¿Cuáles son las buenas prácticas para analizar datos con IA en marketing y decidir con fundamento? La regla de oro cabe en una línea: trata cada conclusión de la IA como una hipótesis hasta que puedas enseñar los datos que la sostienen. El resto (definir bien la pregunta, juntar las fuentes, revisar en equipo) sirve para que esa regla se cumpla sin convertir cada análisis en una auditoría.
El asunto ya ha llegado a los contratos. Según Digiday, las agencias están incorporando la IA a sus contratos marco cláusula a cláusula, en lugar de reescribirlos. Hay tres detonantes: que un cliente pida acceso a la herramienta de IA propia de la agencia, que solicite añadir lenguaje específico sobre IA o que se use una herramienta nueva en un proyecto concreto. Keri Bruce, socia del bufete Reed Smith, lo resume así: «Al final, la gente quiere que se le informe. Quiere saber qué herramientas se están usando».
Saber qué herramienta se usó es el primer paso. El siguiente, el que cualquier director de cuentas ha oído en una reunión, es más incómodo: «¿Y esto cómo se sabe?». Si la respuesta es «lo dice la IA», el insight vale poco, por bueno que sea.
¿Por qué los análisis hechos con IA generan desconfianza?
Porque muchas veces llegan sin rastro. Un resumen limpio, tres conclusiones con aplomo y ningún camino de vuelta hasta el dato original. El cliente no puede distinguir si está ante una lectura sólida o ante una síntesis plausible que nadie ha comprobado.
A eso se suman los silos. La escucha social vive en un equipo, los datos de campaña en otro, el CRM en casa del cliente y los anuncios de la competencia en capturas de pantalla dentro de una presentación. La IA solo analiza lo que le das, así que con fuentes parciales devuelve conclusiones parciales, y cada equipo llega a la reunión con su propia versión de la realidad.
El resultado es conocido: horas reconciliando cifras, reuniones para decidir qué dato manda y un cliente que, por si acaso, desconfía de todos.
Información asimétrica: el problema de fondo
La teoría de la información asimétrica, que el economista George Akerlof popularizó con su célebre «mercado de los limones», explica qué pasa cuando una parte sabe mucho más que la otra. El comprador, incapaz de distinguir lo bueno de lo malo, desconfía de todo y paga menos por todo.
Con la IA ocurre lo mismo. Si el cliente no puede ver cómo se ha llegado a una conclusión, descuenta el valor de todas, también de las buenas. Y eso llega en mal momento: según Digiday, la IA reduce las horas necesarias y desajusta el modelo de facturación por horas de las agencias. Si el trabajo cuesta menos horas y además inspira menos confianza, el margen se estrecha por los dos lados.
La asimetría también existe dentro de la agencia. El analista sabe cómo se hizo el análisis; el director de cuentas, no; el equipo creativo, menos aún. La salida es la misma en ambos casos: compartir la evidencia. La colaboración vence a la ineficiencia cuando todos miran los mismos datos y pueden comprobar lo mismo.
¿Qué hace que una conclusión de IA sea verificable?
Usa esta tabla como lista de control antes de enviar cualquier análisis al cliente.
| Criterio | Conclusión «caja negra» | Conclusión verificable |
|---|---|---|
| Origen | «Lo dice la IA» | Enlaza a publicaciones, anuncios o registros concretos |
| Alcance | Sin fuentes, volumen ni periodo | Indica fuentes, volumen analizado y fechas |
| Razonamiento | Mezcla lo observado y lo interpretado | Distingue qué se vio y qué se deduce |
| Contraste | Solo evidencia a favor | Incluye lo que la contradice o la matiza |
| Revisión | Una persona, sin registro | Revisada por estrategia, medios y cuentas |
| Reproducibilidad | Imposible de repetir | Otra persona del equipo llega al mismo resultado |
| En la reunión | Se defiende con autoridad | Se defiende con ejemplos |
Buenas prácticas de análisis de datos con IA, paso a paso
- Empieza por la decisión, no por los datos. Escribe la pregunta y qué harías distinto según la respuesta. Si ninguna respuesta cambia nada, no hace falta el análisis.
- Reúne las fuentes en un solo sitio. Escucha social, anuncios de la competencia, datos de campaña y, si es posible, datos del cliente. Cuanto menos fragmentada esté la base, menos sesgada será la conclusión.
- Separa observación de interpretación. «Muchos comentarios mencionan el precio» es una observación. «El precio frena la compra» es una interpretación. Pide a la herramienta que las presente por separado.
- Exige trazabilidad hasta el dato original. Cada conclusión debe poder rastrearse hasta las publicaciones, anuncios o registros que la sostienen. En Defy Monitor, por ejemplo, cada conclusión de la IA lleva a las publicaciones reales que hay detrás, porque la estrategia se reconstruye a partir de lo que audiencias y competidores publican de verdad, no de encuestas.
- Busca activamente la evidencia contraria. Pregunta qué contradice la conclusión. Si no aparece nada, desconfía: o la muestra es pequeña o la pregunta estaba sesgada.
- Revisa en equipo antes de presentar. Quince minutos con estrategia, medios y cuentas mirando los mismos ejemplos ahorran semanas de malentendidos.
- Documenta herramientas, fuentes y fechas. Es justo lo que, según Digiday, empiezan a pedir los clientes: saber qué herramientas se usan y cómo se tratan sus datos.
Si quieres ver cómo se organiza este flujo, de la recogida de datos a la consulta en equipo, aquí tienes la plataforma de Defy.
¿Cómo se rompen los silos de datos en una agencia?
No con otra reunión semanal, sino con una base de evidencia común. Cuando estrategia, medios, creatividad y cuentas consultan las mismas fuentes, las discusiones dejan de ser sobre qué dato es el bueno y pasan a ser sobre qué hacer con él.
Ayuda mucho que consultar esa base no dependa de una sola persona. Si solo el analista sabe manejar el panel, el silo sigue ahí, aunque ahora sea humano. Las herramientas que permiten preguntar a los datos en lenguaje natural reparten el acceso y, con él, la responsabilidad de comprobar.
¿Qué deberías incluir en el contrato y en la presentación?
Los contratos ya se están moviendo. Según Digiday, Mile Marker ha ajustado cláusulas sobre gestión de metadatos, propiedad intelectual del contenido generado con IA y transparencia sobre las herramientas utilizadas, y Go Fish ha añadido en los últimos seis meses cláusulas de seguridad de marca y protección de datos. Los clientes, resume el medio, quieren saber cómo se almacenan y usan sus datos, qué supervisión humana hay y qué herramientas intervienen.
Tiene sentido adelantarse con tres compromisos que no necesitan esperar a la próxima renovación:
- Un anexo de evidencias en cada entrega, con las fuentes y ejemplos detrás de cada conclusión.
- Una línea de supervisión que diga quién revisó el análisis y cuándo.
- Un inventario de herramientas: qué IA se usó, para qué y con qué datos.
Brian Yamada, de VML, advierte en el mismo artículo que hace falta acordar una estructura de costes estándar para la IA antes de poder redactar un lenguaje contractual estándar, y recomienda dejar margen para revisar los términos. Mientras llega ese estándar, la transparencia es la mejor cláusula que no aparece en ningún contrato.
