IA en AdTech: entre la evolución, la revolución y el “aún es pronto para saberlo”

Hay una gran pregunta que recorre todas las salas de reuniones donde se habla de IA en publicidad: “¿Esto nos va a salvar el trabajo o nos lo va a quitar?”.

Pero en las empresas del sector lo que se ve es otra cosa: la inteligencia artificial está entrando en el sistema a distinta velocidad según la capa donde mires. En algunas partes es pura evolución incremental, en otras es claramente una revolución de procesos, y luego está ese espacio incómodo donde, honestamente, es demasiado pronto para saber qué va a pasar de verdad.

Me ha gustado mucho lo que plantea James Deaker (aka “The Yield Doctor”) de evolución, revolución, “aún es pronto para saberlo” porque obliga a separar el pánico escénico de la realidad operativa y, sobre todo, porque permite hacerse la única pregunta que importa dentro de una estructura de agencia: ¿En qué partes del negocio puedo permitirme que la IA vaya por delante de las personas, y en cuáles no?

Evolución: cuando la IA es solo el siguiente restyling del coche

No todo lo que lleva la etiqueta “AI-powered” es el fin del mundo tal y como lo conocemos. Hay áreas de AdOps donde lo que está ocurriendo es, esencialmente, una actualización de modelo, no un coche nuevo. El propio Deaker usa esa metáfora: el coche del año siguiente tiene un salpicadero más limpio, una pantalla más grande, quizá consume un poco menos… pero sigue siendo el mismo coche.

En AdTech, esa “evolución sin explosión” se está concentrando en cuatro territorios muy concretos como mecánica de AdServing, segmentación y clustering de audiencias, forecasting e inventory management y reporting y generación de dashboards. En todos ellos, la IA lo que hace es suavizar fricciones, es decir: completar campos, sugerir segmentaciones, pulir previsiones, ordenar mejor los datos. El tipo de mejora que un director de operaciones agradece… pero que por sí sola no justifica reestructurar equipos, rediseñar el organigrama ni cambiar la narrativa al cliente.

Aquí el riesgo no es que la IA “se cargue” AdOps, el riesgo es desperdiciar energía política y presupuestos en discusiones sobre features menores, mientras las verdaderas transformaciones ocurren pisos más arriba.

En el plano estratégico, la pregunta correcta en esta zona de evolución es muy simple: ¿Estoy exigiendo a mis proveedores que justifiquen con datos esas supuestas mejoras incrementales o estoy comprando discursos de “AI inside” como hace años comprábamos cualquier cosa que llevara “programática” en la portada? La recomendación aquí es clara: no reordenar el workflow alrededor de estos micro-avances. Pedirlos, medirlos, explotarlos, sí. Pero no convertirlos en el argumento central de la transformación de una agencia o de un publisher.

Revolución: cuando el trabajo de AdOps se comprime en un prompt + revisión

La parte verdaderamente incómoda del marco de Deaker no está en la evolución, sino en la compresión del trabajo: “Las tareas que ahora requieren 5, 10, 20 pasos para un equipo de ad operations se van a comprimir… tendremos un comando para iniciar la tarea y revisaremos el output para ver que se ha ejecutado correctamente.”

En esa frase está el núcleo de la revolución operativa.

De hacer a supervisar

Hoy, en la mayoría de agencias y publishers, el trabajo de AdOps sigue siendo abrumadoramente “de ejecución”:

• configurar campañas,

• montar segmentaciones,

• revisar creatividades,

• lanzar tests,

• comprobar tags,

• consolidar informes.

Con la aparición de agentes de IA orquestados (no solo modelos sueltos), el patrón cambia:

• el humano lanza el prompt operativo (“configura esta campaña con estas restricciones, esta lista de audiencias y este split de test”),

• el agente recorre en segundos esos 10–20 pasos que antes se hacían en consola,

• y el humano pasa a ser validador de que la ejecución es razonable.

Es un cambio profundo del “operador de paneles” al auditor de decisiones.

El “USB-C” de los flujos: AdCP sobre MCP

En paralelo, está emergiendo una capa de infraestructura que no se ve todavía en las presentaciones comerciales, pero que va a definir cómo se relacionan los sistemas: protocolos como el Model Context Protocol (MCP) y propuestas específicas como el Advertising Context Protocol (AdCP), que se plantea como una especie de “USB-C de los workflows publicitarios”. La idea es que los agentes del lado comprador (agencias, anunciantes) y los del lado vendedor (publishers, SSPs, plataformas) hablen un lenguaje de contexto común: qué campaña, bajo qué restricciones, con qué objetivos, con qué inventario disponible y con qué límites de riesgo y compliance.

Eso no es magia, ni garantiza nada por sí mismo, pero sí cambia quién puede componer flujos complejos sin tocar 15 APIs a la vez.

Creatividad a escala inhumana

Otro de los vectores de revolución es la generación masiva de creatividades. Ya no hablamos de “unas cuantas piezas por campaña”. Hablamos de cientos o miles de variaciones, multi-formato, multi-mensaje, multi-contexto, generadas y adaptadas en función de señal en tiempo real. Deaker lo resume bien: va a llegar un punto en que la cantidad de piezas “se va a mover más allá del nivel que los humanos podemos revisar manualmente”. Esto coloca la calidad creativa en una situación paradójica: por un lado, hay más posibilidades de experimentar, personalizar, ajustar; por otro, una parte del control se desplaza hacia sistemas de QA automatizados y a un modelo de spot-checking humano, en lugar del 100% de revisión manual.

Para las agencias creativas y los equipos de contenido, esto obliga a pasar de la lógica de “entregables cerrados” a la de sistemas de reglas, tonos y límites, dentro de los cuales las máquinas generan variación.

El cliente frente al agente: protocolo emocional

Un punto que se suele minimizar es el lado cliente-facing. Cuando un agente deja de ser una herramienta interna y se convierte en la primera línea de interacción con un anunciante, un medio o un partner, el fallo deja de ser un bug técnico y pasa a ser un evento emocional. Cuando la IA responde algo que el cliente no entiende, cuando propone una recomendación que choca con la intuición del equipo, o cuando simplemente “falla” en un momento crítico… no será otro agente quien reciba la llamada. Serán las personas.

Ahí es donde entra algo que Deaker subraya: la inteligencia emocional como diferenciador. El valor de un líder de AdOps no estará en saber dónde está cada botón de una consola, sino en saber explicar, contener y reconducir lo que ha hecho (o ha dejado de hacer) el agente.

El mapa en blanco: cuando aún es demasiado pronto para saberlo

La tercera parte del marco es la más honesta: hay un conjunto de fenómenos donde, a día de hoy, estamos simplemente navegando a oscuras. Deaker menciona varios ejemplos que son especialmente relevantes para ad tech:

IA contra IA: el nuevo juego del gato y el ratón

En verificación, brand safety y antifraude ya se está produciendo una carrera armamentística silenciosa: herramientas de verificación incorporando IA para detectar patrones sospechosos y actores fraudulentos utilizando IA para generar tráfico, inventario y señales cada vez más realistas. No es un escenario hipotético; es la continuación lógica de lo que ya vivimos con bots y arbitrage, ahora acelerado por modelos generativos. Lo que cambia con la IA es la velocidad y la opacidad: los sistemas se adaptan sobre la marcha y dejan menos “huellas humanas” que antes.

Forecasts fuera de rango: ¿Error o información?

Deaker plantea una situación muy concreta: esperas un millón de impresiones al día y el sistema te devuelve un forecast de tres millones.

La reacción instintiva es clara: “se ha roto algo”. Pero la pregunta correcta es otra: ¿Es un error… o el agente está viendo algo que tú todavía no has contextualizado? Aquí entramos en terreno de black-box behavior: modelos que detectan correlaciones reales, pero que no sabemos explicar todavía; o modelos que se han desviado por falta de datos, sesgos o mala configuración. En los próximos años veremos incidentes en los que decisiones automatizadas se alejaron tanto de lo esperado que obligaron a rediseñar los sistemas de alertas, límites y pausas de emergencia en plataformas y agencias.

Collusion entre agentes

Otro de los riesgos teóricos, pero cada vez menos descabellados, es la “colusión” entre agentes: sistemas que empiezan a optimizar entre ellos variables que no estaban en el briefing original, inventando sus propios códigos o estrategias de atajo. En un entorno de subastas en tiempo real, donde múltiples agentes se hablan de forma automatizada a través de protocolos, no es imposible imaginar comportamientos emergentes donde: agentes del lado comprador convergen en patrones de puja que maximizan objetivos a corto plazo pero dañan la salud del inventario; o agentes del lado vendedor ajustan la exposición de determinado tipo de impresiones de formas difíciles de detectar para un humano. No hay evidencia pública clara de un fenómeno así hoy, y yo no puedo verificar que ya esté ocurriendo a escala. Pero el riesgo de opacidad crece a medida que los humanos pierden visibilidad de cada microdecisión.

El “momento Waymo” de la publicidad

Deaker cita el famoso episodio en el que decenas de coches autónomos de Waymo aparecieron en el mismo cul-de-sac porque los usuarios habían descubierto cómo “invocarlos” sin querer. La versión publicitaria de eso aún no la hemos visto, pero los ingredientes están ahí: sistemas de recomendación que reaccionan a señales inesperadas, campañas que se desbocan hacia segmentos o placements que nadie pensó como prioritarios y loops de realimentación entre agentes que amplifican una señal de manera desproporcionada. La pregunta para los equipos de ad ops no es “¿pasará?”, sino: “¿Tenemos hoy la capacidad de detectar y contener algo así si ocurre?”

Qué significa esto para agencias y publishers

En este contexto, el mayor error estratégico no es “no usar IA”, sino dejar que sean solo los proveedores de tecnología quienes definan cómo y dónde se inserta en la organización.

Equipos de AdOps como torre de control, no como fábrica

Si aceptamos que buena parte de la ejecución se va a comprimir en flujos automáticos, el rol de los equipos de AdOps cambia: menos “mano en consola”, más definición de reglas, diseño de guardrails, gestión de excepciones, y coordinación entre agentes de distintos vendors.

Eso implica reorganizar funciones: definir quién se encarga de política operativa (qué puede y qué no puede hacer un agente), quién lidera la observabilidad (qué medimos, qué alertas saltan), y quién ejerce de traductor entre lo que ve el cliente y lo que hacen los sistemas.

Reequilibrio de poder entre agencias y plataformas

Si la IA se adopta de forma pasiva (“mi DSP ahora tiene un botón nuevo de AI Optimize”), el poder se inclina aún más hacia las plataformas: son ellas las que deciden qué se optimiza, qué se maximiza y qué se deja fuera del modelo. En cambio, si las agencias y los grandes grupos construyen su propia capa de orquestación, apoyándose en protocolos como MCP/AdCP, pueden recuperar parte de ese control: diseñando estrategias de bidding y pacing propias, combinando señales de distintas fuentes, e imponiendo sus propias métricas de éxito más allá del CPA que la plataforma quiere optimizar.

No es trivial, requiere inversión y talento, pero es la diferencia entre ser usuario avanzado de herramientas y ser arquitecto de sistemas.

El papel de los publishers

Para los medios, la irrupción de agentes y protocolos tiene otra derivada: la capacidad de negociar condiciones de acceso y uso de sus datos en un lenguaje más cercano al suyo. Si un publisher se integra a ciegas en entornos donde los agentes de compra tienen el control total de la lógica, corre el riesgo de volver a la casilla de salida: inventario y datos infravalorados, poca transparencia y dependencia extrema.

En cambio, si define desde el inicio: qué atributos pueden usar los agentes, bajo qué restricciones, con qué reporting mínimo y con qué mecanismos de auditoría, puede usar la IA como palanca para reforzar, no diluir, su poder negociador.

Qué debería hacer hoy un manager de AdOps

Deaker lo resume en una frase que vale como hoja de ruta: “Adopt AI. Do not fear it… lead. Take ownership in this area before others do.” Traducido a la realidad de una agencia o un publisher, eso implica varias líneas de acción muy concretas:

Construir guardarailes antes de que lleguen los incidentes: no tiene sentido esperar a que un agente cometa un error visible para empezar a diseñar límites y protocolos de emergencia. Algunas preguntas incómodas, pero necesarias: ¿Qué acciones puede ejecutar un agente sin aprobación humana y cuáles no? ¿Qué umbrales de gasto, puja o frecuencia disparan una pausa automática? ¿Qué logs y trazas necesitamos para reconstruir una decisión que fue tomada por la IA hace 48 horas? Quien responda a esto ahora estará en mejor posición que quien lo haga después de una crisis.

Reentrenar talento: de “panelista” a “auditor y comunicador”: una parte relevante de los perfiles de ad ops tendrá que migrar de “sé manejar esta plataforma mejor que nadie” a “sé explicar, auditar y corregir lo que hacen varias plataformas y agentes en conjunto”.

Eso no significa que el conocimiento técnico deje de importar, pero sí que la ventaja competitiva pasa por pensamiento crítico sobre modelos, capacidad de documentar y cuestionar resultados, y habilidades de comunicación con clientes cuando algo no encaja.

Apropiarse del diseño de casos de uso: si los equipos de AdOps no toman la iniciativa, los casos de uso de IA en la organización vendrán dictados por el vendor que tenga mejor fuerza comercial, el cliente que quiera “probar algo con IA” sin saber muy bien qué, o el directivo que haya visto una demo espectacular en una conferencia.

La alternativa es que el propio equipo defina qué procesos se benefician realmente de la compresión de pasos, qué partes se pueden automatizar sin riesgo crítico, y dónde la intervención humana es insustituible.

Conclusión: ni milagro ni apocalipsis, redistribución del poder

El marco de evolución – revolución – demasiado pronto para saberlo es útil porque permite escapar del ruido binario. No se trata de decidir si la IA es “buena” o “mala” para AdOps. Eso es irrelevante.

Las preguntas que nos deberíamos hacer son ¿en qué capas de la cadena de valor de la publicidad digital quiero que la IA actúe como ayudante discreto, en cuáles quiero que sea motor principal y en cuáles tengo que aceptar que estamos en territorio experimental donde aún no hay respuestas claras?

Para agencias y publishers, la próxima década no se va a definir por quién tenga el modelo más grande, sino por quién se atreva a diseñar su propia arquitectura de decisiones, poner límites claros a lo que dejan en manos de agentes y mantener la confianza del cliente cuando, inevitablemente, los sistemas se equivoquen. Porque cuando los bots rompan algo, y lo harán, el teléfono no sonará en el despacho de un algoritmo. Sonará en la mesa de alguien de carne y hueso que tendrá que explicar qué ha pasado. Si ese alguien es de AdOps, más vale que haya estado liderando la conversación sobre IA desde el principio y no asistiendo como invitado de piedra.

Puntos clave:

• La IA en AdTech avanza a tres velocidades: mejoras incrementales en mecánicas de AD Serving y reporting, una revolución real en la compresión de flujos de trabajo y un área aún impredecible donde los modelos pueden generar comportamientos difíciles de explicar.

• El trabajo de AdOps se desplaza de ejecutar click a click en plataformas a diseñar guardarailes, auditar decisiones de agentes y gestionar la relación emocional con clientes cuando la IA se desvía de lo esperado.

• La ventaja competitiva no estará en “usar la IA”, sino en quién controla la arquitectura: agencias y publishers que definan sus propias reglas, límites y casos de uso evitarán ceder aún más poder a plataformas y vendors en un ecosistema cada vez más opaco.

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.