LA RESPUESTA CORTA
Antes del análisis con IA, proporciona el briefing aprobado, la lista final de candidatos, el alcance comercial, las versiones del contenido, la cronología de estados, el coste y los resultados normalizados. Pide a la IA que organice el objetivo, lo previsto frente a lo realizado, las incidencias, las decisiones, el resultado y las incógnitas, sin inventar causas que falten. Los responsables verifican las fuentes y convierten las conclusiones en acciones con responsable, fecha límite y validación. Una lección que no modifica una plantilla, una regla o una tarea no es un resultado del análisis posterior.
Crea una cronología verificable de la campaña
Ordena la aprobación del briefing, el contacto, la firma, el envío, el concepto, el primer montaje, la publicación, la difusión publicitaria, el pago y los informes, con sus registros de origen.
La IA puede identificar dónde se concentran los retrasos, pero no puede inferir causas personales sin pruebas. Separa los hechos, las explicaciones y las hipótesis.
Compare lo previsto, lo ejecutado y el impacto
Conserva el valor previsto, el valor real, la desviación y el impacto en el negocio de cada métrica clave. Un menor número de visualizaciones con una mayor conversión cualificada no debe calificarse automáticamente como un fracaso.
Revisa conjuntamente el coste, el tiempo, la calidad y el riesgo para que las métricas de contenido no oculten el trabajo que haya que repetir ni la carga operativa.
Utiliza la IA para detectar conflictos y patrones recurrentes
Pide al modelo que identifique conflictos de alcance entre documentos, incidentes recurrentes, errores de previsión y acciones pendientes, con una fuente para cada resultado.
Los conceptos de gobernanza, medición y gestión de NIST AI RMF son aplicables a las revisiones posteriores: define quién aprueba las conclusiones de la IA, mide los errores y decide qué automatizaciones continúan, se modifican o se pausan.
Mantén las acciones que cambien el comportamiento futuro
Escribe «añadir un campo de confirmación del modelo antes del envío, a cargo de operaciones y validado en la próxima campaña», en lugar de «comunicarse mejor».
Vincula las acciones a una plantilla de briefing, una definición de métrica, una regla de automatización o un responsable en QuickKOL. La siguiente revisión posterior al proyecto debe revisar las acciones anteriores antes de generar nuevas recomendaciones.
Revisar las decisiones de la IA, no solo los KPI finales
Cuando la IA participe en una campaña, revisa cada recomendación relevante siguiendo los datos de entrada, el resultado generado, la decisión humana y el resultado final. NIST AI RMF organiza el trabajo de gestión del riesgo en las funciones Govern, Map, Measure y Manage. En un análisis posterior, esto implica confirmar las responsabilidades y las reglas, describir el uso, medir los errores y las modificaciones humanas, y después decidir si se mantiene, limita, pausa o rediseña.
Si la IA recomienda 80 creadores, el equipo humano conserva 50, contacta con 45, recibe 14 respuestas útiles y firma acuerdos con seis, y después una muestra revela que tres de diez justificaciones citan contenido desactualizado, el 30% de las justificaciones de la muestra requiere corrección. Aunque el ROAS de la campaña alcance el objetivo, ese riesgo relacionado con los datos es relevante porque puede aumentar en un lote mayor.
Matriz de revisión posterior de una campaña con IA
Registre conjuntamente los resultados de negocio y la calidad del sistema.
| Etapa | Resultado de negocio | Pruebas de calidad de la IA |
|---|---|---|
| Búsqueda de creadores | Aceptación de candidatos | Inclusiones erróneas, exclusiones y datos desactualizados |
| Alcance | Respuestas útiles y acuerdos | Errores de hecho, reescrituras manuales |
| Ejecución | Plazos, retrabajo, riesgo | Precisión de las recomendaciones de estado |
| Revisión | Ingresos, incremento, aprendizaje | Mantener / limitar / pausar |
LISTA DE VERIFICACIÓN
Orden del día para la revisión posterior de una campaña con IA
Diez puntos convierten los resultados en mejoras para la siguiente ejecución.
- Identifica las decisiones en las que participó la IA
- Conserva los datos de entrada y las versiones
- Compare la recomendación, la decisión humana y el resultado
- Cuente las inclusiones erróneas, las exclusiones erróneas y los casos no verificables
- Cuente los errores factuales y las reescrituras manuales
- Separar los KPI de negocio de la calidad del sistema
- Conserva los contraejemplos de éxito
- Asigna un responsable a cada incidencia
- Elige entre mantener, limitar, pausar o rediseñar
- Establecer criterios medibles para el siguiente lote
Fuentes y lecturas adicionales
Las páginas externas pueden cambiar. Revisa nuevamente las reglas de la plataforma, los contratos y la legislación local antes del lanzamiento.