Las Data Clean Rooms están (muertas) evolucionando
Las Data Clean Rooms no han muerto... o quizá sí, pero solo en la versión que muchos empezaron a vender allá por 2021 con mucha seguridad y demasiadas slides. Lo que parece agotado no es la idea de colaborar con datos de forma segura, sino una implementación concreta, rígida, pesada, legalmente incómoda y en muchos casos, bastante menos colaborativa de lo que se prometía en los decks.
Las clean rooms son una de esas categorías que todo el mundo decía necesitar antes incluso de saber qué iba a hacer con ellas ya que tienen todos los ingredientes para triunfar: privacidad, first-party data, colaboración entre marcas y retailers, medición post-cookie, retail media, compliance y una promesa muy conveniente para una industria que ya hace unos años empezaba a perder señales por todas partes, es decir, una narrativa perfecta con un despliegue, que desgraciadamente no lo ha sido tanto. Y es que el problema no era que las Data Clean Rooms no aportaran valor: permitían a una empresa abrir una parte de sus datos a otra bajo reglas controladas, con salidas agregadas y cierta tranquilidad para los equipos legales. Esto en un sector como el nuestro que estamos obsesionados con no mover datos personales más de lo imprescindible, tenía todo el sentido del mundo, pero muchas implementaciones se quedaron en una versión muy limitada del concepto: una empresa cargaba sus datos, otra ejecutaba consultas predefinidas y el resultado era un conjunto de insights más o menos útiles, más o menos agregados, más o menos accionables.
La palabra clave aquí es “predefinidas”: muchas data clean rooms no son realmente espacios de colaboración, sino entornos de consulta con “barandillas” o una especie de SQL con supervisión adulta; se cargan audiencias, taxonomías, segmentos y ficheros y los equipos de data science preparan librerías de queries, el cliente cambia parámetros y todo el mundo finge que aquello es una nueva era de colaboración cuando, muchas veces, es business intelligence sobre datos de partner con una capa extra de compliance… que ojo, no es poco, pero tampoco es la revolución. El quid de la cuestión es que ese modelo refuerza una forma antigua de trabajar: si solo puedes preguntar lo que alguien ha previsto que preguntes, la data clean room no descubre demasiado, tan solo confirma; confirma solapes, valida segmentos, enseña gráficos, permite algunas comparativas, ayuda en planificación, pero rara vez encuentra patrones que nadie había buscado, y ahí está una de las grandes limitaciones del enfoque tradicional: la industria nos lo vendió como inteligencia colaborativa, pero muchas veces se ejecutaba como un dashboard con muchos abogados alrededor.
Estamos en un momentum con una evolución interesante: ¿qué ocurre si las data clean rooms dejan de depender del SQL rígido, joins deterministas e IDs uno a uno, y empiezan a apoyarse en modelos de deep learning, GPU compute y vector embeddings? Esta pregunta es clave porque desplaza el centro del debate y ya no se trata solo de si dos empresas pueden cruzar datos sin exponerse demasiado, sino de si pueden aprender algo nuevo sin tener que compartir identificadores personales como moneda de cambio. Pongamos un ejemplo de retail media que todo el mundo puede entender: un retailer puede abrir una clean room para que un proveedor analice clientes de fidelización dentro de una categoría concreta. En el modelo clásico, se preparan consultas, se definen taxonomías, se cruzan algunos datos y se obtiene un informe, algo útil pero limitado por lo que ya se había decidido mirar. Con modelos de deep learning, el punto de partida cambia. En lugar de construir primero la taxonomía y después preguntar, el sistema puede explorar patrones latentes dentro de una base amplia de datos, puede identificar clusters naturales, relaciones temporales, comportamientos no obvios o señales que no estaban en la plantilla inicial. La promesa no es “dime cuántos clientes de mi segmento A compran producto B”, sino “enséñame qué patrones existen en esta categoría que todavía no estoy viendo”. Esta diferencia que parece meramente técnica, es tremendamente comercial. Las partnerships de datos solo escalan cuando generan ingresos incrementales o ventajas claras y si una clean room se limita a confirmar intuiciones, acaba siendo un coste más en la pila tecnológica, pero si descubre oportunidades reales de activación, surtido, mensaje, frecuencia, timing o categoría, entonces empieza a parecerse a una infraestructura de crecimiento.
La otra gran pieza de esta evolución de las clean rooms son los vector embeddings, pero aquí quiero bajar tu entusiasmo: un ID determinista (ya sea un email hasheado, un MAID o una clave persistente) sirve para reconocer a una persona concreta en distintos sistemas, esa es precisamente su utilidad pero también es su problema: es algo matcheable, persistente y, según el caso, sensible desde el punto de vista de privacidad. Un embedding opera de otra forma: no representa necesariamente “quién eres”, sino “a qué te pareces” dentro de un espacio de señales. Es una representación matemática de comportamientos, afinidades o patrones: dos usuarios o cohortes con comportamientos similares aparecerán cerca en ese espacio vectorial. Para activación publicitaria, esto abre una posibilidad tremenda: en lugar de exportar una lista de personas concretas, se puede definir una zona de ese espacio, un “centroide” y un radio y dejar que la plataforma de destino resuelva qué usuarios propios encajan dentro de esa región. En castellano menos solemne: no te paso mi lista, te paso la forma de la audiencia. Esto puede cambiar bastante la conversación sobre privacidad, ya que si bien no la elimina (y quien diga que la elimina debería invitar también a su DPO a la reunión), los embeddings pueden tener riesgos: ataques de inferencia, inversión, filtraciones si se construyen mal o si se comparten con poca agregación, no son magia, pero sí cambian la naturaleza del intercambio. La activación deja de depender necesariamente de mover IDs uno a uno y puede apoyarse en similitud, cohortes, umbrales mínimos y controles probabilísticos.
La contrapartida o la posible pérdida está en la precisión: un match determinista es exacto, mientras que un match en espacio vectorial no lo es, pero aquí hay que hacer una pregunta que el sector evita porque complica muchos business cases: ¿cuántos casos de uso publicitario necesitan realmente precisión quirúrgica a nivel individuo? En retail media, CTV, display, vídeo o planificación de audiencias, muchas decisiones se toman por escala, dirección y propensión, no por certeza absoluta, es decir no compramos medios como si estuviéramos operando a corazón abierto, aunque a veces los dashboards quieran convencernos de lo contrario. Hay casos donde el uno a uno seguirá siendo necesario: medición determinista, supresión, atribución en determinados entornos, reconciliación de clientes o casos regulados pueden requerir otra arquitectura. No todo debe resolverse con embeddings, ni toda clean room debe convertirse en una caja negra de IA y sin duda, la evolución real no será “adiós IDs, hola vectores” en todos los escenarios, sino una separación más clara entre casos de uso. Algunas tareas vivirán mejor en el warehouse, otras en APIs, otras en clean rooms, otras en modelos de MMM o causal AI, y otras en la vieja fontanería de datos de siempre, que eso sí que nunca muere.
Lo que sí parece claro es que la clean room como categoría aislada pierde sentido y cada vez se parece más una funcionalidad nativa del data warehouse que a una plataforma independiente con vida propia y soluciones como Snowflake, AWS, Databricks, Google Cloud y otros entornos tienen más capacidad para absorber esta lógica que muchas soluciones standalone. La fuente de verdad del dato de cliente se ha desplazado hacia el warehouse, y la colaboración probablemente acabará orbitando alrededor de esa infraestructura. Esto no significa que las clean rooms vaya a desaparecer, significa que se integran, se hacen menos visibles y quizá hasta más útiles ya que pasan de ser el producto que se compraba para demostrar madurez post-cookie a convertirse en una capa de permisos, computación, modelado y colaboración dentro de arquitecturas más amplias.
La ironía es que las Data Clean Rooms pueden encontrar su verdadero papel justo cuando dejemos de llamarlas así con tanta solemnidad. Su primera etapa prometía colaboración, pero muchas veces entregó control y la siguiente etapa tendrá que entregar descubrimiento, activación segura y aprendizaje compartido sin caer en la fantasía de que la IA resuelve automáticamente lo que legal, producto y negocio no han sabido resolver juntos. Porque ese sigue siendo el punto, el freno de las clean rooms nunca fue solo tecnológico, fue sobre todo contractual, operativo, político y organizativo. Las empresas tienen datos muy valiosos, pero también tienen miedo a usarlos con otros, tienen partners, pero no siempre con incentivos alineados, tienen infraestructura, pero no siempre procesos para colaborar y poner GPUs debajo no arregla eso por sí solo. Los modelos pueden encontrar patrones; no firman acuerdos entre departamentos.
Por eso la frase inicial de “las Data Clean Rooms han muerto” funciona solo si la aceptamos así: “Las Data Clean Rooms están (muertas) evolucionando”; ha muerto una versión de la clean room, la de la promesa sobredimensionada, la de la taxonomía rígida, la del SQL como frontera de la inteligencia y el insight empaquetado en PowerPoint. Lo que está naciendo es otra cosa más cercana al warehouse, más dependiente de modelos, más probabilística, menos obsesionada con el ID y más centrada en representar señales útiles sin mover necesariamente a la persona de sitio, y por consiguiente queda claro que las Data Clean Rooms sobreviven y se convierten en una capa realmente útil.
Puntos clave:
Las Data Clean Rooms prometían colaboración segura entre datos de distintas compañías, pero en la práctica muchas acabaron funcionando como dashboards protegidos sobre datos de una sola parte.
La combinación de deep learning, GPU compute y vector embeddings puede desplazar el modelo desde SQL, taxonomías rígidas e IDs uno a uno hacia descubrimiento de patrones, cohorts y señales agregadas.
La evolución no elimina los problemas de privacidad, legalidad o medición determinista, pero sí redefine qué casos de uso tienen sentido para una clean room y cuáles deberían resolverse desde otras capas del stack.
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.
