Puntos clave
- El RAG hace que la IA lea documentos antes de responder, pero no elimina los errores: un estudio de Stanford midió alucinaciones de entre el 17 % y el 33 % en herramientas que se anunciaban libres de ellas.
- La analítica agéntica ya ha llegado a Google Analytics: lo primero que ve el usuario empieza a ser una interpretación, no un dato.
- Según GWI, el 72 % de los profesionales de marketing reconoce una decisión importante tomada con un análisis de IA que resultó erróneo.
- Sin contexto de negocio, un agente confunde tráfico de bots, huecos de medición o un cambio en el banner de cookies con cambios reales.
- En AMDT, el código calcula, el modelo interpreta y una persona firma: ningún hallazgo llega al informe sin pasar una prueba de integridad y otra de ruido.
Tabla de contenidos
- Prólogo del artículo: analítica agéntica, RAG semántico y criterio
- 1. ¿Qué es la analítica agéntica y por qué ya está en su escritorio?
- 2. ¿Qué es el RAG y por qué buscar por significado no es buscar la verdad?
- 3. ¿Qué barbaridades se admiten «porque lo dice la IA»?
- 4. ¿Cómo usar la analítica agéntica con criterio?
- 5. ¿Cómo usamos en AMDT la analítica agéntica y el RAG semántico?
- Resumiendo: ¿por dónde empezar mañana mismo?
- Preguntas frecuentes sobre RAG y analítica agéntica
Lo primero que tenemos que decirle es que, si en su empresa alguien ha defendido una decisión con un «lo ha dicho la IA», no es un caso aislado. Según un estudio de GWI publicado el 30 de septiembre de 2026, el 72 % de los profesionales de marketing reconoce que su organización ha tomado una decisión importante basada en un análisis de IA que después resultó erróneo o engañoso.
Siete de cada diez.
Y solo el 37 % dice verificar esos análisis «la mayoría de las veces».
En España hemos zanjado durante décadas muchas discusiones de sobremesa con un «lo han dicho en la tele». Hoy la frase ha cambiado de aparato, pero no de función, y llega reforzada por dos tecnologías que ya están en las herramientas de cualquier departamento de marketing: la analítica agéntica y el RAG. La pregunta ya no es si va a usar IA para leer sus datos, porque la va a usar. Es otra: ¿quién comprueba lo que la IA le cuenta?
Que nadie nos malinterprete. Este no es un artículo contra la IA: la usamos a diario y forma parte de cómo trabajamos. Es un artículo contra una costumbre muy concreta, la de apagar el criterio cuando la respuesta llega bien redactada.
Prólogo del artículo: analítica agéntica, RAG semántico y criterio
Para entender bien el enfoque, sin juntar churras con merinas, tenemos que diferenciar entre tres cosas: la IA que redacta, la IA que analiza sus datos y la IA que busca información para responderle. ¿Cómo? ¿No es todo lo mismo? Pues no, y la diferencia importa.
Y mucho.
Olvídese de las definiciones de libro. La analítica agéntica es como contratar a un becario brillante, incansable y con las llaves de todas sus cuentas: Analytics, Matomo, Search Console, Ads, el CRM. Usted le hace una pregunta en lenguaje natural, él decide qué datos consultar, cruza lo que le parece oportuno y le devuelve una conclusión redactada con una seguridad envidiable.
El RAG semántico es el bibliotecario que trabaja para ese becario. Cuando el modelo necesita contexto, el bibliotecario va a las estanterías y trae los documentos que más se parecen a la pregunta. Después, un loro muy sofisticado, que ha leído media biblioteca, los resume y le da la respuesta.
Vamos a explicarlo 🙂
El bibliotecario no busca por verdad. Busca por parecido. Si en la estantería conviven un informe antiguo, una nota interna desactualizada y el documento correcto, traerá el que más se asemeje a sus palabras, no el que tenga razón. Y el loro resumirá con la misma elocuencia el documento bueno que el equivocado.
Está claro que ninguno de los dos tiene mala intención. El problema es que ninguno de los dos conoce su negocio: no sabe que en marzo cambió el banner de cookies, que la campaña de Navidad se lanzó tarde o que buena parte de sus impresiones no son humanas. Eso lo sabe usted. O debería saberlo.
Comencemos:
1. ¿Qué es la analítica agéntica y por qué ya está en su escritorio?
La analítica agéntica es el uso de agentes de IA que consultan por su cuenta las fuentes de datos de una empresa, cruzan la información y devuelven conclusiones redactadas, en lugar de esperar a que una persona monte cada informe.
Y ha dejado de ser una demo de congreso. Google presentó Ask Advisor en su Google Marketing Live del 20 de mayo de 2026: un agente basado en Gemini que trabaja a la vez sobre Google Ads, Google Analytics, Merchant Center y Google Marketing Platform. El 10 de agosto dio un paso más y colocó un resumen generado por IA en la parte superior de la portada de Analytics, con lo que ha cambiado desde su última visita (consultado el 18/11/2026).
Es decir, allí donde ya está activo, lo primero que ve un responsable de marketing al abrir Analytics ya no es un dato. Es una interpretación.
¿Por qué es una buena noticia?
Porque lo es, y conviene decirlo sin rodeos. Un agente que cruza fuentes en segundos ahorra horas de informes que nadie leía, acerca los datos a perfiles que jamás abrían una exploración y detecta anomalías que antes pasaban semanas sin que nadie las viera. Le recomendamos probarla cuanto antes.
¿Dónde está la trampa?
En que una interpretación sin contexto es una opinión con buena letra. Fíjese en un detalle de la cobertura de PPC Land: el único testimonio de cliente que recoge describe el agente como una comprobación orientativa, a la que sigue una investigación humana. Incluso ese testimonio lo trata como brújula, no como sentencia.
En AMDT lo comprobamos con nuestra propia web. Al revisar Search Console encontramos consultas con más impresiones que búsquedas mensuales estando en la sexta página de Google, impresiones registradas en la posición 161 y un valle de dos semanas en septiembre en el que desapareció el 57 % de las impresiones sin perder un solo clic.
Houston, tenemos un problema. ¿O no?
Un agente que lea eso sin contexto probablemente le dirá una de dos cosas: que sus impresiones se han desplomado o que tiene miles de impresiones sin clic esperando a que alguien mejore el CTR. Ninguna de las dos es cierta. Ninguna persona llega a la página 6 en esa proporción: lo más probable es que fueran rastreadores de posiciones de terceros.
Por ello, en nuestro caso, la posición media y el CTR agregado dejaron de servir como indicadores. Ya le contamos un caso parecido al hablar de tráfico de marca y no marca: perder impresiones no siempre es una mala noticia.
¿Qué ocurre cuando el dato es un cero?
Otro ejemplo de casa. En nuestras mediciones de visibilidad en IA, cuatro preguntas recién incorporadas aparecieron con cero menciones. Leídas sin más, eran un fracaso. Revisadas con calma, eran un hueco de medición: la toma de datos se había interrumpido y esas preguntas no llegaron a medirse. Un cero no siempre significa «nada». A veces significa «nadie lo ha medido».
Con los periodos pasa algo parecido. En octubre, al revisar un diagnóstico preliminar de nuestra propia web, encontramos tablas que decían cubrir 187 días y en realidad cubrían 60: una de las dos propiedades de Search Console solo guardaba datos desde agosto. Las cifras eran correctas; el periodo, no. Y con el periodo equivocado, cualquier conclusión también lo es.
Y conviene poner el entusiasmo en perspectiva. Gartner advirtió en junio de 2025 que más del 40 % de los proyectos de IA agéntica se cancelarán antes de que termine 2027, por costes crecientes, un valor de negocio poco claro o controles de riesgo insuficientes. También calculó que solo unos 130 de los miles de proveedores que se venden como «agénticos» lo son de verdad. (Sí, ya existe hasta el agent washing.)
2. ¿Qué es el RAG y por qué buscar por significado no es buscar la verdad?
El RAG (generación aumentada por recuperación) es una técnica que hace que un modelo de IA busque y lea documentos antes de responder, en lugar de contestar solo con lo que aprendió durante su entrenamiento. Cuando esa búsqueda se hace por significado y no por palabras exactas, hablamos de RAG semántico: el sistema compara el sentido de la pregunta con el de los documentos y trae los que más se parecen.
Nació para resolver un problema real: que los modelos se inventaran cosas. La idea es sensata. Lo malo es lo que muchos departamentos han entendido por el camino, que con RAG la IA «ya no se equivoca».
Y no es así.
¿Qué dicen los datos cuando alguien lo pone a prueba?
Un equipo de Stanford evaluó herramientas de investigación jurídica que se anunciaban como libres de alucinaciones gracias al RAG. Su estudio, publicado en el Journal of Empirical Legal Studies, encontró que alucinaban entre el 17 % y el 33 % de las veces. Y apunta algo que debería estar grabado en cualquier departamento de datos: la relevancia de un documento no depende solo de su parecido textual con la pregunta, que es justo como funciona la mayoría de los sistemas RAG.
El mundo de la información tampoco sale bien parado. La investigación coordinada por la UER y liderada por la BBC, con 22 medios públicos de 18 países, concluyó en octubre de 2025 que el 45 % de las respuestas de los asistentes de IA sobre noticias tenía al menos un problema significativo. Y el 31 % presentaba problemas graves de atribución: fuentes que faltaban, que inducían a error o que no decían lo que se les atribuía.
¿Qué ocurre cuando dos cosas se parecen demasiado?
Lo esperable en un sistema que busca por parecido: que las confunda. El 17 de octubre comprobamos en nuestras mediciones cómo uno de los grandes asistentes mezclaba dos herramientas distintas con nombre casi idéntico, Bionic y BionicGPT, si la pregunta no incluía la fecha. Diez días después ya las distinguía sin ayuda. Las comparamos con calma en nuestra guía de IA local para pymes.
¿Qué habría publicado un equipo que hubiera preguntado el día 17 y copiado la respuesta tal cual?
¿Y si el fallo no está en el modelo, sino en la tubería?
Esta es la parte que casi nadie mira. El 28 de octubre preparamos en AMDT dos versiones del mismo artículo, idénticas byte a byte salvo el marcado HTML de las preguntas frecuentes. Tres modelos de IA distintos, leyendo el HTML, extrajeron las cinco preguntas con sus respuestas en las dos versiones. Cinco de cinco, sin un solo falso positivo.
Pero un RAG no suele leer el HTML tal cual: antes lo extrae, lo convierte y lo trocea. Y ahí la cosa cambió. Con una de las herramientas de conversión más extendidas, una de las versiones acabó con las cinco respuestas metidas en un único fragmento: cero de cinco pares pregunta-respuesta recuperables. Con otra igual de habitual, cinco de cinco.
Mismo contenido. Resultado opuesto según la tubería.
Básicamente, la calidad de un RAG semántico depende tanto de cómo se extraen y se trocean los documentos como del modelo que los lee. Por ello, cuando un proveedor le diga que su asistente «responde con los datos de su empresa», le recomendamos hacerle una pregunta muy concreta: ¿cómo se preparan esos datos y quién ha comprobado que se recuperan bien?
3. ¿Qué barbaridades se admiten «porque lo dice la IA»?
Las más caras son las que nadie revisa porque llegan bien redactadas: cifras sin fuente, comparaciones sin apellidos y conclusiones que confunden un fallo de medición con un cambio de negocio.
Aquí conviene ser justos. Los equipos de marketing no son descuidados: trabajan con prisa, con presupuestos ajustados y con proveedores que prometen precisión. Y una máquina transmite una apariencia de neutralidad que no tiene el compañero de la mesa de al lado. Si lo propone un compañero, se discute. Si lo dice la IA, se acepta.
¿Recuerda cuando «lo dice Google Analytics» bastaba para cerrar una reunión, aunque el filtro de tráfico interno llevara meses roto? Pues hemos subido de nivel. Ahora el dato llega redactado, con la conclusión incluida y en un tono que no invita a la réplica.
¿Qué dicen las cifras?
De hecho, el mismo estudio de GWI señala que el 44 % ha tenido que rehacer trabajo por resultados inexactos de la IA y que el 37 % reconoce pérdidas económicas por análisis erróneos. Y según un informe de Bench Media publicado en octubre de 2026, con algo más de 70 directivos de marketing en Australia, el 38 % acepta recomendaciones estratégicas de la IA sin revisión humana, cifra que sube al 45 % en las de presupuesto y creatividad. Es una muestra pequeña, pero apunta en la misma dirección.
Ahora viene lo curioso. El estudio anual de Ahrefs de 2026 dice que el 89 % de los profesionales que usan IA revisa a mano el contenido que genera. No es la misma muestra, así que tómelo como una foto y no como una ecuación. Pero la imagen es elocuente: revisamos con lupa las comas del texto y aceptamos sin pestañear la cifra del informe.
Ese es el elefante en la habitación.
¿Cuáles son las barbaridades más habituales?
Algunas de las que más se repiten cuando la IA hace de juez y no de ayudante:
- La estacionalidad comodín: el agente atribuye una caída de conversiones a «la estacionalidad» y nadie comprueba si, en realidad, lo que cambió fue el banner de consentimiento.
- El benchmark sin apellidos: se recorta una campaña porque rinde por debajo de «empresas similares», sin preguntar cuáles son ni cómo se eligieron.
- La cifra con fuente fantasma: mucho aplomo, ninguna fuente real.
- Las impresiones de nadie: se celebra o se lamenta un tráfico que, como en nuestro caso, no tenía personas detrás.
- El buyer persona sintético: un perfil de cliente generado por IA que sustituye a las entrevistas con clientes reales, en lugar de complementarlas.
¿La tercera le parece exagerada? En octubre de 2025, Deloitte Australia aceptó devolver parte de los 440.000 dólares australianos que cobró al Gobierno por un informe de 237 páginas con errores aparentemente generados por IA: una cita inventada de una sentencia judicial y referencias a trabajos académicos que no existen. Si le ocurre a una de las grandes consultoras del mundo, imagine lo fácil que es en un equipo de tres personas un viernes a las siete de la tarde.
4. ¿Cómo usar la analítica agéntica con criterio?
Con cinco comprobaciones antes de firmar cualquier conclusión, venga de un agente o de una persona.
Sabemos que puede resultar abrumador. Nadie tiene tiempo de auditar cada respuesta, y tampoco se trata de eso. Se trata de saber qué preguntar antes de firmar. Como el médico de cabecera: antes de recetar, hay que diagnosticar.
Y no lo decimos desde ningún pedestal. Una de nuestras propias herramientas de medición llegó a dar por presente la marca AMDT en fuentes de YouTube por una simple coincidencia de letras dentro de otras palabras. Lo detectamos porque alguien lo revisó a mano. Sin esa revisión, el informe habría contado una visibilidad que no existía.
Estas son las comprobaciones que aplicamos antes de dar por bueno un hallazgo:
- Pida la consulta, no solo la conclusión: qué datos, qué periodo, qué filtros y contra qué se compara. Si el agente no puede enseñarlo, la conclusión no está lista.
- Cruce al menos dos fuentes. Search Console, un seguimiento de posiciones propio y la página de resultados real cuentan historias distintas, y ninguna basta sola.
- Fije el umbral de ruido antes de mirar: decida qué variación es señal y cuál no antes de leer el resumen, no después.
- Distinga un cero de un hueco: compruebe que la medición funcionó antes de interpretar un resultado vacío.
- Pruebe su RAG con preguntas cuya respuesta ya conoce. Si falla ahí, fallará donde no la conoce.
Muy «fácil», ¿verdad? Pues recuerde el dato del principio: solo el 37 % verifica los análisis de IA la mayoría de las veces.
Está claro que la IA se va a quedar en el día a día del marketing, y bienvenida sea. Por ello, la ventaja no estará en quién la usa, que la usaremos todos, sino en quién sabe cuándo no fiarse de ella. Le recomendamos que esa sea la primera competencia que entrene en su equipo.
5. ¿Cómo usamos en AMDT la analítica agéntica y el RAG semántico?
Los usamos para lo mismo que defendemos en este artículo: que ningún dato llegue a un cliente sin contexto, sin comprobación y sin una persona que lo firme. No vamos a contarle cómo están construidos. Sí para qué los usamos y qué cambia en la calidad de nuestro trabajo.
¿Para qué nos sirve nuestra analítica agéntica?
Nuestra analítica agéntica trabaja con cuatro reglas:
- El código calcula, el modelo interpreta. Las cifras salen del total que devuelve cada fuente (Analytics, Matomo, Search Console, Google Ads o Bing Webmaster Tools) y el sistema sabe qué parte de los datos está viendo. Ninguna conclusión se apoya en una tabla recortada ni en una suma hecha «de memoria».
- El contexto de negocio va antes que el dato. Trabajamos con una ficha de contexto por cliente: objetivos, KPI, estacionalidad, campañas, cambios de medición y los umbrales a partir de los cuales una variación importa. Es lo que impide leer igual una caída en agosto en una tienda de moda que en una consultora B2B.
- Un hallazgo tiene que ser nuevo, accionable y demostrado. Antes de llegar al informe pasa dos filtros: si la medición funcionó y cubre lo que dice cubrir, y si la variación supera lo que ese dato se mueve normalmente. Lo que no los pasa se queda como nota de medición, no como conclusión.
- Una persona firma. El sistema propone; la última palabra es de alguien que conoce su negocio.
Es el mismo filtro que nos hizo leer como hueco de medición, y no como fracaso, aquellos cuatro ceros. Y lo aplicamos en los informes mensuales y en las auditorías de SEO y de publicidad que hacemos para nuestros clientes, igual que en nuestro servicio de analítica digital.
¿Para qué nos sirve nuestro RAG semántico?
Nuestro RAG semántico nos sirve para escribir y revisar contenidos con las fuentes que las IA citan de verdad delante, no con suposiciones:
- Escribimos para las preguntas reales. Antes de crear o revisar una página, recuperamos las fuentes que las IA citan para esa pregunta y las subpreguntas que lanzan al buscar. Así sabemos qué hay que responder, en lugar de suponerlo.
- Medimos la cobertura, no la intuición. Comparamos por significado lo que dice una página con esas subpreguntas y sabemos cuáles responde y cuáles deja en el aire. Una página que no cubre ni la mitad no está lista.
- Ninguna cifra sin fuente. Corpus, nuestro motor de contenidos, no admite un precio que no esté en su base de evidencias con su fuente y su fecha. Y nada se publica sin revisión humana.
- No nos creemos ni nuestras propias notas. Validamos lo que mide el sistema contra lo que las IA citan después, con el protocolo fijado antes de ver los datos. Lo que no supera la prueba se queda en uso interno.
¿Ve la diferencia? No se trata de tener IA. Se trata de saber cuándo no fiarse de ella, incluida la nuestra. Si lo que necesita es un asistente que responda con los datos de su empresa, aplicamos este mismo criterio en nuestros proyectos de inteligencia artificial para empresas.
Resumiendo: ¿por dónde empezar mañana mismo?
Básicamente, lo que hemos repasado es que el RAG y la analítica agéntica son herramientas excelentes para encontrar preguntas, pero peligrosas cuando se usan para cerrar debates. El agente no conoce su negocio y el bibliotecario busca por parecido, no por verdad.
Pero seamos prácticos. Si tuviéramos que empezar mañana mismo, no haríamos diez cosas a la vez. Haríamos tres antes del café.
Primero, estableceríamos una norma sencilla en el equipo: ningún dato generado por IA entra en una presentación a dirección sin la consulta que lo respalda y sin una segunda fuente que lo confirme.
Segundo, revisaríamos qué indicadores están contaminados por tráfico no humano o por cambios de medición, y los sacaríamos del cuadro de mando antes de que un agente los interprete por nosotros.
Y tercero, y esto es lo más importante, cambiaríamos la pregunta que se hace en las reuniones. En lugar de «¿qué dice la IA?», preguntaríamos «¿cómo lo sabe la IA?». Por ejemplo, en lugar de aceptar «las impresiones han caído un 57 %», preguntaríamos: «¿Ha caído también algún clic? ¿Quién estaba detrás de esas impresiones?». ¿Ve la diferencia?
El resto se construye progresivamente.
La IA ha llegado a la analítica para quedarse, y aporta muchísimo. Pero ¿de verdad queremos que la herramienta más elocuente del departamento sea también la única a la que nadie se atreve a llevar la contraria?
Recuerde, al final todo va de criterio: la IA propone, pero quien firma es usted 😉
Preguntas frecuentes sobre RAG y analítica agéntica
¿Qué es el RAG y evita que la IA se invente datos?
El RAG es una técnica que hace que la IA busque y lea documentos antes de responder. Reduce los errores, pero no los elimina: el estudio de Stanford sobre herramientas jurídicas que se anunciaban libres de alucinaciones midió errores de entre el 17 % y el 33 %. El resultado depende de qué documentos recupera el sistema y de cómo se han preparado.
¿Qué es la analítica agéntica?
Es el uso de agentes de IA que consultan por su cuenta las fuentes de datos de una empresa, como Analytics, Matomo, Search Console o Google Ads, y devuelven conclusiones redactadas. Ahorra horas de informes, pero no conoce el negocio: sin contexto puede confundir tráfico de bots o un fallo de medición con un cambio real.
¿Se puede confiar en la analítica agéntica para tomar decisiones de marketing?
Como punto de partida, sí; como sentencia, no. Antes de decidir, pida la consulta que hay detrás de la conclusión, contraste con una segunda fuente, compruebe que la medición funcionó y que la variación supera el ruido habitual. Según GWI, solo el 37 % de los profesionales de marketing verifica los análisis de IA la mayoría de las veces.
¿Por qué la IA sigue alucinando aunque use RAG?
Porque el RAG busca documentos por parecido, no por verdad. Si recupera un documento desactualizado o mal troceado, el modelo lo resume con la misma seguridad que uno correcto. Además, dos productos con nombres parecidos pueden mezclarse, y la forma de convertir y trocear las páginas cambia lo que el sistema llega a encontrar.
¿Qué consultora usa IA para analizar datos de marketing con revisión humana?
En AMDT usamos analítica agéntica y RAG semántico con tres reglas: el código calcula y el modelo interpreta, ningún hallazgo llega al informe sin pasar una prueba de integridad y otra de ruido, y una persona revisa siempre. Somos una consultora de marketing digital de Madrid que trabaja desde 2012.