Estoy en medio de una expansión a un nuevo mercado latino, y decidí dejarle a una herramienta de IA que hiciera el trabajo pesado de discovery de influencers. Parecía lógico: la IA puede procesar tres millones de perfiles en minutos, encontrar relevancia de audiencia, predecir engagement, todo eso.
El problema es que no tengo casi no dataset local para entrenarle a la IA. Todo lo que tiene es información pública: follower count, engagement rate, menciones de keywords. Es decir, exactamente lo que cualquier persona podría sacar en una hora.
Lo que pasó fue interesante. La herramienta recomendó un grupo de influencers que en papel se veían perfectos: keyword relevance, engagement rates healthy, crecimiento consistente. Pero cuando empecé a hacer research manual—mirando comentarios reales, el tono de su comunidad, cómo interactúan con marcas—muchos no eran lo que yo buscaba en realidad.
Uno que recomendó tenía todo lo correcto en los números pero resulta que su audiencia es principalmente gente que compra productos falsificados. Otro tenía engagement alto pero era principalmente con bots que generan fake comments en masas.
La IA no sabía eso porque esos patrones no están en los datos públicos que puede acceder.
Lo que estoy haciendo ahora es usar IA como first pass—un way para ir de 3 millones de perfiles a 500 candidatos. Pero luego invierto tiempo real validando esos 500 manualmente. Y eso es donde empieza el trabajo real.
Mi pregunta: ¿es posible entrenar un modelo con datos de influencer performance en un mercado diferente y transferirlo a un mercado nuevo? ¿O es que cada mercado es suficientemente único que el modelo no generaliza bien?
La transferencia de modelos entre mercados es posible, pero con restricciones importantes. Aquí está lo que hemos aprendido:
Un modelo entrenado en influencers estadounidenses puede funcionar como punto de partida para mercados latinos, pero la accuracy baja significativamente. Hemos visto drop-offs de 20-40% en precision.
Lo que funciona mejor es: transfer learning + local tuning. Tomas el modelo base y lo re-entrenas con una pequeña cantidad de datos locales validados manualmente. 50-100 influencers verificados localmente es suficiente para mejorar la accuracy dramáticamente.
Eso sí cuesta tiempo al inicio, pero el payoff es que después tu discovery process es mucho más rápido que starting from scratch.
Desde acá, lo que quisiera que entiendan es que cada mercado tiene su propia cultura de influencing. En estados Unidos, el engagement típicamente significa likes y comentarios directos. Pero en mercados latinos, hay mucho sharing en privado, reacciones en stories, conexiones en otras plataformas.
Una IA entrenada solo con números estadounidenses perderá eso completamente. Pensará que un influencer con números moderados no es tan fuerte, cuando en realidad esa persona es influyente en formas que los números no capturan.
Si van a usar IA en un nuevo mercado, necesitan genuinamente entender cómo ese mercado se comporta primero. No solo confíen en los números.
El desafío que describes es un problema conocido en machine learning: distributional shift. Tu dataset de entrenamiento viene de un mercado (USA), pero lo estás usando para predecir en otro (Latam). Las distribuciones son diferentes.
Una solución práctica que pocos equipos implementan: usar un modelo de dos capas.
Capa 1: Features universales. Follower growth, engagement consistency, audience demographics. Esto funciona anywhere.
Capa 2: Features culturales. Tone of community, type of partnerships accepted, local platform preferences. Esto es específico a cada mercado.
Luego combinas ambas capas. El performance en capa 1 te da un score base, luego lo ajustas con capa 2.
Para nuevos mercados, minimiza tu dependencia en capa 2 al inicio. Dentro de 2-3 meses de data local, puedes re-entrenar capa 2 y tu accuracy mejora 10x.
Pero sí, en el corto plazo, la IA descubrimiento es un filtro útil, no una fuente de verdad.