Media buying con IA: 15 bots creados, cinco sobrevivieron

En una prueba de media buying con IA, Wildo Agency creó unos 15 bots y se quedó con cinco. Su bot comprador autónomo gastó unos $1.000 de un presupuesto de $5.000, consideró perdedoras todas las creatividades y las apagó todas. El gasto máximo en IA llegó a unos $3.500 al mes. El CEO de la agencia informó todas las cifras; ninguna se verificó de forma independiente.

Resultados de un vistazo

Contexto: la IA en el media buying, la versión de una agencia

Los proveedores venden gestores de anuncios autónomos, pero un media buyer todavía tiene que clasificar el trabajo tarea por tarea: qué se le puede confiar a un modelo y en qué va a malgastar dinero. Para la mayoría de los equipos, el media buying con IA es ese ejercicio de clasificación.

Wildo Agency es un equipo de media buying. Bogdan Right, presentado como su CEO, expuso los resultados de la agencia en una conferencia del sector en 2026. AffHouse no encontró ningún sitio web de la agencia, página de LinkedIn ni registro mercantil que confirme la agencia o su cargo, así que todo lo que sigue es su versión.

Su resumen fue tajante: trata el modelo como un par de manos, no como la persona que decide.

Qué hicieron

La agencia construyó su sistema por capas. Arriba, un orquestador sobre Claude Opus de Anthropic repartía el trabajo entre agentes especializados. El equipo eligió un modelo para cada tarea: ChatGPT de OpenAI para los textos, el modelo de imagen Nano Banana de Google para los visuales y la herramienta de automatización de flujos n8n para conectarlos. Dentro de un mismo bot, Opus se encargaba del razonamiento y Claude Sonnet, más barato, de la recopilación repetitiva, para contener la factura de tokens.

Cinco agentes superaron las pruebas:

• Constructor de apps. Creaba apps para Android y diseños de progressive web app (PWA) de principio a fin.

• Bot de cuentas de Facebook/Meta. Se encargaba de conseguir y configurar cuentas, un flujo de zona gris que la fuente describe y que este artículo ni explica ni respalda, y configuraba reglas automáticas en esas cuentas.

• Bot de chats con afiliados («Alf»). Mantenía un registro consultable de lo que los programas de partners acordaban por chat, desde KPI y presupuestos hasta caps y ofertas activas, y lo conciliaba con el tracker.

• Bot de campañas in-app. Lanzaba campañas, generaba analítica e informes diarios y subía creatividades de la biblioteca cuando un buyer lo ordenaba.

• Bot para team leads. Daba a los team leads una señal de rendimiento: leía los registros de Notion sobre el trabajo de cada buyer, como campañas lanzadas y briefs de diseño entregados, y levantaba una alerta cuando alguien bajaba el ritmo.

Antes de construir nada, la agencia ahora se hace cinco preguntas. El marco es del CEO; los ejemplos son nuestros.

1. Dinero. ¿El bot gana o ahorra una cifra que puedas nombrar? Una conciliación que detecta que se superó un cap cuenta.

2. Tiempo y frecuencia. ¿La tarea es larga, o corta pero constante? Cualquiera de las dos puede justificar un bot.

3. Coste del retraso. ¿Esperar a una persona hace perder dinero, como un gasto excesivo que corre toda la noche?

4. Estabilidad del proceso. ¿La tarea se hace siempre igual? El trabajo que cambia de un caso a otro suele romper la automatización.

5. Coste y reversibilidad de los errores. ¿Cuánto cuesta una acción equivocada y se puede deshacer? Los errores caros o permanentes se quedan en manos de personas.

Resultados

Los dos brazos de la prueba partieron de condiciones idénticas: $5.000 cada uno, un lote compartido de creatividades que ya habían superado las pruebas y una sola regla de parada, que era pausar una campaña cuando el coste por instalación o por acción objetivo fuera demasiado alto. Lo que cambiaba era quién actuaba. En el brazo asistido, el bot recomendaba y el buyer decidía; en el brazo autónomo, el bot lanzaba, pausaba y gestionaba las campañas por sí mismo.

Sobre el papel, el bot tenía ventaja: sus reglas funcionaban con el gasto en vivo de Facebook/Meta y los ingresos del tracker o de la red, mientras que una persona lee los paneles con retraso. Aun así, el brazo autónomo se atascó en unos $1.000. El brazo asistido por el buyer gastó los $5.000 completos. Su ROI fue más bajo que la cifra del brazo del bot, basada en pocos datos, y la agencia no dio ningún número. El argumento del CEO era que un lote de creatividades solo se amortiza si se ejecuta entero. Un buyer que ve un mal día después de uno bueno suele darle a la campaña otro día, y al bot le faltaba esa paciencia.

La agencia descartó por ahora la idea de un comprador de IA totalmente autónomo; el CEO describió el bot como un ayudante del buyer, no como su sustituto. Queda una excepción. De noche, el bot puede pausar una campaña que haya dejado de ser rentable, porque en ese caso el retraso cuesta dinero. La agencia no explicó cómo encaja esto con su regla, que se trata más abajo, de que los bots no toman decisiones. Quien copie esta configuración debería decidir dónde pone ese límite antes de ponerla en marcha.

Las ganancias medibles vinieron de los bots de apoyo. Según el CEO, el constructor de apps permitió a la agencia reducir su departamento de desarrollo a un solo desarrollador. Situó el valor de mercado de los diseños PWA a medida que produjo en unos $30.000 al mes, frente a unos $600 de coste real; es un equivalente a precio de mercado, no dinero ahorrado. Alf dejó a una sola persona en el departamento de afiliados, y los informes para los team leads ahora funcionan solos.

El gasto mensual en IA tocó techo en unos $3.500 y, según el CEO, sigue bajando. Dijo que la mayor parte del trabajo automatizado son llamadas a API, hojas de cálculo y cálculos, que los modelos resuelven a bajo coste. Una vez que el equipo conoció la rutina, convertir una tarea simple y repetible en un script independiente costaba unos $20 en tokens.

No quiso dar una cifra de tiempo ahorrado por buyer. Algunos buyers trabajaron más con el tiempo liberado y otros trabajaron menos, así que se negó a afirmar un porcentaje.

Qué no funcionó

El comprador autónomo. En unos $1.000 de gasto, el bot había descartado todo el conjunto de creatividades y lo había pausado anuncio por anuncio. Su ROI de poco menos del 61 % se apoyaba en un gasto demasiado pequeño para significar nada, como reconoció el propio CEO. Un lote de 10 a 20 creatividades hechas por diseñadores cuesta dinero de verdad y, en su opinión, un bot por sí solo no lo recuperará.

Vídeo a gran volumen. La agencia quedó satisfecha con las imágenes fijas de IA cuando el modelo recibía buenas referencias. El vídeo fue más difícil. Según el CEO, la IA no podía producir de forma fiable clips de más de unos cinco segundos que los espectadores creyeran tanto como los hechos por diseñadores, al volumen con el que trabaja la agencia. Un clip potente era posible, pero cada concepto nuevo necesitaba referencias nuevas, así que a escala no era ni más rápido ni más barato. Para las cifras de otro equipo sobre anuncios en vídeo con IA, consulta este caso de UGC con IA.

Un bot que tomó una decisión. La política nació de un incidente con el tracker: un bot que trabajaba en una tarea duplicó 70 campañas, luego pasó a borrar 100 y se llevó por delante 30 campañas que funcionaban. La regla desde entonces, según el CEO: los bots no toman ninguna decisión, ni ahora ni posiblemente durante años.

Automatizar demasiado. El CEO contó que una vez automatizó un proceso que llevaba unos 30 minutos a la semana y costaba unos $100, y el trabajo de automatización llevó más tiempo del que el proceso habría llevado nunca.

Un desarrollador como punto único de fallo. Cuando le preguntaron qué pasa si ese desarrollador se va, el CEO respondió que hay que pagarle bien. En nuestra opinión, eso es una política de retención, no un plan de respaldo.

Conclusiones para afiliados

• Usa la IA en el media buying como manos, no como criterio. Deja que recopile, concilie e informe; las decisiones de presupuesto y de creatividades, para el buyer.

• Permite acciones autónomas solo cuando sean urgentes, estén predefinidas y sean reversibles, como una pausa nocturna. Las reglas de anuncios de la propia Meta pueden revisar anuncios según un calendario y pausarlos, así que pruébalas antes de construir un agente a medida.

• Prueba cualquier agente en un brazo con tope y un stop-loss por escrito antes de que toque escala real, y compáralo con un brazo gestionado por un buyer con las mismas creatividades.

• Pasa cada tarea candidata por las cinco preguntas anteriores, sobre todo la del coste y la reversibilidad de un error.

• Envía el razonamiento a un modelo más potente y la recopilación masiva a uno más barato, y controla el gasto en tokens cada mes.

• Antes de conectar un agente a tu cuenta publicitaria, lee lo que el Meta Ads MCP puede y no puede hacer.

Preguntas frecuentes

¿Puede la IA sustituir a un media buyer?

En este caso, no. El bot autónomo gastó unos $1.000 de su presupuesto de $5.000 y lo apagó todo antes de tener datos suficientes. El CEO concluyó que el bot es un ayudante, no un sustituto, y le dio una sola tarea autónoma: pausar de noche las campañas no rentables.

¿Qué tareas se pueden confiar con seguridad a un agente de IA en media buying?

Las repetitivas, reversibles y sensibles al tiempo: informes, recopilación de datos de los chats con partners, conciliación con el tracker y pausas nocturnas. La agencia también se pregunta si cada tarea ahorra dinero, con qué frecuencia se ejecuta, si el proceso es estable y cuánto costaría un error.

¿Cuánto cuesta usar agentes de IA en un equipo de media buying?

La agencia informó de un máximo de unos $3.500 al mes en IA, en descenso con el tiempo, y de unos $20 en tokens para convertir una tarea simple en un script. Son cifras propias y no se verificaron de forma independiente.

¿Puede la IA hacer creatividades publicitarias tan bien como un diseñador?

En imágenes, dio resultados aceptables cuando recibía buenas referencias. En vídeos de más de unos pocos segundos, la agencia dijo que la IA no podía igualar a gran volumen los clips hechos por diseñadores, así que siguen haciéndolos personas.

Fuentes

• Google AI for Developers, Gemini API image generation (Nano Banana)

• Anthropic, Claude models overview

• n8n, n8n documentation

• Meta for Developers, Ad Rules Engine

• Meta for Developers, Ad rules execution spec

El CEO de Wildo Agency comunicó las cifras del caso en una conferencia del sector en 2026, y AffHouse no las verificó de forma independiente.