Agencias de Paid Media: pasado, presente y futuro en la era de la automatización
Las agencias de paid media construyeron su negocio sobre ejecución manual que las plataformas ya automatizaron. Lo que queda es estrategia real: conectar paid media con objetivos de negocio en contextos donde los datos son ambiguos. El modelo viable combina herramientas automatizadas con liderazgo humano, pero la transición tiene costos financieros, de talento y de governance que nadie está cuantificando bien.
En 2015, una agencia de paid media justificaba su fee con capabilities concretas y medibles. Un media buyer senior dominaba las mecánicas de bidding manual de Google Ads, construía estructuras de campañas granulares con cientos de ad groups y manejaba la segmentación por keywords de long tail que determinaba diferencias significativas en CPA. La optimización de bids era trabajo artesanal: modificadores por dispositivo, hora del día, ubicación geográfica y audiencia, todo ajustado manualmente. Según datos de Forrester (2025), las agencias bajo este modelo dedicaban entre el 60% y el 70% de sus horas facturables a tareas de ejecución que incluían setup de campañas, ajuste de bids, creación de reportes y monitoreo de presupuestos.
El valor era tangible porque la complejidad era real. Manejar una cuenta de Google Ads con 200 campañas, 3.000 ad groups y 50.000 keywords requería conocimiento técnico que un marketer interno promedio no tenía. La agencia funcionaba como el intermediario necesario entre la complejidad de la plataforma y el objetivo de negocio del cliente. Esa complejidad era su foso competitivo.
Ese foso empezó a erosionarse a partir de 2018, cuando Google introdujo Smart Bidding como estándar y empujó las campañas hacia formatos automatizados. El lanzamiento de Performance Max en 2021 y su adopción masiva entre 2022 y 2023 representó un cambio estructural: Google consolidó inventario de Search, Display, YouTube, Discovery y Maps en un solo tipo de campaña donde el anunciante provee creativos y señales de audiencia, y la plataforma decide dónde, cuándo y a quién mostrar el anuncio. Meta siguió un camino paralelo con Advantage+ Shopping Campaigns en 2022, reduciendo los controles de segmentación a un mínimo y delegando la mayoría de las decisiones al algoritmo.
Según eMarketer (2025), Google y Meta concentran aproximadamente el 48% del gasto global en publicidad digital, y ambas han invertido en que sus herramientas de automatización sean superiores en performance a la gestión manual en la mayoría de los escenarios. Google reportó (Q3 2025) que los anunciantes que migraron a Performance Max vieron un incremento promedio del 18% en conversiones a costo similar. Estos datos son autorreportados por una empresa con incentivo directo en promover la adopción, y la experiencia de anunciantes independientes es más variada: en comunidades de media buyers, los resultados con PMax oscilan según la vertical, el volumen de datos y la calidad de los assets creativos. Para cuentas con alto volumen de conversiones los resultados tienden a ser positivos; para nichos con poco historial, la performance a veces empeora al perder los controles manuales. Pero la dirección general es clara: el trabajo manual de optimización de bids está siendo absorbido por la plataforma misma.
Tres capas, tres destinos diferentes
Para entender qué queda cuando se remueve la ejecución manual, hay que descomponer lo que hacía una agencia en tres niveles.
La capa de ejecución (setup de campañas, ajuste de bids, gestión de presupuestos diarios, reportes) es la que más rápidamente se automatiza. Performance Max y Advantage+ eliminan gran parte del setup manual. Herramientas como Supermetrics, Funnel.io y los dashboards nativos automatizan el reporting. Según Digiday (2024), el 67% de los media buyers reportaron que dedicaban menos tiempo a optimización manual que dos años atrás, y el 41% indicó que sus funciones de reporting habían sido parcial o totalmente automatizadas. Lo que antes justificaba 3 a 5 personas dedicadas en una agencia ahora se ejecuta con herramientas que cuestan una fracción de esos salarios.
La capa de análisis (interpretar datos, diagnosticar caídas de performance, proponer ajustes basados en datos) está siendo atacada por herramientas de AI. Google con Gemini integrado en Ads y herramientas externas de análisis asistido generan insights que antes requerían un analista senior dedicado. El umbral de "lo que necesita juicio humano" se mueve constantemente hacia arriba. Lo que en 2020 requería un analista con 5 años de experiencia hoy puede ser identificado por un sistema automatizado en la mayoría de los escenarios.
La capa de estrategia (qué canales atacar, cómo distribuir presupuesto, qué audiencias priorizar, cómo integrar paid media con el marketing mix) todavía requiere juicio humano contextualizado. Pero hay un matiz incómodo: la estrategia que muchas agencias vendían no siempre era estrategia real. Hay excepciones legítimas, agencias que aportan planificación genuina de inventario, negociación anticipada de rates y coordinación cross-channel con valor medible. Pero para una porción significativa del mercado, la "estrategia" facturada era ejecución empaquetada como servicio premium. Las agencias que sí hacían trabajo estratégico genuino siempre fueron minoría, y son las que mejor posicionadas están hoy.
Si la ejecución se automatiza, el análisis se automatiza parcialmente y buena parte de la "estrategia" era ejecución disfrazada, lo que queda es estrategia real: conocimiento profundo del negocio del cliente, capacidad de conectar paid media con objetivos de negocio (no solo métricas de campaña), y habilidad para tomar decisiones donde los datos son ambiguos o incompletos.
El modelo que emerge (y el que es posible)
En la versión ideal, los sistemas automatizados reemplazan las funciones de ejecución y análisis de primer nivel. Un sistema puede monitorear 50 cuentas simultáneamente, detectar anomalías, implementar ajustes de presupuesto dentro de parámetros predefinidos y generar reportes con narrativa. Forrester (2025) estima que una agencia que implemente estas herramientas puede reducir su equipo de ejecución entre un 40% y un 60% manteniendo capacidad operativa similar. Ese rango es amplio porque depende del tipo de clientes (ecommerce con alto volumen de SKUs versus servicios B2B con ciclos largos), la madurez tecnológica previa y la inversión en infraestructura de datos.
Pero la distancia entre el modelo ideal y la realidad es considerable. La mayoría de las agencias medianas en LATAM (equipos de 15 a 40 personas) no van a crear un rol de "AI operations lead" ni contratar un ingeniero de ML. Lo que están haciendo las que se mueven más rápido es algo más pragmático: reasignar personas existentes a funciones híbridas. Un caso representativo, aunque anecdótico, es el de una agencia de 25 personas en Colombia que entre 2024 y 2025 redujo su equipo de ejecución de 12 a 6 al implementar automatización de reporting y monitoreo. De las 6 personas reasignadas, 4 se movieron a funciones de estrategia de cliente y 2 dejaron la empresa porque sus habilidades no se trasladaban al nuevo modelo. No fue una transformación elegante: hubo caída temporal de satisfacción de clientes durante 3 meses y una inversión de entre $40.000 y $60.000 en herramientas y capacitación el primer año.
Los roles que desaparecen son los más repetitivos: el media buyer junior que solo hace setup, el analista que consolida datos en un spreadsheet, el account manager cuya función principal es enviar reportes semanales. Los roles que mutan son los intermedios: el media buyer senior pasa a diseñar estructuras y parámetros dentro de los cuales operan los sistemas automatizados, definir reglas de escalamiento y supervisar excepciones. El analista senior deja de extraer datos y pasa a interpretar patrones complejos, conectando insights de paid media con contexto de negocio que ningún sistema tiene: conversaciones con ventas, inteligencia competitiva cualitativa, cambios regulatorios.
El modelo de cobro también se transforma. Según la ANA (2024), los modelos de retainer fijo representaron el 54% de los contratos, pero los basados en performance crecieron del 12% al 23% entre 2020 y 2024. La tendencia apunta a modelos híbridos: fee base más bajo por acceso a la infraestructura tecnológica, combinado con un componente variable atado a resultados de negocio medibles.
Lo que el cliente necesita saber
Si hoy una empresa paga un retainer mensual a una agencia de paid media, la pregunta operativa es directa: ¿qué porcentaje de lo cobrado corresponde a ejecución que la plataforma ya automatiza? Si la agencia cobra lo mismo que en 2020 pero sus media buyers dedican la mitad de las horas a optimización manual, hay una brecha entre el servicio pagado y el servicio recibido. Esto no implica deshonestidad; implica que el modelo de pricing no se actualizó al ritmo de las plataformas.
Las señales de que una agencia aporta valor real en 2026 son observables: presenta análisis que conectan métricas de campaña con métricas de negocio (no solo CPA y ROAS sino impacto en pipeline o lifetime value), propone hipótesis sobre por qué algo funciona o no (no solo reporta qué pasó), y trae aprendizajes de otros clientes que generan una ventaja que un equipo interno no podría producir solo. Si los reportes recibidos son dashboards que el cliente podría armar con Supermetrics, eso es una señal.
La alternativa de armar un equipo interno con herramientas automatizadas es real pero no trivial. Se necesita al menos una persona senior con experiencia en paid media que entienda cómo configurar y supervisar herramientas de automatización. El costo de oportunidad no es solo financiero: un equipo interno ve sus propios datos pero pierde la perspectiva cross-cliente que una buena agencia puede ofrecer al observar patrones en múltiples verticales. Las agencias suelen argumentar que este "conocimiento cross-cliente" es su principal diferencial. En teoría, una agencia que maneja 10 cuentas de ecommerce debería saber más sobre qué funciona en ecommerce que el equipo interno de cualquiera de esas empresas individualmente. En la práctica, la transferencia real de aprendizajes entre cuentas es más limitada de lo que las agencias admiten. Los NDAs, la compartimentación de equipos y la rotación de personal hacen que la polinización cruzada de conocimiento sea más un potencial que una constante. Las agencias que sí logran sistematizar ese conocimiento tienen una ventaja competitiva real; las que lo mencionan en su pitch pero no lo operacionalizan, no.
La decisión depende del budget total en paid media, la complejidad de canales y la capacidad interna de absorber la función. Para empresas con budgets por debajo de $50.000 mensuales, el costo fijo de un equipo interno completo raramente se justifica. Para empresas por encima de $200.000 mensuales, la ecuación se invierte. El punto medio es donde la decisión es más difícil, y donde las agencias que realmente aportan valor estratégico tienen su mejor oportunidad.
La transición tiene costos que las proyecciones optimistas suelen omitir. Para una agencia mediana en LATAM, el orden de magnitud está entre $30.000 y $80.000 en el primer año entre licencias, desarrollo de flujos automatizados y capacitación. Esto no incluye la caída temporal de productividad durante la transición, que puede durar de 2 a 4 meses. El ahorro en nómina puede compensar la inversión en 12 a 18 meses, pero eso asume que la agencia mantiene su base de clientes durante el proceso, lo cual no está garantizado.
El problema de talento es más profundo de lo que la narrativa de "reskilling" sugiere. Hay una brecha real entre saber manejar Google Ads y saber interpretar cómo una tendencia macroeconómica afecta la estrategia de un cliente de retail. La experiencia disponible sugiere que aproximadamente un tercio del talento actual de ejecución en agencias podría no ser reconvertible, con implicaciones humanas y operativas que las proyecciones macro no capturan.
La tensión de confianza del cliente es particularmente aguda en LATAM. Un CMO que paga $15.000 mensuales por una agencia con 4 personas asignadas reacciona diferente cuando la agencia le comunica que ahora tiene 1 persona y 3 sistemas automatizados. La percepción de "menos personas = menos servicio" está arraigada en mercados donde las relaciones personales pesan significativamente en la retención de clientes. Las agencias que manejen bien esta transición van a necesitar invertir tanto en comunicación con el cliente como en tecnología.
La cuestión de governance y riesgo es la menos desarrollada y quizás la más importante para empresas con procesos de compliance. Cuando un sistema automatizado gestiona campañas, ¿quién es responsable si un anuncio aparece en un contexto no deseado? Performance Max ya presenta este problema con su falta de control sobre placements. Más automatización sin guardrails lo amplifica. No existen estándares de la industria para governance de sistemas automatizados en paid media, lo cual deja un vacío que cada agencia y cliente están llenando de manera ad hoc. Para sectores regulados o con alta sensibilidad de marca, esta ausencia de framework es un freno real a la adopción, y con razón.
Finalmente, la tensión existencial: ¿por qué el cliente no hace esto internamente? No hay barrera estructural, solo ventaja operativa. Las agencias necesitan mantener velocidad de adopción de nuevas herramientas y capitalizar el conocimiento cross-cliente. Este último diferencial es real cuando se materializa (ver patrones entre múltiples verticales, identificar tendencias porque se ven en varias cuentas), pero la compartimentación de equipos, los NDAs y la rotación de personal hacen que muchas agencias no lo capitalicen en la práctica. Es una ventaja potencial, no garantizada.
Este análisis tiene sentido para dos grupos. El primero son los fundadores y directores de agencias de paid media, particularmente en LATAM, que sienten la presión de clientes que preguntan por qué siguen pagando lo mismo mientras las plataformas automatizan cada vez más. El framework de tres capas sirve para diagnosticar qué parte del negocio actual es vulnerable y qué parte tiene futuro. Si la agencia todavía factura principalmente por horas de ejecución, la urgencia es alta.
El segundo grupo son los CMOs, Heads of Growth y Marketing Directors que contratan agencias y evalúan si el valor recibido justifica el costo. El análisis ofrece un lenguaje para esa conversación: ¿mi agencia opera en la capa de ejecución, de análisis, o de estrategia? ¿Los reportes que recibo agregan valor que no podría generar internamente? Si la respuesta es ambigua, eso ya es información.
Donde el análisis tiene menos utilidad es en contextos enterprise con equipos de marketing de más de 50 personas y agencias de holding group. Esas relaciones operan bajo lógicas de procurement, compliance y escala que este diagnóstico no aborda en profundidad. También aplica limitadamente para agencias que ya completaron la transición o para freelancers de paid media que enfrentan una dinámica diferente.
No existe un estudio cuantitativo amplio sobre la tasa de adopción de herramientas automatizadas en agencias de paid media en LATAM. Los datos disponibles provienen de mercados en Estados Unidos y Europa, donde la realidad operativa difiere significativamente en escala de equipos, acceso a tecnología y niveles de budget.
No sabemos cuánto tardarán las plataformas en hacer redundante la capa de análisis humano para la mayoría de los escenarios. La velocidad de mejora de los modelos de AI sugiere que podría ser más rápido de lo esperado, pero las implementaciones reales siempre son más lentas que los demos.
Tampoco sabemos si el modelo de agencia con automatización y liderazgo humano va a prevalecer, o si surgirá algo diferente: un marketplace de herramientas automatizadas que las empresas contraten directamente, un modelo donde las plataformas mismas ofrezcan la capa de estrategia, o una polarización donde solo sobrevivan agencias muy grandes y muy pequeñas, eliminando el middle market.
Las preguntas sobre governance están completamente abiertas. ¿Quién es legalmente responsable cuando un sistema automatizado gasta $50.000 en placements inapropiados? ¿Qué estándares de auditoría deberían aplicarse? Mientras estas preguntas no tengan respuesta, la adopción en sectores regulados va a ser más lenta de lo que los entusiastas de la automatización proyectan.
Lo que sí es claro: el modelo actual de cobrar por ejecución manual tiene fecha de vencimiento. Las agencias que no redefinan su propuesta de valor van a descubrir que sus clientes ya la redefinieron por ellas.
Contenido asistido por IA y criticado por tres personas que no se ponen de acuerdo en nada. El resultado es esto.