La compra de medios basada en agentes no puede escalar sin la base adecuada. Descubra cómo los compradores y vendedores lo logran en Databricks.

El cuello de botella en la compra de medios hoy en día no es el talento, sino la coordinación

Cada día, miles de millones de dólares en publicidad cambian de manos a través de un proceso que apenas ha cambiado en décadas: correos electrónicos, hojas de cálculo, PDFs y llamadas telefónicas. Un comprador define una campaña, luego equipos especializados se ponen en contacto con los editores, envían RFPs, esperan las tarifas, comparan kits de medios y negocian el precio antes de emitir finalmente una orden de inserción. Personas con gran talento pasan la mayor parte de su tiempo coordinando la transacción en lugar de gestionar el trabajo estratégico y creativo.

La fricción proviene de la fragmentación. No existe una forma estandarizada de descubrir inventario, evaluar audiencias o establecer relaciones de confianza entre socios, por lo que cada conexión entre comprador y vendedor se convierte en una integración a medida. Debido a que esa coordinación lleva días, las decisiones a menudo se toman con información que ya tiene horas o días de antigüedad. El inventario, los precios y las señales de audiencia cambian continuamente, y para cuando se aprueba una campaña, es posible que la mejor oportunidad ya haya pasado.

El auge de los flujos de trabajo agénticos abre una oportunidad para que estos equipos eliminen de la ecuación la coordinación manual y repetitiva, de modo que puedan dedicar su tiempo a lo que requiere mayor criterio: una segmentación más precisa, mejores creatividades y campañas que no solo se lancen más rápido, sino que sean más efectivas.

Por qué esto finalmente se puede resolver y por qué importan los estándares

La última ola de AI creó software que responde. La próxima ola crea software que actúa: agentes que persiguen un objetivo, toman decisiones, llaman a herramientas y realizan transacciones en su nombre. Ese es el trabajo de coordinación en el que se ahoga la compra manual de medios: leer un brief, investigar editores, comparar tarifas, negociar precios y emitir la orden. Por primera vez, los sistemas multiagente que utilizan LLMs y protocolos como MCP pueden ejecutar ese ciclo de forma automática.

Pero la automatización por sí sola no es suficiente. Los estándares Agentic Advertising Management Protocols (AAMP) de IAB Tech Lab establecen un patrón de comunicación constante: un vocabulario compartido para el inventario y las audiencias (AdCOM, las taxonomías), un protocolo de transacción común (acuerdos OpenDirect, OpenRTB) y un modelo de registro para el descubrimiento y la confianza. Podría resolver esto con AI y sin estándares entre dos partes. Sin embargo, los estándares son los que permiten que toda la industria avance de la mano, de modo que cualquier agente comprador compatible pueda realizar transacciones con cualquier agente vendedor compatible, de la misma manera que cualquier navegador puede cargar cualquier sitio web.

Los estándares abiertos definen lo que los agentes se dicen entre sí. La siguiente pregunta es dónde se ejecutan realmente esos agentes: su estado, sus modelos, su identidad, su gobernanza. Ahí es donde entra Databricks.

Creamos un ejemplo de compra y venta de medios basada en agentes completamente en Databricks. Los compradores y vendedores autónomos se descubren entre sí, acuerdan un precio y cierran tratos. Está desarrollado sobre el Software Development Kit (SDK) de código abierto oficial de IAB Tech Lab, por lo que no hay dependencia de un proveedor en la capa de protocolo, y ahora está disponible como un acelerador que puede implementar con un solo comando. Las instrucciones están al final del blog.

En qué consiste una compra de medios basada en agentes

Una compra de medios basada en agentes es una transacción sencilla con tres participantes:

• Un comprador: un anunciante (o su agencia) con una campaña: un presupuesto, las audiencias a las que llegar y un precio que no superará.
• Vendedores: editores con inventario de anuncios, cada uno con un catálogo (un kit de medios de paquetes y productos) y sus propios precios.
• Un registro: un directorio que permite a los compradores encontrar vendedores y establecer confianza al identificar al comprador, así como el acceso y los precios que obtiene.

La compra en sí es un ciclo corto: descubrir qué vendedores tienen el inventario adecuado, cotizarlo y reservar el acuerdo (o retirarse). Hoy en día, ese ciclo es principalmente manual; el cambio que estamos demostrando consiste en ejecutarlo con agentes de AI en ambos lados.

Los agentes de diferentes empresas necesitan un lenguaje compartido para realizar transacciones, y ahí es donde los estándares abiertos de IAB Tech Lab pueden aportar valor. No cubriremos los detalles de su SDK aquí, sino que nos centraremos en lo que se necesita para ejecutar agentes compradores y vendedores en Databricks.

Un ecosistema completo para agentes compradores y vendedores

Los agentes complejos van mucho más allá de simples peticiones a un modelo de lenguaje grande (LLM). Para que estos agentes puedan ejecutar una transacción de medios, lo que podría implicar una variedad de tareas como planificar una audiencia, dividir un presupuesto, descubrir editores, respetar un límite de precio y reservar el acuerdo, se necesita un sistema que gestione:

• Estado: briefs, identidades, catálogos, cotizaciones y pedidos que deben persistir y ser transaccionalmente correctos.
• Modelos servidos: modelos fundacionales gobernados que los agentes pueden llamar, con el modelo adecuado para cada tarea.
• Datos gobernados: los datos de catálogo y audiencia sobre los que razonan los agentes, con controles de acceso.
• Identidad y confianza: ¿quién es este agente y qué tiene permitido ver y hacer?
• Observabilidad: un rastro de cada decisión y llamada a herramientas, para depuración y auditoría.

Este sistema se puede armar a partir de un proveedor de bases de datos, un host de modelos, una herramienta de gobernanza, una plataforma de aplicaciones y un servicio de rastreo. En Databricks, es una sola plataforma.

¿Cómo es la arquitectura adecuada?

Comencemos con un hecho sobre este mercado: los compradores, los vendedores y el registro son entidades independientes. Eso divide el problema en dos: cómo se comunican las partes entre sí y dónde ejecuta realmente cada parte su lado de la transacción. Los protocolos abiertos responden a lo primero. Son el canal de comunicación entre las partes, que transporta el descubrimiento, la negociación y la liquidación, y se detienen ahí. El lugar donde se ejecuta un agente, mantiene su estado, demuestra su identidad y permanece gobernado es tarea de la plataforma. Por lo tanto, cada parte tiene una aplicación independiente, desarrollada sobre Databricks Apps, que posee su estado, su identidad y los modelos que ejecuta, y se encuentra con las demás únicamente a través de los protocolos. Las secciones que siguen analizan estas piezas una por una y muestran por qué cada una pertenece allí.

Databricks Model Serving: el equipo de agentes

Bajo el capó, el agente comprador es un "crew", o grupo, de agentes especialistas creados con CrewAI. El equipo trabaja jerárquicamente en tres niveles: el agente de Nivel 1 puede delegar tareas a los agentes de Nivel 2, y así sucesivamente. Estos agentes incluyen un Portfolio Manager de Nivel 1 que define la estrategia y divide el presupuesto, Channel Specialists de Nivel 2 que se especializan en la compra de un medio específico, y trabajadores tácticos de Nivel 3 que planifican las audiencias y ejecutan la compra. Se ejecutan en Databricks Foundation Model APIs y están configurados para usar modelos Claude según la complejidad de la tarea. El uso de Databricks Unity AI Gateway para ejecutar estos agentes facilita el cambio del LLM que impulsa a cada agente sin cambiar nada más.

Lakebase: estado transaccional para agentes

Los agentes necesitan dos cosas de sus datos: contexto sobre el cual actuar y un lugar para registrar lo que hacen. Nuestro comprador lee sus briefs, cada vendedor lee su catálogo de inventario y sus reglas de precios, y registran cada pedido reservado. Eso es OLTP clásico, por lo que lo colocamos en Lakebase, el Postgres serverless de Databricks, que se ejecuta justo al lado del lakehouse. Los agentes leen y escriben el estado rápidamente con garantías transaccionales y, al ser Postgres, los componentes del vendedor se integran directamente en él sin necesidad de una capa de datos a medida. Y debido a que Lakebase es serverless, escala automáticamente en milisegundos para satisfacer picos de demanda. Los agentes no llegan a un ritmo constante, y los compradores pueden distribuirse entre muchos vendedores a la vez sin necesidad de aprovisionar capacidad previamente.

Gobernanza: Lakebase hoy, Unity Catalog después

En este momento, esta demostración utiliza únicamente Lakebase. En el mundo real, Lakebase se ubica entre dos límites gobernados de Unity Catalog. En la entrada, los datos se cargan desde las tablas de Unity Catalog en Lakebase: el inventario de un vendedor y sus precios basados en modelos de ML, los briefs de campaña de un comprador y las definiciones de audiencia. En la salida, el estado transaccional que producen los agentes (quién compró qué y a qué precio) se sincroniza de vuelta con su entorno de informes. Ambas direcciones se ejecutan en canalizaciones administradas de Databricks en lugar de procesos ETL frágiles y escritos a mano. Esto lo convierte en un viaje de ida y vuelta gobernado: Unity Catalog realiza un seguimiento automático del linaje de cada carga y sincronización, para que siempre pueda rastrear qué datos se movieron y hacia dónde. El lakehouse sigue siendo la fuente de verdad en ambos extremos, y Lakebase es la capa operativa de servicio rápido donde los agentes realizan transacciones.

Identidad y confianza

Las aplicaciones se autentican entre sí mediante OAuth — el mecanismo que establece y verifica quién dice ser cada una — y un registro asigna a cada comprador un nivel de confianza. Ese nivel decide qué puede ver un comprador: un comprador público y desconocido solo obtiene rangos de precios y no puede realizar transacciones; un comprador verificado y de confianza obtiene precios exactos y puede reservar. Si se cambia la confianza del comprador, la misma campaña que estaba limitada a rangos de precios ahora se puede reservar. En Databricks, esa historia de identidad es nativa de cómo ya funcionan el acceso a las aplicaciones y a los datos. Donde el SDK de referencia de IAB recurre a claves de API, nosotros simplemente usamos los principales de servicio integrados de la plataforma y OAuth para autenticarnos utilizando las mejores prácticas actuales, sin necesidad de compilar nada adicional.

Observabilidad

Los equipos de agentes están preparados para el rastreo de MLflow, lo que se implementa fácilmente mediante un hook de autolog de CrewAI de una sola línea. Esto nos permite capturar los pasos de razonamiento, las llamadas a herramientas, los precios leídos y la decisión de reservar o pasar de cada ejecución del agente. Lo mantuvimos opcional para la demostración, pero así es exactamente como querría llevar a producción, depurar, ajustar y confiar en un sistema autónomo cuando se trata de controles presupuestarios.

Vea la aplicación de compra agéntica en acción

Siga una ejecución completa en una campaña. Comenzamos enviando el brief del anunciante, que en este escenario es un lanzamiento de marca del tercer trimestre (Q3), con un presupuesto de $200,000 en los tipos de medios de CTV y televisión lineal, y un límite de CPM (costo por mil) de $38. Este brief se envía a la aplicación del comprador y el equipo de agentes inicia el proceso de compra.

1. Planificar el presupuesto: El Portfolio Manager lee el brief y divide el gasto entre los canales, asignando $120k a CTV y $80k a televisión lineal.

2. Traducir la audiencia: Un especialista asigna las audiencias en lenguaje natural del brief a segmentos estándar, validados con la taxonomía de audiencias de IAB Tech Lab: "sports fans" se asigna a “Sports Enthusiasts” y "auto intenders" se asigna a “Auto Intenders”.

3. Descubrir a los vendedores: El comprador descubre editores en el registro: Seller A (CTV) y Seller B (lineal), lo que confirma la identidad del comprador y sella su nivel de acceso.

4. Cotizar: Un especialista de canal para cada canal consulta a su vendedor a través de MCP, hace coincidir el segmento de audiencia con un producto disponible y lee el precio oficial.

5. Reservar o pasar: Una regla: reservar si el precio es igual o inferior al límite de $38 y la audiencia del producto coincide; de lo contrario, descartar.

Próximos pasos

Lo que hemos mostrado aquí es la parte intermedia de la transacción: los agentes que operan. Pero la misma plataforma también es el mejor lugar para construir las partes inicial y final: la creación del brief del comprador, los modelos de ML que establecen los precios de los paquetes del vendedor, y los modelos y tableros utilizados para estimar ingresos y gastos. Estos son problemas cuyas soluciones dependen de datos gobernados y ML, los cuales residen de forma nativa en Databricks. Nuestro equipo se compromete a actualizar el repositorio, asegurando que evoluione junto con el IAB Tech Lab a medida que se lancen capacidades adicionales de AAMP.

Despliéguelo usted mismo

Este sistema se entrega como un acelerador de Databricks Automation Bundle. Clone el repositorio, apunte la CLI de Databricks a su espacio de trabajo y ejecute un solo comando:

Use este comando para compilar y desplegar las aplicaciones y las instancias de Lakebase, cargar los datos iniciales y conectar al comprador con los vendedores a través del registro. Unos minutos más tarde, tendrá dos agentes vendedores activos, un registro y una consola de comprador, todos realizando transacciones en su propio espacio de trabajo.

A partir de ahí, hágalo suyo. Intercambie su propio inventario, reglas de precios y audiencias, o conecte la capa Lakebase a su catálogo y modelos reales. Participe en la transacción como comprador o vendedor y observe cómo reaccionan los agentes: cambie un precio, modifique el nivel de confianza de un comprador, agregue un vendedor y vea cómo se desarrolla la negociación. Es un modelo de trabajo diseñado a la medida para la compra y venta de medios agénticos.

Vea la demostración de 5 minutos y luego despliegue el acelerador en su propio espacio de trabajo.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original