Caso de cliente: cómo L’Oréal transforma sus activos creativos en datos aprovechables gracias a la IA

Cuando un grupo mundial de cosmética sube al escenario para debatir sobre arquitectura cloud, flujos de trabajo con LLM y optimización de tokens, su presencia puede resultar sorprendente. Esta paradoja constituye el punto de partida de la presentación realizada por los equipos de L’Oréal, con el acompañamiento de Converteo y Google Cloud: la empresa no es un desarrollador de software. Sin embargo, para seguir destacando en el sector de la belleza en 2026, dominar el lenguaje de la inteligencia artificial se ha vuelto imprescindible.

Estrategia de IA: por qué L’Oréal desarrolla internamente sus herramientas tecnológicas

El razonamiento inicial es comercial antes que tecnológico. El consumidor ya no se limita a los motores de búsqueda tradicionales para buscar, descubrir, navegar por plataformas de comercio electrónico y comprar. El recorrido del cliente se ha fragmentado. Ahora pasa por las redes sociales y, cada vez más, por plataformas conversacionales capaces de acompañar al usuario hasta la transacción final.

Para posicionarse en este nuevo entorno, la empresa debe apropiarse de estas tecnologías. Esta necesidad llevó a la creación de un asistente interno denominado, sencillamente, «L’Oréal GPT». Este nombre, deliberadamente transparente, respondía a un objetivo concreto: transmitir que la herramienta es accesible y que no se necesita una experiencia avanzada en inteligencia artificial para utilizarla.

De esta primera fase surgieron dos conclusiones principales:

1. Una rápida adopción: los empleados percibieron de inmediato la utilidad directa de la herramienta en su trabajo diario, teniendo en cuenta que los casos de uso varían considerablemente entre una planta de producción y la sede central.
2. La necesidad de un marco de uso: establecer límites, reglas y directrices para un uso adecuado es imprescindible. La libertad absoluta rara vez representa una ventaja operativa.

Actualmente, la empresa está entrando en una segunda fase de madurez: industrializar las soluciones, ejecutar tareas en segundo plano e incorporar capacidades agénticas. Este enfoque no pretende seguir una tendencia tecnológica, sino generar mejoras concretas de productividad que posteriormente deben demostrarse para garantizar la continuidad de las inversiones.

Arquitectura cloud: la elección estratégica de la interoperabilidad

En lo que respecta a los componentes funcionales —pasarela API, gestión de modelos y herramientas—, el equipo reconoce que ha recurrido a estándares existentes en lugar de reinventar la tecnología. La verdadera decisión estructural se encuentra en otro ámbito: diseñar una arquitectura agnóstica e interoperable con todo el ecosistema de socios y las plataformas internas.

La razón es evidente: los líderes tecnológicos actuales no serán necesariamente los de mañana. Encerrarse en un ecosistema cerrado supone perder el control sobre la propia hoja de ruta. Este reto técnico sigue siendo complejo: aunque los grandes proveedores de servicios cloud suelen destacar su interoperabilidad, la realidad sobre el terreno resulta bastante más matizada.

Visión de marketing: la alianza entre los datos y el storytelling

Desde la perspectiva del negocio, la convicción se resume en una fórmula: el marketing aumentado no sustituye a los profesionales del marketing, sino que amplifica su impacto. Para lograrlo, deben combinarse dos elementos:

• Las matemáticas: los datos, la tecnología y la medición del rendimiento.
• La magia: la emoción, el storytelling y la intuición creativa.

Ninguno puede funcionar sin el otro. Esta convicción justificó el despliegue de un amplio programa de desarrollo de competencias en toda la organización, tanto internamente como entre las agencias colaboradoras.

Análisis de contenido: utilizar la IA para estructurar los datos creativos

La apuesta de L’Oréal por la IA generativa se distingue de los enfoques tradicionales. El producto desarrollado no pretende generar contenido, sino analizar, clasificar y etiquetar el contenido existente.

El objetivo está claro: transformar los activos creativos en una fuente de datos fiable y estructurada. Como cuarto mayor anunciante del mundo, L’Oréal produce un volumen enorme de activos que deben satisfacer una doble exigencia de creatividad e hiperpersonalización, en función de la plataforma, la fase del recorrido de conversión y el perfil del consumidor. Esta explosión de contenidos genera una necesidad crítica de gobernanza para comprender con precisión qué contiene cada activo.

Tres grandes categorías de uso de la IA para el análisis

1. Optimización del rendimiento: correlacionar los resultados de las campañas de medios con las características creativas permite determinar exactamente qué activo utilizar en cada campaña y en qué momento.
2. Detección de tendencias: una tendencia puede adoptar la forma de un estilo musical en un vídeo, un formato específico —como la rutina de «antes y después»— o una simple expresión («lo he probado durante 50 días») que genera una gran interacción. El sistema debe detectar estas señales incipientes desde su aparición para incorporarlas a futuras creaciones.
3. Creación de bases de datos propias: estos datasets cualificados pueden reutilizarse en otras áreas de la empresa, especialmente para alimentar otros casos de uso que impliquen agentes autónomos.

El flujo automatizado de procesamiento de activos

El proceso técnico se articula en torno a cuatro etapas, de las cuales solo una implica realmente el uso de IA:

1. Selección: identificación de los activos creativos, como vídeos de influencers, pistas de audio e imágenes publicadas en redes sociales.
2. Ingesta: descarga de los archivos multimedia y sus metadatos descriptivos.
3. Análisis: se consulta al modelo Gemini mediante un prompt que le asigna un papel explícito: «Eres un analista de contenido de L’Oréal; descríbeme este activo creativo».
4. Etiquetado: extracción estructurada de información, como el producto visible y el entorno del vídeo.

Las etiquetas extraídas varían en complejidad. Van desde la simple detección de un producto o un escenario —una playa o un cuarto de baño— hasta análisis mucho más complejos, como la detección de emociones (alegría, tristeza) o la identificación de problemas técnicos, por ejemplo, un discurso demasiado rápido para resultar comprensible.

Ingeniería de datos: hacia un pipeline gestionado

El estado actual de la solución en producción se describe como técnicamente accesible, pero extraordinariamente eficaz. Los datos proceden de la plataforma de datos o directamente de las plataformas de medios. Las tareas ejecutadas en contenedores mediante Cloud Run se activan a partir de eventos, llaman a la API de Gemini y realizan la detección.

Esta arquitectura supone una simplificación importante respecto a los antiguos pipelines de ingesta, complejos y difíciles de mantener. El principio rector es claro: el objetivo consiste en simplificar el trabajo de los equipos de negocio, no en construirles un sistema de complejidad desproporcionada. Las áreas operativas necesitan, ante todo, rapidez de acceso, facilidad de uso y autonomía total.

El siguiente paso consiste en incorporar una funcionalidad de anotación gestionada directamente por Google Cloud. Basta con especificar un espacio de almacenamiento (bucket) para que el pipeline se active automáticamente cada vez que se añade un nuevo activo, realice la detección y alimente directamente las tablas de BigQuery. Los equipos de negocio solo tienen que utilizar los datos, sin preocuparse por la infraestructura subyacente.

En cuanto a los LLM, aunque los modelos fundacionales no están entrenados específicamente para la industria cosmética, algunos elementos, como la detección de emociones, son universales. El ajuste de las instrucciones de entrada —ambiente, atmósfera visual y colorimetría— ha permitido adaptar el modelo con precisión al lenguaje visual de la marca.

La magnitud del reto técnico

• Aproximadamente 100.000 referencias de productos (SKU), una cifra que sigue creciendo mediante adquisiciones.
• Cerca de un millón de variantes de SKU, ya que un mismo producto puede tener distintas denominaciones según el país.
• Millones de activos almacenados, con un volumen que alcanza la escala del petabyte.
• Durante las pruebas de la funcionalidad de anotación, se procesaron simultáneamente 900.000 activos para poner a prueba la capacidad de los servidores de Google.

Tres grandes lecciones para los proyectos de IA

1. La tecnología ya no es el principal desafío

Las herramientas han alcanzado un grado de madurez elevado y las tecnologías de desarrollo aceleran la producción. El verdadero reto reside ahora en la calidad de los datos de entrada y en la capacidad de definir un problema de negocio, formular hipótesis y ponerlas a prueba. Este enfoque de producto se desarrolla en tres etapas iterativas:

1. Crear rápidamente un prototipo de producto a partir de hipótesis de trabajo.
2. Medir las diferencias comparando la clasificación del modelo con la de una persona sobre una muestra de prueba.
3. Comprender los errores analizando el razonamiento del modelo y, a continuación, ajustar el prompt o el flujo de trabajo antes de iniciar un nuevo ciclo.

2. El modelo algorítmico razona de forma diferente a una persona

Al clasificar una publicación de una influencer en una de las cuatro categorías disponibles —evento, unboxing, contenido orgánico o patrocinado—, la primera versión del modelo ofrecía resultados mediocres. El análisis reveló que la IA destaca más a la hora de descartar tres opciones incorrectas que al seleccionar espontáneamente la opción correcta. El prompt se reescribió siguiendo esta lógica deductiva: el reto no era técnico, sino cognitivo.

Esta misma lógica se aplica a la generación de imágenes. Para imaginar un producto nuevo delante de un monumento, el enfoque clásico de prompt engineering resulta insuficiente. Es mucho más eficaz pedir al modelo que describa una imagen de referencia proporcionada y, después, indicarle que genere el prompt necesario para recrearla. La clave está en adoptar el lenguaje propio de la máquina.

3. El rendimiento y la eficiencia en el consumo de recursos deben optimizarse conjuntamente

Cada vídeo analizado genera un coste de procesamiento de datos, medido en tokens.