El agente que convierte pero no sabe por qué
Un agente de marketing que ejecuta una secuencia de veinte llamadas a herramientas —consulta CRM, segmentación, personalización de copy, selección de canal, ajuste de puja— antes de producir un resultado medible opera exactamente en el régimen donde las recompensas de resultado fallan. Tao et al. (2025) identifican tres patologías concretas de este esquema: la escasez de señal (la recompensa llega solo al final), la alta varianza (un cambio menor en pasos tardíos altera desproporcionadamente el resultado) y la señal engañosa (un episodio fallido puede contener muchas acciones útiles que terminan penalizadas por igual) [1]. La lectura que hacemos es directa: cualquier equipo de marketing que entrene o ajuste agentes con recompensa binaria de conversión está castigando acciones valiosas y premiando accidentes. El aprendizaje resultante es frágil.
Workflows que se ejecutan y se olvidan
Quinto, Rozzi y Zanitti (2025) diagnostican un problema estructural en los sistemas de workflows con LLMs: se tratan como secuencias de pasos que producen resultados y dejan trazas, pero no como objetos de conocimiento inspeccionables, reanudables y revisables [2]. En marketing, esto se manifiesta cada vez que un workflow de nurturing automatizado falla a mitad de camino y no hay forma de retomarlo desde el punto exacto de fallo, ni de entender qué juicio del LLM condujo a la bifurcación errónea.
derive: computación determinista sobre el estado disponible. Un cálculo de scoring de leads basado en reglas fijas entra aquí. Es reproducible y auditable por definición [Fuente 2].
infer: juicio mediado por el LLM bajo contexto declarado, no determinista y sujeto a revisión. La decisión de qué tono usar en un email de re-engagement, o si un lead merece escalamiento, es una inferencia [2].
La distinción derive / infer que proponen los autores tiene una consecuencia práctica inmediata para equipos de marketing: permite trazar qué partes de un workflow automatizado son deterministas y cuáles dependen del juicio del modelo [2]. Cuando un director de marketing pregunta "¿por qué este lead recibió este mensaje y no otro?", la respuesta debería poder señalar un nodo infer concreto, con su contexto declarado y la política de capacidad del ejecutor. Hoy, en la inmensa mayoría de implementaciones, esa pregunta no tiene respuesta trazable. Creemos que el modelo Workflow-as-Knowledge no es un lujo académico; es la condición mínima para que los workflows de marketing con LLMs sean auditables por humanos no técnicos.
El video que el modelo dice entender pero no puede probar
Wang et al. (2025) documentan una disociación crítica entre la precisión en QA y la percepción visual real de los Video LLMs: modelos que responden correctamente a preguntas sobre video no necesariamente "ven" lo que afirman ver [3]. Para marketing, donde el análisis automatizado de creatividades, spots publicitarios y sesiones de usuario grabadas depende de la fiabilidad de esa percepción, la implicación es severa. Un modelo que aprueba una creatividad de video basándose en patrones textuales sin verificar el contenido visual real es un riesgo de marca, no una eficiencia.
La tesis operativa
Los tres problemas comparten una estructura común: sistemas de marketing con IA que producen resultados sin exponer las razones verificables de esos resultados. TRACE aborda la opacidad en el aprendizaje del agente [1]. Workflow-as-Knowledge aborda la opacidad en la ejecución del proceso [2]. E-VQA aborda la opacidad en la percepción visual [3]. La posición de IDO es que adoptar agentes y LLMs en marketing sin resolver al menos uno de estos tres niveles de opacidad no es automatización: es delegación sin supervisión. Y la delegación sin supervisión, en un dominio donde cada acción toca la relación con un cliente real, no escala — colapsa.
Fuentes consultadas
- 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.
- Emanuele Quinto, Carlo Andrea Rozzi, and Francesco Zanitti. Workflow as Knowledge: Semantic Persistence for LLM-Mediated Workflows. arXiv:2607.08740, 2026.
- 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.