Lo que la IA todavía hace mal en Media Operations sin criterio experimentado

En los últimos meses, mientras he estado construyendo mi curso sobre AI-native media operations, sigo volviendo al mismo pensamiento incómodo.

La IA se está volviendo lo suficientemente buena para ser peligrosa de una forma muy específica.

No peligrosa porque esté obviamente equivocada. Peligrosa porque muchas veces es plausiblemente correcta.

Ese es un modo de fallo muy diferente.

Si un modelo de AI te da una respuesta ridícula, la mayoría de las personas lo detecta. Te ríes, quizás tomas un screenshot, quizás publicas algo en LinkedIn, y sigues adelante.

Pero si la IA te da un plan de campaña que es 80% correcto, un framework de medición que suena completo, una narrativa de reporting que se siente pulida, o una recomendación de canal que luce estratégicamente coherente — entonces la falla es mucho más sutil.

Alguien todavía tiene que preguntar:

• ¿Esto está fundamentado en el negocio real?
• ¿Esto encaja con el contexto del cliente?
• ¿Esto refleja cómo se comporta la plataforma en la vida real?
• ¿Esto crea los trade-offs correctos, no solo la respuesta más limpia?

Ahí es donde el criterio experimentado todavía importa. Y mucho.

---

El problema no es "la IA es mala en media"

Para ser claro, ya no creo que la IA sea mala en media operations.

De hecho, ese argumento se debilita cada mes.

La IA ya es útil para:

• primeros borradores de planes de medios
• hipótesis de audiencia
• resúmenes de reporting
• frameworks de testing creativo
• análisis competitivos
• checklists de QA para campañas
• documentación de medición

Si alguien todavía dice "la IA es solo un juguete," creo que está subestimando lo que está pasando.

Mi preocupación va casi en la dirección opuesta.

La IA se ha vuelto lo suficientemente fuerte como para que muchos equipos confíen en ella antes de haber construido la capa de criterio necesaria para supervisarla bien.

Y desde mi experiencia, media operations está llena de decisiones de criterio que no aparecen de forma ordenada en la documentación.

---

Cinco cosas que la IA todavía hace mal

Estos son los patrones que sigo viendo.

1. Optimiza para la métrica visible, no para el objetivo de negocio real

La IA es muy buena siguiendo el objetivo que le dieron.

Eso suena obvio. Pero en media, el objetivo declarado y el objetivo real muchas veces no son lo mismo.

Quizás el KPI dice leads, pero el negocio realmente necesita pipeline calificado. Quizás el brief dice alcance, pero el cliente en realidad necesita confianza política interna. Quizás el dashboard dice eficiencia, pero la marca está tratando de proteger su posicionamiento premium en silencio.

La IA normalmente optimiza lo que es legible.

El criterio experimentado es lo que pregunta si el objetivo legible es el correcto en primer lugar.

2. Trata la guía de plataforma como realidad

Las mejores prácticas de plataforma son útiles. He pasado una gran parte de mi carrera trabajando con ellas.

Pero cualquiera que realmente haya corrido campañas durante años conoce la brecha entre la guía de plataforma y la realidad operativa desordenada.

Lo que funciona en el centro de ayuda no siempre es lo que funciona para este cliente, este presupuesto, esta categoría, este mercado, esta madurez de datos o este deadline.

La IA muchas veces produce la respuesta del manual. El operador experimentado sabe cuándo la respuesta del manual se quiebra al contacto con el mundo real.

3. No ve la política de stakeholders

Este es el asesino silencioso.

Un plan de medios puede estar matemáticamente bien y aun así fallar porque no coincide con las expectativas de los stakeholders.

Quizás el cliente necesita inversión de marca visible en un canal porque el liderazgo cree en él. Quizás el equipo regional necesita flexibilidad local. Quizás la organización de ventas desconfía de la atribución black-box. Quizás compras se preocupa menos por la elegancia que por la consolidación de proveedores.

Esto no significa que debamos rendirle la estrategia a la política. No estoy diciendo eso.

Estoy diciendo que media operations existe dentro de organizaciones, no dentro de diagramas limpios.

Las personas experimentadas normalmente saben dónde están los cables trampa invisibles.

4. Suaviza las excepciones

A la IA le gustan los sistemas limpios.

Las media operations reales no son limpias.

Hay excepciones por todas partes:

• un cliente con procesos de aprobación inusuales
• un mercado con restricciones de plataforma
• un stack de medición con puntos ciegos conocidos
• restricciones legales
• problemas de taxonomía heredada
• dependencias creativas que lo ralentizan todo

La máquina tiende a darte un modelo operativo coherente. El humano tiene que notar la excepción fea que rompe todo.

5. Confunde completitud con estar listo

Este punto me parece especialmente relevante porque veo el mismo patrón en programación.

La IA es fantástica produciendo cosas que se ven terminadas.

El deck tiene secciones. El reporte tiene bullet points. El framework tiene categorías. La recomendación tiene lógica.

Y sin embargo, cuando intentas usarlo en un entorno real, algo no encaja.

La secuenciación está mal. El riesgo está subestimado. El paso de validación falta. La recomendación asume capacidades que el equipo no tiene.

Ese último paso de "completo" a "listo" sigue siendo muy humano.

---

Criterio experimentado no significa solo antigüedad

Debería agregar un matiz importante aquí.

Cuando digo "criterio experimentado," no quiero decir que el título más senior en la sala automáticamente tenga la mejor respuesta.

De hecho, una de las realidades incómodas de las agencias de media es que el VP de estrategia puede no haber tocado la plataforma a fondo en años. El director de planning puede no conocer las últimas peculiaridades en implementación. La persona más cercana a la verdad puede ser un operador más junior que todavía trabaja dentro de los sistemas todos los días.

Así que no creo que la respuesta sea:

"Deja que la IA haga el trabajo, luego pídele a un ejecutivo senior que lo apruebe."

Creo que la respuesta es más cercana a:

La IA produce el primer borrador. Los practicantes profundos validan la verdad operativa. Las personas experimentadas agregan criterio de negocio, criterio de trade-offs y criterio organizacional.

Ese es un modelo operativo muy diferente tanto de la vieja jerarquía de agencia como de la versión perezosa de "la IA reemplaza el trabajo junior."

---

La capa de evaluación es el trabajo real

Escribí recientemente sobre cómo la profundidad se convierte en el diferenciador cuando la IA eleva el piso.

Creo que la expresión operativa de eso son las evals.

No solo en el sentido de machine learning. En el sentido práctico de equipo.

¿Qué define un buen setup de campaña? ¿Qué define un reporte confiable? ¿Qué umbral de discrepancia es aceptable? ¿Qué cuenta como listo para lanzar? ¿Qué debería disparar una segunda revisión?

Esas definiciones no son overhead administrativo. Son la capa de criterio.

Y los equipos que construyan esta capa bien van a obtener mucho más valor de la IA que los equipos que se queden en bibliotecas de prompts y automatización genérica.

---

Qué significa esto para los equipos

No creo que la conclusión sea "ten miedo de la IA."

La conclusión es más exigente que eso.

Usa la IA agresivamente. Deja que haga el 75-80%. Pero sé extremadamente claro sobre dónde entra el criterio humano:

• definición de objetivos
• validación
• excepciones
• trade-offs
• gestión de stakeholders
• estándares de calidad

Eso no es anti-IA. Así se ve un modelo operativo de IA serio.

Esto también es la razón por la que construí el Módulo 1 del curso de la forma en que lo hice. Quería que el módulo gratuito mostrara el ciclo completo de una campaña, sí, pero también el punto más grande debajo: la IA puede tocar cada fase. Eso no elimina la necesidad de criterio experimentado. Cambia dónde ese criterio importa más.

Eso es todo de mi parte.

Genuinamente me gustaría saber cómo otras personas están manejando esto en la práctica. Si ya estás liderando equipos de media, ¿dónde ves que la IA produce las respuestas incorrectas más convincentes? Y si estás más temprano en tu carrera, ¿sientes que la vara del criterio se está haciendo más clara o más borrosa?

Cheers, Chandler