Te presentamos la startup que quiere auditar tus decisiones programáticas una a una
Hay una parte de la programática de la que se habla muy poco: muchas decisiones se toman, se optimizan, se justifican y se facturan sin que nadie pueda explicar del todo qué aporta cada capa. En los dashboards podemos ver si el CPA baja o sube, el CTR hace su pequeño numerito, el ROAS se defiende bien en las slides y todo el mundo asiente con esa cara de “sí, claro, todo esto tiene mucho sentido”… hasta que alguien pregunta qué parte del resultado vino del segmento, qué parte del bid modifier, qué parte del supply path, qué parte de la optimización del DSP y qué parte fue simplemente suerte estadística con traje de machine learning: silencio sepulcral en la sala… trago de café y cambio de tema.
Por eso la propuesta de la startup Precise tiene algo interesante, ya que ataca una de las grietas más incómodas del sistema: la programática mide muchos resultados, pero no siempre mide bien la contribución de cada decisión que llevó a esos resultados. Precise ha levantado una ronda seed de 7 millones de dólares y quiere aplicar al media buying lo que denomina decisioning economics. La idea, en términos sencillos, consiste en medir el coste y la contribución de todo lo que interviene antes de comprar una impresión, en lugar de limitarse a evaluar el resultado final. Es decir, no mirar solo si una campaña funcionó, sino descomponer qué decisiones ayudaron, cuáles fueron irrelevantes y cuáles añadieron coste sin aportar valor.
Y aquí es donde la cosa empieza a ponerse divertida, porque durante mucho tiempo hemos aceptado una cierta caja negra como precio inevitable de la sofisticación. Queríamos automatización, escala, optimización en tiempo real, audiencias, lookalikes, modelos predictivos, pujas dinámicas y caminos de suministro supuestamente más eficientes… Muy bien, pero cuando metes quince ingredientes en una receta y luego dices que el plato te salió bueno, conviene saber si fue por el azafrán, por el horno o porque no se quemó la salsa.
Precise plantea precisamente esto: analizar los inputs que intervienen en una decisión de compra: qué segmentos se usaron, qué modificadores de puja se aplicaron, qué precios entraron en juego, qué optimizaciones se activaron, qué rutas de supply se eligieron y cómo se atribuyeron después las impresiones. La ambición es bajar casi a un nivel atómico de la transacción, si bien la empresa reconoce que hay que empezar por componentes más sencillos, como por ejemplo los segmentos de audiencia, algo que tiene sentido; si un DSP está aplicando decenas de segmentos a una campaña, no parece raro querer saber cuáles están contribuyendo realmente y cuáles están ahí como esos invitados de evento que nadie sabe quién metió en la lista.
La lectura de fondo es más grande: la industria está entrando en una fase en la que ya no basta con auditar el resultado, hay que auditar la decisión y eso cambia el tipo de idioma que marcas, agencias y plataformas van a tener entre sí. Hasta ahora, buena parte de la rendición de cuentas en programática se ha construido alrededor de métricas finales (ventas, visitas, leads, conversiones, reach, frecuencia, lift, atención, incrementalidad) cuando hay presupuesto y paciencia, y alguna atribución generosa cuando la historia necesita cerrar bien, pero si la compra se vuelve cada vez más automática y más agéntica, el problema no estará solo en saber qué pasó después sino en entender por qué el sistema decidió hacer lo que hizo antes.
Esto afecta especialmente a las agencias, porque la agencia ha sido históricamente el lugar donde se explicaba la decisión de medios: se recomendaba un mix, se justificaba una inversión, se defendía una estrategia y se asumía una responsabilidad frente al cliente, pero cuando buena parte de esa decisión se delega en plataformas, modelos, optimizadores y capas de automatización, la agencia corre el riesgo de convertirse en traductora de decisiones ajenas. Y traducir no es lo mismo que gobernar. Ahí es cuando tiene sentido una solución como la de Precise como capa de inteligencia independiente para ofrecer una forma de responsabilizar a cada elemento de la cadena por su contribución real a la campaña. Todo esto suena muy bien, pero su ejecución, sospecho, será bastante menos sencilla, porque pedirle al ecosistema que demuestre exactamente qué aporta cada pieza es como pedirle a una cena de Navidad que identifique quién empezó la discusión: todos tienen una versión, nadie tiene incentivos para quedar mal y siempre hay alguien diciendo que lo importante es estar juntos.
El origen de Precise también es revelador; la empresa no nació como herramienta para diseccionar decisiones de compra, sino desde una lógica de privacidad, consentimiento y trazabilidad de datos. En 2024, las herramientas de privacidad y consentimiento de Qonsent se combinaron con infraestructura de datos basada en blockchain de Valence Labs para formar Precise con foco en permission, tracking de uso de datos y registro verificable de su movimiento por la cadena. Después, esa capa de procedencia se reorientó hacia algo más amplio: si puedes registrar cómo se mueve un dato, quizá también puedes registrar cómo se toma una decisión. Este giro conecta dos obsesiones que hasta ahora han estado separadas: privacidad y eficiencia. La trazabilidad se ha presentado como una necesidad regulatoria o reputacional y saber de dónde viene el dato, si hay consentimiento, si puede activarse, si se comparte, si se mueve o no se mueve, pero Precise sugiere otra posibilidad: que la trazabilidad también sea una herramienta económica, no solo para cumplir, sino para saber quién aporta valor y quién simplemente está cobrando alquiler en la cadena.
Esta es, probablemente, la parte que más debería interesar a cualquier profesional de publicidad digital porque se nos llena la boca cuando hablamos de transparencia, pero muchas veces lo hacemos desde una posición defensiva: transparencia como respuesta a auditorías, como claim comercial o como promesa de que “aquí no pasa nada raro”, pero el siguiente nivel no es enseñar el recibo es explicar la lógica. Si una campaña usa un segmento, hay que saber si ese segmento contribuyó. Si se eligió una ruta de supply, hay que saber si esa ruta aportó eficiencia o solo comodidad operativa. Si un algoritmo subió una puja, hay que poder entender si esa decisión tenía fundamento. Si una capa tecnológica cobra un fee, hay que poder demostrar que el valor generado supera el coste añadido. Todo esto no parece nada revolucionario; de hecho, parece bastante básico… lo preocupante es que en 2026 siga sonando casi provocador.
Por supuesto, conviene no caer en la ingenuidad. Que una startup prometa auditar cada decisión no significa que vaya a resolver de golpe la opacidad estructural de la compra programática. Precise está en fase inicial, trabaja con pilotos y, según la información publicada, todavía está probando cómo convertir esa lógica de contribution analysis en algo que pueda influir en la asignación real de presupuestos. Una cosa es detectar que un segmento no aporta y otra muy distinta es conseguir que el comprador deje de usarlo, que el partner acepte perder ingresos o que el workflow de una gran agencia cambie porque un dashboard nuevo le ha dicho una verdad incómoda. Además, medir contribución en programática no es trivial. Los inputs no actúan aislados: un segmento puede funcionar solo en determinados entornos, con determinados precios, bajo ciertas frecuencias, en una ruta concreta y con una creatividad específica. Separar variables en un sistema tan interdependiente exige mucho rigor metodológico y si no se hace bien existe el riesgo de crear otra capa de reporting que prometa claridad y acabe generando otra versión sofisticada del “depende”.
Pero incluso con todas estas cautelas, el movimiento apunta a una dirección inevitable: cuanto más automática sea la compra, más importante será auditar la decisión, o dicho de otra forma, cuanto más agéntico sea el media buying, más necesario será saber qué datos, modelos, reglas y optimizaciones están influyendo en cada euro invertido, porque si no se puede explicar la decisión, la confianza se convierte en fe. La paradoja es que la industria siempre ha vendido la automatización como una forma de ganar control: más datos, más velocidad, más precisión, más eficiencia, pero quizá estamos llegando al punto en el que automatizar sin auditar no aumenta el control, lo desplaza. Del comprador al sistema de la agencia a la plataforma, del criterio humano al modelo y de la responsabilidad compartida a una nebulosa en la que todo funcionó “por optimización”.
Lo que hace Precise no es importante porque vaya a auditar todas las decisiones programáticas del mercado mañana sino porque pone nombre a una ansiedad que ya estaba ahí: si las máquinas van a decidir cada vez más, alguien tendrá que auditar no solo lo que consiguieron, sino por qué decidieron hacerlo y ahí es donde la programática entra en una etapa bastante menos cómoda, porque medir resultados es fácil cuando todos quieren celebrar el performance. Medir contribuciones es más delicado, porque obliga a señalar qué capas sobran, qué decisiones no aportan y qué socios llevan años viviendo de una complejidad que nadie se atrevía a descomponer.
Al final, quizá el verdadero futuro del media buying no sea más automatización, sino más responsabilidad sobre la automatización y eso plantea otra incógnita para todos los que viven dentro de la cadena: cuando alguien pueda auditar cada decisión, ¿cuántas de nuestras decisiones seguirán pareciendo inteligentes?
Puntos clave:
La automatización programática ha avanzado mucho más rápido que la rendición de cuentas sobre cómo se toman las decisiones de compra.
Precise propone medir la contribución real de cada input —segmentos, bids, supply paths u optimizaciones— antes de mirar solo el resultado final.
Si la compra de medios se vuelve más agéntica, la nueva batalla será auditar la decisión, no únicamente reportar el performance.
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.
