La IA propietaria no se declara, se demuestra

Artículo especialAITransparenciatecnologíaAdTech

10 jun

¿Dónde termina una tecnología propia y dónde empieza una capa construida sobre soluciones de terceros? ¿Qué significa realmente tener “IA propietaria” en un mercado como el AdTech, donde buena parte del valor se construye sobre integraciones, datos, automatización, infraestructura y servicios gestionados?

En PROGRAMMATIC SPAIN hemos querido abrir este debate con distintos profesionales del ecosistema para entender mejor qué debería poder demostrar una empresa cuando afirma que cuenta con tecnología diferencial, IA propia o capacidades avanzadas de optimización. No se trata de señalar a nadie, sino de abordar una conversación cada vez más necesaria en un mercado donde los claims de “IA propietaria”, “automatización avanzada” o “tecnología propia” empiezan a formar parte habitual de muchas propuestas comerciales.

Queremos dar las gracias de corazón a todos los profesionales que han compartido su visión y experiencia para enriquecer este análisis. Sus respuestas ayudan a aterrizar una pregunta que será cada vez más importante para anunciantes, agencias, publishers y plataformas: ¿qué debe poder demostrar una empresa cuando afirma que su tecnología es realmente diferencial?

La nueva fiebre del “claim sobre IA”

La industria programática tiene una enorme capacidad para convertir conceptos útiles en palabras agotadas: primero fue la viewability, luego el brand safety, después las audiencias de terceros, el contextual intelligence, la optimización predictiva, la atención y, ahora… como no, la inteligencia artificial. El patrón casi siempre es el mismo: aparece una tecnología o una metodología con valor real, el mercado la adopta, los equipos comerciales la convierten en argumento universal, entonces las presentaciones empiezan a parecerse demasiado entre sí y, en algún momento, el comprador deja de saber si está contratando una capacidad diferencial, una integración razonable, una capa de servicio o simplemente una historia mejor empaquetada que la del proveedor anterior. Con la IA en AdTech estamos justo ahí ya que hoy, casi cualquier empresa del ecosistema puede decir que utiliza inteligencia artificial, automatización avanzada o algoritmos propietarios y, en muchos casos, será cierto en algún grado. No es un secreto que el machine learning lleva años formando parte de la compra programática y la optimización algorítmica no empezó con ChatGPT. Además, la automatización de pujas, la modelización de audiencias, la predicción de afinidad o la clasificación contextual no son fenómenos nuevos. Lo que sí ha cambiado es el incentivo comercial, ya que la IA se ha convertido en una etiqueta de valor que empieza a justificar fees, diferenciales de precio, promesas de performance y supuestas ventajas competitivas. Y, cuando esto pasa, el mercado empieza a querer saber qué hay exactamente detrás.

Tecnología propia no significa hacerlo todo solo

El problema no es que una empresa AdTech utilice DSPs, SSPs, proveedores externos, datos licenciados, integraciones o herramientas de terceros. De hecho, buena parte del ecosistema funciona así y muchos modelos híbridos pueden aportar valor real. Nadie debería exigir que cada compañía construya de cero toda la cadena tecnológica para ser legítima. La cuestión es otra: que el anunciante entienda qué está comprando. Álvaro de Gracia, CEO de Abacus y fundador de Appcelerate, lo expresa desde una posición especialmente útil para ordenar el debate. Antes de hablar de tecnología propia o propietaria, dice que hay que distinguir entre tecnología propia, tecnología integrada, servicio operativo, datos y uso de herramientas de terceros. Todas esas realidades pueden ser legítimas; el problema aparece cuando se comunican como si fueran lo mismo. Este punto es importante porque evita que hagamos una lectura simplista del mercado: no todo lo que usa “terceros” es opaco, ni todo managed service es menos valioso. Tampoco cualquier integración de otra tecnología es una reventa sin valor añadido y no toda tecnología propia tiene por qué controlar la cadena completa. Lo que debemos pensar no es si una compañía lo hace todo sola, sino qué controla realmente y qué valor diferencial añade sobre una ejecución estándar. Esto debería formar parte de cualquier due diligence seria. Una empresa que afirma tener tecnología propia debería poder explicar qué funciones controla directamente: selección o construcción de audiencias, reglas de activación, lógica de priorización, normalización de datos, planificación, reporting, medición, automatización de procesos o capas de decisión. No tiene por qué revelar ni el código fuente ni las partes sensibles de su arquitectura, pero sí permitir que el anunciante comprenda si está contratando producto, integración, servicio gestionado o una combinación de todo ello.

De la declaración a la evidencia

En IA, el listón debería ser incluso más alto, por no decir más concreto: no basta con decir que una solución es “AI-powered” sino que debería poder explicarse dónde se aplica: modelización de audiencias, predicción de afinidad, recomendación de segmentos, forecasting, optimización presupuestaria, detección de patrones, clasificación contextual, QA de campañas o generación de insights. Una IA aplicada a programática debería demostrar que mejora una decisión concreta, no solo que mejora el relato comercial de la propuesta.

En este sentido, Natalia Papiol, Strategic Advisor & Board Member en TWIPN, lo resume con una frase que funciona casi como principio editorial para este debate: “hay que demostrar, no declarar”. Su respuesta es muy directa, ya que una empresa que afirma tener tecnología propia o IA propietaria debe poder explicar qué problema concreto resuelve su modelo, qué datos usa para entrenarlo, cómo se actualiza y qué métrica mejora de forma medible. Si la respuesta se queda en “optimizamos el CTR con machine learning”, no diferencia nada, porque eso, a estas alturas de la película, ya no es una ventaja competitiva; es, en el mejor de los casos, una capacidad básica. La pregunta que Natalia propone al mercado es mucho más incisiva: “¿puedes mostrarme un caso donde tu tecnología tomó una decisión diferente a la que habría tomado un DSP estándar y cuál fue el resultado?”. Esta es probablemente una de las mejores formas de separar la sustancia de lo que es un envoltorio porque obliga al proveedor a abandonar la abstracción y entrar en el terreno de la evidencia.

Àlex Rodríguez i Rubio, director de Programática en DMA - Digital Media, va en la misma dirección, pero añade un matiz técnico muy relevante. Antes de aceptar el claim de “tengo IA propietaria”, el mercado debería pedir tres cosas: modelo, training data y output verificable. Es decir, qué datos se han usado, qué decisiones toma el sistema y cómo puede contrastarse que el resultado declarado corresponde al resultado real. Un diagnóstico como este es delicado porque apunta a una costumbre muy arraigada en nuestra industria que no es otra que premiar más el claim que la evidencia. Ha ocurrido antes con muchas tecnologías y vuelve a ocurrir con la IA: aparece un concepto con potencial real, se convierte en argumento de venta universal y el comprador no siempre tiene el tiempo, el mandato interno o la capacidad técnica para exigir que se demuestre. El resultado es un mercado donde el proveedor que tiene tecnología real y el proveedor que tiene una presentación bien construida compiten demasiadas veces en el mismo terreno: el terreno comercial, no el técnico. Y ahí está una de las grietas estructurales del AdTech: la sofisticación del discurso ha crecido más rápido que la capacidad de auditoría del comprador. Muchas marcas quieren innovación, automatización y eficiencia, pero no siempre cuentan con perfiles internos capaces de hacer las preguntas incómodas, y muchas agencias, incluso cuando tienen ese conocimiento, operan bajo la presión de activar rápido, cumplir objetivos y no convertir cada contratación en un proceso técnico interminable. Esto ha generado una normalización peligrosa de la opacidad, pero no porque todos los proveedores estén ocultando algo, sino porque el mercado se ha acostumbrado a no exigir lo suficiente. La transparencia mínima debería empezar por lo evidente: dónde se compra, a través de quién, con qué datos, con qué coste real y con qué evidencia de resultado, pero en programática lo evidente casi nunca es sencillo.

Sara Pastor, GM de The Trade Desk España y Portugal, aterriza esta discusión desde una lógica muy clara para cualquier CMO: la etiqueta importa menos que el impacto real en el negocio. La pregunta, según Pastor, debería ser sencilla: ¿esa tecnología ayuda a tomar mejores decisiones y a invertir mejor el presupuesto? Para que esa respuesta sea creíble, añade dos condiciones: claridad y resultados. Claridad para entender, al menos a alto nivel, cómo se toman las decisiones y qué señales se están utilizando. Y resultados para comprobar si realmente existe impacto en alcance, eficiencia o ventas. Si una tecnología no se puede explicar o no se puede medir, es difícil defender que sea realmente diferencial. Su visión introduce un matiz muy útil desde el buy-side: la sofisticación tecnológica solo tiene sentido si se traduce en control para el comprador. La IA no debería ser una capa que aleje al anunciante de la toma de decisiones, sino una herramienta que le permita entender mejor qué ocurre con su inversión y por qué.

Transparencia económica, reporting y soberanía del dato

Àlex plantea tener un estándar bastante claro: fee total sobre inversión declarado antes de firmar; supply path completo hasta el publisher; sellers.json cruzado con ads.txt; seat IDs verificables en los DSPs declarados; origen de los datos utilizados; y reporting que permita replicar los números. No se trata de un dashboard cerrado ni de una captura bonita y tampoco una métrica agregada imposible de auditar, sino un reporting que permita entender qué ocurrió. Este punto del reporting es clave porque una plataforma que controla una capa diferencial debería poder aportar granularidad, metodología y capacidad de reconciliación. Cuando el reporting es excesivamente agregado o no permite entender costes, decisiones o resultados, el comprador debería profundizar. No siempre será una señal de mala práctica, pero sí es una señal para sospechar y empezar a hacer más preguntas. Natalia también pone el foco en señales que no mienten: tener seat IDs propios en los SSPs, supply path directo o con saltos intermedios, reporting propio o export con logo cambiado, capacidad de auditar desde dentro y equipos de trading capaces de explicar dónde va cada euro. La frase es muy sencilla, pero debería estar escrita en muchas paredes: “una capa de servicio no es un problema en sí misma; el problema es presentarla como tecnología propia”; porque ahí cambia la naturaleza económica de lo que se contrata. Si el anunciante paga un fee tecnológico, debe saber qué tecnología cubre; si paga un fee de servicio, debe saber qué parte corresponde a operación, optimización, soporte o trading; y si hay costes de datos, medición o terceros, deben quedar reflejados. El problema no es pagar por valor sino pagar por una cosa creyendo que se está comprando otra.

Sara Pastor añade aquí una distinción especialmente relevante: una plataforma real debería ofrecer su propia interfaz de usuario, su propio entorno de reporting y sus propios controles de optimización, en lugar de limitarse a mostrar la interfaz de un tercero con otra etiqueta. Debería ser posible ver y configurar campañas, audiencias y supply paths directamente en esa plataforma, con logs y reporting nativos. Desde el punto de vista comercial, también apunta a una señal básica: quién firma realmente los contratos con publishers, SSPs y partners de datos, y quién posee los seat IDs. Si una empresa simplemente opera seats dentro de otro DSP en nombre de los clientes, estamos ante un modelo de managed service, no ante una plataforma propietaria. Ambos modelos pueden ser válidos, pero deben explicarse con claridad para que los anunciantes entiendan dónde se está ejecutando realmente su inversión. Pastor también defiende que la expectativa de transparencia debería ser total: saber qué SSPs intervienen, qué seat IDs se usan y si hay intermediarios que añaden coste sin aportar valor. Lo mismo ocurre con los fees y los datos: todo debería ser visible, documentado y entendible: si un trader no puede reconciliar lo que ve en la plataforma con lo que aparece en facturas o log-level data, hay un problema.

Maritza Goya Torres, Country Manager Spain en Adform, lo sintetiza con una expresión muy útil para el mercado: “Don’t tell me, show me”. Es decir, no basta con que una empresa diga que es transparente, debe poder demostrarlo y esa demostración pasa por visibilidad sobre las rutas de compra, control sobre dónde se ejecuta la inversión, desglose financiero entre coste de medios, fees tecnológicos y gestión, claridad sobre la propiedad de los seat IDs, apertura del ecosistema, conexiones reales entre partners tecnológicos y acceso a log-level data. Casi nada… Aquí también entra la soberanía del dato: si una plataforma trabaja con datos de un anunciante, este debería entender dónde se almacenan, cómo se usan, con qué finalidad, con qué base legal y bajo qué condiciones puede auditarlos. La transparencia no es solo una cuestión económica, también es una cuestión de control, privacidad y responsabilidad. Maritza introduce además otro matiz importante: la tecnología propia no debería limitarse a una interfaz. En su visión, debe haber desarrollo real en el core tecnológico, ya sea como DSP, Ad Server o capas de identidad y datos integradas en un workflow, respaldado por inversión sostenida en desarrollo, equipos dedicados y capacidad funcional visible para el cliente. Es una forma de elevar la conversación desde el claim hacia la estructura que lo sostiene.

Por su parte, Miguel Fernández-Gil, Country Manager Spain de PubMatic, refuerza esta misma idea desde una perspectiva muy concreta: el estándar debe ser tangible y verificable. Para él, una compañía que afirma tener IA propia aplicada a compra programática debería poder mostrar una lógica de decisión documentada: qué optimiza el sistema, cómo se toman las decisiones y qué datos o señales utiliza, ya sean contextuales, de audiencia o relacionadas con el supply path. Su aportación introduce un punto especialmente relevante para este debate: el acceso a datos de log a nivel de impresión. Según Miguel una plataforma que quiera defender una propuesta realmente transparente debería ofrecer a los compradores acceso independiente a ese nivel de información, sin depender de capas intermedias que filtren o agreguen excesivamente los datos. En otras palabras, si el comprador no puede ver la impresión, el coste, la ruta, la decisión y el resultado con suficiente granularidad, la promesa de IA se queda demasiado cerca del terreno del relato. Miguel sostiene que “AI-powered” debe significar algo más que una interfaz. La compañía sitúa su propuesta en AgenticOS, un sistema operativo donde agentes planifican, transaccionan y optimizan campañas en tiempo real, con decisiones trazables dentro de parámetros definidos previamente por el anunciante. El punto de fondo es importante: cuando la IA empieza a tomar decisiones de compra en tiempo real, la transparencia no puede añadirse después como una capa de reporting. Tiene que estar integrada en la arquitectura desde el principio.

Supply, calidad e inteligencia cerca de la impresión

Rafa Amieva, Managing Director Spain & Portugal de Teads, coincide en que la clave está en “saber qué parte de la cadena tecnológica controla realmente una empresa”. Para Amieva hablar de tecnología propia no debería reducirse a tener una interfaz, una capa de optimización o una integración con soluciones de terceros sino que debería implicar capacidad real para procesar señales, tomar decisiones algorítmicas, optimizar la compra y medir resultados de forma consistente. Su aportación añade una dimensión importante: la transparencia no puede limitarse a la estructura técnica o al coste; también debe incluir la calidad del inventario. En un mercado cada vez más preocupado por el fraude, los MFA sites, el contenido generado por IA de baja calidad y entornos de escaso valor, no basta con saber cuánto cuesta una impresión, hay que saber dónde aparece, en qué contexto, con qué garantías y bajo qué relación con los publishers. Amieva defiende su posición desde la integración directa con publishers premium y CTV, y señala que una plataforma avanzada no se define solo por sus algoritmos, sino por la calidad de las señales, el acceso al inventario, la trazabilidad del reporting y la capacidad de optimizar contra objetivos de negocio, no solo contra métricas intermedias. Este último punto es especialmente relevante ya que la IA aplicada a AdTech no debería servir para optimizar más rápido hacia métricas pobres, sino que debería ayudar a tomar mejores decisiones sobre objetivos que importen. La calidad, en este debate, no es un adorno, es parte de la transparencia: un supply path puede ser técnicamente visible y seguir siendo poco valioso si conduce a inventario de baja calidad, un modelo puede ser automatizado y aun así optimizar hacia señales equivocadas o un dashboard puede ser elegante y no explicar nada relevante. La transparencia real exige unir tres capas: ruta de compra, lógica de decisión y calidad del resultado.

Nacho Franch, Buyer Development Director Spain de Index Exchange, introduce en este punto una lectura especialmente relevante desde el lado sell-side: el estándar de exigencia debe ser más alto que añadir la etiqueta “IA” a procesos de trabajo ya existentes y cualquier empresa debería poder demostrar dónde toma decisiones su tecnología, qué señales utiliza y cómo mejora los resultados de forma tangible. Su visión desplaza parte de la conversación hacia un lugar clave: la impresión. Según Nacho, la próxima evolución de la programática consiste en acercar la inteligencia a la impresión misma, allí donde existen señales ricas del lado de la oferta, contexto y oportunidades de optimización antes de que la bid request se envíe al resto de la cadena. Es un matiz interesante porque cuestiona la idea de que la inteligencia siempre debe vivir lejos del inventario, en capas de compra cada vez más abstractas. Si una parte relevante de las señales está en el sell-side, en el contexto y en el momento previo a la subasta, entonces la transparencia no solo debe preguntar qué hace el DSP, sino también qué ocurre antes de que esa solicitud de puja llegue a sistemas externos. Nacho también apunta varias señales técnicas para diferenciar una plataforma propia de una capa de servicio sobre terceros: integración nativa de datos y modelos, capacidad de optimizar antes de que las bid requests lleguen a sistemas externos, control sobre la latencia y procesamiento de señales. En el plano comercial, añade relaciones directas entre publishers y profesionales del marketing, rutas de suministro transparentes, foco en Supply Path Optimization e independencia de cualquier DSP o proveedor cloud concreto. La aportación de un SSP debe ser la de sumar una capa que de infraestructura que también decida; no solo importa qué algoritmo se declara, sino dónde se ejecuta, con qué latencia, sobre qué señales y antes o después de qué punto de la cadena. En programática, el lugar donde vive la inteligencia condiciona lo que esa inteligencia puede ver, decidir y optimizar.

Siguiendo con otro SSP, Jorge Martínez, Head of Spain en Onetag, lleva esta discusión a un terreno mucho más cercano: la curación del inventario, la calidad del supply path y la capacidad de filtrar en origen. Desde su punto de vista, una empresa que afirma tener tecnología propietaria o IA aplicada a programática debería poder responder a preguntas muy concretas: qué supply está curando, si está conectada directamente con publishers, qué porcentaje del inventario es directo o revendido, qué señales de datos utiliza y cómo su tecnología adapta los Deal IDs o mejora el rendimiento de forma dinámica. La aportación de Jorge es especialmente relevante porque aterriza el debate de la IA en algo que los compradores pueden entender y comprobar mejor: qué ocurre con la impresión antes de que llegue empaquetada al mercado. Jorge plantea una distinción clara entre una tecnología que filtra impresiones en tiempo real desde la fuente de supply y otra que simplemente empaqueta inventario disponible. En un mercado donde SPO y Deal ID curation ya forman parte del lenguaje habitual, esa diferencia puede ser determinante. Su lectura introduce otro punto: no basta con optimizar hacia métricas proxy de medios. Una plataforma que se presenta como avanzada debería poder explicar si su tecnología solo mejora indicadores intermedios o si también permite optimizar hacia objetivos de negocio más personalizados, conectando sell-side y buy-side en un circuito de aprendizaje más completo. En otras palabras, la promesa de la IA no debería quedarse en decir que el algoritmo compra mejor sino que debería poder demostrar cómo adapta la curación, cómo filtra inventario en origen, cómo modifica Deal IDs, cómo reduce hops en la cadena de suministro y cómo conecta esas decisiones con resultados de campaña o de negocio.

La capa de decisión y la accountability del proveedor

Javier Acero, CRO Global de Mainkore, introduce también la idea de la capa de decisión como eje del debate. El profesional sostiene que la señal más clara para diferenciar una plataforma propia de una capa de servicio sobre DSPs o tecnología de terceros está en dónde vive la lógica de decisión. Es decir, si el sistema decide qué comprar, cuándo, a qué precio y por qué antes de llegar al DSP, o si delega esa lógica en el algoritmo de una herramienta de mercado. Según Javier, las preguntas que revelan esa diferencia son pocas y directas: si el sistema puede operar en múltiples DSPs simultáneamente con una lógica unificada, si las decisiones de puja son propias o heredadas del DSP, y si el modelo de datos es propio o depende de segmentos del proveedor. Si las respuestas remiten siempre a un tercero, la tecnología propia es, como mínimo, parcial. Javier afirma que, en su caso, la lógica de decisión es propia, que procesa más de 200 variables por decisión antes de llegar a cualquier DSP y que su modelo de negocio está alineado con el resultado del anunciante, no con el volumen de medios gestionado. También defiende que una plataforma propia puede ser transparente en su modelo de cobro porque el valor no está en el margen de medios, sino en la decisión. Su visión incorpora una palabra que debería ganar peso en el mercado: accountability. Javier sostiene que los claims de IA, automatización y optimización propietaria no deberían validarse solo con presentaciones o dashboards, sino con demostraciones técnicas, resultados auditados y compromisos contractuales sobre performance. En su caso, defiende la garantía contractual de KPIs como prueba de convicción: si los KPIs no se cumplen, el fee se pone en riesgo. Este enfoque no sustituye a una auditoría independiente ni resuelve por sí solo todas las preguntas técnicas y una garantía de performance también debe analizarse con detalle: qué KPIs cubre, bajo qué condiciones, con qué metodología de medición, con qué exclusiones, sobre qué base de comparación y con qué capacidad real de verificación externa. Pero introduce una discusión interesante: si una empresa afirma que su tecnología toma mejores decisiones, ¿qué responsabilidad está dispuesta a asumir cuando esas decisiones no producen el resultado prometido?

Los estándares ayudan, pero no bastan

Otro punto a tener en cuenta son los estándares técnicos, ya que deberían ayudar a ordenar parte de esta conversación: ads.txt y app-ads.txt permiten declarar vendedores autorizados; sellers.json ayuda a identificar entidades vendedoras o intermediarias; SupplyChain Object aporta visibilidad sobre los nodos que participan en la transacción. Las Vendor Lists y los marcos de transparencia y consentimiento aportan claridad sobre proveedores y tratamiento de datos, pero ningún estándar, por sí solo, resuelve todo.

Àlex Rodríguez lo explica con gran claridad: “los estándares dan pistas, no garantías”. Un sellers.json puede ser una señal positiva, pero lo relevante es cruzarlo con los ads.txt de los publishers, verificar si los seller IDs aparecen como owner o reseller y comprobar si los seat IDs declarados están activos en los DSPs que se dicen utilizar. Si algo no cuadra en ese cruce, no debería tratarse como un detalle técnico menor. El SupplyChain Object aparece como uno de los estándares con más potencial porque permite hacer auditable el supply path en tiempo real, pero su adopción sigue siendo parcial y, si un solo eslabón de la cadena no lo implementa correctamente, su utilidad práctica se reduce. La conclusión es que el mercado ha creado estándares de transparencia, pero no siempre los convierte en requisitos comerciales reales.

Natalia Papiol coincide en esa lectura. Para ella, ads.txt, sellers.json y SupplyChain Object deberían ser punto de partida, no el techo. Hoy funcionan muchas veces como checks mínimos de cumplimiento, pero tenerlos no significa que el supply path sea limpio ni que los fees sean razonables. La oportunidad está en utilizarlos de forma activa como herramienta de due diligence antes de activar, no como documentación que se archiva y rara vez se revisa.

Miguel Fernández-Gil también se subraya que estos estándares son esenciales, pero insuficientes. Representan el punto de partida, no la meta. Miguel añade que, a medida que la industria avance hacia pipelines agénticos, los marcos de transparencia deberán diseñarse pensando en agentes que toman decisiones en tiempo real, no solo en cadenas de suministro tradicionales. Esta idea añade una capa nueva al debate: si la compra programática evoluciona hacia sistemas donde agentes de IA planifican, activan, optimizan y resuelven incidencias de forma automatizada, el mercado no puede esperar a auditar esos procesos cuando ya estén desplegados a escala. La transparencia deberá estar embebida desde el diseño: en la comunicación entre agentes, en la optimización de yield, en el descubrimiento de audiencias e inventario y en la resolución de problemas dentro de los deals. Dicho de forma sencilla: si la IA va a tomar decisiones dentro de la cadena programática, el mercado necesita saber antes bajo qué reglas decide, qué datos utiliza, qué límites tiene y cómo puede auditarse su comportamiento.

El problema operativo del ads.txt

A esta visión se suma Diana Moyano, responsable de Adops y Programática en El Confidencial, desde una perspectiva muy concreta: la de quien tiene que gestionar esos estándares en el día a día. Para ella, ads.txt nació para asegurar el ecosistema, pero en la práctica se ha convertido también en un auténtico quebradero de cabeza para muchos equipos de programática por la acumulación de líneas no válidas, duplicadas o con errores. Su punto es especialmente importante porque baja el debate de la transparencia al terreno de la operativa: revisar manualmente cientos de líneas de ads.txt no es sostenible, pero sigue siendo necesario precisamente por la facilidad con la que puede camuflarse el fraude. Diana explica que en su caso llegaron a detectar una situación en la que un partner solicitó añadir determinados registros al archivo ads.txt y, al auditar manualmente los identificadores contra el sellers.json público de la plataforma, comprobaron que uno de esos IDs pertenecía en realidad a un dominio ajeno, con estatus de publisher, y no a su medio. Es decir, una utilización indebida de su marca y de su archivo de transparencia para aparentar una relación autorizada que no correspondía. Este ejemplo resume muy bien la paradoja actual: los estándares están diseñados para aportar claridad, pero si su supervisión depende de procesos manuales, equipos saturados y revisiones línea por línea, el sistema deja demasiados espacios abiertos al error o al abuso. Las herramientas actuales ayudan a mitigar riesgos, limpiar duplicidades o detectar errores tipográficos superficiales, pero todavía no resuelven completamente el problema de fondo. Por eso Diana plantea una necesidad urgente: un nuevo estándar tecnológico, o al menos una capa de automatización mucho más avanzada, que permita cruzar de forma automática los registros de ads.txt con las cuentas declaradas en los SSPs y en sellers.json, identificar incoherencias, activar alertas rojas y cortar el fraude antes de que llegue al mercado. Dicho de otra forma, la transparencia no puede depender únicamente de que un equipo de Adops tenga tiempo y paciencia para revisar cientos de líneas manualmente. Si el ecosistema quiere que ads.txt, sellers.json y SupplyChain Object funcionen de verdad, tiene que convertirlos en sistemas más automatizados, auditables y accionables.

Interoperabilidad y estándares para una IA agéntica

Nacho Franch refuerza esa idea desde la óptica de la interoperabilidad: estándares como ads.txt, sellers.json y SupplyChain Object son críticos porque crean un lenguaje común en el ecosistema y permiten a los compradores entender quién participa en una transacción, cómo se vende el inventario y si la ruta de suministro es legítima y autorizada. Desde el sell-side, también ayudan a los publishers y SSPs a demostrar autenticidad de inventario, reducir fraude, evitar reventa no autorizada y construir rutas más directas y eficientes entre compradores y vendedores.

Jorge Martínez coincide en el papel crítico de los estándares, pero añade una capa operativa muy concreta: para que funcionen de verdad, deben aplicarse con rigor y sin añadir fricción innecesaria al publisher. En su caso, apunta que trabajan para simplificar al máximo la implementación con una única línea directa de ads.txt y el mismo ID para etiquetar sites, tamaños y unidades publicitarias. Los estándares funcionan mejor cuando son exigentes, pero también cuando no crean una carga operativa que dificulte su adopción. La transparencia no solo falla por falta de voluntad, a veces falla porque implementar bien los estándares requiere tiempo, conocimiento técnico y coordinación entre equipos que ya están saturados. Si el mercado quiere que ads.txt, sellers.json o SupplyChain Object se usen de verdad, tiene que hacer que su adopción sea más simple, más consistente y menos costosa para los publishers.

Sara Pastor también sitúa estos estándares en el centro de cualquier mercado que quiera tomarse en serio la transparencia. Herramientas como ads.txt, sellers.json y SupplyChain Object ayudan a los compradores a entender quién está autorizado legítimamente para vender inventario y cuántos intermediarios participan en cada impresión. Cuando se usan de forma consistente, ayudan a limpiar el supply path y a reducir oportunidades de arbitraje y fraude. Pastor añade, además, que las Vendor Lists y las auditorías independientes aportan otra capa importante, porque permiten a los anunciantes entender qué tecnologías están realmente presentes en un stack determinado y cómo se están gestionando los datos y las señales. En su visión, el mercado debería pasar de un escenario donde estos estándares son opcionales a otro en el que sean requisitos básicos para cualquier empresa que quiera ser tomada en serio en materia de transparencia.

La aportación de Nacho Franch va más allá de los estándares clásicos de transparencia e introduce tres marcos emergentes que, en su visión, pueden ser relevantes para la evolución de la IA agéntica en publicidad digital: Model Context Protocol, Ad Context Protocol y Agentic Real-Time Framework. El primero, Model Context Protocol, se plantea como un estándar para que sistemas de IA puedan conectarse con herramientas externas y fuentes de datos en tiempo real. El segundo, Ad Context Protocol, traslada esa lógica al entorno AdTech para automatizar flujos de trabajo entre compradores y vendedores sin sustituir necesariamente la infraestructura actual de RTB. El tercero, Agentic Real-Time Framework, introduce la toma de decisiones autónoma en entornos OpenRTB, con posibles aplicaciones en identidad, optimización, verificación y enriquecimiento de datos dentro de las subastas. La idea de fondo es que si la IA agéntica avanza sin estándares compartidos, el mercado puede fragmentarse todavía más. Cada plataforma con su propio lenguaje, cada agente con sus propias reglas, cada integración como un pequeño jardín cerrado. En cambio, si esos marcos evolucionan con suficiente adopción, podrían permitir que humanos, modelos y agentes operen sobre una base común. Aún es pronto para saber qué grado de adopción real tendrán estos estándares, pero el principio es sólido: la automatización sin interoperabilidad añade complejidad; la automatización sobre estándares compartidos puede escalar con más control.

Jorge Martínez también apunta a la necesidad de documentar y auditar mejor los claims de IA, automatización y optimización propietaria. Como ejemplo de avance sectorial se cita la iniciativa de IAB UK sobre IA en el ecosistema AdTech, orientada a especificar los claims de las compañías miembro, pero insiste en algo todavía más práctico: “cuando se baja al nivel de campaña, el reporting debe ser simple y claro para demostrar el rendimiento de la IA, la automatización y la optimización”. La transparencia no puede quedarse en documentos de posicionamiento o marcos generales, tiene que llegar al reporting de campaña. Si una plataforma afirma que su IA mejora el rendimiento, el comprador debería poder ver de forma clara qué parte de esa mejora se atribuye a la automatización, qué decisiones se han tomado y qué resultados se han generado. Sin esa conexión entre claim y campaña, la IA sigue siendo más relato que evidencia.

Maritza Goya añade que ya existen certificaciones y auditorías independientes, como MRC, TAG o validaciones de firmas externas, pero que no todos los actores se someten a ellas ni existe todavía un criterio homogéneo para comparar claims de IA. Ese es uno de los grandes retos de la próxima etapa: construir marcos de verificación que permitan distinguir entre automatización basada en reglas, modelos predictivos reales, herramientas de productividad, IA generativa aplicada a procesos internos o capas avanzadas de decisión algorítmica, porque ahora mismo todo tiende a presentarse bajo el mismo paraguas y cuando todo es IA, nada queda suficientemente claro.

¿Qué deberías preguntarte antes de contratar?

Antes de contratar una plataforma que se presenta como avanzada o AI-powered, deberías hacerte una serie de preguntas concretas:

Qué es propio.
Qué es de terceros.
Qué se integra.
Qué se opera manualmente.
Qué datos se utilizan.
Con qué base legal.
Qué métrica mejora la IA.
Frente a qué baseline.
Qué decisiones toma el sistema.
Qué acceso hay al reporting.
Qué parte del presupuesto va a medios, tecnología, datos, medición, servicio o margen.
Qué ocurre si los resultados no llegan.

No se trata de pedir imposibles ni de convertir cada campaña en una auditoría forense, pero sí de profesionalizar el proceso de compra.

Álvaro de Gracia propone una aproximación razonable: due diligence proporcional; no todos los presupuestos, canales o campañas requieren el mismo nivel de detalle, pero cuando el claim tecnológico es central para la contratación, cuando se manejan datos sensibles, cuando el presupuesto es relevante o cuando se prometen mejoras significativas de performance, el comprador debería exigir documentación funcional, metodología, evidencias de outputs, controles humanos, trazabilidad, validación y reporting suficiente. También plantea una idea fundamental: la frontera razonable está entre proteger la propiedad intelectual y permitir que el anunciante comprenda lo que compra. Esa frontera no siempre será fácil de trazar, pero no puede resolverse siempre a favor de la caja negra.

Sara Pastor propone una recomendación muy práctica: pedir demostraciones que reproduzcan escenarios reales de compra: audiencias concretas, KPIs concretos y canales concretos, como CTV, audio o retail media, el objetivo no debería ser escuchar una demo genérica, sino ver cómo se comporta la IA de la plataforma en contexto. También señala que los anunciantes deberían exigir claridad sobre controles y gobernanza: qué pueden configurar los traders, qué está totalmente automatizado y cómo pueden revisarse las decisiones. Por último, recomienda comparar al menos dos o tres posibles partners utilizando el mismo marco de evaluación, con reporting transparente y, siempre que sea posible, acceso a datos log-level. Esta es una de las mejores formas de distinguir una verdadera diferenciación tecnológica del mero lenguaje comercial.

Rafa Amieva introduce otro elemento práctico: el acompañamiento. Una plataforma avanzada no solo debería vender algoritmos, sino capacidad de soporte, equipos locales, conocimiento tecnológico y respuesta operativa. En mercados complejos, la tecnología sin interpretación puede quedarse corta. La IA puede ayudar a simplificar decisiones, pero la calidad del acompañamiento sigue siendo determinante para que esas decisiones se conviertan en resultados reales.

Nacho Franch, por su parte, propone tres preguntas especialmente útiles para anunciantes desde la lógica de automatización e inteligencia en tiempo real. Primera: ¿dónde puede la automatización reducir problemas en los flujos de trabajo? Hay tareas como conciliación de informes, resolución de problemas de delivery o gestión manual de deals donde la automatización puede tener un valor inmediato. Segunda: ¿dónde puede la inteligencia en tiempo real mejorar el rendimiento? Es decir, cómo se aplica la toma de decisiones cerca de la impresión y cómo se reducen ineficiencias antes de la puja. Tercera: ¿están los partners construyendo sobre estándares compartidos? Esta última pregunta debería pesar más en los procesos de selección: una solución puede ser brillante en una demo y convertirse en un problema si no se integra bien con el resto del ecosistema. En AdTech, la innovación que no interoperabiliza suele acabar añadiendo una nueva capa de complejidad a una cadena que ya tiene demasiadas. Y hay un cierre importante en su aportación: la automatización guiada por agentes de IA está todavía en una fase temprana, por lo que las decisiones impulsadas por IA no deberían dejarse sin supervisión. La validación humana y la gobernanza siguen siendo esenciales. Este punto es menos vistoso que hablar de agentes autónomos, pero probablemente más útil para cualquier CMO que tenga que firmar un contrato, porque la autonomía sin gobernanza no es eficiencia, es riesgo operacional con mejor branding.

Jorge Martínez hace una recomendación para anunciantes que vuelve al checklist inicial: preguntar qué supply se está curando, qué parte es directa o revendida, qué señales alimentan la tecnología, cómo se adapta la curación mediante Deal IDs, si el filtrado ocurre realmente en origen, si la infraestructura soporta el rendimiento prometido y si la optimización se limita a métricas proxy o puede conectarse con outcomes de negocio más personalizados. Es una forma muy concreta de devolver la conversación al terreno que importa: no qué dice la plataforma que hace, sino qué puede demostrar en la cadena real de compra. Porque, al final, en programática la tecnología no vive en un claim; vive en cada decisión, cada impresión filtrada, cada hop eliminado, cada euro asignado y cada resultado que el anunciante puede comprobar.

Miguel Fernández-Gil propone también tres recomendaciones muy concretas para anunciantes antes de trabajar con una plataforma que se presenta como avanzada o impulsada por IA. La primera es pedir acceso a log-level data desde el primer día. Si una plataforma duda, esa duda ya es una señal. La segunda es exigir un desglose transparente de cada capa de fees dentro de la cadena de suministro. La tercera es realizar una prueba controlada, con medición a nivel de impresión, antes de comprometer un presupuesto significativo. Miguel defiende que este enfoque ya empieza a demostrar valor en campañas reales. Señala que su empresa, en su primera campaña agéntica de CTV en España el tiempo de activación se redujo en más de un 80%, el CPM efectivo disminuyó un 16,8% y las impresiones entregadas superaron el objetivo en un 23%. Más allá de las cifras concretas, el punto relevante para el artículo es otro: la transparencia no debería presentarse como una carga operativa que ralentiza el rendimiento, sino como la condición que permite demostrarlo de forma medible y atribuible.

La transparencia también es organización

Este punto conecta con que muchas veces el problema no es solo técnico, sino organizativo. Los anunciantes necesitan perfiles capaces de preguntar, las agencias necesitan tiempo y mandato para auditar, los proveedores necesitan transparencia suficiente para no esconder valor detrás de palabras grandes y el mercado necesita dejar de premiar la complejidad como si fuera una prueba de sofisticación. La opacidad no siempre nace de la mala intención. A veces nace de la prisa, de la falta de conocimiento, de procesos de compra demasiado centrados en precio y cobertura, de una cultura donde preguntar demasiado puede parecer desconfianza, de proveedores que prefieren no simplificar lo que les favorece o de compradores que prefieren no mirar demasiado de cerca porque hacerlo obligaría a cambiar decisiones. Pero la consecuencia es la misma: un mercado donde la confianza se apoya demasiado en el relato. La línea entre marketing legítimo y confusión debería ser clara. El marketing legítimo simplifica una propuesta compleja sin ocultar su naturaleza, hace accesible lo técnico, explica el valor y ayuda a entender. La opacidad empieza cuando el lenguaje sustituye a la evidencia, cuando términos como autónomo, propietario o AI-powered no pueden verificarse, cuando no se diferencia entre tecnología, servicio, integración y margen, o cuando el comprador sale de una presentación sin poder explicar qué ha comprado realmente.

Natalia Papiol lo formula de manera especialmente clara: “marketing legítimo sería decir que una tecnología optimiza hacia conversión usando señales de contexto y datos de audiencia propios. Es acotado, concreto y auditable”. Opacidad sería afirmar que una IA propietaria maximiza el rendimiento gracias a algoritmos de última generación… suena bien, pero no permite contrastar casi nada.

Nacho Franch lo lleva a una fórmula igual de directa: el marketing legítimo se basa en realidades y explica lo que hace una tecnología con datos que cualquiera puede comprobar. La falta de transparencia empieza cuando se usan palabras técnicas para confundir en lugar de explicar, o cuando se promete algo que no se puede demostrar. La diferencia entre una buena tecnología y una que no lo es no está en lo espectacular que suena su propuesta, sino en si el comprador puede ver la evidencia detrás de la promesa.

Jorge Martínez coincide en esa frontera: el marketing legítimo siempre puede respaldarse con sustancia y evidencia; la confusión empieza cuando se hacen afirmaciones que no pueden explicarse ni demostrarse con claridad. Es una definición sencilla, pero probablemente suficiente. En un mercado que se ha acostumbrado a convivir con claims cada vez más sofisticados, ¿puede una promesa que suena avanzada sostenerse cuando alguien pide ver los datos, la metodología y el funcionamiento real?

Sara Pastor lo plantea desde una perspectiva muy parecida: la opacidad empieza cuando el relato y la realidad se separan demasiado. Cuando se utilizan términos como IA, automatización o supply exclusivo para evitar preguntas básicas sobre fees, fuentes de inventario o quién está operando realmente la compra, el problema deja de ser terminológico y pasa a ser de confianza. Si un anunciante termina la conversación más confundido que informado, el mercado ha cruzado una línea.

A modo de cierre y como conclusión, la IA va a tener un papel cada vez más importante en AdTech, ya que puede mejorar la planificación, la activación, la optimización, la medición, la detección de patrones y la generación de insights. También puede ayudar a conectar señales dispersas, reducir ineficiencias y aportar valor real, pero precisamente por eso necesita salir del territorio del claim y entrar en el de la prueba. La próxima etapa de la transparencia no debería limitarse a saber por dónde pasa una impresión, sino que debería llegar también a entender quién decide comprarla, dónde vive esa decisión, con qué datos, bajo qué lógica, sobre qué estándares, con qué coste, con qué medición, con qué supervisión humana y con qué responsabilidad. El mercado ya no necesita más promesas sobre IA. Necesita mejores preguntas. Y quizá la primera sea la más sencilla de todas: si tu tecnología es tan diferencial, ¿lo puedes demostrar?

Equipo editorial de PROGRAMMATIC SPAIN

Puntos clave:

El problema no es usar tecnología de terceros, sino presentar como tecnología propia lo que en realidad puede ser una capa de servicio, integración o intermediación.
Los anunciantes deberían exigir más transparencia sobre supply path, fees, seat IDs, partners tecnológicos, uso de datos, reporting y log-level data.
La IA en AdTech necesita pasar del claim comercial a la evidencia verificable: casos de uso concretos, metodología, trazabilidad, auditoría y responsabilidad sobre resultados.

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.

El Insider

Publicista en activo. Lo ha visto todo desde dentro de una Big 6. Escribe lo que otros no pueden decir con nombre y apellido. Análisis serio, datos reales y cero humo.