El marketing automatizado necesita agentes que muestren su trabajo, no solo que den respuestas.

Creemos que la próxima frontera de la IA aplicada a marketing no es generar más contenido ni automatizar más pasos, sino construir sistemas que puedan demostrar por qué hicieron lo que hicieron — y que aprendan de forma granular de cada decisión intermedia, no solo del resultado final. Tres líneas de investigación recientes convergen en esta dirección: la exigencia de evidencia visual verificable en el análisis de video, la representación de workflows como objetos de conocimiento auditables, y la asignación de crédito turno a turno en agentes de largo horizonte.

La caja negra del análisis de video publicitario

Cuando un equipo de marketing pide a un modelo de video que analice un spot — ¿aparece el producto en los primeros tres segundos? ¿el logo es visible durante la escena clave? — la respuesta textual sola no basta. Wang et al. (2025) documentan una disociación crítica entre la precisión en question-answering sobre video y la percepción visual real del modelo [1]. Un modelo puede acertar la respuesta y, aun así, no haber "mirado" el fotograma correcto. Para una función de brand safety o compliance creativo, eso equivale a un auditor que firma sin leer.

El escalado de parámetros por sí solo no cierra la brecha entre responder bien y percibir bien, según los propios autores [1].

Workflows de marketing como objetos de conocimiento, no como logs desechables

Un workflow típico de marketing automatizado — segmentación de audiencia, generación de variantes, aprobación humana, lanzamiento condicional — acumula decisiones deterministas y juicios del LLM en una misma cadena. Quinto, Rozzi y Zanitti (2025) argumentan que tratar estos workflows como secuencias de pasos que producen resultados y dejan trazas impide inspeccionarlos, reanudarlos y revisarlos cuando algo falla [2]. La alternativa que proponen — Workflow-as-Knowledge — reencuadra cada workflow como un objeto de conocimiento persistente, no como una ejecución efímera.

derive: computación determinista sobre estado disponible. Una regla de segmentación por RFM, un cálculo de presupuesto, un filtro de frecuencia. No involucra juicio del LLM [Fuente 2].

infer: juicio mediado por el LLM bajo contexto declarado y política de capacidad controlada por el ejecutor. La selección de tono creativo, la evaluación de relevancia de un segmento emergente, la decisión de escalar o pausar una campaña [2].

TRACE (Turn-level Reward Assignment via Credit Estimation) opera sobre los puntos de transición entre llamadas a herramientas y asigna crédito denso por turno [3]. Traducido al contexto de un agente de marketing multi-paso: cada acción — consultar un CRM, generar una variante de subject line, ajustar un bid — recibe su propia señal de valor, en lugar de heredar el éxito o fracaso global de la campaña. La granularidad importa porque permite al agente conservar comportamientos intermedios valiosos incluso cuando el resultado agregado fue negativo.

TRACE usa representación de rollouts como transiciones de estado y log-probabilidades de un modelo de referencia congelado para estabilizar la señal [3] — un detalle técnico, pero que marca la diferencia entre un agente que aprende y uno que oscila.

Aprender de cada paso, no solo del resultado de campaña

El tercer pilar cierra el ciclo: ¿cómo mejora un agente de marketing que ejecuta decenas de acciones antes de obtener una métrica de resultado? Tao et al. (2025) demuestran que las recompensas basadas únicamente en el resultado final son escasas, de alta varianza y potencialmente engañosas en trayectorias largas [3]. Un episodio de campaña fallido puede contener muchas acciones útiles que acercaron al agente al objetivo; castigar todo el episodio por igual perjudica el aprendizaje [3].

La convergencia que importa

Estas tres líneas no son independientes. Un agente de marketing que analiza video publicitario necesita evidencia verificable para que su análisis sea útil [1]. El workflow que orquesta ese análisis necesita persistencia semántica para ser auditable y reanudable [2]. Y el ciclo de mejora del agente necesita asignación de crédito por turno para no desperdiciar señal de aprendizaje [3]. La tesis de IDO es que estas tres capacidades — grounding verificable, persistencia semántica de workflows y crédito denso por turno — constituyen la infraestructura mínima para que un sistema de IA en marketing pase de ser una herramienta impresionante a ser un sistema en el que una organización puede confiar operativamente. Sin cualquiera de las tres, queda un punto ciego que ninguna mejora en la calidad generativa compensa.

Fuentes consultadas

Shijie Wang, Honglu Zhou, Ziyang Wang, Ran Xu, Caiming Xiong, Silvio Savarese, Chen Sun, and Juan Carlos Niebles. Evidence-Backed Video Question Answering. arXiv:2607.11862, 2026.
Emanuele Quinto, Carlo Andrea Rozzi, and Francesco Zanitti. Workflow as Knowledge: Semantic Persistence for LLM-Mediated Workflows. arXiv:2607.08740, 2026.
Leitian Tao, Baolin Peng, Wenlin Yao, Tao Ge, Hao Cheng, Mike Hang Wang, Jianfeng Gao, and Sharon Li. TRACE: Turn-level Reward Assignment via Credit Estimation for Long-Horizon Agents. arXiv:2607.13988, 2026.