Hace cinco años, un director de marketing elegía embajadores de marca mirando una hoja de cálculo con seguidores, alcance y, si tenía suerte, una tasa de engagement calculada a mano por una agencia. Hoy esa misma decisión pasa por modelos que cruzan miles de señales en segundos: patrones de habla, coherencia temática del contenido, franjas horarias de publicación, incluso el tono emocional de los comentarios que recibe cada creador. El cambio no es cosmético. Ha reescrito quién gana los contratos y quién se queda fuera antes de que nadie en el equipo de marca haya visto una sola foto del candidato.
Conviene decirlo sin rodeos: la IA no ha sustituido el criterio humano en el marketing de influencers, lo ha desplazado de sitio. Antes se ejercía al elegir; ahora se ejerce al filtrar los filtros. Y esa diferencia, que parece sutil, está detrás de buena parte de las campañas que funcionan y de las que se hunden en silencio sin que nadie entienda muy bien por qué.
El brief se ha convertido en un vector, no en un documento
Las plataformas de influencer marketing —Traackr, Upfluence, CreatorIQ, Modash— ya no piden a los equipos de marca una descripción en prosa del influencer ideal. Piden datos estructurados: rango de edad de la audiencia, geolocalización con precisión de código postal, palabras clave asociadas al nicho, tono de marca deseado en una escala numérica. Ese brief se traduce internamente en un vector matemático que se compara con los vectores de cientos de miles de perfiles ya analizados.
El resultado práctico es que una marca de cosmética que busca «autenticidad» y «cercanía» ya no depende de que un account manager haya visto los vídeos del creador y le parezcan simpáticos. El sistema mide la autenticidad de forma indirecta: analiza si el creador responde a sus propios comentarios, si varía el vocabulario entre publicaciones patrocinadas y orgánicas, si su ritmo de publicación se mantiene estable en el tiempo o se dispara justo antes de una colaboración pagada. Esto último, dicho sea de paso, es una de las señales más fiables de manipulación de audiencia que existen, y muy pocas agencias lo comprobaban de forma sistemática antes de que el software lo hiciera por defecto.
Un caso ilustra bien esta transición. En 2023, L’Oréal reveló en su informe de innovación que su plataforma interna de creator matching había reducido en aproximadamente un 40% el tiempo dedicado a la selección de influencers para lanzamientos de producto, al tiempo que aumentaba la tasa de conversión de esas campañas. La cifra exacta varía según la línea de negocio, pero la dirección del dato es consistente con lo que reportan otras marcas de gran consumo: menos tiempo eligiendo, mejores resultados eligiendo. Eso, para cualquiera que haya trabajado en un departamento de marketing con presupuestos ajustados y plazos imposibles, no es un detalle menor.
Detectar audiencias falsas ha dejado de ser un lujo de marca grande
Durante años, comprobar si un influencer tenía seguidores comprados era un proceso artesanal: mirar la proporción de comentarios respecto a seguidores, fijarse en perfiles con foto genérica, buscar patrones de nombres sospechosos. Funcionaba, más o menos, para cuentas con audiencias pequeñas. Con perfiles de cientos de miles de seguidores, era prácticamente imposible hacerlo a mano con algo de rigor.
Los modelos de detección de fraude actuales analizan la distribución geográfica de los seguidores respecto a la audiencia declarada del creador, la velocidad de crecimiento del perfil en ventanas de tiempo cortas, la ratio entre likes, comentarios y guardados, y la presencia de patrones de interacción coordinada —cuentas que comentan lo mismo en varias publicaciones distintas en intervalos de segundos, algo que un humano prácticamente nunca hace de forma natural—. HypeAuditor, una de las plataformas más citadas en este terreno, estimaba en su informe de 2022 que en torno al 12% de las cuentas de Instagram con más de 100.000 seguidores mostraban indicios claros de audiencia inflada. La cifra ha bajado ligeramente desde entonces, en parte porque los propios creadores saben que las marcas ya no confían solo en el número bruto de seguidores.
Esto tiene una consecuencia que pocas veces se explica en los cursos de marketing digital: el poder de negociación se ha desplazado hacia los creadores que pueden demostrar audiencia real y comprometida, aunque sea pequeña, frente a los que acumulan cifras vistosas pero vacías. Un microinfluencer con 18.000 seguidores en un nicho muy definido —digamos, reparación de bicicletas urbanas— puede cobrar hoy tarifas comparables a las de un creador generalista con diez veces más audiencia, precisamente porque el software confirma lo que antes solo se intuía: esa audiencia responde, compra y confía.
Brand safety: el filtro que veta antes de que nadie proponga nada
Aquí conviene ser honesto sobre algo que la industria no siempre reconoce con gusto: buena parte del trabajo que hace la IA en este terreno no es encontrar al influencer perfecto, sino descartar automáticamente a miles de candidatos imperfectos antes de que un humano los vea siquiera. Los sistemas de brand safety rastrean el historial completo de publicaciones de un creador —a veces años hacia atrás— buscando contenido político polarizante, lenguaje ofensivo, asociaciones con controversias previas o simplemente inconsistencias de tono que puedan generar un riesgo reputacional.
Esto explica, en parte, por qué ciertos creadores con audiencias enormes y engagement excelente nunca aparecen en las shortlists de determinadas marcas: el filtro los ha eliminado en una fase que ni siquiera llega a briefing. No hay debate creativo, no hay reunión, no hay segunda oportunidad. El algoritmo ha decidido que el riesgo no compensa, y el equipo de marca ni se entera de que existía la opción.
Personalmente, este punto me parece el más problemático de todo el proceso, y merece más discusión de la que recibe. La automatización del brand safety tiende a favorecer a creadores que llevan años siendo deliberadamente neutros, que evitan opinar de nada y que construyen una imagen pulida y sin aristas. Es una selección que premia la asepsia por encima de la personalidad, justo lo contrario de lo que en teoría busca el marketing de influencers cuando habla de autenticidad. Las marcas dicen querer voces genuinas, pero sus propios sistemas de selección penalizan sistemáticamente a cualquiera que se haya mojado alguna vez en algo. La paradoja no se resuelve sola, y cuanto más se automatiza el proceso, más se agrava.
Cuando el algoritmo entiende el contenido, no solo los números
La generación anterior de herramientas de matching trabajaba casi exclusivamente con metadatos: seguidores, likes, comentarios, hashtags declarados por el propio creador. La generación actual incorpora modelos de visión por computador y procesamiento de lenguaje natural que analizan directamente el contenido: qué aparece en las imágenes y vídeos, qué se dice en los audios, qué objetos, colores y escenarios se repiten en el feed de un creador.
Esto permite matices que antes eran invisibles para el software. Una marca de mobiliario puede identificar creadores cuyo contenido, aunque no hable explícitamente de decoración, muestra de forma recurrente espacios domésticos cuidados, con una estética coherente con la de la marca. Un fabricante de bebidas puede detectar qué creadores de gastronomía filman habitualmente escenas de sobremesa, aunque nunca hayan mencionado la categoría en un texto o un hashtag. Es un nivel de matching semántico que hace unos años solo existía en la teoría, en las presentaciones de producto de las plataformas, sin datos reales que lo respaldaran.
Dove utilizó este tipo de análisis visual en 2022 para su campaña «Real Beauty», cruzando el contenido de miles de creadoras de belleza para identificar a aquellas cuya estética evitaba de forma consistente el retoque digital extremo, algo que un análisis basado solo en hashtags jamás habría podido detectar con fiabilidad, porque casi ninguna influencer declara explícitamente «no uso Facetune» en su biografía.
La comparativa que las agencias no enseñan en las propuestas comerciales
Vale la pena detenerse en las diferencias reales entre lo que promete el discurso comercial de estas plataformas y lo que ofrecen de verdad, porque hay una brecha considerable entre ambos.
- Lo que se vende: matching perfecto basado en cientos de variables, predicción de ROI antes de firmar el contrato, eliminación total del riesgo de fraude de audiencia.
- Lo que ocurre en la práctica: un preselección sólida que reduce drásticamente el trabajo manual, una detección de fraude bastante fiable aunque no infalible, y una predicción de rendimiento que sigue fallando de forma notable en categorías donde el contenido emocional o el humor son determinantes, precisamente porque esos elementos son los más difíciles de cuantificar para cualquier modelo.
Esta brecha no invalida la tecnología. La sitúa en su sitio correcto: una herramienta que reduce la incertidumbre, no que la elimina. Cualquier proveedor que venda predicción de ROI con precisión matemática antes de que la campaña arranque está, como mínimo, exagerando sus capacidades.
El dato de audiencia oculta que empieza a preocupar a los anunciantes
Hay un fenómeno relativamente nuevo que los modelos de IA están empezando a detectar mejor que cualquier análisis manual: la audiencia oculta o «dark audience». Se refiere a creadores cuyo contenido llega mayoritariamente a través de recomendaciones algorítmicas —el feed «para ti» de TikTok, el explorar de Instagram— y no a través de su base de seguidores declarada. Esto significa que el número de seguidores de un perfil puede tener una relación cada vez más débil con el alcance real de sus publicaciones.
Un creador con 40.000 seguidores puede generar vídeos que alcanzan a dos millones de personas de forma recurrente gracias al algoritmo de la plataforma, mientras que otro con medio millón de seguidores puede estar viendo cómo su alcance orgánico se hunde publicación tras publicación. Las herramientas de análisis modernas ya priorizan este dato —alcance real medido, no seguidores declarados— por encima de las métricas tradicionales, y esto está cambiando de raíz cómo se negocian las tarifas. Cobrar por seguidor, la fórmula clásica de la industria durante más de una década, empieza a parecer un método tan obsoleto como cobrar publicidad por impresiones sin verificar si alguien la ha visto de verdad.
Los creadores también usan IA, y eso cambia la negociación
Conviene no contar solo la mitad de la historia. Mientras las marcas afinan sus sistemas de selección, los propios creadores han empezado a usar herramientas de IA para preparar sus propuestas comerciales: generan informes de rendimiento con proyecciones de alcance, identifican qué marcas encajan mejor con su audiencia antes de que la marca los contacte, e incluso simulan el tono de sus futuras publicaciones patrocinadas para enseñárselo al anunciante antes de firmar nada.
Esto ha profesionalizado el sector desde abajo, no solo desde arriba. Un creador de tamaño medio que hace cinco años dependía por completo del criterio de una agencia para negociar su tarifa, hoy puede llegar a una reunión con datos comparables a los que maneja la propia marca. El resultado es una negociación más simétrica en términos de información, aunque siga siendo asimétrica en términos de poder económico. No es poca cosa: gran parte de los abusos históricos del sector —tarifas ridículas, pagos en producto disfrazados de colaboración, contratos leoninos sobre derechos de imagen— se sostenían precisamente sobre esa asimetría informativa que empieza a resquebrajarse.
Lo que ningún modelo predice todavía con fiabilidad
Aquí llega el matiz que más incomoda a quienes venden estas plataformas como una solución cerrada: la IA sigue siendo notablemente mala prediciendo si un influencer y una marca «encajarán» en el sentido más humano del término, ese que tiene que ver con la química, con el momento cultural, con el riesgo calculado que a veces da resultados espectaculares precisamente por salirse del patrón esperado.
Las colaboraciones que rompen esquemas —Balenciaga con creadores de nicho absurdo, Duolingo con su búho errático en TikTok, marcas de coche eléctrico apostando por streamers de videojuegos sin ninguna relación aparente con la automoción— casi nunca habrían salido de un sistema de matching basado en similitud semántica y coherencia de marca. Esos algoritmos están diseñados, por su propia naturaleza estadística, para recomendar lo probable, lo coherente, lo que ya ha funcionado antes en situaciones parecidas. El acierto disruptivo sigue siendo terreno humano, casi por definición, porque implica salirse deliberadamente de lo que el histórico de datos sugeriría como buena idea.
Esto no es una crítica a la tecnología. Es una descripción honesta de sus límites, algo que rara vez aparece en los estudios de caso que publican las propias plataformas, todos ellos centrados —lógicamente, es su producto— en los aciertos que sí encajan dentro del marco que su software puede predecir.
Una fricción que casi nadie menciona en voz alta
Hay una tensión estructural en todo este proceso que las marcas prefieren no discutir abiertamente: cuanto más se optimiza la selección de influencers mediante IA, más homogéneas tienden a volverse las campañas. Si decenas de marcas de un mismo sector usan plataformas parecidas, con criterios de matching similares —coherencia estética, brand safety, alcance verificado, ausencia de controversia—, es razonable esperar que acaben eligiendo, con matices, a un grupo de creadores bastante parecido entre sí.
Esto ya se observa en categorías como belleza y fitness, donde un número relativamente reducido de creadores concentra buena parte de las colaboraciones patrocinadas de las principales marcas del sector, precisamente porque todos sus algoritmos de selección tienden a converger sobre los mismos perfiles «seguros». La ironía es evidente: la tecnología que promete personalización y precisión está produciendo, en la práctica, una concentración cada vez mayor en un puñado de nombres que superan todos los filtros al mismo tiempo.
¿Es esto un problema para las marcas? A corto plazo, no demasiado: siguen obteniendo resultados medibles y previsibles. A medio plazo, es probable que erosione precisamente lo que hace valioso a un influencer frente a la publicidad convencional: la sensación de que su audiencia lo sigue por ser distinto, no por parecerse a los demás creadores que también pasan el mismo filtro.
Quizá la pregunta que deberían hacerse los equipos de marketing no sea qué modelo de IA elige mejor al influencer perfecto, sino qué ocurrirá dentro de tres años cuando todos los competidores de un mismo sector usen sistemas prácticamente idénticos para tomar la misma decisión.