La IA en AdTech no necesita ser más grande (LLM's) sino más precisa (SLM's)
Muchas conversaciones sobre IA parten de la premisa de que cuanto más grande sea el modelo, mejor: más parámetros, más capacidad, más entrenamiento, más promesas… y nuestra industria, que siempre ha tenido cierta debilidad por lo que suena inevitable, abrazó desde el principio los grandes modelos de lenguaje como si todo problema operativo pudiera resolverse invocando a una IA generalista y bastante cara. Pero en AdTech, como en casi todo lo que toca la publicidad digital, la realidad suele ser menos épica y bastante más operativa: no todas las tareas necesitan tener un modelo entrenado con medio internet, ni todo requiere un razonamiento complejo, creatividad generativa o capacidades conversacionales avanzadas. A veces lo que se necesita son cosas tan sencillas como clasificar una página dentro de las taxonomías de IAB, detectar si una conversación tiene intención comercial, moderar un output, resumir un documento, identificar categorías contextuales… y sobre todo, hacerlo rápido, muchas veces al día, con bajo coste y sin convertir cada llamada al modelo en una pequeña ceremonia presupuestaria. Ahí es donde empiezan a tener sentido los llamados Small Language Models, o SLMs.
Después de la primera fase de entusiasmo por los LLMs, tenemos que pensar si realmente necesitamos usar un modelo de frontera para cada workflow. La respuesta, en muchos casos, probablemente sea NO. Ya hay un cierto movimiento de empresas que están empezando a desarrollar SLM’s especializados en tareas para AdTech como por ejemplo, la empresa ZeroGPU, que desarrolla SLM’s entrenados con muy pocos datos para casos de uso específicos y ya ha presentado modelos especializados para AdTech con el objetivo de ayudar a empresas tecnológicas a gestionar workflows de grandes volúmenes de una forma más rápida y con menor coste. El planteamiento es sencillo: si se trata de una tarea repetitiva, acotada y medible, un SLM puede ser suficiente y, si además es más barato y más rápido, se acabó la discusión, por que la economía importa, y mucho.
Los grandes modelos de lenguaje o LLM’s requieren una enorme capacidad de procesamiento. Su funcionamiento depende habitualmente de GPUs de alto rendimiento, que tienen un coste elevado y que muchas empresas suelen alquilar a los tradicionales proveedores Cloud. Este coste termina llegando al usuario final, directa o indirectamente, y cuando una empresa usa IA para tareas puntuales, el impacto puede parecer asumible, pero cuando se trata de millones de clasificaciones, respuestas, moderaciones o análisis contextuales, el coste deja de ser una anécdota. Los SLMs pueden funcionar sobre CPUs pero también sobre navegadores, lo que reduce la exigencia de infraestructuras. Dappier, por ejemplo, es una empresa que utiliza agentes de IA para marketers y trabaja con datos de publishers y su adopción de modelos de ZeroGPU habría reducido sus gastos generales un 50%, según su cofundador y CEO, Dan Goikhman. Ojo que conviene leer esta cifra como lo que es, un caso concreto, no como una regla universal, si bien ilustra muy bien que la eficiencia en IA no vendrá solo de negociar mejor el precio del token, sino de dejar de usar una excavadora para mover una silla.
En publicidad digital esto tiene muchas implicaciones: muchas de las tareas que están entrando en los procesos de IA no son necesariamente creativas ni estratégicas, sino que suelen ser tareas de clasificación, limpieza, etiquetado, moderación, asignación contextual, detección de intención y análisis operativo, en definitiva, procesos que deben ejecutarse con consistencia, velocidad y coste controlado. Para eso, la especialización puede ser más valiosa que la escala y el caso de Dappier lo muestra bien. La empresa utiliza modelos pequeños para clasificación de contenido, clasificación de intención y moderación o brand safety. Sus agentes conversacionales para marcas necesitan responder rápido, entender el contexto de la interacción y extraer señales de intención comercial. Esta intención puede ir desde la búsqueda de un producto hasta la comparación entre una marca y sus competidores. La clave está en que el modelo no intenta saberlo todo, sino saber muy bien aquello para lo que fue entrenado. Por ejemplo, si un usuario lee un artículo sobre crianza y tareas escolares, el agente puede sugerir prompts conversacionales relevantes. A medida que avanza la interacción, los SLMs analizan el contexto del contenido y la intención del usuario, y pueden mapear tanto el artículo como la conversación a categorías contextuales de IAB. Para publishers y anunciantes, esto puede ayudar a entender de qué trata realmente una página, qué tipo de conversación genera y qué anunciantes podrían tener interés en ese entorno. No es una promesa abstracta de IA generativa, sino una función concreta dentro de la cadena publicitaria: convertir contenido y conversación en señales accionables. Este último punto es importante porque en AdTech no necesitamos más discursos sobre IA sino casos de uso que encajen en los sistemas existentes sin romperlos, sin disparar costes y sin introducir más opacidad de la que ya tenemos. Si un modelo pequeño puede etiquetar contenido según una taxonomía, detectar intención y hacerlo con baja latencia, el valor está en la utilidad del output, no en el tamaño del modelo. También aparece aquí una cuestión de integración: los modelos de ZeroGPU tienen endpoints compatibles con OpenAI, lo que permitiría a un cliente sustituir una URL en el backend para llamar a su API en lugar de la de OpenAI. En el caso de Dappier, el proceso habría llevado unos cinco minutos, según Goikhman. De nuevo, no conviene convertir el ejemplo en estándar universal. Cada stack tiene su complejidad, pero la dirección es relevante: si los SLMs quieren ganar espacio en empresas de AdTech, no basta con ser más baratos, tienen que ser fáciles de probar, integrar y reemplazar. En una industria llena de dependencias técnicas, cualquier tecnología que exija una migración dolorosa pierde atractivo antes de empezar.
Otro argumento a favor de los SLMs es la precisión en tareas específicas como por ejemplo la clasificación dentro de la taxonomía de contenidos de IAB, que incluye más de 1.500 categorías. Un modelo generalista puede confundir categorías con nombres similares si no ha sido entrenado específicamente sobre esa estructura. Un modelo pequeño entrenado sobre esa taxonomía no necesita interpretar el universo entero; necesita ingerir el artículo y devolver una clasificación útil. Esto puede parecer menos glamuroso que generar campañas enteras con IA, pero muchas veces el valor real en AdTech está precisamente ahí: en que una decisión de clasificación sea correcta, rápida y barata, porque esa decisión puede afectar a brand safety, contextual targeting, monetización publisher, idoneidad de inventario y reporting.
En una industria que lleva años obsesionada con la escala, ahora tendrá que aprender a obsesionarse con la adecuación. No se trata de reemplazar los LLMs por SLMs en todo, ya que hay tareas donde un modelo grande tiene sentido: razonamiento complejo, generación creativa, análisis multifuente, asistentes avanzados o workflows donde la flexibilidad pesa más que la eficiencia, pero hay muchas otras donde tan solo queremos saber cuál es el modelo suficientemente bueno, suficientemente rápido y suficientemente barato para esta tarea.
La primera ola de adopción se ha construido alrededor del acceso: probar herramientas, conectar APIs, generar contenidos, experimentar con agentes, automatizar procesos, pero la siguiente ola será más incómoda: controlar costes, reducir latencias, auditar calidad, comparar outputs, especializar modelos y decidir cuándo merece la pena pagar por inteligencia generalista. En esa fase, el tamaño dejará de ser un argumento por sí mismo. Para publishers, anunciantes y plataformas, los SLMs pueden abrir una vía más realista para llevar IA a tareas de alto volumen sin convertir cada proceso en un coste difícil de justificar. Para agencias y equipos técnicos, obligan a pensar la arquitectura de IA como un sistema modular: distintos modelos para distintas funciones, no un único modelo gigante intentando hacerlo todo. Para el mercado, introducen una idea sana: la eficiencia también es innovación.
Quizá la madurez de la IA en AdTech no consista en usar el modelo más avanzado disponible, sino en saber cuándo no hace falta porque el futuro no será necesariamente de quien tenga el modelo más grande, será de quien entienda mejor qué problema está intentando resolver.
Puntos clave:
Los grandes modelos de lenguaje pueden ser excesivos para muchas tareas repetitivas de marketing y AdTech, como clasificación contextual, moderación, resumen de documentos o detección de intención.
Los small language models abren una vía más eficiente: menos coste, menor latencia y mejor ajuste a casos de uso concretos cuando están entrenados para una tarea específica.
La próxima etapa de la IA en publicidad no irá solo de usar modelos más potentes, sino de decidir qué modelo conviene para cada proceso, con qué coste, qué velocidad y qué nivel de precisión operativa.
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.
