Llevamos tres meses usando una herramienta de búsqueda de influencers basada en IA para identificar creadores en mercados rusos y estadounidenses simultáneamente. El problema es que los algoritmos parecen optimizados para dinámicas de engagement muy diferentes.
En el mercado ruso, los creadores de alto engagement a menudo construyen comunidades alrededor de narrativas muy específicas y tienden a tener tasas de engagement más altas en promedio. En EE.UU., vemos más volatilidad: algunos creadores tienen audiences masivas pero engagement mediocre, mientras que otros con bases más pequeñas generan conversación real.
Lo que hemos notado es que cuando ejecutamos la misma búsqueda de IA en ambos mercados, obtenemos categorías de resultados completamente diferentes. La herramienta identifica creadores “high-performing” basándose en métricas que funcionan bien en uno pero no en el otro. Algunos profiles que brillan según los benchmarks estadounidenses lucen como underperformers cuando los comparamos con estándares rusos, y viceversa.
¿Cómo están ustedes calibrando estas búsquedas? ¿Están dejando que la IA corra con sus propios benchmarks, o están ajustando manualmente los pesos de las métricas antes de ejecutar búsquedas? ¿Realmente vale la pena pasar tiempo en ajustes manuales, o debería simplemente generar listas separadas por mercado?
Esta es exactamente la razón por la que no confío 100% en las herramientas de IA para cross-market. Lo que hemos hecho es crear perfiles de búsqueda separados para cada mercado, pero aquí está el truco: después de que la IA genera las listas iniciales, ejecutamos una segunda pasada donde buscamos intersecciones. Creadores que salen bien en ambos mercados tienden a ser mucho más confiables para proyectos bilingües.
Pero honestamente, el calibrado manual al inicio es crítico. Pasamos una o dos semanas entrenando a nuestro equipo en qué métricas importan realmente en cada región. En Rusia, miramos mucho más la calidad del comentario versus el volumen. En EE.UU., miramos más la tasa de comportamiento de compra derivado del engagement. La IA aprende mejor cuando le damos esos parámetros upfront.
Necesitas pensar en esto como un problema de normalización de datos, no de calibración de herramientas. Las métricas brutas no son comparables entre mercados porque los tamaños de población, los comportamientos de redes sociales y la penetración de plataformas son fundamentalmente diferentes.
Lo que hacemos nosotros es convertir todo a percentiles dentro de cada mercado antes de comparar. Si un creador ruso está en el percentil 85 de engagement para su mercado, y un creador estadounidense está en el percentil 82, entonces podemos compararlos de manera más significativa. La IA debería hacer esto automáticamente, pero la mayoría de herramientas no lo hacen bien.
Otro punto: la mayoría de herramientas de IA calculan “autenticidad” usando señales que son mercado-específicas. Los algoritmos entrenados principalmente en datos estadounidenses ven followers falsos de una manera, pero en mercados emergentes, el patrón de comportamiento indicativo de fraude puede ser completamente diferente. Idealmente, necesitas un modelo de IA que haya sido entrenado específicamente en datos bilingües, o necesitas múltiples modelos. ¿Qué herramienta estás usando?
Desde mi perspectiva como creadora, les digo: no se dejen llevar demasiado por lo que la IA dice sobre quién es “auténtico”. He visto herramientas que me categorizan como “micro-influencer de engagement alto” simplemente porque mi audiencia es más pequeña pero muy comprometida en mis posts. Pero eso no significa que sea mejor para una marca que alguien con más followers.
Lo que realmente funciona es hablar con los creadores o revisar manualmente sus últimas 20-30 publicaciones. En Rusia veo un estilo muy diferente de contenido comparado con mis amigos creadores en EE.UU. La IA no entiende matices culturales. Usa esto como primer filtro, sí, pero hazle seguimiento con research manual antes de hacer outreach.