Hace poco nos pasó algo que cambió completamente cómo vemos la vetting de influencers: descubrimos que un influencer con 250k seguidores en el que ‘invertimos’ realmente tenía mayoría de followers falsos. No era obvio a primera vista. El engagement se veía normal. Los comentarios parecían reales.
La IA fue la que lo capturó.
Desde entonces, hemos estado obsesionados con entender cómo la IA puede detectar y, más importante, prevenir que caigamos en estas trampas nuevamente.
Lo que me fascina es que el fraude está evolucionando. Ya no es solo ‘comprar 100k seguidores en sitios raros’. Ahora hay servicios sofisticados que crean followers “semi-reales” que interactúan de manera que los algoritmos tradicionales no detectan.
Hemos visto herramientas de IA que analizan:
- Patrones de engagement que no cuadran con tamaño de audiencia
- Distribución demográfica de audiencia (es realista para ese contenido?)
- Velocidad de crecimiento histórica (¿hay spikes inorgánicos?)
- Calidad de comentarios (¿son genéricos, spam, o reales?)
- Comportamiento de followers (¿interactúan en plataformas afiliadas? ¿su actividad es clustering o dispersa?)
¿Cuáles son los red flags que ustedes están usando? ¿Qué métodos de detección de fraude han sido más efectivos en la realidad?
Eso que te pasó es más común de lo que crees. Hemos pasado por lo mismo. Lo que implementamos fue un sistema de capas de verificación.
Nivel 1 (IA automatizado): Escaneamos básicamente todos los influencers potenciales con herramientas que verifican ratios de engagement, consistencia de crecimiento, análisis de audiencia demográfica. Esto nos filtra ~70% de los fraudulentos obvios.
Nivel 2 (verificación manual especializada): Para los influencers que pasan la IA, nuestro equipo hace deep-dive: revisamos sus últimos 50-100 posts, analizamos comentarios, vemos si la audiencia parece coherente con el contenido. Esto nos da contexto que la IA puede perder.
Nivel 3 (data validation): Para deals grandes, pedimos acceso a Google Analytics de su sitio (si lo tienen), datos de YouTube Studio, o datos de TikTok Creator Fund. Eso nos dice el verdadero reach.
Resultado: nuestro fraude rate bajó de ~12% a ~2% en un año. No es perfecto, pero es muchísimo mejor. El costo de implementar esto fue alto, pero el costo de campañas fallidas era más alto aún.
Red flag específico que ahora siempre revisamos: discordancia entre follower crecimiento y engagement. Si un influencer ganó 50k followers en 3 meses pero su engagement rate bajó, eso es sospechoso. Algoritmos reales no funcionan así.
También: comentarios muy genéricos o en idiomas que no concuerdan con el contenido. Si 30% de comentarios son ‘Great post!’ en inglés en un account que publica en ruso, hay algo raro.
Como creador legítimo, honestamente aprecio esto porque hay MUCHÍSIMO fraude en el espacio. Influencers fake dan mala reputación a todos.
Desde mi perspectiva, lo que yo veo es: marcas siendo más escépticas. Eso puede ser molesto cuando eres real y tienes que probar que tus followers son genuinos. Pero es el precio de la confianza.
Mi observación: los creadores reales típicamente tenemos una ‘voz’ consistente. Nuestro contenido evoluciona con nosotros. Los fraudulentos suelen ser inconsistentes—algunos posts tienen engagement alto, otros muy bajo, sin patrón claro.
También: comunidad es importante. Si interactúo genuinamente con mis followers, eso se ve. Respondo a comentarios. Creo conversación. Los fraudulentos no invierten en eso porque sus followers no son reales.
Este es un problema que debe ser resuelto avec data science rigorosa. Lo que hemos implementado en nuestras auditorías de influencer:
Análisis estadístico de anomalías:
- Modelo de regresión que predice engagement esperado basado en histórico + tamaño de audiencia
- Cualquier post que se desvíe +3 desviaciones estándar del esperado = red flag
- Esto detecta tanto engagement inflado (bots) como deprimido (engagement pods)
Análisis de red de followers:
- Miras a los followers del influencer
- ¿Qué tan correlacionados son sus perfiles? ¿Siguen todos a los mismos 50 accounts?
- (Verdaderos followers tienen perfiles diversos. Bots siguen patrones.)
Temporal pattern analysis:
- Botnes tienen patrones de actividad rígidos. Si es exactamente 2 comentarios cada 6 horas en 100 followers, eso es bot behavior
- Usuarios reales tienen variabilidad
Nuestro sistema tiene ~94% precision en detección de fraud. Es automatizado pero requiere inversión inicial en data engineering.
¿Qué herramientas estás usando actualmente? Algunos vendors son mucho mejores que otros.
Bonus insight que aprendimos hard way: brand safety necesita ir más allá de ‘followers son reales’. Necesitas entender:
- Reputación del influencer (¿hay controversias escondidas?)
- Calidad de partnerships pasadas (¿qué marcas ha promovido? ¿parecería extraño?)
- Predictibilidad de comportamiento del influencer (¿es probable que haga algo que dañe nuestra brand?)
La IA puede ayudar con esto usando sentiment analysis en menciones públicas, análisis de partnerships pasadas, y análisis de audience overlap (si tu audiencia realmente necesita este influencer).
Fraude de followers es el problema obviamente. Pero reputational risk es el que realmente cuesta dinero.