Hace poco estuve en una conversación con marketers que usan IA para predecir qué tan bien va a rendir una campaña de influencers. Los números que me mostraban eran impresionantes: “Esta herramienta predice con 87% de precisión.”
Pero ahí empecé a hacer preguntas incómodas: ¿Precisión comparado con qué? ¿Es el modelo prediciendo datos históricos que ya pasaron, o realmente prediciendo campañas nuevas que nunca ha visto? Porque hay una diferencia enorme.
Delano he trabajado con modelos que se ven perfectos en backtesting pero fallan en la realidad. El mercado cambia, los algoritmos de plataformas cambian, los comportamientos del usuario cambian. Una campaña que funcionó en enero podría no funcionar igual en julio.
Lo que me hace falta es entender qué incluyen estos modelos predictivos. ¿Solo histórico del influencer? ¿Datos del producto/marca? ¿Contexto del mercado? ¿Competencia? Porque si es solo “este influencer ha convertido bien en el pasado,” entonces no es predicción, es extrapolación de datos viejos.
Estoy empezando a creer que los mejores modelos predictivos no son puros data. Incluyen algo que no siempre se menciona: insights de comunidades de expertos. Gente que ha lanzado cientos de campañas, que sabe qué funciona en diferentes contextos, que puede decir “estos números parecen posibles pero en este momento del año no” o “el influencer es correcto pero la competencia está saturada.”
Eso es mucho más valioso que un modelo que solo mira números históricos.
¿Ustedes han visto modelos predictivos que realmente funcionen? ¿Qué tan diferente es la predicción de la realidad? Y más importante: ¿qué información sienten que falta en esos modelos?
Vas directo al punto que me molesta de la mayoría de herramientas de IA en influencer marketing.
He trabajado con varios modelos predictivos y la realidad es: la mayoría hace overfitting al histórico. Entrenan con datos pasados y luego presumen que el futuro será igual. No es así.
Lo que sí funciona es cuando el modelo incluye:
- Seasonality: diferentes periodos del año behave diferentes
- Market context: competencia, saturación, cambios en algoritmos
- Creative variables: no es solo influencer, es qué tipo de contenido, qué mensaje, en qué formato
- Audience shift: el audience del influencer cambió? Sus followers son diferentes ahora?
Pero la mayoría de herramientas no capturan esto. Por eso cuando presento proyecciones a clientes, siempre agrego un rango (no un solo número) y explico qué asunciones estoy haciendo.
Lo interesante que mencionas sobre validación de expertos: totalmente. Los mejores proyectos que he visto son donde un modelo data-driven se revisa con someone que conoce el mercado. Eso experto ve la predicción del modelo y dice: “Wait, en octubre esto no aplica” o “Sabes qué, el influencer está en un momento de decline, no lo vería así.”
Ese es el futuro que espero: modelos predictivos que literalmente integren inputs de expertos, no solo números.
Una pregunta para la comunidad: ¿alguien ha usado herramientas donde los expertos locales (que conocen el mercado Rusia o US específicamente) están validando las predicciones del modelo? Porque siento que eso cerraría el gap que describiste. Modelo + intuición de expertos = pronóstico que realmente funciona.
Desde mi perspectiva como creadora, algo que falta completamente en estos modelos: el factor humano.
Una campaña no solo depende de números. Depende de si yo — el creador — estoy inspirado, si realmente creo en el producto, si mi comunidad confía en mí. Cuando una marca me pide un brief que no me hace sentido, el contenido sale forzado, y nadie lo compra. Los números dicen que “debería funcionar” pero el corazón del contenido no está.
Estos modelos de IA no miden eso. Miden engagement histórico, no crean mágica para la próxima campaña.
Además, los trends cambian rapidísimo. Lo que funcionó con mi audiencia hace 3 meses podría no funcionar ahora. Un modelo entrenado con datos de hace tiempo no va a ver eso.
Mi sensación: necesitan input de creadores reales, no solo data. “¿Crees que esta campaña va a conectar?” La intuición importa.
Estoy completamente de acuerdo con el escepticismo de fondo. Hemos probado varias plataformas predicción y el patrón es siempre el mismo: funcionan bien en retrospectiva, fallan en tiempo real.
Pero déjame complementar: en la agencia hemos empezado a construir nuestros propios modelos porque los commerciales no captaban el contexto específico de nuestros clientes. Lo que funciona es combinar:
- Data base: sí, números históricos, pero normalizados por período y contexto
- Industry signals: qué está pasando en el vertical específico del cliente
- Influencer trajectory: ¿está creciendo o decayendo ese influencer?
- Peer validation: otros agentes que han trabajado con el mismo influencer, ¿qué vieron?
Y lo más importante: cuando trabajamos cross-market (US + Rusia, por ejemplo), el modelo que construimos incluye benchmarks de ambos mercados. Porque un influencer podría tener excelente predicción en un mercado pero fallar en otro.
La predicción pura es ilusión. La predicción + validación de expertos que conocen el mercado real, eso sí da resultados.