'IA agéntica en programática: autonomía, estándares y supervisión humana', por Alexandra Balashoiu (Onetag)
Pocas conversaciones ocupan hoy tanto espacio en nuestra industria como la de la IA agéntica. Cada semana surgen nuevas capacidades aplicadas a la optimización de campañas, la planificación de medios o la toma de decisiones. Según el informe The State of AI in Advertising de IAB UK, apenas un 4% de las operaciones de marketing están diseñadas hoy de forma agéntica, pero un 74% de los miembros ya ha empezado a experimentar con ello. Aun así, sigue sin estar del todo claro qué es exactamente un flujo de trabajo agéntico y qué implicaciones tiene para el futuro de la programática.
Hasta ahora, el debate se ha centrado sobre todo en lo que los agentes de IA son capaces de hacer. Sin embargo, la pregunta de fondo es otra: cómo deben funcionar en entornos publicitarios reales, donde se cruzan decisiones comerciales, obligaciones de privacidad, responsabilidades legales y consideraciones éticas. A medida que los agentes pasan de sugerir a actuar en nombre de las empresas, la transparencia, la rendición de cuentas y la gobernanza pesan tanto como la propia capacidad técnica.
La próxima etapa de la publicidad dependerá de encontrar el equilibrio adecuado entre la autonomía de la IA y el criterio humano. Los agentes pueden asumir una parte cada vez mayor de la complejidad operativa dentro de unos márgenes bien definidos, mientras las personas siguen marcando la estrategia, fijando los objetivos y supervisando las decisiones. Iniciativas recientes como AAMP 2.3, del IAB Tech Lab, van en esta línea: introducen puntos de aprobación (approval gates), verificación de precios y momentos concretos en los que se exige autorización humana antes de ejecutar determinadas acciones comerciales. Lejos de frenar la autonomía, estos controles son precisamente lo que permite desplegar flujos agénticos con más seguridad.
Más allá de la automatización
La automatización no es nueva en publicidad. La tecnología programática ya gestiona multitud de procesos, desde las pujas hasta la activación de audiencias. Pero la mayoría de estos sistemas funciona con reglas y secuencias predefinidas: ejecutan tareas concretas según las instrucciones recibidas y, cuando se topan con algo que se sale de esos parámetros, como un fallo inesperado, sencillamente se detienen.
La sincronización de deals lo ilustra bien. Las API de Deal Sync actuales activan acuerdos entre plataformas a partir de campos fijos y reglas de negocio establecidas. Si el proceso falla por un problema imprevisto en la API o porque falta información, la automatización se para y devuelve un error. No puede averiguar qué ha pasado, buscar más contexto ni probar una vía alternativa.
Un agente de IA trabaja de otra manera. Se le asigna un objetivo y, a partir de ahí, evalúa la información disponible, planifica las acciones posibles y las ejecuta dentro de un conjunto definido de permisos y restricciones. En lugar de seguir una secuencia cerrada, ajusta su comportamiento en función de cómo cambian las condiciones y del feedback que recibe.
En el caso de Deal Sync, el agente no sustituiría la herramienta, sino que se encargaría de todo lo que la rodea cuando algo sale mal: investigar por qué ha fallado un deal, contrastar datos entre varios sistemas, localizar el punto exacto del error y proponer o aplicar la solución dentro de los límites aprobados. Dicho de forma sencilla, la automatización ejecuta procesos ya definidos; el agente aporta razonamiento, contexto y aprendizaje continuo al flujo de trabajo que hay alrededor.
Esta diferencia es especialmente relevante en publicidad, porque las campañas viven en un entorno que cambia constantemente: el rendimiento fluctúa, la disponibilidad de inventario varía y el comportamiento de las audiencias evoluciona. Cuando la automatización se detiene, gestionar todas esas variables a mano y en varias plataformas a la vez genera una enorme carga operativa. Los flujos agénticos ayudan a los equipos a reaccionar mejor, con decisiones más rápidas, menos tareas repetitivas y una gestión de campañas más coherente.
Autonomía, sí, pero con supervisión humana
Uno de los malentendidos más extendidos es pensar que más autonomía significa sacar a las personas del proceso. En la práctica, los flujos agénticos que mejor funcionan son los que se diseñan como una colaboración entre personas y sistemas de IA.
Son las personas quienes definen los cimientos de cada campaña: los objetivos de negocio, los KPI y las métricas de éxito, la tolerancia al riesgo, las restricciones operativas y el grado de autonomía que se concede al agente. Y, sobre todo, son ellas las que construyen las bases de conocimiento, las guías operativas y los marcos de gobernanza de los que dependen los agentes. Sin un conocimiento interno bien estructurado, ni el agente más avanzado tiene el contexto necesario para aprender, razonar o actuar con fiabilidad.
Dentro de esos márgenes, los agentes planifican acciones en función de los objetivos, ejecutan las tareas autorizadas, detectan oportunidades de optimización y aprenden a través de ciclos de feedback. El resultado es un modelo en el que la experiencia humana orienta las decisiones y la IA multiplica la escala y la velocidad a la que pueden trabajar los equipos. Para los profesionales del sector, esto se traduce en menos tiempo dedicado a procesos repetitivos o a resolver incidencias, y más tiempo para el pensamiento estratégico, el criterio creativo y el conocimiento del mercado.
Dónde pueden marcar la diferencia en programática
Las oportunidades se extienden por todo el ecosistema programático.
En el buy side, los agentes pueden acompañar todo el ciclo de vida de una campaña. En la fase de planificación, basta con facilitar un briefing y el resultado de negocio que se busca para que el agente proponga una estrategia de activación, los supply paths más adecuados y un plan de ejecución, que después se somete a aprobación. Con la campaña ya en marcha, el agente puede analizar las señales de forma continua, detectar margen de mejora y recomendar ajustes según los objetivos marcados. En lugar de revisar a mano varios dashboards e interpretar datos dispersos, los equipos reciben las conclusiones y acciones relevantes en el contexto adecuado, y pueden dedicar menos tiempo a vigilar campañas y más a decidir.
En el lado de los editores, los agentes pueden hacer más eficiente la gestión del inventario, ayudando a identificar oportunidades de valor sin renunciar a los estándares de calidad. Los agentes del sell side también podrían empaquetar inventario en propuestas de deals a partir de las señales de demanda, las características de la audiencia y la calidad del inventario, de modo que los equipos comerciales lleven al mercado oportunidades de mayor valor con menos esfuerzo.
A escala de ecosistema, los flujos agénticos permiten interacciones más dinámicas entre plataformas, ya sea mediante el agent-to-agent trading, en la que los sistemas se comunican entre sí para encontrar oportunidades adecuadas, o mediante la resolución automática de incidencias antes de que afecten al rendimiento. Esto responde a un problema operativo histórico de la programática. Según The Trade Desk, alrededor del 90 % de las campañas que utilizan deal IDs estructurados de private marketplace (PMP) tiene dificultades para escalar, a menudo por problemas técnicos relativamente sencillos que obligan a largas investigaciones manuales entre compradores y vendedores. En lugar de depender de correos, mensajes de Slack o reintentos sucesivos, un agente podría identificar la causa raíz, validar la información entre los sistemas conectados y resolver buena parte de estos casos de forma automática.
Supone un cambio de fondo en el papel de la tecnología: pasar de herramientas que ordenan información y automatizan procesos a sistemas capaces de ayudar activamente a gestionar flujos de trabajo complejos. Para que esto funcione a escala, eso sí, los agentes necesitan una forma fiable de conectarse con el resto del ecosistema.
Los estándares como base del futuro agéntico
La programática solo fue posible gracias a estándares compartidos como OpenRTB, que permitieron a compradores, vendedores y plataformas entenderse en un idioma común en cuestión de milisegundos. Con la llegada de los flujos agénticos, la industria se enfrenta a un reto parecido: los agentes de IA también necesitan una manera común de descubrir herramientas, intercambiar contexto e interactuar de forma coherente entre plataformas.
El éxito de la publicidad agéntica dependerá, por tanto, de la alineación de todo el ecosistema que rodea a los modelos de IA, y en especial de los estándares que permiten que sistemas distintos se comuniquen y funcionen con fiabilidad. El IAB Tech Lab ya ha subrayado la importancia de crear marcos comunes para la publicidad agéntica, con iniciativas orientadas a establecer protocolos, registros y estándares que faciliten el trabajo de los agentes en todo el ecosistema. Hace falta una infraestructura compartida que simplifique la colaboración entre sistemas y ofrezca una base sólida para los flujos impulsados por agentes.
A medida que esta tecnología madure, la interoperabilidad será tan importante como la inteligencia. Los agentes tendrán que entender el contexto en el que operan, comunicarse de forma consistente con otros sistemas y respetar reglas claras de acceso y toma de decisiones.
MCP: la capa que conecta agentes y herramientas
Lograr ese nivel de coordinación no es sencillo en un panorama tecnológico tan fragmentado como el actual. La publicidad digital se apoya en una red compleja de plataformas, herramientas y fuentes de datos, y para aportar valor real los agentes necesitan una forma homogénea de entenderlas, acceder a ellas e interactuar con ellas. Aquí es donde entra en juego el Model Context Protocol (MCP).
El IAB lo ha descrito como el “USB C para el mundo de la IA”. Igual que ese conector unificó la forma de enlazar dispositivos distintos, MCP ofrece una capa de conexión universal entre los agentes de IA y las aplicaciones y fuentes de datos externas que necesitan utilizar.
La industria trabaja activamente en estándares específicos para la publicidad agéntica, como los Agentic Advertising Management Protocols (AAMP) del IAB Tech Lab o el Ad Context Protocol (AdCP), cada uno centrado en distintos aspectos de cómo se comunican y negocian los agentes. Mientras estos marcos de nivel superior siguen evolucionando, MCP actúa por debajo de ellos como capa base de conectividad. Evolucionen como evolucionen los flujos agénticos, los agentes siempre necesitarán un método coherente para acceder a los sistemas, obtener contexto y solicitar acciones, y ese es justamente el problema que resuelve MCP.
Desde el punto de vista técnico, MCP es un estándar abierto basado en un modelo cliente/servidor. Permite a los agentes descubrir qué herramientas tienen a su disposición, entender qué pueden hacer con ellas y pedir permiso antes de actuar. Al ofrecer una interfaz común, evita que cada sistema de IA tenga que construir integraciones separadas con cada plataforma y permite a los agentes moverse por distintas partes del stack adtech. Aunque el sector siga afinando cómo deben comportarse los agentes publicitarios o qué protocolos de nivel superior acabarán imponiéndose, la interfaz estandarizada de MCP ya resuelve el reto de conectar esos agentes de forma segura con las herramientas de las que dependen.
Esto abre la puerta a capacidades como que los agentes trabajen con el contexto en tiempo real de las campañas en lugar de limitarse a dashboards estáticos, que los sistemas se comuniquen entre sí para facilitar transacciones o que los procesos automatizados detecten y resuelvan incidencias con mayor eficacia.
Confianza, transparencia y supervisión
Cuando los sistemas de IA dejan de limitarse a recomendar y empiezan a actuar, la gobernanza se vuelve imprescindible. Las empresas necesitan tener la seguridad de que las decisiones automatizadas son explicables, trazables y coherentes con sus objetivos. Eso exige límites claros sobre a qué pueden acceder los agentes, qué acciones pueden llevar a cabo y en qué momentos es obligatoria la aprobación humana. Se trata de construir sistemas que amplíen lo que los equipos son capaces de gestionar, sin desconectar a las personas de las decisiones que más importan.
El futuro de la publicidad programática dependerá de lo bien que colaboren personas y agentes de IA y, de forma decisiva, de que plataformas, compradores, editores y socios tecnológicos se pongan de acuerdo en unos estándares comunes. La propia historia de la programática, con hitos como OpenRTB, demuestra que los protocolos compartidos por toda la industria generan mucho más valor que la innovación aislada. Nada hace pensar que la publicidad agéntica vaya a ser diferente.
Los agentes pueden ayudar a los equipos a gestionar la complejidad con más velocidad y a mayor escala, pero la experiencia humana sigue siendo insustituible para la estrategia, el criterio y la responsabilidad. Si combinamos flujos de trabajo agénticos, estándares abiertos y una gobernanza responsable, la industria podrá construir una base más inteligente, transparente y eficiente para la próxima generación de la publicidad.
Por Alexandra Balashoiu, VP of Product, Onetag