Hace poco un cliente casi firma un contrato con un influencer que parecía ser el fit perfecto: 500k seguidores, engagement del 8%, audiencia completamente alineada con el público objetivo. Se veía impecable.
Pero algo me hizo dudar. No sé si fue instinto o paranoia de marketer, pero decidí hacer una verificación manual más profunda. Lo que encontré fue… preocupante. El influencer probablemente había comprado entre 100k-150k de esos seguidores en los últimos 6 meses. Los comentarios tenían patrones robóticos. El engagement se distribuía de manera poco natural.
Eso me hizo pensar: ¿por qué la herramienta de IA que estoy usando no lo detectó? Resulta que, sí, lo hizo. Pero puso una bandera de «riesgo mediado» en lugar de un «rechazo automático», lo que significa que requería revisión humana.
Desde entonces, investigo mucho más cómo funcionan estas capas de detección de fraude. Y lo que he aprendido es que la IA es excelente identificando patrones masivos de fraude (como cuando alguien compra 500k fake followers de golpe), pero es menos confiable con el fraude gradual y sofisticado.
Ahora usamos IA más como una herramienta de triaje. Elimina automáticamente los casos obvios de fraude y nos deja a nosotros revisar manualmente los casos más ambiguos. Es un sistema híbrido, y honestamente creo que es la única forma realista de hacerlo bien.
¿Vosotros cómo abordáis esto? ¿Confiáis completamente en la IA para brand safety, o mezcláis con validación manual? ¿Habéis tenido experiencias con detección de fraude que faltó?
Excelente observación. La realidad es que los bad actors evolucionan constantemente, así que cualquier modelo de IA que no se actualice frecuentemente se vuelve obsoleto. Nosotros invertimos en herramientas que reciben actualizaciones constantemente basadas en nuevas tácticas de fraude que detectan.
Pero más importante: implementamos un scoring de riesgo a múltiples niveles. No es solo si alguien compró followers o no. Verificamos:
- Patrones de engagement (¿son reales o bots?)
- Distribución geográfica de la audiencia
- Calidad de comentarios (usando NLP para detectar spam)
- Consistencia del crecimiento
- Similitud de seguidores con otras cuentas (detección de botnets)
Esto toma más tiempo, pero para nosotros es no-negociable. Un fracaso en brand safety no solo cuesta dinero, sino que daña la reputación del cliente. Y eso es impagable.
Mi recomendación: no uses una sola herramienta. Triangula datos de múltiples fuentes.
Desde mi lado, esto es frustrante porque creators legítimos a veces sufren falsas acusaciones. He visto casos donde alguien tiene un pico legítimo de engagement durante una campaña viral, y luego la IA lo marca como fraudulento porque no entiende el contexto.
Mi audiencia es pequeña pero súper real. Somos una comunidad. Pero a veces me llega feedback de marcas que dicen que nuestro engagement se ve “demasiado concentrado” o “poco natural”. Es porque mi comunidad es genuinamente engaged y comenta mucho sobre lo que publico.
Por eso: si usáis IA para detección de fraude, por favor hablad con el influencer después. Den contexto. No rechacen directamente basados en flags de IA. El diálogo es clave.
Desde el lado del brand, hemos invertido significativamente en un framework de fraud detection que combina IA con auditoría manual. Aquí está lo que funciona:
Primero, establecimos criterios claros: qué consideramos riesgo aceptable versus rechazo automático. No es lo mismo una fake follower aquí y allá (que casi todo el mundo tiene) versus fraude sistemático.
Segundo, implementamos revisión en dos capas:
- Capa 1: IA screena automáticamente. Rechaza casos obvios, flagea ambigüedades.
- Capa 2: Equipo humano revisa flageos usando contexto del influencer (historial, industria, crecimiento esperado).
Tercero, documentamos todo. Cada decisión de rechazar o aceptar un influencer se registra. Eso nos permite entrenar mejor nuestro modelo interno de IA con el tiempo.
El resultado: 99.2% de precisión en detección de fraude después de 18 meses. Y cero falsos negativos críticos (influencers fraudulentos que se nos pasaron). Algunos falsos positivos manejables, pero eso es aceptable.