La IA eleva el piso. La profundidad es lo que te diferencia.
La narrativa de que la IA reemplaza el trabajo de nivel inicial malinterpreta lo que las personas de nivel inicial realmente hacen. Un junior en activacion no hace trabajo mecanico — configura targeting en DV360, revisa pixeles de seguimiento y gestiona estrategias de puja. La pregunta real es: cuando la IA eleva el piso para todos, de donde viene la ventaja? De la profundidad.
He estado construyendo un curso de AI-Native Media Operations durante los ultimos meses. Siete modulos. Docenas de diapositivas. Y la unica diapositiva que sigo reescribiendo — la que todavia no creo haber logrado — es sobre que pasa con las personas que entran a la industria cuando el modelo operativo cambia a 75-80% IA.
Sigo escribiendo versiones que suenan seguras. Luego las borro, porque no estoy seguro. Tengo direcciones, no respuestas. Y creo que la version honesta de esta conversacion es mas util que la pulida.
Asi que esto es lo que me ha estado dando vueltas.
La narrativa esta equivocada
Ya lo escucharon: "La IA reemplaza el trabajo de nivel inicial." Es una historia limpia. Tambien esta equivocada — o al menos, malinterpreta lo que las personas de nivel inicial realmente hacen.
Recorramos las disciplinas en una agencia de medios moderna:
- Estrategia: Elaborar analisis competitivos, sintetizar briefs de investigacion, identificar patrones en los datos que los seniors pasan por alto porque estan en reuniones todo el dia
- Planificacion: Construir planes de medios, ejecutar escenarios de presupuesto, construir segmentos de audiencia — a menudo mas cerca de los datos reales que el planificador senior que revisa su trabajo
- Activacion: Configurar targeting en DV360, revisar pixeles de seguimiento, gestionar estrategias de puja entre plataformas — trabajo genuinamente tecnico, de alto riesgo, donde una audiencia mal configurada puede quemar el presupuesto en horas
- Ad Ops: Traficar anuncios, depurar discrepancias de seguimiento, mantener la integridad de medicion a traves de docenas de plataformas
- Investigacion: Evaluar metodologia de encuestas, detectar sesgo muestral, codificar respuestas cualitativas — el tipo de trabajo analitico cuidadoso que requiere escepticismo genuino
- Reporting: Construir dashboards, identificar anomalias, saber cuando los datos no cuadran aunque los graficos se vean bien
Estas no son "tareas repetitivas." Son contribuciones sustanciales que requieren criterio, conocimiento de plataforma y contexto del cliente. La persona que configura una campana en DV360 no esta haciendo trabajo mecanico — esta tomando docenas de decisiones tecnicas que afectan directamente si el plan de medios realmente entrega resultados.
La brecha de validacion senior de la que nadie habla
Hay algo que no escucho discutir lo suficiente: su VP no ha estado dentro de DV360 a diario en anos. Su director de planificacion ya no construye segmentos de audiencia manualmente. Las personas que toman decisiones estrategicas frecuentemente han delegado la ejecucion a nivel de plataforma por tanto tiempo que no podrian validar el output de la IA en esa capa aunque quisieran.
Cuando la IA genera un setup de campana, quien valida que sea correcto? Cuando construye un segmento de audiencia, quien verifica si las fuentes de datos son las correctas? Cuando produce un framework de medicion, quien sabe si la arquitectura de tracking realmente lo soporta?
Frecuentemente son las personas mas cercanas a las plataformas. Las mismas personas a las que se les dice que su trabajo es "rutina."
Creo que esta es la brecha que hace peligrosa la narrativa de "la IA reemplaza el trabajo junior." El 75-80% que la IA maneja todavia necesita validacion. Esa validacion requiere profundidad — expertise en plataformas, conocimiento de arquitectura de tracking, familiaridad con fuentes de datos. Y en muchas organizaciones, esa profundidad reside en las personas que casualmente sugerimos que seran desplazadas.
El problema del desfile
Sigo volviendo a esta analogia. Cuando todos tienen IA, la capacidad amplia se convierte en un desfile — impresionante desde lejos, identico de cerca. Cada agencia puede generar planes de medios, insights de audiencia, reportes competitivos, briefs creativos a escala. Las herramientas son las mismas. Los prompts convergen. El output se normaliza.
Entonces, de donde viene la ventaja?
Profundidad. Ir mas profundo que la IA + competidores en disciplinas especificas. No mas amplio — mas profundo.
Esto es contraintuitivo si creciste en una industria que valoraba a los generalistas "en forma de T." Pero creo que la forma esta cambiando. Cuando la IA proporciona la barra horizontal de la T gratis, el unico diferenciador es que tan lejos llega la barra vertical hacia abajo.
Desarrollo profesional Depth-First
El modelo antiguo era: empezar amplio, especializarse despues. Rotabas por departamentos, obtenias exposicion a planificacion, compra y reporting, y eventualmente encontrabas tu carril.
Creo que el mejor modelo ahora es al reves: primero profundizar, luego ampliar.
La IA ya proporciona amplitud. Cualquier junior puede usar IA para redactar un plan de medios, construir un analisis competitivo o generar un resumen de investigacion. Ese es el piso — se ha elevado para todos. Lo que es escaso es la persona que conoce activacion, medicion o evaluacion creativa mejor que la IA. La persona que mira el output de la IA e inmediatamente ve lo que esta mal.
Esa habilidad de evaluacion — la capacidad de valorar el trabajo de la IA con expertise genuina — requiere profundidad. Y la profundidad requiere tiempo enfocado en una disciplina, no una rotacion por cinco departamentos en tus primeros dos anos.
Como se ve "ir mas profundo" en la practica
Aqui es donde quiero ser especifico, porque los consejos genericos de carrera son inutiles.
Activacion: Conviertete en el puente entre plataforma e IA. Conoce las capacidades y limitaciones de la plataforma lo suficientemente bien como para detectar cuando las configuraciones de la IA no funcionaran en la realidad — la audiencia demasiado estrecha para entregar, la estrategia de puja que no se ajusta al objetivo, la lista de ubicaciones que incluye inventario que el cliente explicitamente excluyo.
Ad Ops: Pasa de la implementacion de tags a la arquitectura de tracking. No solo coloques los pixeles — disena la infraestructura de medicion de la que depende la IA. Entiende frameworks de consentimiento, tagging server-side, data clean rooms. La persona que puede disenar sistemas de medicion no esta siendo desplazada por la IA. Se esta volviendo mas importante.
Planificacion: Aprende a cuestionar, no solo a construir. Cualquiera puede construir un plan ahora. El valor esta en saber cuando la matematica funciona pero la estrategia no — cuando la curva de alcance se ve eficiente pero la frecuencia va a molestar a la audiencia, cuando el mix de canales esta optimizado en papel pero ignora como la marca realmente se presenta en cada entorno.
Investigacion: Desarrolla el escepticismo como competencia central. La IA puede sintetizar investigacion mas rapido que cualquier humano. Pero tambien puede presentar con confianza hallazgos de una encuesta mal disenada, confundir correlacion con causalidad y pasar por alto el sesgo muestral. El investigador que detecta fallas metodologicas es mas valioso que nunca.
Creativo: Construye el juicio estetico que la IA no tiene. La IA puede generar variantes. No puede decirte por que esta variante particular funciona para esta marca particular en este contexto particular. Ese juicio — informado por el gusto, conocimiento de marca y conciencia cultural — es desarrollable pero no automatizable.
Reporting: Se la capa de integridad de datos. La IA construye dashboards hermosos. Pero los dashboards pueden ser hermosos y estar equivocados. La persona que sabe cuando el modelo de atribucion es enganoso, cuando la fuente de datos cambio silenciosamente, cuando los numeros se ven bien pero la historia que cuentan esta al reves — esa persona es esencial.
La capa de Evals de la que nadie habla
Hay un concepto del desarrollo de IA que creo se mapea directamente a esto: evals. En IA, un eval es la verdad base — los criterios que definen como se ve "correcto." Sin evals, no puedes saber si el output de la IA es bueno o malo. Solo estas confiando en la maquina.
En media operations, los evals ya existen. Solo no se llaman asi.
Tu checklist de pre-lanzamiento es un eval. Define como se ve un setup de campana correcto. Tu escalera de KPIs es un eval. Define que significa buen rendimiento. Tu guia de marca es un eval. Define como se ve un creativo que cumple las reglas. Tu estandar de precision de tracking es un eval. Define que significa medicion confiable.
Las personas que construyen y mantienen estos — que codifican el juicio experto en criterios operacionales — estan haciendo algo que la IA fundamentalmente no puede hacer por si misma. La IA puede generar un setup de campana. No puede definir como se ve un setup de campana correcto para este cliente en este mercado con estas restricciones. Eso requiere profundidad.
Y esto es lo que creo que esta subestimado: crear evals es uno de los ejercicios de aprendizaje mas poderosos disponibles. Cuando le pides a alguien que defina como se ve "correcto" para su disciplina — que escriba el checklist de pre-lanzamiento, que especifique el umbral de discrepancia aceptable, que construya la rubrica de cumplimiento creativo — tiene que entender el trabajo lo suficientemente profundo como para codificar el juicio. Eso no es trabajo administrativo. Es desarrollo acelerado de profundidad.
Asi que cuando hablo de desarrollo profesional Depth-First, la creacion de evals es una expresion concreta de ello. La persona que puede tanto evaluar output de IA como definir los criterios contra los que deberia evaluarse tiene un conjunto de habilidades que se potencia con el tiempo. Los criterios se afilan. La IA mejora. Y la brecha de expertise entre esa persona y alguien que simplemente usa IA crece.
Para personas que entran a la industria
Quiero ser honesto aqui, porque creo que las personas que entran a la industria merecen honestidad mas que tranquilidad.
Si, los roles de nivel inicial estan cambiando. El punto de entrada ya no es "haz el trabajo que la IA puede hacer, pero con manos humanas." Es "desarrolla la profundidad para evaluar si la IA hizo el trabajo correctamente."
Eso suena como una barra mas alta, y en cierto modo lo es. Pero creo que la habilidad de evaluacion — mirar el output de la IA y saber que esta bien y que esta mal y poder articular por que — se puede desarrollar mas rapido de lo que la gente asume. No empiezas de cero. Empiezas con la IA como acelerador de aprendizaje.
El detalle es que todavia necesitas practica real junto con la evaluacion. Necesitas construir campanas tu mismo para saber como se ve lo malo. Necesitas extraer datos manualmente para entender lo que el dashboard oculta. La IA acelera el aprendizaje, pero no reemplaza el hacer completamente. Todavia no.
Elige una disciplina. Ve profundo. Aprende los frameworks. Las personas que van a prosperar son las que desarrollen expertise genuina en un area especifica — no las que se conviertan en prompt engineers generalistas.
El problema del aprendizaje
Tengo que admitir — esta es la parte que no he resuelto.
El modelo tradicional de aprendizaje en agencias funcionaba porque la gente joven aprendia haciendo el trabajo. El asistente de planificacion construia planes y aprendia planificacion. El coordinador de activacion configuraba campanas y aprendia activacion. Las repeticiones eran la educacion.
La IA comprime esos flujos de trabajo. Y al comprimir los flujos de trabajo, tambien comprime el mecanismo de aprendizaje. Si la IA construye el plan de medios y el junior lo revisa, aprende planificacion de la misma manera? No estoy seguro de que si.
Tengo direcciones pero no una respuesta completa. Desarrollo Depth-First. Evaluacion junto con ejecucion. Usar la IA como herramienta de ensenanza, no solo de produccion — hacer que los juniors construyan cosas con IA y luego critiquen lo que produjo, para que aprendan tanto la habilidad como el juicio simultaneamente.
Pero no estoy seguro de que eso sea suficiente. El problema del aprendizaje podria ser el desafio organizacional mas dificil de la transicion a IA — mas dificil que la tecnologia, mas dificil que el modelo de negocio. Si alguien resuelve esto completamente, habra resuelto algo mas grande que el modelo operativo de una sola agencia.
Donde nos deja esto
No voy a terminar esto con una conclusion pulida, porque la version honesta no tiene una.
Esto es lo que creo que es verdad: no estas siendo reemplazado por la IA. La narrativa es mas matizada que eso. Pero la forma en que te desarrollas, las habilidades que priorizas y como posicionas tu expertise — eso necesita evolucionar. La amplitud ahora es gratis. La profundidad es el diferenciador.
Si estas al inicio de tu carrera: elige una disciplina, ve profundo, y desarrolla el juicio para evaluar el trabajo de la IA. Esa combinacion — profundidad mas evaluacion — es lo que te hace irremplazable.
Si lideras equipos: las personas mas cercanas a tus plataformas y datos pueden ser mas importantes para tu estrategia de IA de lo que crees. Asegurate de que las personas que disenan el modelo operativo de tu organizacion entiendan eso.
Y si estas construyendo un curso sobre todo esto y sigues reescribiendo esa unica diapositiva — bueno, al menos ahora tienes un post de blog al que apuntar. Aunque tampoco tenga todas las respuestas.
Eso es todo de mi parte. Genuinamente me gustaria escuchar como otros estan pensando sobre esto — especialmente personas en los primeros anos de su carrera en medios. Estan de acuerdo? En desacuerdo? Que me estoy perdiendo?
Cheers, Chandler
