Definiciones

El interés por aportar definiciones que permitan delimitar el campo de estudio es propio de un ámbito emergente. Las definiciones aportadas, antes incluso que al propio objeto (la publicidad transformada por el impacto de la IA), atañen al concepto de inteligencia artificial. Rodgers (2021), por ejemplo, recopila en una tabla sistemática hasta 27 definiciones del término procedentes de disciplinas tan diversas como computación, psicología, matemáticas, ingeniería, publicidad, filosofía, medicina, salud, comercio, derecho, educación e ingeniería. Todas ellas comparten los rasgos de automatismo, resolución eficaz de problemas, orientación racional mediante la aplicación o desarrollo de algoritmos con capacidad de adaptación a la evolución del desempeño de sus tareas y el uso intensivo de datos (Qin y Jiang, 2019; Kumar et al. 2019; Li, 2019; Albinali y Hamdan, 2020).

En el contexto analizado, la IA implica, por tanto, sistemas de algoritmos (o software aplicado) que permiten desarrollar tareas específicas y que tienen cierta capacidad de aprendizaje a partir del entrenamiento con datos en el ejercicio de las tareas, de modo que pueden corregir y adaptar su desempeño y mejorar sus resultados (Mittelstadt et al., 2016). El aprendizaje puede ser supervisado o autónomo y se desarrolla mediante el entrenamiento con conjuntos de datos (machine learning) o mediante capacidad de reconocimiento y autonomía decisional (redes neuronales y deep learning) (Watts y Adriano, 2021). Tradicionalmente en IA se consideran tres tipos de algoritmos de acuerdo con su funcionalidad (Hill, 2016): De análisis predictivo (aquellos que permiten obtener información sobre lo que ocurrirá en un proceso y/o por qué ocurrirá de ese modo), de análisis prescriptivo (aquellos que permiten obtener información sobre qué hacer y por qué en un ámbito de posibilidades causalmente relacionadas); y de decisión o acción automatizadas (aquellos que realizan acciones autónomas que requieren toma de decisiones sin intervención humana).

Por otro lado, el impacto transformador de la IA como vector de innovación es objeto de una intensa producción teórica y analítica (Allan, 2016; Lee et al., 2019; Paschen et al.), también en el ámbito de la comunicación y los medios (Song, 2019). Esa naturaleza como factor de innovación se asocia, de acuerdo con Paschen et al. 2020, con la capacidad de alterar los modos y los tiempos de los procesos productivos y con la capacidad de generar valor a partir de la aplicación de técnicas y herramientas analíticas o de decisión.

Hancock et al. (2020, p.1) identifican la comunicación mediada por inteligencia artificial como aquella forma de comunicación en la que “un agente inteligente opera en nombre de un comunicador modificando, mejorando o generando mensajes para cumplir determinados objetivos comunicacionales”. De este modo, la publicidad mediada por inteligencia artificial se vislumbra como aquella en la que la tecnología interviene para mejorar la consecución de los objetivos comunicativos.

En este sentido se observan en la literatura analizada tres conceptos complementarios en torno al impacto de la inteligencia artificial en el proceso publicitario: Publicidad sintética (synthetic advertising), publicidad computacional (computational advertising) y publicidad inteligente (smart advertising).

La publicidad sintética supone una aproximación más centrada en el producto de la publicidad (el mensaje publicitario), poniendo el énfasis definitorio en “los anuncios creados o modificados mediante alteración con inteligencia artificial” (Campbell et al., 2021, p. 1). Abarca, por tanto, el uso de IA para mejorar los procesos de edición, creación y posproducción de imágenes (como en el caso de los denominados deepfakes) así como en la incorporación de formatos tecnológicamente avanzados de imagen, como la realidad virtual (VR) o la realidad aumentada (Augmented Reality, o AR).

La publicidad computacional delimita en cambio una aproximación centrada en el medio o herramienta. El concepto designa un espectro amplio de fenómenos en torno a la confluencia de sistemas, tecnologías y métodos computacionales en publicidad:

Se refiere a un ecosistema de la publicidad con capacidades computacionales que utiliza enfoques matemáticos, físicos y de inteligencia artificial para representar eficazmente un conjunto rico de objetos y entornos publicitarios, modelizar y analizar comportamientos complejos de los actores, facilitar la comercialización eficaz y rentable de información publicitaria a los consumidores potenciales a través de distintos medios, en diferentes contextos de interacción entre clientes, productos, marcas y empresas, y proporcionar soluciones óptimas para la toma de decisiones en publicidad (Yang et al. 2017, p. 3).

El concepto de publicidad computacional conecta las tres dimensiones básicas de la innovación en publicidad: los formatos, los datos y los algoritmos, y abarca a todos los actores e interacciones de sus procesos definitorios (Duan y Yang, 2018; Helberger et al., 2020).

La tercera aproximación adopta un enfoque similar, aunque más centrado en la tecnología y en su capacidad de personalización. Qin y Jiang (2019) identifican la publicidad inteligente (smart advertising) con la aplicación de la IA al diseño, producción, gestión y análisis de contenidos publicitarios. De un modo sintético, Li (2019:334) define la publicidad inteligente como aquella comunicación de marca o de producto/servicio centrada en el consumidor, basada en explotación de datos y mediada por algoritmos inteligentes. Para algunos investigadores, incluso, la publicidad inteligente constituye una auténtica subdisciplina de la publicidad que se sitúa “en la intersección entre las ciencias cognitivas, las ciencias de la computación y la publicidad” (Rodgers, 2021:5). La publicidad inteligente constituye en todo caso una nueva fase de la publicidad digital, posterior a la fase de la publicidad interactiva y la de la programática (entendida como compra-venta automatizada), marcadas respectivamente por la innovación de Internet y del Big Data (Li, 2019). Aquellos textos de la muestra que consideran el impacto de la IA en la producción y usos de la imagen publicitaria con formatos inmersivos como la VR o la AR mantienen no obstante la noción de smart advertising vinculada a la capacidad de personalización (Campbell et alt., 2021).

Conviene subrayar la estrecha conexión entre la publicidad basada en datos (data driven advertising) y la publicidad inteligente (Yang et al., 2017). La relevancia del procesamiento de datos en fases nucleares del proceso de la publicidad, como son la identificación de insights, la segmentación o la investigación y control de resultados, sustenta una conexión natural entre el aporte del Big Data (Skiera, 2016; Malthouse y Li, 2017) y la demanda subsiguiente de capacidades de computación y automatización crecientes que abren el camino a la IA (Chen et al. 2019). Pero esto no significa que otros procesos más cualitativos de la actividad publicitaria, como la creatividad, la redacción o la interacción con el usuario, sean ajenos al influjo disruptivo de la IA.

Vectores de innovación

La síntesis o clasificación de los vectores de innovación derivados de la IA en publicidad es otro punto de interés compartido en la literatura analizada que explora los límites y alcance de la nueva publicidad (Helberger et al., 2020). Se entiende en este sentido como vectores de innovación aquellos rasgos instrumentales de la IA que inciden con carácter transformador en los procesos de la publicidad (Paschen et al., 2020) y vendrían a responder a la pregunta ¿qué rasgos o capacidades de la IA producen innovación en el ecosistema de la publicidad?

Precisamente la eficacia en el procesamiento de grandes conjuntos de datos y la identificación de patrones relevantes constituyen uno de los aspectos instrumentales de la aportación de la IA que caracterizan su condición transformadora (Kumar y Shaphali, 2016). La potencia analítica de la inteligencia artificial permite incorporar el Big Data a los procesos de naturaleza prospectiva de la publicidad, que requieren identificación de objetos (insights, perfiles…) y toma de decisiones (producción, compra de medios), particularmente respecto de los datos desestructurados, que –a diferencia de los datos estructurados con los que trabajan el márquetin y la publicidad convencionales- constituyen el verdadero yacimiento de valor en el contexto digital (Kietzmann et al., 2018).

El impacto en la toma de decisiones incluye también a los ámbitos de la creatividad o la planificación estratégica, transformando procesos tradicionalmente jerárquicos, como la decisión sobre actores o figuras de prescripción (famosos), logística de producción (exteriores), etc. (Lee y Cho, 2019). Tanto el análisis predictivo como el prescriptivo sustentan un cambio radical de las capacidades de recomendación y segmentación (Enache, 2020). Un cambio que contribuye a transformar los procesos de la publicidad en las interacciones entre actores clave (usuarios, agencias y medios), pero que también facilita la irrupción de nuevos actores en el ecosistema publicitario (consultoras, intermediarios tecnológicos) (Lee y Cho, 2019).

La capacidad de automatización de tareas, optimizando tiempos y procesos, se identifica claramente en la literatura como la segunda aportación disruptiva de la IA a la publicidad (Li, 2019). Esta contribución es particularmente visible en los procesos de planificación y venta de medios, que, con el desarrollo de las compras programáticas, permiten gestionar el acoplamiento de grandes inventarios de espacios y redes de anunciantes en tiempo real, haciendo posible la adaptación del mensaje al perfil y situación del usuario (Busch, 2019). La aceleración inducida por la IA permite, en ocasiones, fusionar procesos que antes eran consecutivos y propios de fases diferentes (por ejemplo, entre las fases de creatividad y compra de medios, o entre las fases de impresión y evaluación de impacto). La consecuencia de la aceleración inducida por la automatización de tareas es, por tanto, la de una reorganización de los procesos a partir de ciertos bucles de simultaneidad que permiten incorporar el feed-back de las decisiones en tiempo real (Qin y Jiang, 2019; Enache, 2020; Ahn, 2020; Rodgers, 2021).

Los textos analizados señalan también dos ámbitos de desarrollo característicos de la IA como fuentes de influencia creciente en el terreno de la comunicación de marca y de producto: las capacidades de reconocimiento de objetos complejos, especialmente en el caso del procesamiento lenguaje natural (Natural Language Processing o NLP) y de los sistemas de reconocimiento de imágenes (Image Recognition o IR).

Los sistemas inteligentes para el procesamiento del lenguaje natural (NLP) son fundamentales para el desarrollo de la automatización de tareas de redacción (Qin y Jiang, 2019). También constituyen la base para el desarrollo de aplicaciones de reconocimiento del lenguaje que hacen posible, por ejemplo, explorar eficazmente las conversaciones en las redes sociales para la identificación de insights (Kietzmann et al., 2018) o transformar los procesos de interacción con los usuarios a través de algoritmos conversacionales y chat bots, de particular interés en acciones de comunicación de marca (Li, 2019). Las capacidades de procesamiento natural del lenguaje han demostrado ser, además, un recurso útil en la gestión automatizada de la interrelación semántica entre los anuncios y su contexto, una cuestión que ha preocupado tradicionalmente a la publicidad por las consecuencias que podía tener el contexto inadecuado en la eficacia interpretativa de los anuncios (Watts y Adriano, 2020).

El reconocimiento de imágenes (IR), por su parte, tiene actualmente implicaciones relevantes en las tareas creativas de la publicidad: de una parte en la optimización de procesos (gestión de inventario de imágenes, herramientas de edición y posproducción, etc.) y de otra, en la optimización de la eficacia de la creatividad, haciendo posibles formas de automatización y personalización de procesos creativos que permiten adaptar la imagen del anuncio a la estrategia del anunciante/marca o al perfil del usuario (desde aspectos complementarios, como el color, hasta cuestiones sustanciales como la marca o el producto mismo) (Lee y Cho, 2019; Vrakatsas y Wang, 2020).

La transformación del proceso publicitario

El tercer foco de atención de los artículos analizados pone el acento en cómo la IA transforma los procesos y fases de la publicidad, y englobaría aquellas aportaciones de la muestra analizada que responden a la pregunta ¿qué aspectos de la publicidad transforma el impacto de la IA y cómo los transforma?

Qin y Jiang (2019) afirman que la publicidad inteligente contribuye decisivamente a reestructurar los procesos de la publicidad, incluyendo la investigación publicitaria, la planificación estratégica, la creatividad, la redacción, la compra de medios y el control. De modo similar, Li (2019) identifica el descubrimiento de insights, el diseño y creación de anuncios, la compra de medios y la evaluación de la eficacia de las campañas como los ámbitos de la publicidad sustancialmente transformados por la inteligencia artificial.

La IA permite fusionar en un solo paso la investigación publicitaria (descubrimiento de insights y tendencias de consumo) y el análisis de mercado (Qin y Jiang, 2019). El uso de herramientas de reconocimiento del lenguaje para explorar la actividad en redes sociales en tiempo real ha mejorado considerablemente el manejo de datos estructurados característico del márquetin convencional y ha supuesto un salto cualitativo sin precedentes en el tratamiento de datos desestructurados (Skiera, 2016).

Los sistemas de reconocimiento de habla (SRS o Speech Recognition Systems) y de reconocimiento de imágenes han permitido integrar el caudal de datos desestructurados que circula en las fotos, los vídeos y el audio que compartimos en las redes al acervo de datos estructurados construido a partir de los intercambios textuales en que participan los usuarios. Y, al mismo tiempo, la aplicación de la IA al procesamiento de esos datos permite identificar patrones relevantes y generar perfiles coherentes, que constituyen la materia prima para el uso de analíticas predictivas sobre comportamiento del consumidor (Shumanov, Cooper y Ewin, 2021). Kietzmann et al. (2018) ilustran, por ejemplo, cómo la compañía de márquetin digital Astro utiliza el sistema Azure de Microsoft para procesar miles de millones de puntos de datos en un sistema de perfilado que le permite adaptar dinámicamente las webs de sus clientes en tiempo real.

Aunque se trata de un entorno poco asociado al impacto de la IA, también en la producción y la creatividad publicitarias es cada vez más perceptible su influjo innovador. Varios autores (Qin y Jiang, 2019; Vakratsas y Wang, 2020) señalan como caso específico a los sistemas de redacción inteligente (smart copywriting systems) que permiten automatizar las fases de redacción y generar un inventario adaptable de eslóganes, claims, o elementos significativos del mensaje publicitario.

Mediante el uso de algoritmos prescriptivos, la IA plantea un horizonte de optimización de la adaptación de formatos y canales publicitarios al producto, la marca o la estrategia (Lee y Cho, 2019). Esto hace posible mejorar la toma de decisiones sobre qué tipo de publicidad (digital exterior, display convencional, desktop, smartTV, móvil, advergame, redes sociales, asistentes de voz…) es más adecuada a una determinada marca, un producto o servicio específicos o una campaña concreta.

La IA permite también potenciar la adaptación del mensaje publicitario al perfil del destinatario en tiempo real no sólo en términos de emparejamiento mensaje/usuario (de lo que se ocupa la compra programática), sino en términos de adaptación dinámica del tipo y contenido del mensaje a través de los sistemas de optimización de la dinámica de creatividad (Dynamic Creative Optimization, o DCO) (Koren et al. 2020).

Los sistemas DCO establecen una serie de combinatorias básicas entre opciones del mensaje publicitario digital (colores, aspecto, imagen, texto) estructuradas en plantillas y perfiles disponibles a través de las plataformas de gestión de datos (Data Management Platforms o DMP), que tienen en cuenta variables básicas como hora, clima, lugar, dispositivo, ubicación del anuncio, datos demográficos y datos de retargeting).

De este modo se consigue una cierta flexibilidad en la adaptación del mensaje al usuario y su contexto. Esta permite, por ejemplo, optimizar los sistemas de recomendación y gestión de inventario de productos adaptando la imagen de cada producto del catálogo al perfil del usuario, como ocurre con las carátulas del catálogo de series y películas de Netflix, que modifican su aspecto en función del consumo realizado con anterioridad por el usuario (Song, 2019).

Quizá el aspecto más conocido del impacto de la IA en la publicidad sea el de la compra programática, que protagoniza una profunda transformación del sistema tradicional de compra y planificación de medios (Busch, 2019).

La compra programática designa la automatización del proceso atribución de espacios publicitarios en medios como resultado de la actividad de redes de intercambio de publicidad (Ad Exchange) en las que intervienen dos sistemas inteligentes: las plataformas de gestión de datos (Data Management Platforms, o DMP) y las plataformas de gestión de la demanda (Demand Side Platforms o DSP). Las agencias utilizan el gigantesco acervo de datos de las DMP para evaluar el potencial estratégico y de oportunidad de cada impresión publicitaria y pujan por ellas a través de los algoritmos inteligentes que conforman las DSP (Carrillo-Durán y Rodríguez-Silgado, 2018).

La modalidad dominante de compra programática es la puja en tiempo real (Real Time Bidding o RTB), en la cual las redes publicitarias pujan en subastas abiertas por los espacios publicitarios en tiempo real, de tal modo que la impresión resultante en el medio se adapta al perfil de usuario concreto (Martínez et al., 2017).

La compra programática directa (Programmatic Direct Buying o PDB) es el otro formato de automatización utilizado en las redes de intercambio publicitario potenciadas por IA. En este caso la compra es sobre un inventario selecto de impresiones y medios en plataformas cerradas (Private Marketplaces o PMP) que suponen una mayor calidad de los datos y de las impresiones (Qin y Jiang, 2019). La figura 1 ilustra el trayecto del anuncio publicitario en un entorno móvil en el contexto de una subasta en tiempo real (RTB).

Fuente: Elaboración propia a partir de Busch, 2019.

Conviene aquí destacar el papel de la IA en el desarrollo de la compra programática en televisión y vídeo, donde la complejidad del manejo de datos desestructurados derivados del uso de imágenes y audio y su conciliación con la lógica de procesos en tiempo real plantea unos desafíos técnicos de enorme envergadura (Malthouse et al., 2018).

A partir del potencial de automatización y explotación de repositorios de datos que la IA ofrece Chen et al. (2019) identifican una extensión del modelo de la compra programática a los procesos de producción y creatividad que amplía las capacidades de los sistemas de optimización de la dinámica de creatividad (DCO). La denominada creatividad programática viene así a conformar un nuevo ámbito de optimización coordinado con las plataformas de gestión de contenidos (Content Management Platforms o CMP) que integra los DCO con sistemas automatizados de creación (Programmatic Advertisement Creation, o PCA). El resultado es un nuevo ecosistema de publicidad programática que unifica la automatización de la creatividad y la de la compraventa de medios (Chen et al. (2019) de acuerdo con el esquema de la figura 2.

La optimización de procesos derivada de la IA maximiza en este caso la escalabilidad y la adaptación en tiempo real: La capacidad de gestión de grandes repositorios de elementos combinables para la creación de contenido publicitario permite manejar grandes inventarios de publicidad, como ocurre en el caso del operador Verizon, que utiliza DCO y plataformas de gestión de contenido para optimizar su servicio de publicidad nativa (Koren et al., 2020). Al mismo tiempo, la capacidad de adaptar en tiempo real el aspecto y contenido del mensaje publicitario al perfil y contexto de la audiencia permite mejorar los índices de respuesta y la efectividad de la comunicación publicitaria (Vrasatkas y Wang, 2020), llegando a interconectar en tiempo real la creatividad con el análisis de impacto en un bucle que constituye una de las piedras de toque de la eficacia publicitaria (Qin y Jiang, 2019).

Fuente: Chen et al., 2019.

En el plano de la creación de imágenes complejas la fusión entre creación, impresión y evaluación de impacto tiene también implicaciones en el ámbito del emplazamiento de producto. En primer lugar, el aumento de las capacidades de edición de video y creación de imágenes en tiempo real mediante IA amplía el horizonte de posibilidades de adaptación. La firma vinculada a Microsoft BEN (Branded Entertainment Network) utiliza IA para identificar las mejores escenas y contextos de un audiovisual para la ubicación de emplazamientos de producto en función de la marca o la campaña. Y la tecnológica Mirriad ha desarrollado plataformas de publicidad in-content capaces de identificar superficies de objetos en la imagen susceptibles de contener publicidad o marcas (Bradley, 2021). La conjunción entre tecnología de procesamiento de imágenes, de un lado, y la identificación de perfiles en tiempo real, del otro, permite, por ejemplo, “insertar” artificialmente un anuncio en una marquesina de la calle que cruza un personaje de una película o cambiar la cerveza que bebe el protagonista de una serie en un episodio para colocar el producto o mensaje que más de adecuan al perfil del espectador (Campbell et al., 2021).

La IA permite también aplicar la tecnología de reconstrucción de imágenes faciales (deepfake) a la creación de anuncios, resucitando actores o famosos ya fallecidos para convertirlos en prescriptores publicitarios actuales, como ocurrió en 2020 en España con la campaña de Cruzcampo que utilizaba un deepfake de la cantante Lola Flores (Palomo-Domínguez, 2021). Pero la clave de su potencial, más allá de la espectacularidad o la eficacia de las imágenes creadas con IA, es que estos sistemas pueden aprender a mejorar su desempeño integrando el análisis de su actividad y el feed-back derivado de la respuesta de los usuarios (Li, 2019).

El proceso de evaluación de las campañas en términos de impacto y eficacia se ve también afectado por el impacto disruptivo de la IA. La automatización de los procesos y su realización en tiempo real permite obtener el feed-back de las campañas en el mismo momento de su implementación, ofreciendo la posibilidad de la toma de decisiones estratégicas y la optimización de la campaña sobre la marcha. Los sistemas inteligentes de procesamiento y análisis de los datos de desempeño “reducen el tiempo entre la evaluación del impacto y la optimización de la campaña a cuestión de segundos” (Qin y Jiang, 2019, p. 6). Este es, quizá, el elemento disruptivo más relevante que la IA aporta al proceso de la publicidad: reinsertar o fusionar como un elemento más de cada fase la evaluación de la eficacia o del impacto. Para la muestra abordada, la fusión entre ejecución y medición constituye la verdadera revolución de la IA en su aportación a las dinámicas organizacionales de la publicidad (Lee et al., 2019). En este sentido, la percepción interna de los actores coincide con los procesos que reflejan las investigaciones, señalando en ambos casos la IA y el Big Data como los dos motores que determinan la evolución reciente del sector (Martínez y Aguado, 2019).

Más allá del proceso publicitario tradicional, la literatura consultada incluye también un nicho potencial de aplicación de herramientas y procesos de IA en el ámbito de la comunicación de marca: el uso de chatbots o algoritmos conversacionales en redes sociales abre la posibilidad, de acuerdo con Thomas y Fowler (2020), para el desarrollo de prescriptores artificiales o AI influencers. La conversación artificial es ya una parte importante de las redes sociales: En un estudio sobre la presencia de bots en Twitter, Liu (2019) ha identificado que al menos un 30% del contenido de la red social es producido por algoritmos. Al mismo tiempo, las empresas empiezan a experimentar con influencers virtuales que encarnan valores de marca asociados a la identidad de sus seguidores. Según Rodrigo-Martín et al. (2021), los influencers virtuales son “avatares creados mediante técnicas de inteligencia artificial y realidad aumentada que permiten aunar las posibilidades comunicativas y publicitarias del influencer tradicional con el control absoluto de su actividad y “vida” en las redes”. Rodrigo-Martín et al. (2021) señalan el caso de Lil Miqela, una fashion influencer de 19 años, música y modelo que se define a sí misma como queer y activista de Black Lives Matter, que cuenta con más de tres millones de seguidores en Instagram y que, en realidad, es un avatar virtual creado y gestionado por Brud, una empresa de tecnología de Los Ángeles. El potencial de la IA en este ámbito, como señalan Thomas y Fowler (2020), va más allá de la creación y caracterización del avatar, para incluir la adaptación del comportamiento y el mensaje de los prescriptores algorítmicos a los perfiles y personalidad de sus seguidores, maximizando así la eficacia de la prescripción.