El problema no es que los agentes de IA decidan, es que decidan sobre datos que nadie ha revisado
En publicidad digital tenemos una obsesión razonable con la calidad del inventario, la transparencia del supply path, la verificación de los sellers y la higiene del lado de la oferta. Hemos construido estándares, taxonomías, frameworks de validación y una liturgia completa para demostrar que el publisher es quien dice ser, que el inventario existe, que el tráfico no es basura y que el dato asociado a una impresión no ha aparecido por generación espontánea en una subasta nocturna.
Todo eso era necesario y también, por qué no decirlo, cómodo. Cómodo porque el problema siempre parecía estar “al otro lado”: en el publisher, en el SSP, en el reseller, en el long tail, en el MFA, en la cadena de suministro… El anunciante y la agencia podían mirar con cierta superioridad moral al supply side y exigirle limpieza, auditoría y trazabilidad, pero ¿qué ocurre cuando aplicamos la misma lógica al lado de la compra? Porque el buy side está entrando en una fase en la que los agentes de IA empiezan a tomar decisiones operativas sobre datos que, en demasiados casos, nadie ha revisado con la misma severidad que se exige a un seller.json.
Y no, esto no va solo de “la IA puede equivocarse”, el problema más profundo es que muchos sistemas de marketing automation, CRM, lead scoring, preferencia, consentimiento y supresión descansan sobre capas de datos construidas hace años, mantenidas con parches sucesivos y validadas en un contexto que ya no necesariamente existe. El dato no está roto en el sentido más técnico de la palabra; no lanza un error, no hace saltar una alarma, no aparece en rojo en el dashboard, simplemente puede estar desactualizado, mal contextualizado o desconectado del negocio actual y ese es el peor tipo de problema: el que parece funcionar.
Hasta ahora, ese deterioro era, sobre todo, un problema de performance. Una campaña que no convertía, una base que respondía peor, una tasa de apertura que caía, una audiencia que parecía demasiado pequeña, una supresión que nadie entendía. Se revisaba el segmento, alguien en AdOps miraba la lógica, legal intervenía si había dudas y, con algo de suerte, el error se atrapaba antes de que escalara, pero querido lector, los agentes cambian ese equilibrio. Un agente no tiene memoria política de por qué se creó una regla de supresión en 2021, como no sabe que una categoría de preferencia nació para una campaña concreta y luego se reutilizó de forma oportunista durante tres años. Tampoco distingue entre un consentimiento vigente y un consentimiento capturado bajo un propósito que ya no encaja del todo con lo que se le está pidiendo activar. Ejecuta, a velocidad y a escala, con una obediencia que en una máquina llamamos eficiencia y en una organización deberíamos llamar riesgo.
La industria tiende a hablar de agentes de IA como si el principal reto fuera decidir qué tarea delegarles, pero quizá nos deberíamos preguntar sobre qué datos van a actuar y cuándo fue la última vez que alguien los verificó… porque esa diferencia es súper importante. Un agente no solo acelera una decisión, también acelera las consecuencias de una mala premisa. Si una regla de supresión está mal definida, puede excluir durante semanas a prospects de alto valor sin que nadie entienda por qué el pipeline se seca. Si un campo de consentimiento está desalineado con los propósitos actuales, puede activar comunicaciones que generen exposición legal o reputacional. Si un modelo de scoring se calibró con un perfil de comprador que ya no convierte, el agente puede optimizar disciplinadamente contra una ficción.
Y ahí los dashboards rara vez ayudan, porque lo que hacen es mostrar el resultado de la maquinaria, no la salud conceptual de la maquinaria: puede decirte que la campaña cae, no siempre puede decirte que cae porque un dato viejo, aparentemente válido, sigue mandando en una decisión que ya nadie recuerda haber diseñado. Este punto debería resultarte familiar. Es exactamente el tipo de problema que el mercado ha intentado resolver durante años en el supply side: sistemas automatizados actuando sobre datos no verificados a una escala donde el juicio humano ya no compensa. La diferencia es que en el lado de la oferta el mercado acabó poniendo nombre al problema. En el lado de la compra todavía tendemos a esconderlo entre marketing operations, CRM, legal, IT y ese cajón tan amplio llamado “ya lo miraremos”, y no es sostenible.
La gobernanza del dato en el buy side tiene que dejar de ser una tarea de limpieza ocasional y convertirse en una disciplina operativa. No basta con tener un CRM, un preference center y una política de privacidad escrita en un PDF que nadie abre. Si una organización quiere que agentes de IA tomen decisiones de envío, targeting, supresión, scoring o priorización comercial, necesita poder responder a preguntas muy básicas: qué dato están usando, cuándo se capturó, bajo qué propósito, quién lo validó, qué regla lo transforma, qué sistema lo consume y cuándo fue la última revisión.
La primera capa es consentimiento y preferencias. Muchas empresas construyeron esa infraestructura una vez y siguieron adelante. Pero las finalidades cambian, los canales cambian, los productos cambian y las campañas reales rara vez respetan con elegancia la arquitectura original del preference center. Si las opciones que el usuario eligió hace años no se corresponden con las categorías de campaña que hoy ejecuta el equipo, ese dato tiene menos valor del que aparenta. Puede seguir siendo un campo completo en la base de datos, pero comercialmente puede ser ambiguo y legalmente incómodo.
La segunda capa es la lógica de supresión: pocas cosas envejecen peor que una regla creada para evitar un problema concreto y heredada por equipos que ya no conocen el contexto. Una regla puede protegerte de un riesgo real, también puede bloquear ingresos sin que nadie lo sepa. El problema es que ambas cosas, desde fuera, se parecen mucho: una audiencia que no entra, una campaña que no sale, un segmento que se queda fuera del plan.
La tercera capa es ownership. En el supply side, al menos en teoría, la calidad del dato tiene responsables identificables. En el buy side, demasiadas veces vive en una tierra de nadie. AdOps administra, legal revisa, IT conecta, ventas se queja, data science modela y la agencia activa, pero cuando un agente toma una mala decisión, la pregunta no será quién participó tangencialmente en el stack, sino quién era responsable de la capa de datos sobre la que actuó.
Y aquí hay un punto clave: la IA no elimina la necesidad de la gobernanza, si bien la vuelve menos negociable. Cuanto más autónomo es el sistema, más importante es la calidad de las condiciones iniciales. Esto no es nuevo para cualquiera que haya trabajado en programática donde llevamos años viendo cómo pequeñas decisiones de taxonomía, señal, consentimiento, frecuencia o inventario producen efectos enormes cuando entran en sistemas automatizados. La diferencia es que ahora esos sistemas ya no solo pujan, también recomiendan, excluyen, priorizan, envían y optimizan relaciones comerciales enteras.
Es probable que los primeros incidentes relevantes no se presenten como “fallos de IA”, sino que se presentarán como problemas de deliverability, caídas inexplicables de pipeline, segmentos que desaparecen, clientes mal impactados o decisiones de targeting que nadie sabe reconstruir. Es decir, como problemas clásicos… solo que con una capa de autonomía encima. Por eso, el paralelismo con el supply side es tan importante: la industria no solucionó todos sus problemas de transparencia, pero sí aprendió una lección: cuando sistemas automáticos toman decisiones sobre datos, la verificación deja de ser una preferencia y se convierte en infraestructura. Ahora toca aplicar esa misma incomodidad al lado del anunciante. Habrá resistencia, claro; la gobernanza no vende tanto como un nuevo agente, no queda tan bien en una demo, ni promete más conversión en tres semanas, pero es la diferencia entre automatizar inteligencia y automatizar deuda técnica y en muchas empresas, esa deuda lleva años acumulando intereses.
La paradoja es que el buy side ha pasado mucho tiempo exigiendo al mercado garantías sobre dónde aparecían sus anuncios, qué inventario compraban y qué señales alimentaban sus decisiones de medios. Ahora que sus propios sistemas empiezan a actuar con más autonomía, tendrá que aceptar el mismo nivel de escrutinio dentro de casa. La próxima gran conversación sobre IA en marketing no debería empezar por saber qué puede hacer un agente sino por preguntarnos si confiaríamos en los datos sobre los que va a decidir si tuviéramos que auditarlos mañana.
Puntos clave:
La automatización del lado de la compra avanza más rápido que la gobernanza de los datos sobre los que se apoya.
Los agentes de IA convierten datos obsoletos de consentimiento, preferencias o supresión en un riesgo operativo, comercial y de compliance.
El buy side necesita una disciplina de verificación similar a la que la industria ha construido durante años en el supply side.
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.
