La publicidad conversacional exige probar causalidad, no celebrar cercanía

La proximidad no equivale a influencia. Una persona que conversa con una IA puede estar formulando una intención más explícita que quien navega pasivamente. Esa cercanía hace atractivo el canal, pero también puede inflar atribución: el usuario quizá ya había decidido. El formato debe demostrar que cambió una conducta, no solo que apareció cerca del momento de compra. El análisis debe tratar el valor causal de un anuncio dentro de una experiencia conversacional como sistema y no como una función aislada. La pregunta decisiva es invertir cuando el formato demuestra efecto adicional y no solo atribución. Responderla exige observar grupos de control, diferencias geográficas, conversiones netas y calidad posterior en el flujo completo, incluidos casos que terminan en corrección, abandono o intervención humana.

El clic captura una parte del recorrido. Los anuncios visuales durante generación de imágenes pueden inspirar exploración sin producir un clic inmediato. Guardar un producto, buscar la marca o comprar después son señales distintas. Medir únicamente clics favorecerá piezas directas y puede ignorar valor creativo. La métrica debe corresponder con la función del formato en el recorrido. La primera fuente de sesgo aparece cuando se mide solo el camino exitoso. También importan sesgo de selección, identidad, privacidad y comparabilidad entre canales. Registrar distribución y excepciones evita que un promedio atractivo oculte una cola costosa y permite comparar versiones bajo las mismas condiciones.

La atribución puede premiar demanda existente. Ventanas amplias y múltiples dispositivos pueden asignar crédito a la última exposición aunque la demanda provenga de otro canal. Integraciones de conversión mejoran cobertura, pero no resuelven causalidad. Comparar usuarios expuestos con no expuestos sin corregir intención previa puede convertir afinidad en una supuesta victoria del anuncio. La economía cambia según quién absorbe revisión, retrabajo y riesgo. El objetivo presupuesto asignado por impacto incremental y aprendizaje reproducible requiere asignar propietarios y reconocer carga humana. Una automatización no ahorra si solo mueve esfuerzo hacia una etapa menos visible o más cercana al cliente.

Los experimentos necesitan unidades limpias. Los experimentos geográficos requieren territorios comparables, control de campañas cruzadas y suficiente duración. También necesitan registrar cambios de precio, inventario y estacionalidad. Un test pequeño puede orientar, pero no justificar una generalización. La repetición en categorías y periodos distintos fortalece la decisión de escalar. La evidencia útil debe ser reproducible. En el valor causal de un anuncio dentro de una experiencia conversacional, eso significa conservar grupos de control, diferencias geográficas, conversiones netas y calidad posterior, supuestos y fecha. La trazabilidad permite explicar una decisión, detectar regresiones y volver a un estado conocido sin depender de la memoria del equipo.

La calidad posterior completa la lectura. El costo por adquisición debe acompañarse con margen, devoluciones, retención y satisfacción. Un canal puede atraer nuevos compradores con baja calidad o, al contrario, generar menos volumen y mejores clientes. La lectura posterior evita optimizar una conversión aislada que empeora economía un mes después. Toda expansión debería depender de umbrales definidos antes de observar el resultado. Si sesgo de selección, identidad, privacidad y comparabilidad entre canales superan el límite acordado, el sistema se corrige o se detiene. Esta regla protege el aprendizaje y evita que la inversión inicial se convierta en argumento para continuar.

Implicación para líderes. Los líderes deberían aprobar un presupuesto de aprendizaje, no una promesa de rendimiento. Definan hipótesis, control, conversiones primarias, señales de daño y criterio de parada antes de activar. Así la publicidad conversacional entra al portafolio como experimento gobernado y no como una carrera por ocupar un canal nuevo. La implicación ejecutiva es concreta: financiar presupuesto asignado por impacto incremental y aprendizaje reproducible, no una etiqueta de IA. Un tablero pequeño con costo, calidad, riesgo y readback suele producir mejores decisiones que una colección extensa de métricas técnicas sin vínculo con consecuencia de negocio.