La IA puede convivir con datos imperfectos, pero el revenue no
Cualquier empresa medianamente seria debería dejar de lado todo lo “bonito” que la IA generativa nos ha traído y, más allá de las demos y las notas de prensa, debería empezar a preocuparse por cómo hacer que la IA trabaje para su negocio.
Pero antes, déjame que vaya un paso atrás: ¿sabemos qué le estamos “dando de comer” a la IA? La industria publicitaria lleva años hablando de data como si fuera un activo estratégico, pero muchas veces la trata como un trastero. Hay naming conventions distintas por país, exports sin gobierno, sistemas que no se hablan, discrepancias aceptadas por costumbre y hojas de cálculo que sobreviven porque alguien, en algún momento, decidió que “de momento funciona”. La IA no convierte ese caos en inteligencia, sino en un caos con mejor presentación y esto es clave, especialmente para los publishers. En el lado de la compra, la industria ha aprendido a convivir con datos incompletos, y no porque sea ideal, sino porque el negocio lleva años funcionando sobre modelos, atribuciones parciales, mediciones con lagunas y estimaciones razonables. Si un modelo trabaja con señales incompletas para inferir propensión, atención, afinidad o incrementalidad, nadie espera una precisión quirúrgica. Se aceptan rangos, hipótesis, probabilidades; el Excel no baja del monte Sinaí con las tablas de la ley, pero el revenue es otra cosa.
Cuando un número entra en finanzas, en billing o en un informe que acaba delante de un cliente, ya no estamos en el terreno amable de la aproximación. Un 1% de diferencia puede parecer pequeño, pero no lo es cuando la factura no coincide con el delivery report. Ahí no hay storytelling que aguante; hay una llamada comprometida, alguien compartiendo pantalla y una pregunta muy sencilla: ¿de dónde sale exactamente este número?
La gran trampa de buena parte de la adopción de IA en medios es pensar que el problema está en la capa de inteligencia, cuando muchas veces está en la capa de infraestructura. Se construyen herramientas internas, pipelines rápidos, automatizaciones ensambladas con entusiasmo y algún prompt inspirado, y durante unas semanas todo parece avanzar, hasta que aparece la primera reconciliación seria y es entonces cuando se descubre que la IA vive en un mundo y finanzas en otro. En el mundo de la IA, el dato es flexible, interpretable, combinable; mientras que en el mundo de finanzas, el dato tiene que ser trazable, repetible y auditable. No basta con que el resultado parezca correcto, tiene que poder explicarse, reconstruirse; tiene que producir el mismo output si se ejecuta de nuevo bajo las mismas condiciones y, sobre todo, tiene que estar conectado con la lógica que la empresa ya usa para facturar, cerrar mes, reportar ingresos y responder ante clientes, auditoría o compliance.
Esto no significa que la IA no tenga espacio en los workflows de revenue, que lo tiene, pero no puede colocarse encima de una arquitectura fragmentada esperando que actúe como árbitro neutral. Si el Ad Server reporta una cosa, el SSP factura otra, el OMS estructura la campaña de otra manera y el equipo comercial tiene su propia versión en un CRM o en un Excel compartido, el problema no es de IA, sino de gobierno del dato; la IA simplemente lo ilumina con focos de estadio.
La fragmentación del dato en los publishers no es nueva. Viene de un ecosistema construido por capas: Ad Servers, SSPs, sistemas de order management, herramientas de verificación, plataformas de audiencias, soluciones internas, reporting para clientes y, en muchos casos, desarrollos propios que nadie se atreve a tocar porque “los hizo alguien que ya no está”. Cada sistema tiene sus convenciones, sus zonas horarias, sus definiciones de métrica, sus lógicas de atribución y sus pequeñas verdades locales. El problema aparece cuando se pretende que una capa de IA reconcilie todo eso sin que antes exista una normalización deliberada. La IA puede mapear campos, detectar patrones y proponer relaciones, pero si hay una discrepancia del 10% entre lo que reporta una plataforma y lo que se factura desde otra, aceptar automáticamente una versión no es una tarea técnica, es una decisión de negocio y, probablemente, no sea una decisión que quieras delegar a un modelo sin supervisión humana.
La parte menos glamourosa de este tema es también la más importante: taxonomías, field mapping, umbrales de discrepancia, contratos de data con partners tecnológicos, ownership de métricas, definición de fuentes maestras, procesos de validación upstream y documentación de la lógica… dicho de otra forma: todo eso que no queda bien en un evento, pero que determina si una compañía puede escalar IA de verdad o solo enseñar pilotos internos con cara de futuro. Luego está procurement, ese lugar donde las fantasías tecnológicas suelen encontrarse con la realidad corporativa.
En una organización empresarial, cualquier herramienta que toque datos críticos del negocio tiene que pasar por requisitos formales: controles de acceso, políticas de retención, procesos documentados de tratamiento de datos, cumplimiento de estándares, responsabilidades claras del proveedor y capacidad de auditoría. No es burocracia por deporte, sino el mecanismo que permite que una empresa use tecnología sin convertir su operación en una ruleta. Una herramienta interna montada deprisa, una integración improvisada o un pipeline construido alrededor de exports manuales puede servir para explorar posibilidades, pero si de ahí salen números que afectan a billing, reporting o entregables de cliente, la conversación cambia: compliance no está bloqueando la innovación, está recordando que hay zonas del negocio donde la creatividad técnica necesita cinturón de seguridad.
Esta es la parte que conviene asumir sin dramatismos: la IA en publicidad y medios tiene un potencial real, pero ese potencial depende de lo que haya debajo. Si debajo hay una arquitectura coherente, gobernada y conectada con las necesidades reales de negocio, la IA puede amplificar capacidades, pero si debajo hay discrepancias, silos y definiciones incompatibles, amplificará confusión… con mejor interfaz, eso sí, muy premium y muy enterprise, lo que quieren en el comité. Por eso la pregunta para los publishers no debería ser simplemente qué herramienta de IA van a adoptar, sino si su dato de revenue está preparado para soportar una capa de inteligencia sin romper la confianza interna, porque al final, la industria puede tolerar mucha incertidumbre cuando habla de audiencias, atribución o modelos predictivos, pero cuando hablamos de dinero, la poesía se acaba rápido.
La IA puede trabajar con imperfecciones, pero finanzas, clientes y auditoría, bastante menos; y quizá ahí esté la verdadera frontera entre quienes están adoptando IA y quienes solo están automatizando sus problemas con un nombre más moderno.
Puntos clave:
La IA puede ser útil con datos imperfectos en determinados contextos, pero el dato de revenue exige trazabilidad, reconciliación y consistencia.
Sin una fuente única de verdad, la IA no resuelve los problemas de arquitectura de datos: los hace más visibles.
La adopción real de IA en publishers dependerá menos de la velocidad de implementación y más de gobernanza, compliance y calidad del dato.
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.
