Los cuatro actores, las cuatro verdades

Toda innovación en tecnología publicitaria debe evaluarse en función de su capacidad para satisfacer cuatro necesidades fundamentales:

1. Los anunciantes quieren hacer crecer su negocio. Quieren captar nuevos clientes, profundizar las relaciones con los ya existentes, vender más productos y atraer a clientes más rentables. Por eso hacen publicidad. No porque les gusten las impresiones o las tasas de clics, sino porque la publicidad es una herramienta para el crecimiento empresarial.
2. Las agencias quieren ayudar a los anunciantes a lograr ese crecimiento. Aportan su experiencia en el conocimiento de la audiencia, la estrategia de medios y la ejecución creativa. Su valor reside en hacer que la complejidad sea manejable y convertir los presupuestos de marketing en resultados empresariales.
3. Los editores quieren financiar el contenido que gusta a sus usuarios. Ya se trate de entretenimiento en streaming, periodismo de calidad, juegos para móviles o aplicaciones de productividad, los editores crean valor para los usuarios, y la publicidad ayuda a que ese contenido sea accesible. Los mejores anuncios no interrumpen este intercambio de valor, sino que lo mejoran al conectar a los usuarios con productos y servicios relevantes.
4. Los usuarios y compradores quieren ayuda para encontrar lo que ya están buscando. Quieren comparar opciones en las categorías que están considerando. Y, en ocasiones, quieren sorprenderse y deleitarse al descubrir algo que no sabían que necesitaban. Un buen anuncio

La verdadera oportunidad que presenta la IA

Una vez aclarado este punto, la pregunta es: ¿cómo pueden la IA y los sistemas agenticos ayudarnos a satisfacer mejor estas necesidades?

La respuesta no es «automatizarlo todo y eliminar a los humanos del proceso». La respuesta es: lubricar los puntos de fricción que impiden que el valor fluya entre estas partes interesadas.

Pensemos en lo que ocurre hoy en día cuando un planificador de medios quiere lanzar una campaña de CTV. Tiene un profundo conocimiento de los clientes de su marca, adquirido a lo largo de años de correo directo, programas de fidelización y datos propios. Ha segmentado cuidadosamente esta base de datos. Ha elaborado un informe detallado sobre cómo quiere llegar a nuevos clientes.

Ahora necesitan hacer coincidir esta intención con el inventario del editor. Utilizarán DSP para acceder a datos demográficos. Seleccionarán programas, aplicaciones y canales que crean que llegarán a su público objetivo. Llevarán a cabo la campaña, analizarán paneles de control tabulares, volverán a segmentar en función de lo que funcione y repetirán el proceso.

Cada paso implica un esfuerzo manual, la traducción de datos y la pérdida de información. El resumen que tiene en mente el planificador no se traduce completamente en los parámetros de segmentación disponibles en el DSP. El rico contexto sobre el contenido de un editor no se refleja completamente en los feeds de inventario estandarizados. El ciclo de retroalimentación entre el rendimiento de la campaña y los conocimientos de planificación es lento y con pérdidas.

Aquí es donde la IA crea valor real

Un agente con un profundo conocimiento del inventario de los editores, las taxonomías de la audiencia y el contexto del contenido puede ayudar a ajustar la intención del anunciante con la oportunidad de forma mucho más precisa. Las interfaces de lenguaje natural pueden captar matices que los menús desplegables no pueden. Los LLM pueden revelar conexiones entre los segmentos de clientes de una marca y la composición de la audiencia de un editor que a los humanos les llevaría semanas descubrir.

Pero aquí está la idea fundamental: esta creación de valor depende por completo de unos estándares precisos y deterministas que la sustentan.

Por qué las normas existentes son más importantes en un mundo de agentes, y no menos

Cuando los seres humanos están al tanto de cada paso, la ambigüedad se puede resolver mediante el juicio, la conversación y la intuición. Cuando los agentes coordinan flujos de trabajo complejos en múltiples sistemas, la ambigüedad se convierte en algo catastrófico.

Imaginemos un agente que negocia un acuerdo programático entre tres SSP diferentes. Si cada SSP representa el «inventario de video» de forma diferente, con definiciones sutilmente incompatibles de los métodos de reproducción, la medición de la visibilidad o las categorías de contenido, el agente fracasará silenciosamente o producirá resultados que nadie deseaba.

Ya hemos visto lo que ocurre cuando los sistemas de IA operan sin una base determinista: alucinan. Confunden conceptos. Generan tonterías que suenan convincentes. En publicidad, esto se traduce en difuminar las audiencias, tergiversar las ubicaciones, clasificar erróneamente los contenidos y crear oportunidades para el fraude a gran escala. Las definiciones compartidas, las interfaces transparentes y la gobernanza aplicable permiten la confianza y la responsabilidad. Y la confianza debe estar integrada en los sistemas agenticos.

La solución no es ralentizar la adopción de la IA. La solución es garantizar que los sistemas agenticos se basen en modelos de objetos y taxonomías que proporcionen precisión semántica. Cuando un agente dice «impresión de video con reproducción automática sin sonido en un sitio web de noticias que llega a adultos de entre 25 y 54 años interesados en la cocina», cada término de esa frase debe resolverse con una definición específica y acordada por el sector.

Aprovechar lo que funciona

Por eso, el enfoque de IAB Tech Lab sobre el futuro de los agentes se basa en los estándares actuales del sector. No es porque seamos reacios al cambio, sino porque estos estándares representan el conocimiento condensado del sector, perfeccionado a través de miles de millones de transacciones.

• AdCOM proporciona objetos de dominio canónicos: ¿Qué es una ubicación? ¿Qué es una impresión de vídeo? ¿Cuáles son los atributos de un dispositivo o usuario?
• OpenRTB gestiona las pujas en tiempo real a gran escala con una semántica probada en la práctica. Se superpone con AdCOM, lo que permite la integración de «rails» en OpenRTB.
• OpenDirect gestiona flujos de trabajo programáticos garantizados para la compra directa de medios. También es compatible con OOH y está preparado para la televisión lineal.
• La API de gestión de anuncios estandariza los flujos de trabajo de envío y aprobación de creatividades entre compradores y vendedores. La API de acuerdos estandariza la sincronización de los metadatos de dealID.

Todo ello se une gracias a las taxonomías estandarizadas de Tech Lab, incluidas nuestras taxonomías de audiencia, contenido y privacidad, que proporcionan un lenguaje común para describir a qué audiencia se dirige, en qué contexto (sus parámetros de segmentación), al tiempo que garantizan el cumplimiento de la privacidad cuando los agentes intercambian y comparan los datos de los consumidores.

Es fundamental destacar que todos ellos comparten en gran medida los mismos modelos de objetos subyacentes. Una impresión de video significa lo mismo tanto si se está ejecutando una puja en tiempo real como si se está configurando un acuerdo programático garantizado. Esta coherencia semántica es precisamente lo que los agentes necesitan para operar de forma fiable en una gran variedad de flujos de trabajo.

Este es el «lenguaje» de nuestro sector.

La capa de innovación, donde se producen el descubrimiento, la negociación y la coordinación, puede construirse sobre protocolos como A2A (Agent2Agent), que proporciona coordinación agencial de primitivas, o MCP (Model Context Protocol), que proporciona una interfaz estandarizada para que la IA acceda de forma sincrónica a herramientas y fuentes de datos dentro de una única sesión o contexto de aplicación. El término «contexto de aplicación» es fundamental aquí, ya que estas capas de coordinación deben hacer referencia a los esquemas y objetos de dominio ampliamente adoptados y acordados que la industria ya ha definido y que se utilizan activamente en miles de aplicaciones publicitarias en la actualidad, en lugar de reinventarlos.

Piénsese en los mercados financieros. El comercio de alta frecuencia no requirió redefinir qué es una acción o qué significa una operación. Requirió una infraestructura de ejecución más rápida construida sobre definiciones establecidas. Los operadores algorítmicos más sofisticados del mundo se basan en modelos de objetos estándar. Simplemente operan con ellos de forma más rápida y con mayor inteligencia. Y el aprendizaje profundo en el comercio de alta frecuencia no es solo para los operadores intradía; los mayores inversores institucionales del mercado de servicios financieros aprovechan océanos de datos de transacciones y computación de IA a gran escala para comprender mejor sus inversiones a largo plazo y tomar decisiones de inversión a largo plazo.

Sigue leyendo la columna de Anthony Katsur  en https://www.linkedin.com/pulse/agentic-future-advertising-built-first-principles-ai-anthony-katsur-gk5we/