Las agencias de medios desarrollan controles para evitar que los agentes de IA disparen sus costes

Las agencias que están recurriendo a agentes de IA para acelerar la planificación y compra de medios empiezan a encontrarse con una paradoja: la tecnología puede ahorrar tiempo, pero no necesariamente dinero. Al menos, no si se deja funcionar sin supervisión. A medida que se multiplican las herramientas capaces de segmentar audiencias, configurar campañas o ejecutar operaciones de medios de forma autónoma, algunas agencias están desarrollando sistemas específicos para vigilar qué hacen estos agentes, detectar posibles errores y, cada vez más, controlar cuánto consumen.

En esta línea, varias agencias han comenzado a crear herramientas para supervisar a los agentes de IA que utilizan en sus procesos de planificación y compra. El objetivo es doble: evitar que los sistemas “alucinen” y generen información incorrecta y, al mismo tiempo, impedir que el consumo de tokens se dispare sin control.

Las agencias empiezan a vigilar a sus agentes

Según una encuesta de Gartner realizada en abril a 1.300 responsables sénior de marketing, el 56% de las compañías todavía implementa herramientas de IA sin contar con políticas claras sobre su uso. La consultora calcula, además, que el 60% de las organizaciones que utilizan IA se enfrentará a sobrecostes relacionados con esta tecnología por no disponer de mecanismos adecuados para monitorizar su utilización.

Algunas agencias que llevan meses desarrollando y probando agentes de IA están intentando adelantarse a ese problema.

Ante este escenario, Rise, la agencia de performance media del grupo Quad, lleva probando desde junio agentes de IA para la compra de medios con un cliente del sector de la distribución alimentaria, según explica Klaudia Smykowska, group director de la compañía, en declaraciones recogidas por Digiday.

Para controlar la actividad de estos agentes, Rise utiliza una función de registro de auditoría desarrollada por PubMatic, proveedor de SSP que ha colaborado con distintas agencias en las pruebas de herramientas de compra de medios basadas en IA, entre ellas Butler/Till y Abovo Maxlead, en Países Bajos.

La herramienta permite detectar cuándo un agente se desvía de los parámetros establecidos y mantiene un registro de las acciones que ha llevado a cabo. “Puedo preguntar: ‘¿Por qué hiciste ese cambio? ¿En qué se basó tu proceso de pensamiento a partir de ese brief inicial?’”, explica Smykowska a Digiday. De esta forma, puede comprobar que todo queda registrado y reconstruir posteriormente qué ocurrió y por qué. Por su parte, Harry Tong, Director of Sales Engineering de PubMatic, explica que cada modificación realizada por el agente queda registrada con una marca temporal, junto con los detalles del cambio y la vía utilizada para ejecutarlo, por ejemplo, a través de la interfaz de usuario.

Monitorizar las acciones específicas que realiza un agente mientras intenta ejecutar un brief resulta especialmente importante durante la fase de pruebas. Pero probablemente será todavía más relevante cuando estas herramientas empiecen a utilizarse de forma generalizada y dejen de ser un experimento.

Rise no es la única agencia que está intentando poner orden en el uso de estos sistemas. Brainlabs, por ejemplo, monitoriza el uso y el desarrollo de agentes de IA por parte de sus equipos en toda la compañía. Por su parte, en Dept están desarrollando herramientas capaces de generar registros de las decisiones tomadas por los agentes y elaborar informes de control de calidad en un formato que resulte fácil de interpretar.

El coste de los tokens

A la supervisión de las decisiones se suma otra cuestión cada vez más relevante: cuánto cuesta realmente dejar trabajar a un agente de IA. Por ahora, la herramienta de auditoría de PubMatic no permite determinar cuánto podría haber costado en tokens una ruta concreta seguida por un agente. Rise calcula el coste de sus pruebas combinando el gasto en licencias y tokens con el tiempo que los empleados ahorran —o dedican— a estas tareas y con la proporción del presupuesto de una campaña que termina destinándose a working media.

Uno de los factores que puede ayudar a mejorar ese cálculo es saber qué modelo utiliza cada agente. Los modelos más potentes requieren una mayor capacidad de computación y, en consecuencia, suelen tener un coste superior. Utilizarlos por defecto para cualquier tarea puede acabar elevando considerablemente la factura.

Esto supone un problema para las agencias de medios. Muchas han permitido que sus empleados elijan el modelo que consideran apropiado para cada tarea con el objetivo de fomentar la innovación y el desarrollo individual. Por ejemplo, Brainlabs utiliza actualmente un sistema escalonado para asignar tokens a sus empleados. Cuando un trabajador supera su límite, puede recibir más tokens si su uso lo justifica, después de una revisión. “Queremos que la gente gaste. Simplemente queremos que lo haga de forma útil”, afirma Daniel Gilbert, fundador y CEO de Brainlabs.

Por su parte, algunas agencias están adoptando ahora un enfoque más prescriptivo. Dept utiliza un sistema denominado AI gateway, que elimina la posibilidad de que los empleados elijan el modelo de IA para una determinada tarea. Para mantenerse dentro del presupuesto de IA de la compañía, los empleados envían su prompt o lanzan su agente y la elección del modelo se realiza de forma centralizada en función de consideraciones comerciales o legales. En algunos casos, además, son los propios clientes quienes establecen qué modelos pueden utilizarse. Algunas compañías han pedido a la agencia que recurra a modelos concretos para garantizar que sus datos no se alojen fuera de su país de operación. Esto puede obligar, por ejemplo, a utilizar modelos que puedan alojarse fuera de Estados Unidos. PMG también ha desarrollado una herramienta denominada “Alli For You”, que establece un límite diario de consumo de tokens para los usuarios.

Las reglas también pueden incorporarse al agente

Los límites no tienen por qué establecerse únicamente desde fuera. También pueden integrarse directamente en los propios agentes. Es el caso de funcionalidades como “Skills”, disponibles en ChatGPT o Claude, que permiten guardar determinados documentos, instrucciones o secuencias de trabajo para que el agente los utilice, reduciendo así el margen que tiene para improvisar su propio camino.

El reto, por tanto, va más allá de evitar errores o proteger los datos de los clientes. A medida que los agentes de IA asumen más tareas dentro de las agencias, la cuestión será también cómo utilizar sus recursos de forma eficiente y, sobre todo, cómo asegurarse de que cada tarea se ejecuta con el modelo adecuado.

Puntos clave:

• El uso de agentes de IA se extiende en la planificación y compra de medios, pero las agencias empiezan a establecer mecanismos para supervisar sus decisiones y controlar su impacto y costes.

• Rise, Brainlabs, Dept y PMG ya han desarrollado sistemas para auditar las decisiones de los agentes, limitar el consumo de tokens y controlar qué modelos utilizan sus equipos.

• El reto para las agencias ya no es solo automatizar procesos, sino encontrar el equilibrio entre autonomía, supervisión y coste de los agentes de IA.

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.