La inteligencia publicitaria sigue atrapada en “la era del dashboard”
En publicidad digital tenemos una relación curiosa con los datos: Los coleccionamos con mucho entusiasmo, los visualizamos con cierta solemnidad y después los convertimos en una reunión de una hora para decidir algo que el mercado ya ha decidido por su cuenta… Y es que llevamos tiempo diciendo que no es que falten datos, al contrario, nunca hemos tenido tanta información disponible sobre inversión, creatividades, competidores, canales, formatos, mercados y movimientos tácticos; con las herramientas adecuadas, un equipo de marketing puede monitorizar la actividad de la competencia en múltiples medios y territorios casi en tiempo real. Esa es al menos la promesa, pero la realidad es menos elegante: hay muchos más dashboards, más reportes, más pestañas abiertas en tu navegador y más gente preguntando “¿pero esto contra qué lo estamos comparando exactamente?” El problema ya no está en la escasez de información, está en la distancia entre tener datos y saber qué hacer con ellos.
La inteligencia publicitaria (del inglés Ad Intelligence) nació para ordenar todo este caos competitivo, pero buena parte de sus herramientas siguen funcionando como si el ecosistema publicitario no hubiera cambiado de forma radical. La inversión publicitaria global alcanzó los 710.000 millones de dólares en 2025, con social media y CTV creciendo más rápido que online video y display y ahí empieza el problema serio. La respuesta a cualquier complejidad de datos no era otra que la de construir otro dashboard; si el equipo de Social tenía sus métricas, el de vídeo las suyas, televisión lineal iba por otro lado y programática sobrevivía en su propio ecosistema de definiciones, la solución era juntar más gráficos en una interfaz supuestamente unificada. Todo esto es muy bonito en las demos, pero mucho menos bonito un martes a las nueve de la mañana, cuando alguien tiene que decidir si mover presupuesto, defender una recomendación ante cliente o explicar por qué el competidor ha aparecido de repente con presión en CTV en Alemania mientras en Reino Unido está empujando otro mix creativo.
La fragmentación no se arregla poniendo todo en la misma pantalla, de hecho, a veces se disfraza mejor porque el verdadero cuello de botella no es ver más sino entender antes. Las señales competitivas ya no aparecen de forma ordenada, en un canal, con una métrica clara y un responsable evidente, aparecen a la vez en social, televisión conectada, vídeo online, display, retail media, audio, buscadores, entornos cerrados y cada vez más, en espacios donde la IA empieza a alterar cómo se descubre, planifica y activa la publicidad.
El siguiente tema a debatir es si podemos convertir este dato en una decisiónantes de que deje de importar. En este punto, los dashboards empiezan a mostrar su edad: han sido útiles y quizá siguen siéndolo en muchos contextos, pero fueron diseñados para una forma de trabajo más lenta, más secuencial y más dependiente de especialistas que extraen, limpian, interpretan y explican. Esto es un modelo razonable cuando los ciclos de planificación eran más estables, pero resulta bastante menos razonable cuando los presupuestos se redistribuyen casi en directo y la presión competitiva cambia de un mercado a otro con una velocidad que no cabe en el PowerPoint de los viernes.
La inteligencia publicitaria, en teoría, debería ayudar a responder preguntas como qué competidor ha aumentado inversión, en qué canal, en qué mercado, con qué creatividad, durante cuánto tiempo, contra qué categoría, con qué posible intención estratégica y sobre todo, qué debería hacer yo con esa información. Pero muchas herramientas todavía se quedan en el penúltimo paso: reportan lo que pasó, pero no ayudan lo suficiente a decidir qué debería pasar después. Ahí entra la IA, aunque quizá conviene bajar un poco el entusiasmo antes de que alguien le ponga “AI-powered” hasta a la cafetera de la agencia. La IA no es interesante porque pueda generar otro resumen automático de un dashboard; eso sí es útil pero no transforma demasiado y la verdadera oportunidad está en cambiar la forma en que los equipos interactúan con la información.
Un planner, un trading lead o un director de marketing debería poder preguntar directamente qué competidores han incrementado su inversión en CTV en un mercado concreto, cómo se compara ese movimiento con otros países y qué piezas creativas han acompañado el cambio y debería obtener una respuesta estructurada, contextualizada y accionable en segundos, no después de tres exportaciones, dos tickets internos y una consulta al equipo de analytics que ya bastante tiene con sobrevivir. Si queremos tener esa transición de navegar de informes a conversar con los datos, de buscar manualmente anomalías a recibir insights proactivos i de usar la inteligencia publicitaria como retrovisor a usarla como sistema de decisión antes tenemos que deshacernos de una trampa muy evidente: si la base de datos es mala, incompleta o inconsistente, la IA no la convierte mágicamente en buena, solo produce respuestas más rápidas con los mismos agujeros de siempre y eso, en publicidad, puede ser peligrosamente convincente, porque una cosa es tener una interfaz conversacional y otra muy distinta tener una base cross-media y cross-market comparable. Si cada canal mide de una forma, si cada mercado tiene cobertura desigual, si la metodología cambia según la plataforma o si parte de la información es parcial, el resultado no es inteligencia aumentada: es confusión con mejor UX.
La IA no elimina la necesidad de una metodología sólida, la hace más importante. Ese punto es clave para cualquier profesional senior de medios porque la ventaja no estará simplemente en usar IA, sino en usarla sobre una base de datos suficientemente amplia, consistente y comparable. Solo entonces tiene sentido hablar de decisiones más rápidas, de análisis competitivo más útil y de una planificación menos reactiva. Dicho de otra manera: la IA puede ser un multiplicador, pero también multiplica los defectos del sistema sobre el que trabaja. Si el input es fragmentado, la respuesta será fragmentada, más rápida, más bonita, quizá incluso más convincente, pero fragmentada. Y esto nos lleva a otro tema delicado para muchas empresas: se ha invertido mucho en reporting y no siempre lo suficiente en criterio; se han creado ecosistemas de medición muy sofisticados, pero no necesariamente mejores procesos de decisión. Hay empresas que saben producir informes impecables y aun así tardan demasiado en reaccionar, o peor aún, reaccionan a lo que el dashboard permite ver, no a lo que el mercado realmente está haciendo.
La siguiente fase del ”ad intelligence” no debería consistir en tener más información sino en reducir el tiempo entre señal y decisión: ver antes, entender mejor y actuar con más confianza. Esto cambia también el papel de los equipos porque el valor ya no estará en quien sabe encontrar una cifra perdida en una plataforma, sino en quien sabe hacer la pregunta correcta, interpretar la respuesta y convertirla en una recomendación de negocio. Puede sonar menos técnico, pero en realidad es más difícil; la herramienta puede acelerar el análisis pero el criterio sigue sin venir incluido en la licencia y quizá esa sea la parte que menos gusta asumir: la IA no va a sustituir la inteligencia publicitaria, la va a dejar más expuesta la diferencia entre equipos que usan datos para justificar decisiones y equipos que los usan para tomarlas.
La industria lleva años prometiendo una visión unificada del mercado, del consumidor y de la competencia. Ahora que la IA puede hacer esa promesa más creíble pero ¿qué pasará cuando todos puedan preguntarle a una máquina qué está pasando? o… ¿quién sabrá formular la pregunta que de verdad importa?
Puntos clave:
El problema de la ad intelligence ya no es acceder a más datos, sino convertirlos en decisiones útiles antes de que pierdan valor.
Los dashboards tradicionales se quedan cortos cuando las señales competitivas aparecen a la vez en distintos canales, mercados, formatos y plataformas.
La IA puede cambiar el juego, pero solo si se apoya en datos cross-media consistentes. Si la base es incompleta, la IA solo acelera conclusiones pobres.
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.
