Espere escuchar mucho sobre la optimización de motores de búsqueda en 2025. Excepto que no se llamará así.

“Ya no se trata de optimización de motores de búsqueda. Se trata de motores de respuesta”, dijo Amy Lanzi, directora ejecutiva de Digitas.

En lugar de decidir cómo aparecer alto en los rankings de búsqueda de Google, las marcas necesitarán determinar cómo atraer a los agentes de inteligencia artificial que se espera que manejen tareas para personas como reservar itinerarios de viaje. “Las marcas deben ser la respuesta a las preguntas que haces en Géminis o lo que sea [other generative AI tool]”, dijo Lanzi.

Esta noción de optimización del motor de respuesta, u optimización de la IA agente, o como se llame, ha sido un tema importante de discusión entre los ejecutivos de las agencias durante el Consumer Electronics Show de este año.

“La realidad de que los agentes de IA recopilen información y la traigan de vuelta [to people]es decir, búsqueda en 2025 y más allá. Asegurarse de estar allí desde una perspectiva de SEO es absolutamente vital”, dijo Kelly Metz, directora de inversiones de OMD USA.

Sin embargo, la forma en que los especialistas en marketing se aseguran de que sus marcas sean elegidas cuando alguien le pide a un agente de inteligencia artificial que planifique sus vacaciones de verano o se encargue de sus compras navideñas va mucho más allá de las tácticas tradicionales de SEO.

“La búsqueda ha sido la respuesta a la capacidad de descubrimiento. Ahora será un ingrediente y un paradigma diferente”, afirmó Jeff Geheb, director global de experiencia y líder global de soluciones empresariales de VML.

Históricamente, las tácticas de SEO se han centrado en vincular una marca a palabras clave específicas mediante la siembra de contenido en la web que establece esa conexión para que el motor de búsqueda de Google aprenda a hacer esa asociación cuando alguien escribe una de esas palabras clave en una consulta de búsqueda. Las tácticas basadas en palabras clave no van a ser suficientes cuando los grandes modelos de lenguaje que impulsan a los agentes de IA pueden ir más allá del reconocimiento de palabras clave para comprender el contexto y los conceptos subyacentes al lenguaje y juzgar por sí mismos qué es lo mejor. [insert product type] en lugar de confiar en los artículos de los editores que enumeran los mejores [insert product type].

“La realidad de los agentes de IA es que van a su sitio web para brindar información a los usuarios. Navegar por eso es un desafío para las marcas. Son preguntas como: ‘¿Quiero que vayan a mi sitio? ¿Cómo puedo aprovechar las asociaciones con los medios para sacar más provecho de esta experiencia y asegurarme de presentarme de la manera correcta ante los agentes?’”, dijo Metz.

“No se trata de ‘tienda cerca de mí’. Se trata de ‘el lugar perfecto para hacerme bella’ porque quiero ganar el premio ‘mejor marca para comprar maquillaje’”, dijo Lanzi. “Es una forma completamente diferente de pensar en ganar en la búsqueda. Por eso Reddit es interesante”.

Con el acuerdo de Reddit con Google para que los datos de los usuarios de la plataforma estén disponibles para el LLM de este último, lo que la gente dice sobre las marcas en Reddit (en el colorido lenguaje que la gente usa en la plataforma) puede influir en las evaluaciones de los agentes de IA tanto, si no más, que , las páginas de contenido propias de una marca, así como los artículos del editor.

Pero Reddit es sólo un ejemplo de un desafío más amplio. A medida que los LLM incorporen contenido en la web y más allá, a los especialistas en marketing les resultará más difícil tratar de seleccionar, y mucho menos controlar, qué información sobre sus marcas y productos está expuesta a los LLM.

Al mismo tiempo, es probable que las marcas desarrollen sus propios agentes de IA, que pueden terminar interactuando con los agentes de IA utilizados por las personas y siendo piezas centrales de como se llame este nuevo SEO.

“El apodo que estamos adoptando es M-to-M: máquina a máquina”, afirmó Brian Yamada, director de innovación de VML. “En esta próxima era, que comenzará a ganar escala, nuestros agentes hablarán con los agentes de los consumidores. Entonces las marcas tendrán que pensar en las API de marca y en qué conjuntos de datos poner a disposición. Los agentes decidirán cuál es la capa de experiencia”.

Esa capa de experiencia es, bueno, la realidad.

Tres preguntas con Raja Rajamannar de Mastercard

La forma en que las marcas pagan a las agencias por su trabajo parece cambiar a medida que las herramientas de inteligencia artificial socavan el modelo de horas facturables. Cuáles serán exactamente los nuevos modelos de compensación de las agencias es una incógnita. Pero algunas conjeturas tienen más peso que otras. Como los que provienen de CMO. Entonces Digiday se sentó con el director de marketing y comunicaciones de Mastercard, Raja Rajamannar, durante el CES para conocer su opinión sobre el asunto.

La transcripción ha sido editada para mayor extensión y claridad.

¿Qué piensa sobre cómo debe cambiar el modelo de compensación de la agencia?

Les contaré una pequeña anécdota y luego les diré por qué digo lo que digo. En Mastercard, seguimos recibiendo RFP de nuestros clientes, nuestros prospectos. En el pasado, se tardaba unas siete semanas desde el momento de recibir la RFP para redactar el primer borrador de respuesta. Siete semanas. Hoy se necesita menos de un día, incluida la supervisión humana. No hay aumento de mano de obra; Es la brillantez de la IA lo que hace que este proceso sea ridículamente eficiente sin sacrificar la calidad.

Entonces, una de las cosas que estoy desafiando a mi propio equipo es decir que, si hay eficiencias en nuestro ecosistema, ya sea en nuestro propio equipo o con nuestros socios, que son las agencias, debemos desafiar el modelo existente. Existe una importante oportunidad de eficiencia disponible. Y creo que las agencias tienen que reinventar el modelo.

¿Cómo te gustaría ver ese cambio? Porque la idea de las horas facturables es completamente diferente en un mundo donde las herramientas de inteligencia artificial reducen el tiempo necesario para completar los proyectos de los clientes.

Si tuviera que recurrir a las horas facturables, sería brutal para las agencias y no deberíamos llevarlas a la extinción. Tiene que haber un modelo diferente.

Podría ser un modelo de proyecto. Para este proyecto, para obtener el resultado, les daré mucho. O podría ser una combinación de [the agency] dedicará tres [full-time employees] a [the brand] y esos tres FTE [the brand] pagará por completo, y aquí está la cantidad de tokens que estamos usando para la IA. Por lo tanto, el costo plus podría ser un segundo modelo.

el tercero [model type] es la remuneración basada en resultados. Si digo que estoy tratando de lograr conciencia y preferencia por mi nuevo servicio o producto de X a Y, le pagaré dólares ABC por eso. Ahora usted, como agencia, decide cómo diablos va a lograr que esto suceda, y estoy dispuesto a pagar por punto, digamos, 100.000 dólares. Si usted [as the agency] lograr ese aumento [at a cost to the agency of] $5,000 y te embolsas $95,000, Dios te bendiga. Pero lo miro desde mi perspectiva: ¿qué vale para mí cada porcentaje?

¿Ha presentado esto a sus agencias?

Aún no. Todo esto es un trabajo en progreso. Nosotros mismos estamos descubriendo la IA. Necesito tener suficiente cantidad de información, conocimiento y experiencia para poder decir: “¿Sabes qué? Sé que el trabajo que estás haciendo no te costará mucho. Puedo exigir que lo reduzcan en un 70% o un 80% o lo que sea, pero eso no le será de ayuda. Sé que eso te sacará del negocio. Así que pasemos a la compensación basada en resultados”.

Asistencia publicitaria OpenAI de Dotdash Meredith

El acuerdo de Dotdash Meredith con OpenAI se extiende más allá de la concesión de licencias de contenido. El editor propiedad de IAC también está utilizando la tecnología de inteligencia artificial de la matriz ChatGPT para mejorar su producto de publicidad contextual, D/Cipher.

Pero primero, algunos antecedentes. D/Cipher indexa eficazmente las páginas de artículos de las publicaciones de DDM por temas relacionados con el contenido, de modo que un anunciante que busque llegar a las novias pueda dirigirse a esa audiencia publicando anuncios sobre artículos de interés para las novias, que pueden incluir artículos relacionados con bodas, así como historias sobre otros temas. temas que la audiencia de novias sobreindexa en la lectura. Cuando DDM introdujo D/Cipher en 2023, este proceso de indexación utilizó procesamiento de lenguaje natural para identificar palabras clave comunes. Pero en la segunda mitad del año pasado, el modelo de lenguaje grande de OpenAI entró en escena.

DDM ahora está aprovechando la API de OpenAI para que el LLM encuentre conexiones entre el corpus de artículos del editor de una manera similar a cómo ChatGPT puede procesar texto para comprender los conceptos subyacentes de lo que está escrito, no solo las palabras en un nivel superficial.

“El nuevo mundo de OpenAI mejora significativamente eso porque no estamos hablando sólo de palabras como tokens sino como conceptos, como estructuras conceptuales. Se trata de establecer conexiones entre conceptos, no sólo entre el lenguaje en sí”, dijo Jon Roberts, director de innovación de DDM, en una entrevista.

Después de ejecutar la biblioteca de contenido de DDM a través de la tecnología OpenAI, el 70% de las conexiones de contenido identificadas por el LLM eran “prácticamente iguales, pero el 30% eran significativamente diferentes. Obviamente fue mejor”, dijo Roberts.

Y para ser claros, esto no es teórico. “Tenemos campañas en vivo en las que ese tipo de conocimientos de ese nivel de taxonomía mejoran los resultados para los anunciantes”, dijo Lindsay Van Kirk, gerente general de D/Cipher.

Un ejemplo: DDM realizó una campaña para un gran anunciante de CPG que estaba introduciendo un nuevo producto de lujo para el cuidado del cabello. Uno de los públicos al que quería llegar el anunciante era el de las novias. DDM ejecutó la campaña a través de D/Cipher y pudo ver que la campaña tuvo un rendimiento inferior al punto de referencia principal proporcionado por el cliente cuando se incluyeron las novias.

“En ese punto de referencia sobre la participación de los usuarios, las novias tenían entre un 30% y un 40% menos de probabilidades de interactuar que la gente promedio que miraba el anuncio”, dijo Roberts.

DDM pudo detectar esta caída de audiencia específica porque la campaña se ejecutaba en contenido relacionado con bodas, así como en contenido no relacionado donde la única audiencia que se superponía eran aquellas personas que revisaban las piezas relacionadas con la boda. DDM recomendó eliminar a las novias de la campaña y, como resultado, la campaña “superó [the client’s higher] estirar el punto de referencia”, dijo Van Kirk.