L’Oréal x Converteo: inteligencia artificial al servicio del análisis y la clasificación de contenidos a gran escala

22.10.2026
Por Louis Dauchy

Contexto

La respuesta de los consumidores de cosméticos se ha fragmentado considerablemente. Ahora pasa por las redes sociales y las plataformas conversacionales, dejando atrás a las marcas de los motores de autobuses tradicionales. Para seguir siendo competitiva, una empresa del sector de la belleza debe dominar el lenguaje de las máquinas.

Como cuarto mayor anunciante del mundo, L’Oréal produce volúmenes ingentes de activos creativos (vídeos de influencers, imágenes para redes sociales y audios), almacenados a escala de petabytes. Esta explosión de contenidos, impulsada por la necesidad de hiperpersonalización, ha generado una necesidad crítica de gobernanza. El reto ya no consiste únicamente en generar contenido, sino también en analizarlo, clasificarlo y comprender su rendimiento para alimentar las futuras estrategias de marketing.

Objetivos

Converteo ha acompañado a los equipos de L’Oréal, en colaboración con Google Cloud, en el diseño y la industrialización de una solución de inteligencia artificial generativa (LLM) que permite:

  • Convertir los activos creativos de la marca en una fuente de datos fiable, estructurada e interoperable.
  • Desplegar una arquitectura cloud agnóstica y automatizada, capaz de procesar millones de archivos multimedia.
  • Resolver el reto de la taxonomía mediante el proyecto Taxofix, asignando automáticamente la franquicia y subfranquicia correctas a cada campaña publicitaria.
  • Optimizar los costes de infraestructura (FinOps) adaptando los prompts a la lógica cognitiva de los modelos.

Etapas del proyecto

Definición estratégica y arquitectura cloud

  • Elección de la interoperabilidad:

Diseño de una arquitectura abierta (pasarela API y gestión de modelos) para evitar depender de un ecosistema cerrado y mantener el control de la hoja de ruta tecnológica.

Resultado: una base tecnológica sostenible, independiente de las fluctuaciones del mercado de la IA.

  • Implementación de un pipeline gestionado:

Despliegue de tareas en contenedores (Cloud Run) activadas por eventos. Cada nuevo activo incorporado a un espacio de almacenamiento desencadena automáticamente un análisis mediante la API de Gemini y alimenta directamente las tablas de BigQuery.

Resultado: autonomía total para los equipos de negocio, que pueden consumir los datos sin tener que dominar la complejidad de la infraestructura subyacente.

El proyecto Taxofix: automatización de la taxonomía mediante deep learning

  • Definición de la necesidad de negocio:

Ante la gestión de más de 60.000 campañas digitales, las agencias de medios tenían dificultades para asignar manualmente el producto correcto dentro de un catálogo de referencia compuesto por 3.000 franquicias y 8.000 subfranquicias, lo que dificultaba el cálculo fiable del ROI.

  • Análisis multimodal:

El modelo Gemini recibe el vídeo (MP4), la descripción de la publicación en redes sociales y el catálogo de referencia estricto.

Resultado: el modelo puede identificar la marca y la oferta específica, además de justificar el razonamiento que sustenta su predicción.

Optimización cognitiva y enfoque FinOps

  • Adaptación del prompt al razonamiento algorítmico:

Análisis de los errores del modelo —que funciona mejor descartando opciones que seleccionando directamente la correcta— para reformular las instrucciones en el «lenguaje» de la máquina.

  • Reducción de costes (tokens):

División del flujo de trabajo en claves separadas. Primero, el modelo utiliza el vídeo para identificar la marca y la descripción textual; después, utiliza el mensaje de texto únicamente para identificar el subtítulo, evitando continuar con el vídeo de su vehículo.

Resultado: reducción del 50 % en el consumo de tokens con el mismo nivel de rendimiento, gracias a una arquitectura sin servidor facturada exclusivamente para nosotros.

Resultados

  • Retorno multiplicado en la clasificación taxonómica: la identificación correcta de la franquicia y la subfranquicia pasa de menos del 50% a más del 90% en los vídeos publicitarios.
  • Escalada validada: industrialización completada con 2 millones de vídeos, manteniendo un stock superior al 85%. Se realizan las cargas mínimas posibles con 900.000 actividades simultáneas.
  • Ventajas en productividad: un conjunto de datos no estructurados —el legado creativo de la marca— se ha convertido en una base de datos fiable y reutilizable para su uso futuro por parte de agentes y para la optimización de medios.

Por Louis Dauchy

Partner - Industry & Strategic Client Development

1 / 1

Framework técnico de IA: los 4 bloques de la base centralizada

Seguridad, RAG, FinOps y plataforma «as a service»: los 4 pilares de un framework técnico de IA centralizado para evitar el Shadow IT y controlar cos...

El fin de la chat bubble: activar la IA en el momento adecuado del proceso de compra

35 disparadores, búsqueda conversacional, tono de marca, FinOps: cómo sustituir la chat bubble por un agente de marca proactivo en e-commerce.

Shadow IT, deuda técnica y sobrecostes: 3 riesgos que pone de manifiesto el Product Builder

Shadow IT, deuda técnica invisible y sobrecostes de API: los 3 riesgos que plantea el Product Builder y por qué prohibir no es suficiente.

El «vibe coding» al servicio de la segmentación RFM

¿Cómo optimizar tu segmentación con el vibe coding? Genera código en lenguaje natural y analiza tus datos sin necesidad de conocimientos técnicos.

Hoja de ruta de IA: los 4 pilares para escalar

Descubre los 4 pilares esenciales de una hoja de ruta de IA (bases técnicas, gobernanza, metodología ágil y formación) para escalar.

Comercio agéntico: qué pueden perder las marcas y qué pueden ganar

Upselling, retail media, datos y responsabilidad: qué pierden las marcas con el comercio agéntico y qué oportunidades les ofrece.

Vibe coding frente a robustez: cómo gestionar las tensiones entre Product Builders y los equipos de ingeniería

Deuda técnica, sandbox y proceso de transferencia: cómo conciliar la velocidad del vibe coding con la robustez que exigen los equipos de ingeniería.

Product Builder, Prompt Tester, Conversational Designer: los 4 nuevos roles de IA en los equipos de negocio

Descubre los 4 roles clave de IA (Product Builder, AI Builder, Conversational Designer y Prompt Tester) que debes integrar en tus equipos de negocio.

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

¿Cómo estructurar los activos creativos mediante inteligencia artificial? Análisis de la estrategia de IA en marketing de L'Oréal en la nube.

8 KPI GEO para gestionar tu estrategia de visibilidad en IA

Tasa de mención, cuota de voz, sentimiento, exactitud de la información: 8 KPI de GEO para medir la visibilidad de tu marca en las respuestas de la I...

El terremoto organizativo: cómo el Product Builder redefine los roles de PM, desarrollador y diseñador

Cuellos de botella, PM orquestador, dev arquitecto, diseñador de agentes: cómo el Product Builder transforma los equipos de producto.

IKEA acaba de reconvertir a 8.500 agentes de centros de llamadas en lugar de despedirlos

Ante la automatización mediante IA, IKEA ha optado por reconvertir a 8.500 agentes de atención telefónica.