuando se incumple una condición previamente acordada. La publicidad ya conoce una versión sencilla de esto: el make-good. Si un medio entrega menos impresiones de las contratadas, compensa con más inventario.

La IA empieza a empujar el concepto hacia terrenos bastante menos cómodos. Pongamos dos ejemplos interesantes. La marca de zapatillas Munich lleva años respaldando garantías de rendimiento ofrecidas por proveedores de IA utilizando el balance de una reaseguradora. TikTok, por su parte, ofrece créditos publicitarios a determinadas campañas elegibles de GMV Max cuando el ROI queda por debajo del 90% del objetivo diario, aunque con condiciones y exclusiones. Son mecanismos muy diferentes: en un caso existe capital de un tercero; en el otro, el propio vendedor compensa mediante créditos dentro de su plataforma y esa diferencia importa, y mucho. Una garantía no demuestra que una estrategia sea buena, simplemente cambia quién se come el fallo y esto puede cambiar bastante el modelo económico de la compra agéntica. Si un intermediario cobra un porcentaje del spend, tiene un problema de incentivos bastante evidente: gana menos cada vez que su agente decide no gastar. Estamos pidiendo prudencia a un sistema cuya empresa propietaria cobra por volumen… No hace falta ser especialmente cínico para ver el problema, aunque ayuda.

Una posible evolución sería que determinados intermediarios dejasen de cobrar únicamente por ejecutar gasto y empezasen también a cobrar por asumir una parte definida del riesgo. Si prometes cierto resultado, estableces cómo se mide, defines qué ocurre si no llega y pones dinero detrás de esa promesa, entonces ya no estás vendiendo solo software, y esto, querido lector, hace que estés empezando a parecerte un poco a una aseguradora.

Me voy a permitir la licencia de hacer una predicción concreta: antes de terminar 2027 veremos al menos un acuerdo de medios entre compañías independientes liquidado mediante escrow, con una fuente de medición definida contractualmente y una compensación en efectivo ante determinados errores de contabilización. Puede ocurrir o no, pero lo interesante es que esa cuestión ya está encima de la mesa.

Llevamos tiempo discutiendo mucho sobre qué señales deberían leer los agentes, qué protocolos permitirán que se comuniquen y hasta dónde podrán ejecutar una campaña sin intervención humana. Todo eso créeme que importa, pero hay una capa bastante más mundana que terminará decidiendo cuánto poder estamos dispuestos a darles a los agentes: quién firma el cheque cuando la máquina hace exactamente lo que le pedimos y, aun así, sale mal. La medición puede decirnos qué creemos que hizo la inversión, el contrato puede decidir quién responde si no ocurre y para que esa promesa valga algo, alguien tiene que tener el dinero para cumplirla.

La compra agéntica quizá termine necesitando menos de ciencia ficción y bastante más de departamento financiero.

Puntos clave:

• Un agente puede respetar presupuesto, reglas y permisos y aun así comprometer demasiado dinero antes de saber si su última decisión funcionó.

• Junto al presupuesto de campaña empieza a tener sentido pensar en un presupuesto de riesgo: cuánto puede gastar el agente bajo una hipótesis todavía no validada.

• La medición y el contrato resuelven problemas distintos: una estima si la inversión funcionó; el otro establece quién paga cuando no lo hace.

Este resumen lo ha creado una herramienta de IA basándose en el texto del artículo, y ha sido chequeado por un editor de PROGRAMMATIC SPAIN.