Agentes de IA para UA en 2026: qué cambian en el presupuesto de UA indie
Kohort levantó 7 M$ para agentes de IA de UA en 2026. Qué cambian en las cuentas de UA de pago de un estudio móvil, qué dejan intacto y cuándo financiar distribución.
Respuesta directa — ¿Debería un estudio móvil pequeño o mediano destinar su próximo euro a herramientas de IA para user acquisition o a nuevos canales de distribución? Los agentes de IA para user acquisition, como Ktrl de Kohort, hacen que el gasto en UA de pago desperdicie menos: predicen antes qué campañas se amortizarán, introducen esas predicciones en las pujas de las redes publicitarias y detectan antes las campañas que fallan. No reducen el precio de la subasta, la comisión de la tienda ni el tamaño de la audiencia a la que pueden llegar los anuncios de pago. Si el UA de pago ya funciona para tu título y gastas lo suficiente para entrenar los modelos, la herramienta de IA es el siguiente paso más barato; si el canal de pago está saturado o es estructuralmente no rentable para tu juego, el próximo euro pertenece a la distribución.
En mayo de 2026, Kohort cerró una Serie A de 7 millones de dólares liderada por The Raine Group para desarrollar lo que llama agentes de IA de user acquisition para estudios de juegos móviles. La ronda puso nombre a una categoría que los responsables de growth venían montando pieza a pieza: modelos predictivos de LTV, señales de puja automatizadas, creatividades generadas por IA y una capa de agentes que actúa sobre las tres. La propuesta es simple: dejar que la máquina gestione mejor la subasta.
Este artículo responde a una pregunta más acotada que la de si el UA de pago sigue funcionando. Ya defendimos ese argumento en por qué la distribución tiene que ir más allá del paid UA. Aquí la pregunta es qué cambia realmente un agente de IA de UA en el presupuesto de UA de pago de un estudio, qué no puede cambiar y cómo decidir entre financiar esa herramienta y financiar un canal de distribución adicional.
¿Qué hace realmente un agente de IA de UA en 2026?
Hoy, un agente de IA de UA hace dos trabajos: predice el valor a largo plazo de los usuarios que compra cada campaña y convierte esas predicciones en acciones —objetivos de puja, movimientos de presupuesto, renovación de creatividades— más rápido de lo que lo haría un equipo humano. Los proveedores se reparten según esos dos trabajos.
La capa de decisión: Kohort. Según el anuncio de la financiación, la suite de agentes de Kohort cubre la optimización de campañas, la investigación en profundidad y los informes automatizados, y su producto estrella, Ktrl, genera estrategias de puja y objetivos específicos para cada red en campañas de retorno de la inversión publicitaria, coste por instalación y coste por interacción, con integración directa con las redes publicitarias. La propia web de Kohort describe el bucle: Ktrl entrena modelos predictivos basados en cohortes con los datos de UA del estudio, emite cada día recomendaciones de escalar, mantener o cortar por campaña, y devuelve valores de ROAS predictivo a AppLovin, Meta, Google, Unity y TikTok para que sus sistemas de puja optimicen según el valor previsto y no según las primeras conversiones. El CEO, Dan Marcus, lo planteó así: «Los mejores equipos de UA funcionan más como traders de alta frecuencia que como marketers».
Las cifras principales son de la propia Kohort. La empresa afirmó que sus modelos predictivos están entrenados con aproximadamente 6000 millones de dólares de datos históricos de gasto en user acquisition en cientos de juegos móviles y generan predicciones diarias por campaña con una precisión de aproximadamente el 95 %. Su web afirma una precisión del 94 % o superior en las previsiones de LTV a 365 días. Son dos mediciones distintas, ninguna de las dos páginas publica el método que hay detrás y ningún tercero las ha auditado. Léelas como una razón para hacer una prueba, no como un supuesto de planificación.
La capa de producción: Layer. Layer vende producción creativa con IA para juegos móviles en UA, LiveOps y arte de juego. En la parte de UA, su agente lee los resultados de campaña de AppLovin, Meta, Google Ads y TikTok y multiplica una creatividad ganadora en variantes ordenadas por ranking. La propuesta de Layer se apoya en la fatiga creativa, y su propia cifra es que un anuncio móvil se agota en 5-14 días. No fija pujas; mantiene abastecido al sistema de puja.
Ambas capas funcionan dentro de la misma máquina de UA de pago, y eso limita lo que pueden cambiar.
¿Qué cambia en las cuentas del presupuesto de UA de pago de un estudio?
La IA aplicada al UA ataca el desperdicio, no el precio. Lo hace en cuatro puntos.
- El retraso entre que una campaña empieza a ir mal y alguien la corta. El UA de juegos móviles funciona con ventanas de amortización largas. La descripción que hace Kohort del problema es que, cuando llega el ROAS a D90, el estudio ya ha gastado otro trimestre en campañas que nunca iban a funcionar. Una predicción temprana creíble del LTV acorta esa ventana, y el gasto que ahorra es el principal retorno de la herramienta.
- La calidad de la señal que se envía a las redes. La puja basada en valor solo es tan buena como la señal de valor. Dar a una red un ROAS previsto a largo plazo en lugar de un evento temprano puede desplazar el gasto hacia usuarios que siguen pagando.
- Las horas de analista. Los informes automatizados y la monitorización continua sustituyen parte del trabajo diario en hojas de cálculo, a menudo el recurso más escaso de un equipo de growth pequeño.
- El volumen de creatividades. Si lo que mata a tus ganadoras es la fatiga, producir variantes más rápido mantiene viva más tiempo una campaña que funciona, al mismo coste por creatividad.
Pasemos ahora al lado del coste. En su web, en octubre de 2026, Kohort lista un nivel Startup para estudios que gastan menos de 100 000 $ al mes en UA, desde 600 $ al mes por título facturados anualmente, y un nivel Growth para estudios que gastan más de 100 000 $ al mes, desde 1200 $ al mes por título, también facturados anualmente. La estructura importa más que el precio: la tarifa es fija por título, mientras que el desperdicio que elimina crece con el gasto. Un gasto elevado en un solo título absorbe la tarifa con facilidad; las pruebas pequeñas repartidas en varios títulos la pagan varias veces sobre una base mucho menor.
Hay un segundo coste, menos visible: los datos. Un modelo de cohortes entrenado con tus propios datos de UA necesita cohortes lo bastante grandes y maduras para aprender. Un título en soft launch, o uno que compra un goteo de instalaciones por red, da al modelo poco con lo que trabajar, y una predicción segura construida sobre datos escasos es peor que un honesto «es pronto para saberlo».
Lo que las herramientas de IA para UA no arreglan
Todas las ganancias anteriores ocurren dentro de una subasta que no controlas, en una tienda cuyas condiciones no fijas. Cuatro cosas siguen exactamente donde estaban.
La subasta en sí. Un agente de IA te convierte en mejor pujador en las mismas subastas que todos los demás, y tus competidores pueden comprar la misma clase de herramienta. A medida que más estudios pujan por valor previsto, la ventaja pasa a quien tiene mejores datos y mejores creatividades, no a quien tiene un agente. El precio de la subasta lo fija la competencia por la audiencia, y un agente no reduce esa competencia.
La economía de la tienda. Tu margen tras la adquisición sigue pasando por el cuadro de comisiones de la tienda. Desde el 30 de junio de 2026 en el EEE, el Reino Unido y EE. UU., Google Play cobra un 10 % más una tarifa de facturación del 5 %, donde se usa Google Play Billing, sobre el primer millón de dólares de ingresos anuales de un desarrollador, con tarifas más altas por encima (nuestro análisis del reajuste de precios de Play cubre toda la escala). En la App Store, la comisión del 15 % del Small Business Program se aplica a los desarrolladores que se acogen y que obtuvieron hasta 1 millón de dólares en ingresos netos en el año natural anterior. Ningún agente de UA toca esas líneas.
El alcance de la audiencia. Las redes de pago llegan a las personas que usan el inventario de esas redes. Si la audiencia rentable de tu género en ellas ya la están comprando competidores con más financiación, un pujador más listo encuentra antes los bolsillos rentables que quedan; no crea otros nuevos. Un buen modelo de predicción puede limitarse a decirte, antes y con más confianza, que ya no queda escala rentable en el canal. Es información valiosa, no crecimiento.
Los rieles de pago. Un usuario adquirido en un mercado con baja penetración de tarjetas no convierte mejor porque una IA lo haya elegido. Si el cuello de botella es la fricción de pago, la solución está en la facturación y el checkout —facturación por operador, una tienda web gestionada como un canal de verdad—, no en las pujas.
¿Herramientas de IA para UA u otro canal de distribución? Adónde debería ir el próximo euro
La decisión depende de dónde esté realmente tu problema. La IA aplicada al UA mejora un canal de pago que ya funciona; la distribución añade un alcance al que el canal de pago no llega.
| Tu situación | Adónde va el próximo euro | Por qué |
|---|---|---|
| Algunas campañas se amortizan, las decisiones son lentas y manuales, el gasto por título es estable | Herramientas de IA para decisiones de UA | El desperdicio está en el retraso; las predicciones y la automatización lo recuperan |
| Las creatividades ganadoras mueren rápido y el equipo no da abasto | Producción creativa con IA | El cuello de botella es el volumen, no las pujas |
| Las campañas no se amortizan en ninguna red ni siquiera con buenas creatividades | Un canal de distribución sin subasta | El problema es el precio de la subasta, y ningún pujador lo cambia |
| Los jugadores llegan pero no pagan, o las comisiones de la tienda se comen el margen | Facturación, tienda web o condiciones de tiendas alternativas | La fuga está después de la instalación, no antes |
| Un título en soft launch, presupuestos de prueba pequeños | Ninguna de las dos herramientas todavía; arregla antes la retención y la monetización | Los modelos necesitan cohortes maduras; la distribución necesita un producto que retenga a los jugadores |
Las filas no son excluyentes, pero hay una advertencia: el panel de una herramienta de IA informará de los canales que ve. No te dirá qué habría aportado una preinstalación OEM, un hueco de featuring en una tienda o una superficie de instant play, porque esas instalaciones nunca entran en su subasta. Nuestro framework de distribución multicanal explica cómo puntuar los canales en paralelo para que la línea de pago no gane por defecto solo por ser la mejor instrumentada.
¿Qué debería hacer un estudio a continuación?
Una secuencia práctica para un estudio pequeño o mediano que sopesa una herramienta de IA para UA frente a una prueba de distribución:
- Mide tu propio retraso. En el último trimestre, cuenta cuánto tiempo siguieron en marcha las campañas después de haber dejado de amortizarse. Ese gasto es el techo de lo que puede ahorrarte una herramienta de predicción.
- Haz una prueba en un título con grupo de control. Ejecuta las predicciones del proveedor en un título y mantén un conjunto comparable de campañas con tu proceso actual. Juzga la herramienta por el ROAS previsto frente al real una vez que las cohortes maduren, no por la precisión que anuncia el proveedor.
- Pon precio a la herramienta frente al desperdicio. Compara la tarifa por título con el desperdicio medido en el paso 1. Si la tarifa es una parte grande de esa cifra, la herramienta no es tu próximo euro.
- Pon precio en paralelo a un canal fuera de la subasta. Elige el canal alternativo que encaje con el título —una tienda OEM, una tienda de aplicaciones alternativa, la facturación por operador en un mercado emergente, una build web— y estima su coste de integración y la calidad esperada de la cohorte.
- Reasigna cada trimestre. Mueve presupuesto a la línea que haya devuelto más por euro, y mantén el UA de pago como una línea del plan en lugar de ser el plan entero.
FAQ
¿Qué es un agente de IA de user acquisition para juegos móviles?
Es software que predice el valor a largo plazo de los usuarios comprados mediante campañas de pago y actúa sobre esas predicciones: fija o sugiere objetivos de puja, recomienda escalar o cortar campañas, vigila anomalías y, en el lado creativo, genera nuevas variantes de anuncios. Ktrl de Kohort cubre la parte de pujas y predicción; Layer cubre la producción creativa.
¿Cuánto cuesta Ktrl de Kohort?
En su web, en octubre de 2026, Kohort lista un nivel Startup para estudios que gastan menos de 100 000 $ al mes en UA, desde 600 $ al mes por título facturados anualmente, y un nivel Growth por encima de 100 000 $ al mes, desde 1200 $ al mes por título, también facturados anualmente. El precio Enterprise para grandes portfolios se da bajo petición.
¿Es fiable la precisión de predicción del 95 % de Kohort?
Es una afirmación de la empresa. Kohort afirmó que sus modelos generan predicciones diarias por campaña con una precisión de aproximadamente el 95 %, y su web afirma una precisión del 94 % o superior en las previsiones de LTV a 365 días; ninguna publica un método ni una auditoría independiente. Pruébala con tus propias cohortes maduras antes de fiarte de ella.
¿Pueden las herramientas de IA para UA sustituir a la distribución alternativa?
No. Las herramientas de IA para UA optimizan pujas, presupuestos y creatividades dentro de las mismas subastas de pago y de la misma economía de tienda. No reducen las comisiones de la tienda, no añaden audiencias fuera de las redes publicitarias ni arreglan la fricción de pago. Hacen más eficiente un canal de pago que ya funciona; los canales de distribución añaden un alcance que el canal de pago no puede comprar.
Si eres un estudio pequeño y estás decidiendo si tu próxima línea de presupuesto es una herramienta de UA o un nuevo canal, el Founding Developer Program está pensado justo para esa conversación. Los editores más grandes pueden ir directamente a nuestro equipo de distribución.