Datos y casos de uso de MCP, Agent Hub y asistente de IA de AppsFlyer
El 53% de las cuentas que utilizan MCP regresan el día 7 o después
El 39% implementó ‘Weekly Performance Report’, el agente más popular
El 20% de las consultas al asistente de IA analiza o recupera datos
Una capa de señales de confianza es la clave para maximizar el impacto de la IA
La IA solo es tan buena como los datos con los que se alimenta. Al fin y al cabo, los agentes no son más que optimizadores obedientes: persiguen el objetivo que les indicas utilizando las señales de datos que les proporcionas. Si esas señales están fragmentadas, duplicadas, son datos autorreportados o carecen de una gobernanza adecuada, la automatización no reduce el problema: lo acelera.
Por eso, los marketers que más partido sacan a la IA no son solo quienes tienen acceso a los modelos más avanzados, sino quienes primero han resuelto el problema de las señales y trabajan con datos en los que realmente confían.
AppsFlyer se sitúa en el centro de esa capa de señales de confianza para miles de equipos de marketing. MCP proporciona a esos equipos acceso programático a esa capa para consultar todos sus datos de atribución y performance desde cualquier interfaz. Agent Hub despliega agentes siempre activos que supervisan, alertan e identifican oportunidades. El Asistente de IA responde preguntas, valida hipótesis y recupera datos mediante conversaciones y visualizaciones de datos. En conjunto, representan un stack completo de herramientas de IA que funcionan dentro de Modern Marketing Cloud de AppsFlyer.
Este reporte analiza cómo utilizan realmente los marketers la plataforma de AppsFlyer: qué consultas realizan, qué agentes configuran y qué flujos de trabajo crean. Los hallazgos combinan resultados cuantitativos agregados —la sección Principales tendencias— con investigación cualitativa en todas las áreas de la sección Casos de uso. En conjunto, ofrecen una visión en profundidad del estado actual de la adopción de la IA en marketing y de hacia dónde se dirige.
* Todos los resultados se basan en datos completamente anónimos y agregados. Para garantizar la validez estadística, seguimos estrictos umbrales de volumen y metodologías, y solo presentamos datos cuando se cumplen esas condiciones.
La actividad de autenticación mediante token en MCP alcanza un share del 48% a medida que se consolida el uso automatizado y agentic
La autenticación mediante bearer token (token del portador) no es una interfaz conversacional. Autentica flujos de trabajo automatizados o agentic creados con herramientas como N8N, Make y clientes de línea de comandos. Estos abarcan desde extracciones programadas de datos hasta sistemas completamente agentic que razonan entre distintas herramientas y consultan el servidor MCP de forma programática, en lugar de hacerlo mediante una ventana de chat.
La proporción de cuentas que se conectan mediante autenticación con token pasó del 13,6% en diciembre de 2025 al 47,7% en mayo de 2026 (un aumento del 250%), lo que demuestra que el uso de MCP está pasando de la exploración a entornos de producción, a medida que una base de usuarios más técnica adopta cada vez más la automatización de flujos de trabajo frente a las interfaces de chat. Esto es especialmente relevante para los marketers, que ahora pueden crear automatizaciones y agentes sin depender de desarrolladores ni analistas.
Claude y Claude Code muestran la otra cara de esta evolución. Claude mantuvo un share de entre el 19% y el 32% durante todo el periodo, creciendo de forma constante como la capa interactiva para marketers, analistas y desarrolladores que consultan la API mediante conversaciones. Claude Code casi triplicó su share, pasando del 3,8% al 9,9%, lo que indica que cada vez más desarrolladores interactúan con MCP desde su entorno de desarrollo. En conjunto, ambos crecieron un 85%, pasando del 22,7% al 42%, lo que sugiere que tanto la capa programática como la conversacional siguen expandiéndose.
El crecimiento de Claude refleja una tendencia más amplia del mercado. A mediados de 2025, los ingresos empresariales de Anthropic ya habían superado a los de OpenAI, a pesar del liderazgo de ChatGPT entre los consumidores; aproximadamente el 70% del uso de ChatGPT no está relacionado con el trabajo. La diferencia más relevante es que Claude domina específicamente el segmento de las APsI y la programación agentic, donde Anthropic alcanzó un share estimado del 54% del mercado empresarial de desarrollo en los primeros meses de 2026. En el contexto de MCP, que por naturaleza está dirigido a desarrolladores y analistas, esa ventaja probablemente sea aún mayor.
A nivel regional, APAC registra el mayor crecimiento en autenticación mediante token, al pasar del 13% al 63,7% (+390%), donde casi dos de cada tres interacciones proceden ya de pipelines automatizados o agentic. Norteamérica sigue una evolución similar, pasando del 10% al 52,1% (+420%). EMEA es la excepción: el share de autenticación mediante token cayó un 25%, del 19,1% al 14,4%, mientras que Claude alcanza el 54,5% en mayo, lo que sugiere que los usuarios de esta región prefieren utilizar la API mediante conversaciones directas en lugar de automatizar flujos de trabajo.
El centro de gravedad de la adopción de MCP tiene dos vertientes: por un lado, los pipelines autenticados mediante token y, por otro, las sesiones interactivas de desarrolladores y analistas. Ambas siguen creciendo a medida que la base de usuarios madura y adopta progresivamente herramientas orientadas al desarrollo.
La concentración del uso entre los distintos hosts de MCP refuerza esta tendencia: El 84% de las cuentas se conecta a través de un único host y menos del 15% utiliza dos o más. Esto indica que la mayoría de los usuarios sigue en una fase en la que ya ha encontrado un punto de entrada que se adapta a su flujo de trabajo y todavía no ha ampliado el uso a otras herramientas.
Explora la sección “Casos de uso” para descubrir ejemplos de uso de MCP (consulta la navegación situada en la parte inferior de la pantalla).
Share de empresas por host de MCP
Distribución del número de hosts de MCP
La base de cuentas de MCP crece 12 veces en seis meses
El número de empresas que utilizan activamente el MCP de AppsFlyer creció 12 veces en seis meses. El crecimiento no fue lineal: el mayor incremento mensual se produjo en marzo de 2026, cuando el número de cuentas aumentó un 188%. No es una coincidencia.
La publicación de la hoja de ruta oficial de MCP para 2026 de Anthropic el 9 de marzo, junto con la donación del protocolo a la Linux Foundation en diciembre de 2025 bajo la Agentic AI Foundation, neutral respecto a proveedores y respaldada por AWS, Google, Microsoft, Salesforce y Snowflake, eliminó el riesgo de depender de un único proveedor, que hasta entonces había frenado la adopción empresarial. El punto de inflexión de AppsFlyer en marzo refleja la respuesta de las empresas al hecho de que MCP ha pasado de ser un experimento a convertirse en infraestructura. Además, con el lanzamiento de Claude Cowork, los marketers ya pueden hacer vibe coding mediante conexiones con MCP.
APAC se mantiene como la región dominante durante todo el periodo y representa el 48,8% del total en mayo. Norteamérica registró el mayor crecimiento proporcional, con un aumento del 1659%, gran parte del cual se produjo en mayo, cuando casi triplicó la cifra del mes anterior. EMEA creció de forma más constante, mientras que LATAM sigue siendo la región más pequeña, aunque mantiene un crecimiento sostenido.
La distribución regional muestra dónde el acceso a los datos impulsado por IA ha logrado una mayor adopción dentro de las organizaciones. El share de APAC es coherente con el liderazgo mostrado anteriormente en la adopción de la autenticación mediante token: los equipos técnicamente más avanzados de la región parecen haber sido los más rápidos en pasar de la exploración al uso programático en entornos de producción. La aceleración tardía de Norteamérica sugiere que aún podría estar desarrollándose una segunda ola de adopción.
Empresas que conectan MCP por región
La mitad de las cuentas de MCP vuelven a utilizarlo a partir del día 7 y un tercio sigue activo en el día 30
La retención durante las primeras 24 horas es sólida: El 66% de las cuentas que realizaron su primera consulta a MCP regresó el día 1 o después, y el 53,4% seguía activo a partir del día 7. Para una herramienta dirigida a desarrolladores y analistas que se utiliza bajo demanda y no como parte de una rutina diaria, estas cifras iniciales indican que MCP aporta suficiente valor inmediato como para hacer que los usuarios regresen durante la primera semana. Al llegar al día 30, el 32,7% de las cuentas había regresado al menos una vez durante ese periodo, lo que significa que casi una de cada tres permaneció activa durante todo el primer mes.
La tasa diaria de retorno (el porcentaje de cuentas que regresó en un día concreto) se mantuvo entre el 24% y el 19% desde el día 1 hasta el día 18, sin una tendencia descendente significativa durante ese periodo. Las cuentas que superan la fase inicial de exploración parecen adoptar un patrón de uso recurrente, en lugar de ir perdiendo actividad de forma gradual. Esto indica que, una vez conseguida, la retención inicial tiende a mantenerse.
Los datos semanales señalan la semana 5 como el principal punto de inflexión en el comportamiento de los usuarios. La proporción de cuentas que regresó en una semana determinada cayó del 23,3% en la semana 5 al 13,7% en la semana 6, un descenso del 41% y la mayor caída registrada en todo el conjunto de datos. Es probable que este sea el momento en el que las cuentas de uso ocasional o exploratorio dejen de utilizar la plataforma, dando paso a una base de usuarios más comprometida. En la semana 8, el 11,2% de las cuentas sigue activo semanalmente.
La fuerte caída observada en la semana 11 no responde a un cambio de comportamiento, sino a un recorte de los datos: las cuentas que se conectaron por primera vez durante las últimas semanas del periodo analizado aún no habían tenido tiempo suficiente para volver en intervalos posteriores, por lo que no aparecen en los últimos puntos de datos, provocando ese descenso tan acusado.
Tasa de retención de MCP
Los agentes nunca descansan: La automatización funciona toda la semana, y los fines de semana alcanzan el 70% del volumen registrado entre semana
El uso de MCP por parte de agentes y automatizaciones no sigue una semana laboral tradicional como la de las personas. La actividad durante el fin de semana alcanza, de media, el 70% del volumen registrado entre semana, una ligera caída frente al desplome casi total habitual en herramientas ligadas al horario laboral humano.
Los pipelines automatizados y agentic autenticados mediante tokens no se limitan a una semana laboral de cinco días. Los flujos de trabajo creados con herramientas como N8N, Make o clientes de línea de comandos se ejecutan según la programación definida por los equipos que los crearon, no por el calendario. El contraste se aprecia claramente en el asistente de IA de AppsFlyer, cuyo uso depende por completo de las personas: durante el fin de semana, la actividad cae de forma drástica hasta ser prácticamente inexistente, lo que hace que el nivel de actividad de MCP destaque aún más por comparación.
En ese sentido, la actividad constante durante el fin de semana es una consecuencia del mismo cambio que muestran los datos mensuales: a medida que la autenticación mediante token ha llegado a representar casi la mitad de toda la actividad, la plataforma depende menos de sesiones iniciadas por personas y más de automatizaciones que funcionan de forma continua.
Explora la sección “Casos de uso” para descubrir ejemplos de uso de agentes (consulta la navegación situada en la parte inferior de la pantalla).
Volumen diario de llamadas a MCP *
Los reportes de performance lideran la adopción de agentes, cuyo uso se amplía con el tiempo
En Agent Hub de AppsFlyer, los marketers pueden elegir entre una biblioteca de agentes predefinidos. La opción más elegida es “Weekly Performance Report”, con el 38,6% de todas las configuraciones, lo que refleja la necesidad más común: disponer de visibilidad automatizada y recurrente sobre los datos de performance. “Detect Setup Issues” ocupa el segundo lugar con un 24,7%, lo que refleja una necesidad amplia y casi universal para cualquier equipo que se preocupe por la calidad de la medición. En conjunto, representan casi dos tercios de todas las configuraciones.
“Optimize Anti-Fraud Strategy”, con un 14,2%, responde a una necesidad más específica: cuentas que utilizan Protect360 de AppsFlyer y buscan una detección proactiva del fraude en lugar de reportes reactivos.
Los agentes centrados en creatividad y anomalías, “Spot Creative Opportunities” y “Detect Performance Anomalies”, representan menos del 5% cada uno, probablemente debido a su enfoque más especializado.
Entre las cuentas activas que utilizaron la plataforma durante ambos periodos, el número medio de tipos de agentes configurados pasó de 2,74 a 2,92. Aún más revelador es el cambio en la distribución: las cuentas que utilizaban un único tipo de agente se redujeron un 42%, del 16,7% al 9,7%, mientras que las que utilizaban tres o más crecieron de forma constante. Esto apunta a una adopción cada vez más profunda, ya que las empresas que permanecieron en la plataforma ampliaron progresivamente el uso a nuevos tipos de agentes, en lugar de limitarse a un único flujo de trabajo.
Distribución de configuraciones de agentes por tipo
Share de cuentas por número de tipos de agentes utilizados
Una de cada cinco consultas está relacionada con datos, a medida que los usuarios profundizan en la implementación y el análisis
La categoría más numerosa, con el 36% de las 37.082 consultas analizadas del asistente de IA de AppsFlyer, corresponde a la navegación por la plataforma y a preguntas sobre su uso: dónde encontrar una funcionalidad, cómo completar una tarea o para qué sirve un ajuste. Desde un punto de vista operativo, resulta significativo que el asistente absorba este volumen de consultas, aunque es el hallazgo menos sorprendente. Las señales más relevantes aparecen en las categorías siguientes. Además, el 74% de las consultas refleja un nivel creciente de sofisticación entre el público objetivo.
Una de cada cinco consultas pide al asistente recuperar o analizar datos de performance. Con un 20,1%, los usuarios ya no preguntan cómo utilizar la plataforma, sino que le piden que recupere sus propios datos: instalaciones por fuente, ROAS por campaña, desgloses por cohortes según la ubicación geográfica o comparativas entre periodos. Se trata de un comportamiento propio de un analista, no de un usuario que busca soporte, y demuestra que la conversación se ha convertido en una vía más rápida para obtener insights que el dashboard.
El perfil técnico de la base de usuarios también se refleja en las tres categorías siguientes. Las preguntas sobre atribución y medición representan el 9,7%, las relacionadas con la configuración técnica y la integración del SDK el 7,1%, y las relativas a deep linking y la configuración de OneLink el 6,3%. En conjunto, estas tres categorías representan el 23,1% de todas las consultas, prácticamente el mismo volumen que las relacionadas con datos, y reflejan una base de usuarios cómoda trabajando con aspectos de implementación.
Las consultas abarcan ventanas de atribución, configuración de postbacks, configuración de eventos server-to-server y resolución de problemas de OneLink. No se trata del público habitual de una herramienta de marketing que formula preguntas superficiales; parece ser una audiencia que comprende cómo funciona la capa de medición y utiliza el asistente para profundizar en ella.
La interpretación de gráficos y tendencias representa el 3,9% de las consultas y la investigación de anomalías el 2,4%. Ambas categorías muestran cómo el asistente está integrado directamente en el flujo de trabajo analítico: los usuarios comparten un gráfico o un patrón de datos en tiempo real y le piden que lo interprete, en lugar de utilizarlo como una herramienta de consulta independiente.
Explora la sección “Casos de uso” para descubrir ejemplos de uso del asistente de IA (consulta la navegación situada en la parte inferior de la pantalla).
Share de tipos de preguntas al AI Assistant
- Insights de performance en tiempo real [Square]
-
Consultas de Performance en tiempo real durante reuniones. El principal caso de uso de Square consiste en sustituir la búsqueda manual en el dashboard por un dashboard personalizado creado mediante MCP, que incluye gráficos en tiempo real, visualizaciones de datos y la posibilidad de consultar datos de AppsFlyer bajo demanda, todo en una única vista lista para presentar.
Cuando están en una reunión con un partner programático y surge una pregunta inesperada sobre Performance, AppsFlyer MCP conectado a Claude muestra la respuesta en tiempo real, eliminando la necesidad de extraer un reporte manualmente. Las consultas que se ejecutan en este contexto incluyen qué tipos de apps generan mejores resultados de instalaciones o eventos, cómo se comparan las redes programáticas individuales en cuanto a calidad del top-of-funnel frente al churn, y desgloses de ingresos que, de otro modo, tardarían horas en recopilarse.
Conectar los datos de AppsFlyer con fuentes internas. La segunda capa consiste en combinar AppsFlyer MCP con datos internos propios. Square trabaja con datos de ingresos a nivel de ciudad que no pueden compartirse externamente, pero al conectarlos junto con AppsFlyer MCP mediante Databricks, el equipo puede hacer preguntas que cruzan ambos conjuntos de datos; por ejemplo, qué categorías de comercios tienen mejor Performance en meses específicos y si eso debería influir en el timing de las creatividades. MCP gestiona la parte de AppsFlyer; la conexión interna gestiona la parte propietaria; y la IA las combina sin que el usuario final necesite conocimientos de SQL.
Ejecutar varios MCP en paralelo. Square conecta varios MCP simultáneamente: AppsFlyer MCP para datos de atribución y eventos, Google UAC y Apple Search Ads directamente para datos de inversión y, después, AppsFlyer MCP nuevamente para eventos agregados. El factor de unión es la dimensión común de media source. Es una arquitectura montada manualmente, pero se vuelve sencilla una vez identificada la clave común entre los conjuntos de datos.
Limpiar convenciones históricas de nomenclatura. Un caso de uso más operativo consiste en utilizar MCP para ordenar inconsistencias en las convenciones de nomenclatura de datos históricos. Cuando los nombres de OneLink han variado entre equipos con el tiempo, generando diferentes usos de mayúsculas, guiones bajos y espacios, consultar los datos mediante MCP ayudó a identificar y limpiar esos patrones sin una auditoría manual.
“Puedo pedirle a la IA que extraiga datos de Performance e ir directamente a los insights de ingresos. Lo que antes llevaba horas ahora lleva menos de 2 minutos.” Sara San Antonio, Sr. Global Marketing Mobile Manager, Square
Ver el webinar - Análisis diario de progresión de cohortes [Supersonic Studios]
-
De una investigación en múltiples dashboards a una consulta de dos minutos. El principal caso de uso de MCP de Supersonic consiste en eliminar la brecha entre tener una pregunta sobre Performance y obtener una respuesta. Antes, un UA manager que necesitaba un resumen de ROAS para actualizar a un stakeholder tenía que extraer datos de varias fuentes, darles formato y redactar la narrativa manualmente. Con AppsFlyer MCP conectado al LLM de su elección, esa misma solicitud se responde en lenguaje sencillo en minutos, no en horas.
Análisis diario de progresión de cohortes. La aplicación más avanzada es la supervisión de cohortes con un nivel de profundidad que el trabajo manual no puede sostener. Supersonic mide la progresión del ROAS desde D0 hasta D7 y D30, comparando las trayectorias actuales de las cohortes con patrones históricos del mismo título y campaña. Una cohorte en la que el ROAS de D0 parece saludable, pero cuya progresión hacia D3 va por detrás de cohortes anteriores, ya está indicando un problema. Sin embargo, detectar ese cambio a diario en cada título y campaña activa no era viable manualmente. MCP lo convierte en una consulta conversacional en lugar de una investigación en múltiples dashboards.
Conectar los datos de AppsFlyer con fuentes adicionales. Supersonic también conecta AppsFlyer MCP con fuentes de datos internas para responder preguntas que cruzan distintos conjuntos de datos. El contenido específico de esas fuentes no es público, pero el patrón coincide con el caso de uso más amplio: MCP como capa de unión entre los datos de atribución e ingresos de AppsFlyer y los datos internos propietarios que el equipo necesita en una misma respuesta.
Preparar bien los datos desde el principio. Los primeros experimentos con raw data enviado directamente al LLM generaron resultados poco fiables: nombres de campos inconsistentes y dimensiones de ingresos superpuestas hicieron que el modelo tuviera que adivinar los cálculos, y el equipo perdió la confianza rápidamente. La solución de Supersonic fue preagregar los datos desde BI para cada caso de uso específico antes de pasarlos por MCP. El LLM recibe datos acotados y precisos, y los resultados coinciden con las cifras que el equipo ya reconoce en sus propios dashboards.
“Puedes tomar MCP y crear tus propios agentes y flujos de trabajo. Es una parte en la que el humano sigue participando, y es muy interesante descubrirlo.” Ofer Regev, Product Manager AI and Automation, Supersonic Studios
Abrir caso de estudio - Flujos de trabajo preprogramados con un archivo claude.md [Shamanth Rao]
-
Crear un analista de Performance que se ejecuta bajo demanda. Este caso de uso de MCP va más allá de las consultas ad hoc y entra en el terreno de los flujos de trabajo preprogramados. Con un archivo claude.md, es decir, un conjunto de instrucciones en lenguaje sencillo almacenadas en la misma carpeta que la conexión MCP, es posible definir una rutina analítica de varios pasos que se ejecuta de principio a fin al activarse con una sola frase. “Dame mi revisión de performance” no es una consulta. Es activar un analista preconfigurado.
Qué hace realmente este flujo de trabajo. La rutina de ejemplo ejecuta automáticamente ocho pasos: extrae los datos de AppsFlyer de los últimos siete días para cada canal de pago, calcula el ROAS, identifica los canales con el ROAS más bajo, clasifica todos los canales por eficiencia, compara el Performance de pago frente al orgánico, identifica cualquier canal de pago con un ROAS negativo, recomienda qué canales escalar y finaliza con una sugerencia de reasignación de presupuesto. El resultado es un reporte estructurado, no un volcado de raw data. Toda la secuencia se ejecuta a partir de un único prompt.
La diferencia con las consultas conversacionales. En lugar de hacer preguntas a MCP a medida que surgen, el enfoque de claude.md funciona de otra manera: incorpora el criterio analítico al sistema de antemano, de modo que la misma revisión rigurosa se ejecuta siempre, y no solo cuando alguien se acuerda de hacer la consulta. Además, el flujo de trabajo puede hacerse progresivamente más inteligente: añadir una regla como «comparar el performance de iOS frente a Android» actualiza la rutina de forma permanente sin necesidad de reconstruir nada. Se parece más a crear un analista personalizado que a utilizar uno.
«[Con MCP] puedes activar una secuencia de pasos simplemente diciendo una frase que has programado previamente. Esa es la belleza de claude.md.» Shamanth Rao, ROCKETSHIP HQ
Ver el vídeo - Análisis del portafolio de apps [empresa del sector gaming]
-
Consultar un portafolio completo de apps de una sola vez. Para las empresas que gestionan varias apps, el flujo de trabajo habitual de MCP, en el que se consulta una app, se obtiene una respuesta y se pasa a la siguiente, no escala. Con MCP, la empresa consulta todo el portafolio de forma simultánea y plantea preguntas que solo tienen sentido cuando todos los títulos se analizan conjuntamente. ¿Qué apps están rindiendo por debajo de la media global en una ubicación geográfica concreta? ¿Dónde el ROAS de D0 es más sólido sin que vaya acompañado de una inversión proporcional? Son preguntas a nivel de portafolio que una revisión dashboard por dashboard responde con mucha menos eficiencia.
Identificar la canibalización y el riesgo de concentración. Otro caso de uso, menos evidente pero de gran valor, consiste en detectar cuándo las apps de un mismo portafolio compiten entre sí por los mismos usuarios. Dos títulos dirigidos a una audiencia similar en la misma ubicación geográfica y a través de canales coincidentes competirán entre sí en las subastas, incrementando el CPI de ambos. MCP puede detectar ese solapamiento entre títulos, ubicaciones geográficas y canales, y presentarlo como una oportunidad de redistribución, en lugar de dejarlo oculto en vistas individuales de campañas que nadie compara entre sí.
Convertir las señales del portafolio en prioridades. El resultado no son solo datos, sino una vista priorizada de dónde conviene centrar la atención. En lugar de que un UA manager tenga que recorrer diez dashboards para hacerse una idea del estado del portafolio, una única consulta a MCP devuelve una comparación estructurada: qué títulos están sobredimensionados para su nivel de Performance, cuáles cuentan con menos recursos de los que indican las señales de sus cohortes y dónde se encuentra en ese momento la oportunidad de escalado con mayor potencial. El portafolio pasa a entenderse como un sistema, y no como un conjunto de campañas individuales.
- Agente de detección de anomalías [Supersonic Studios]
-
Cuando la señal está oculta tres niveles más abajo. La anomalía más costosa rara vez es la que aparece en el dashboard. En Supersonic, el reto no era detectar caídas evidentes en las métricas principales, sino encontrar problemas de Performance invisibles en el nivel de resumen, pero que seguían agravándose por debajo. Los ingresos generales de un juego podían parecer estables mientras una campaña, una ubicación geográfica o un KPI concreto ya estaba evolucionando hacia un problema que solo se haría evidente días después.
Un agente encontró lo que una persona habría pasado por alto. Un caso real del portafolio de Supersonic: un juego sufrió una caída de performance provocada por un cambio dentro del propio juego. Los ingresos principales no habían variado lo suficiente como para activar una alerta. Un agente de detección de anomalías que supervisaba esa campaña profundizó en los datos a nivel de KPI, detectó la desviación y envió una alerta a Slack con toda la información. El equipo investigó el problema y lo resolvió ese mismo día, antes de que la señal apareciera en cualquier vista del dashboard.
“Teníamos un agente supervisando ese juego. Encontró el origen del problema y simplemente mostró, mediante una alerta muy sencilla, que algo había ocurrido. A partir de ahí, una persona pudo actuar. Se había pasado por alto porque no afectaba al KPI principal y no se veía claramente en el dashboard. Pero el agente siguió profundizando una y otra vez hasta encontrar el problema.”
Ofer Regev, Product Manager AI and Automation, Supersonic Studios
Por qué la supervisión debe ser continua y no periódica. El valor no reside solo en encontrar los problemas antes, sino en detectar incidencias que una revisión periódica realizada por personas nunca identificaría a esa escala. Con un portafolio de decenas de títulos y cientos de campañas, un UA manager que revisa dashboards manualmente siempre acabará pasando algo por alto. Un agente que funciona de forma continua no se cansa, no deja de revisar un título porque otro requiera atención y no espera al reporte semanal para señalar lo que cambió un martes.
“Tener algo que haga eso por nosotros y nos alerte cuando ocurre algo no tiene precio. Nos permite actuar muy rápido y evitar pérdidas de ingresos.”
Ofer Regev, Supersonic Studios - Los agentes trabajan los fines de semana [empresa del sector gaming]
-
La falta de cobertura que se repite cada fin de semana. En el UA de juegos para móviles, la inversión no se detiene durante el fin de semana, pero la disponibilidad de los analistas sí. Las campañas que se ejecutan en Google y TikTok siguen evolucionando durante la noche del sábado y el domingo, ajustando el ritmo y pudiendo desviarse sin que nadie esté supervisando los datos.
Supervisión continua las 24 horas del día. Uno de los principales equipos de UA del sector gaming en EMEA implementó Agent Hub para cubrir esa falta de supervisión. Los agentes supervisan continuamente el ritmo de inversión y las señales de performance tanto en Google como en TikTok, detectando desviaciones respecto a los patrones esperados en tiempo real y desencadenando acciones correctivas al instante, en lugar de dejarlas para el siguiente día laborable. El sistema no espera a que una persona abra un dashboard. Actúa sobre la señal en cuanto aparece.
El 40% de la inversión del fin de semana, protegida a las 2 de la madrugada. La prueba de que este enfoque funcionaba llegó a las 2 de la madrugada. Un agente detectó un problema en el ritmo de consumo del presupuesto durante el fin de semana que, de no haberse corregido, habría consumido silenciosamente alrededor del 40% del presupuesto antes de que cualquier analista lo hubiera detectado.
“El agente detectó un problema en el ritmo de consumo del presupuesto a las 2 de la madrugada que habría desperdiciado el 40% de nuestra inversión del fin de semana. Eso nunca lo habríamos detectado manualmente.”
Performance Marketing Lead, uno de los principales equipos de UA del sector gaming en EMEA
El resultado cambió la forma en que el equipo entiende la cobertura. La limitación nunca fue la capacidad de los analistas, sino su disponibilidad. Un agente que funciona de forma continua elimina la dependencia de la presencia humana precisamente durante las horas en las que las campañas de juegos para móviles suelen registrar su mayor actividad. - Optimizar frente al fraude [Nomad]
-
Un fraude que evoluciona más rápido de lo que pueden seguir las reglas manuales. El fraude publicitario no se detiene. Los patrones que activaban las reglas de ayer pueden haber cambiado cuando un analista revisa los registros. Para los equipos de Growth que gestionan grandes presupuestos de pago, el intervalo entre la detección y la respuesta es donde se pierde inversión, a menudo de forma gradual y solo visible a posteriori.
IA que detecta, disuade y se recupera. La protección contra el fraude mejorada con IA de AppsFlyer funciona de forma continua sobre los datos de atribución, aprendiendo patrones en tiempo real en lugar de esperar a que las reglas se actualicen. Esta detección mejorada, que también incorpora una respuesta más rápida, mayor precisión y estabilidad, además de una mejora en la detección en tiempo real, genera un aumento significativo del performance en comparación con la detección sin IA.
Los resultados son claros: una precisión de detección 7 veces superior, un tiempo de recuperación 8 veces más rápido cuando se identifica el fraude y un efecto disuasorio 14 veces más duradero, lo que significa que los defraudadores permanecen bloqueados durante mucho más tiempo antes de encontrar una nueva vía de ataque. El agente Optimize Anti-Fraud Strategy detecta estas señales de forma proactiva, identifica indicadores tempranos y recomienda acciones antes de que el problema se agrave.
Nomad: datos más limpios como ventaja estratégica. Para Nomad, el valor de la protección contra el fraude mejorada con IA fue mucho más allá de bloquear inversión de baja calidad. Gabriel Sampai, Senior Growth Manager de Nomad, lo considera un problema de calidad de los datos tanto como un problema de fraude.
“La IA de AppsFlyer no solo mejorará nuestros resultados de ingresos, sino que también nos ofrecerá una visión mucho más clara de nuestros conjuntos de datos, lo que nos permitirá seguir evolucionando nuestras estrategias de marketing.”
Gabriel Sampai, Senior Growth Manager, Nomad - Spot Creative Opportunities [estudio de gaming]
-
El punto ciego del flujo de trabajo de creatividad. En un estudio de gaming para móviles de tamaño medio que gestionaba campañas de UA en seis redes, el análisis del performance de creatividad se realizaba red por red y responsable por responsable. La persona responsable de TikTok y Mintegral no tenía visibilidad sobre lo que funcionaba en Google o AppLovin. Cuando una nueva creatividad empezaba a destacar en TikTok después de sus primeros siete días, nadie podía saber si también estaba activa en las demás redes. Cuando el análisis semanal de creatividad lo detectaba, la oportunidad de escalarla ya se había reducido.
Lo que el agente encontró y el equipo había pasado por alto. Tras implementar el agente Spot Creative Opportunities, el estudio empezó a recibir alertas proactivas sobre creatividades con señales tempranas sólidas en todo su conjunto de redes, y no solo en las que supervisaba cada responsable. Durante las primeras semanas de uso, el agente identificó una creatividad que estaba funcionando muy bien en Mintegral, pero que aún no se había activado en otras dos redes con un perfil de audiencia similar. El equipo la activó en menos de 24 horas. Ese análisis, que permitió tomar la decisión, antes requería que alguien cruzara manualmente los datos de performance entre distintas cuentas, una tarea que rara vez se realizaba entre revisiones semanales.
Mayor velocidad para obtener insights sobre creatividades con una ventana de oportunidad limitada. El performance de creatividad en juegos para móviles sigue una curva de desgaste. El intervalo entre que una nueva creatividad muestra buenos resultados iniciales y alcanza la saturación suele medirse en días, no en semanas. Un agente que supervisa continuamente el performance y alerta al equipo sobre las creatividades con mejor potencial reduce el tiempo entre la detección de la señal y la decisión de invertir, que es donde realmente se genera el valor.
- Mayor velocidad y confianza [estudio de gaming]
-
De largas investigaciones a respuestas rápidas. Para Peaksel, un estudio de gaming para móviles que gestiona campañas en múltiples canales, el principal valor del AI Assistant consiste en reducir el tiempo necesario para pasar de una investigación larga a una respuesta estructurada y directa. Las preguntas diarias sobre performance, los problemas relacionados con la configuración de la atribución y las tareas de validación técnica que antes requerían revisar documentación, abrir tickets de soporte o realizar comprobaciones manuales ahora tienen un primer punto de consulta mucho más rápido.
Validación sin fricciones.Un caso de uso representativo es la validación de los requisitos de Meta AEM. Confirmar si una configuración cumple los requisitos, identificar qué falta y saber qué debe corregirse implica revisar múltiples condiciones y configuraciones. El AI Assistant presenta una lista de comprobación clara, en lugar de obligar al equipo a reconstruir la respuesta a partir de la documentación en cada ocasión. El resultado no es solo mayor rapidez, sino también mayor confianza. El equipo puede actuar sobre la orientación recibida en lugar de cuestionar una interpretación manual.
Complementar el criterio humano, no sustituirlo.La forma en que Peaksel entiende esta herramienta es clara: el asistente elimina fricciones e incertidumbre, pero el criterio humano sigue formando parte de la decisión. Es una forma más rápida de llegar a la pregunta adecuada, no un sistema que toma decisiones de forma autónoma.
“El AI Assistant nos ayuda a validar hipótesis y resolver problemas técnicos mucho más rápido. En lugar de largas investigaciones, obtenemos una orientación clara que nos ahorra tiempo y elimina la incertidumbre.”
Milorad Grkovic, UA Lead, Peaksel - Ejemplos de consultas y generación de reportes sobre datos
-
Una de cada cinco consultas pide al asistente recuperar y analizar directamente datos de performance. Los usuarios le piden al asistente que muestre sus propios datos: ROAS por campaña, curvas de cohortes por media source y tendencias de retención por país.
Para este tipo de consultas, el asistente convierte lo que antes requería crear un reporte, ejecutar una exportación o esperar a un analista en una petición conversacional que se resuelve en cuestión de segundos.
Ejemplos:- “Quiero ver la tendencia diaria del ROAS D7, con un desglose por media source y datos de cohortes de los últimos 30 días.”
- “Muéstrame el ROAS D7 y el ROAS D30 de mi app durante los últimos 30 días, desglosados por país. Incluye los 15 países con mayor inversión.”
- “Para Triumph: Play for Cash únicamente, ¿cuáles fueron las tasas de retención de usuarios en D1, D7, D30 y D60 entre enero de 2025 y febrero de 2026? Si es posible, muestra también la tendencia mensual.”
- “Dame un desglose semanal del ROAS por campaña para D7, D14 y D21 de esta media source. Utiliza únicamente baked data.”
- “¿Puedes obtener la tasa de conversión de usuarios únicos de paid_imp_18 (D1, D7 y D14) por media source?”
- Ejemplos de atribución y medición
-
Este grupo refleja el elevado nivel técnico de la base de usuarios. Se trata de decisiones de configuración con consecuencias reales: habilitar o no la atribución por visualización, definir las ventanas de lookback de re-engagement o entender por qué aparecen instalaciones atribuidas a impresiones cuando esa opción está desactivada.
El asistente ofrece una forma más rápida de obtener una respuesta fiable que la documentación por sí sola y detecta problemas de configuración antes de que distorsionen los datos.
Ejemplos:
- “La atribución por visualización para re-engagement está desactivada. ¿Debería activarla? ¿Y es adecuado un periodo de 30 días teniendo en cuenta tu recomendación de utilizar una ventana de lookback de clics de 7 días para re-engagement?”
- “¿Debería habilitar la ventana de inactividad o ignorar las conversiones basadas en impresiones para re-engagement si el 75% de las conversiones de Facebook proceden de remarketing y el 80% de ellas están atribuidas a impresiones?”
- “No habilité la atribución por visualización para los anuncios de Meta, pero en el raw data de instalaciones de AppsFlyer siguen apareciendo touch types atribuidos a impresiones para las instalaciones de anuncios de Facebook. ¿A qué se debe?”
- “Para estas principales media sources, comprueba si tengo habilitadas la ventana de atribución por clic, la ventana de atribución por visualización y la ventana de re-engagement, y dímelo.”
- “Mi campaña de anuncios de Meta dirige a un cuestionario de Typeform. Después de completarlo, los usuarios reciben un OneLink para instalar la app. ¿Cómo debería configurar los enlaces para obtener una atribución correcta de impresiones y clics y permitir postbacks de eventos después de la instalación?”
- Ejemplos de investigación de anomalías
-
Las consultas más sofisticadas del conjunto de datos pertenecen a este grupo. Los usuarios plantean hipótesis y piden al asistente que las valide: ¿se trata de un problema de ventana de recuperación o de monetización? ¿Es un retraso en el ROAS o una erosión real del LTV? ¿La fatiga de creatividad explica la caída en D7? El asistente actúa como un interlocutor con el que contrastar ideas, recuperando los datos necesarios para confirmar o descartar una hipótesis dentro de la misma conversación.
Ejemplos:
- “Desglosa Google por campaña para comprobar si determinados mercados están reduciendo el ROAS. Compara el ROAS D7 con el LTV ROAS para determinar si se trata de un problema relacionado con la ventana de recuperación o de una brecha real de monetización.”
- “Superpone el ROAS D7 y el D3 para determinar si se trata de un retraso en la monetización o de una erosión real del LTV.”
- “¿Qué está ocurriendo con short form submit en Canadá desde el 1 de diciembre hasta hoy? Explica las tendencias, los patrones y los posibles problemas relacionados con las instalaciones, los formularios cortos y las tasas de conversión de instalación a short form.”
- “¿Puedes analizar dinámicamente las creatividades con bajo rendimiento y comprobar si el ROAS (D1, D7 y D30) se mantiene estable o muestra una tendencia positiva?”
- “¿Deberíamos comparar la retención de D7 con la de D1 y D30 para detectar una pérdida de calidad por campaña?”
El 84% de las cuentas se conecta a través de un único host de MCP, y el crecimiento de 12 veces en seis meses demuestra que la barrera de entrada es mucho menor de lo que la mayoría de los equipos cree. Identifica un flujo de trabajo repetitivo e intensivo en datos —como una revisión semanal del performance o un análisis de la eficiencia de los canales— y automatízalo primero. El valor se multiplica a medida que amplías el uso, pero todo empieza con un único flujo de trabajo.
La autenticación mediante token representa ya casi la mitad de toda la actividad de MCP, y el hecho de que el volumen de llamadas durante el fin de semana alcance el 70% del registrado entre semana confirma que los casos de uso más avanzados ya no dependen de la intervención humana. Los equipos que siguen utilizando únicamente interfaces conversacionales deberían explorar flujos de trabajo programados y programáticos como siguiente paso en la adopción de MCP.
Entre las cuentas activas de Agent Hub, la proporción de aquellas que utilizan un único tipo de agente cayó un 42% durante el periodo analizado, mientras que el número medio de tipos de agentes por cuenta pasó de 2,74 a 2,92. En lugar de desplegar muchos agentes con un uso superficial, conviene profundizar en las áreas ya implantadas, especialmente en la transición desde la supervisión defensiva hacia la optimización y la identificación de oportunidades.
La mitad de las cuentas regresa durante la primera semana y, entre las que lo hacen, la tasa diaria de retorno se mantiene estable durante las tres primeras semanas. Los datos muestran que el valor obtenido en los primeros días es determinante: las cuentas que encuentran un motivo para volver durante ese periodo suelen permanecer activas. Invertir en el onboarding durante la primera semana probablemente tenga un impacto desproporcionado en la retención a largo plazo.
Los usuarios más avanzados del conjunto de datos utilizan el AI Assistant como un partner analítico: formulan hipótesis y le piden que las valide, en lugar de limitarse a recuperar datos. La calidad de los insights es directamente proporcional a la calidad de las preguntas. Los equipos que utilizan el asistente principalmente para navegar por la plataforma o resolver dudas sobre su uso deberían explorar también sus capacidades para el análisis de cohortes, la investigación de anomalías y la validación de la atribución.
