La IA no arregla la medición

Llevamos más de diez años repitiendo el mismo mantra con distinto envoltorio: “cuando llegue Z, por fin mediremos bien”. Z ha sido muchas cosas: atribución, modelos MMM redescubiertos, dashboards omnicanal, identidad “unificada”… y ahora la IA.

El resultado, en demasiadas empresas es frustrantemente parecido: la medición no se “soluciona”, se parchea y la IA, lejos de arreglarlo hace algo más peligroso, convierte esos parches en decisiones automáticas con apariencia de verdad. El problema no es que la IA sea inútil sino que depende de la medición, por lo que si alimentas un sistema de recomendación con una foto parcial del cliente, obtendrás recomendaciones coherentes… con esa foto parcial; lo sofisticado del output no mejora la calidad del input, solo disimula sus grietas.

El nuevo estrés del CMO: la velocidad como obligación

El contexto importa y los CMOs hoy no compiten solo por resultados, sino por cosas como la narrativa interna: el board quiere crecimiento más rápido y más eficiente, el CEO quiere previsión y accountability, y toda la empresa siente la presión de “ser AI-powered” aunque muchas veces no sepa exactamente qué significa. A esto hay que sumarle equipos que tienen que moverse “como una startup” dentro de una estructura corporativa, con compliance, procurement y legacy a cuestas. En este entorno, la tentación es obvia: si la IA promete acelerar decisiones, la organización la adoptará aunque la medición no esté lista y es entonces cuando pasa lo inevitable: la velocidad no te hace mejor, te hace más rápido… también para equivocarte.

La brecha de medición que nadie quiere admitir

Muchos líderes ya no dicen que la medición les quite el sueño, sino que es el “talento”, la “IA”, la “velocidad” o la “creatividad” y, por consiguiente, la medición suena a tema viejo, a un Excel… a “lo de siempre”. Pero la brecha sigue ahí y es una brecha estructural: gran parte de los sistemas de medición todavía están diseñados para una era en la que la web era el centro del journey, había menos canales y las señales eran más limpias. Hoy el journey está fragmentado, la pérdida de señales por cambios de privacidad es real, y la atribución “clara” es más excepción que norma. La consecuencia es conocida por cualquiera que haya estado en una sala de guerra en cierre de trimestre: reportes que no encajan con la realidad, caídas o subidas de performance sin explicación convincente, equipos discutiendo qué número “es el bueno”, y decisiones tomadas por inercia porque “algo hay que hacer”. La novedad es que ahora, encima de todo este caos, ponemos un copiloto que recomienda y automatiza.

Cómo la IA convierte una medición mediocre en un problema mayor

Hay una frase que deberíamos tatuarnos: confianza no es precisión. La IA es excelente para construir outputs con aspecto autoritativo: forecasts, recomendaciones, optimizaciones, “next best actions”: te devuelve un plan que parece más sólido que una discusión humana y cuando el equipo lo ve, respira: “¡por fin, claridad!” Pero si los datos están incompletos, sesgados hacia lo que es fácil medir o faltan señales clave, la IA no “corrige” ese vacío, lo rellena con inferencias y esas inferencias, cuando se operacionalizan, se convierten en realidad presupuestaria, se mueve inversión, se reescribe estrategia, se reasignan equipos y cuando quieres deshacerlo, ya es muy tarde: el error dejó de ser una hipótesis y se convirtió en una forma de operar. Este es el riesgo real, no que la IA se equivoque sino que que se equivoque a escala y con feedback loop. Cuanto más automatizas, más caro es corregir.

Mobile como centro de gravedad

El journey moderno tiene un centro de gravedad móvil: identidad, engagement, intención… todo pasa por ahí, aunque la conversión final ocurra en otro sitio, y a la vez, mobile es donde más se ha tensionado la medición por privacidad, pérdida de señal y cambios constantes de plataforma. Aquí está el fallo de diseño que muchas empresas arrastran: siguen tratando mobile como “otro canal”, como una pestaña en el dashboard cuando en realidad, en muchos casos, es el tejido conector de todo lo demás. Si mobile se integra como un apéndice, la omnicanalidad se vuelve un collage de proxies: algo de modeled, algo de last-touch, algo de incrementality parcial y entonces la IA “optimiza” sobre lo observable, no sobre lo real. El equipo cree que está tomando decisiones basadas en comportamiento del consumidor… cuando en realidad está tomando decisiones basadas en lo que su stack puede ver sin demasiada fricción.

La conversación actual sobre IA en marketing suele empezar por herramientas: modelos, agentes o automatizaciones pero casi nunca por lo básico: si la infraestructura de medición produce datos fiables para tomar decisiones, antes de escalar IA, las preguntas duras son otras:

• ¿Dónde están mis puntos ciegos entre dispositivos y canales?

• ¿Qué decisiones se están tomando sobre supuestos modelados y no sobre comportamiento observado?

• ¿Qué dataset se considera “source of truth” y por qué?

• ¿Estoy midiendo para reportar… o para operar sistemas que automatizan?

Esto no es filosofía sino control de riesgo, porque en el momento en que un sistema de IA empieza a recomendar o ejecutar acciones, el coste de estar equivocado sube de forma desproporcionada. Ya no es “un reporte bonito pero discutible”, es dinero moviéndose solo en la dirección equivocada.

Una lectura incómoda para el sector

Desde dentro de una gran agencia, esta película se ve muy clara: la IA está subiendo el estándar de producción (más rápido, más pulido), pero también está subiendo el estándar de responsabilidad. El CMO no solo tendrá que justificar resultados, tendrá que justificar por qué confió en un sistema que recomendó Z con datos incompletos y esa conversación, con un board, no es agradable. La IA no elimina la política de la medición, la intensifica, porque cuando automatizas decisiones, la pregunta “¿qué números son los buenos?” deja de ser debate técnico y pasa a ser riesgo financiero. La consecuencia es simple: la medición deja de ser un apartado del deck y se convierte en infraestructura crítica y la infraestructura, como siempre, decide el poder.

Puntos clave:

• La IA no arregla una medición débil: la convierte en decisiones más rápidas con falsa sensación de certeza, y encarece la corrección de errores.

• La brecha actual viene de sistemas diseñados para otra era; con journeys fragmentados y pérdida de señal, la omnicanalidad se vuelve un patchwork de proxies.

• Si mobile es el centro de gravedad del comportamiento, tratarlo como “otro canal” hace que la IA optimice lo observable y no lo real; antes de automatizar, toca reforzar la base de medición.

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.