Blog · Ejecución

Cómo revisar miles de fotos de montaje con visión artificial

Cada cara contratada en una Campaña de exterior estático genera al menos una foto de montaje, y en una Campaña nacional eso supone miles de imágenes que hoy alguien revisa una a una. La visión artificial puede comprobar cada foto contra lo contratado y dejar para una persona solo las que plantean dudas. Explicamos cómo funciona, qué casos reales hay en otros sectores, dónde falla y qué hay que preparar para usarla.

Por el equipo de OS.ooh31 de octubre de 20268 min de lecturaCompartir

Instalador fotografiando con el móvil una valla recién montada

Qué hay que comprobar en cada foto

Cuando la agencia recibe las fotos de montaje, alguien las abre una por una y comprueba lo mismo cada vez: que la foto es del soporte contratado, que se hizo dentro de las fechas de la Campaña, que la creatividad es la aprobada para esa cara, que el cartel está en buen estado y que la foto es de este montaje. Hay que vigilar también este último punto, porque una foto de una Campaña anterior puede colarse por error en la carpeta.

En un control sobre el terreno en Italia, casi el 10 % de las vallas revisadas no tenía puesto el anuncio contratado.6 Lo contamos con más detalle en ¿Cómo sabe una marca que su Campaña se ha visto? Cuando la revisión es manual y hay miles de fotos, es fácil que alguna incidencia pase sin verse.

La visión artificial es la rama de la inteligencia artificial que analiza imágenes. Aplicada a los comprobantes, hace estas comprobaciones con cada foto, asigna a cada una un grado de confianza y separa las fotos en dos grupos: las que cuadran con lo contratado y las que necesitan que una persona las mire.

Gráfico 1El recorrido de una foto de montaje con revisión automática

Comprobaciones automáticas

  1. Llega la fotoHecha desde la aplicación, con la cara y la Campaña ya identificadas.
  2. MetadatosHora y coordenadas comparadas con las fechas y la ubicación contratadas.
  3. SoporteAspecto comparado con la foto de referencia de esa cara.
  4. CreatividadCartel comparado con el arte final aprobado.
  5. Foto nuevaHuella de la imagen comparada con todas las anteriores.
  6. EstadoDaños, pintadas, partes tapadas o iluminación apagada.

Resultado

  1. Todo coincideSe valida sin intervención y queda registrado.
  2. Alguna dudaPasa a una persona con el motivo señalado.
  3. Decisión registradaLo validado y lo descontado llegan a la factura.
Esquema ilustrativo de OS.ooh.

Cómo funciona cada comprobación

Ubicación y fecha. Una foto hecha con el móvil guarda metadatos: la fecha, la hora, las coordenadas y el modelo del dispositivo. El sistema compara las coordenadas con las del soporte en el inventario y la hora con el periodo de la Campaña. El GPS de un teléfono suele acertar en un radio de 4,9 metros a cielo abierto, y su precisión empeora cerca de edificios, puentes y árboles.3 En una calle con varios soportes seguidos, las coordenadas no bastan para saber de cuál se trata, y por eso hace falta la comparación visual.

Aspecto del soporte. Cada cara tiene en el inventario una o varias fotos de referencia. El sistema extrae de la imagen nueva sus rasgos, como la forma de la estructura, el marco, la fachada de detrás o una farola cercana, y calcula cuánto se parecen a los de la referencia. Si las coordenadas apuntan a una cara y la imagen se parece a otra, la foto pasa a revisión.

Creatividad. El sistema localiza el cartel dentro de la foto, corrige la perspectiva y lo compara con el arte final aprobado para esa cara. Así detecta una creatividad equivocada, una versión antigua o una variante que corresponde a otra zona. OneVision, proveedor de software de preimpresión, presentó en 2025 una herramienta que valida fotos de vallas con este tipo de comprobación junto con las coordenadas y la hora, y deja la revisión manual para las excepciones.4

Fotos repetidas o reutilizadas. Cada imagen se resume en una huella digital que apenas cambia aunque la foto se recorte, se comprima o se le cambie el brillo. Comparando esa huella con todas las fotos anteriores, también las de otras Campañas, el sistema encuentra la misma foto presentada dos veces. La detección de imágenes casi idénticas es un problema estudiado en la literatura académica, con métodos comparados en pruebas publicadas.5

Estado del soporte. Un modelo entrenado con ejemplos reconoce carteles rasgados, despegados, con pintadas o tapados en parte, y en fotos nocturnas, si la iluminación funciona.

Gráfico 2Qué se comprueba, con qué dato y dónde falla
ComprobaciónCómo se haceDónde falla
Fecha y hora¿Se hizo dentro del periodo contratado? FiableHora del dispositivo contrastada con la hora a la que llega al servidor. Fotos que se suben desde la galería, horas después, o relojes mal configurados.
Ubicación¿Está donde está el soporte? Con límitesCoordenadas de la foto comparadas con las del soporte en el inventario. Calles estrechas, edificios altos, árboles y soportes muy próximos entre sí.
Soporte¿Es la cara contratada? Con límitesRasgos de la imagen comparados con la foto de referencia de la cara. Obras, andamios o cambios en el entorno, ángulos muy distintos al de la referencia.
Creatividad¿Es el arte aprobado para esa cara? Con límitesCartel recortado, enderezado y comparado con el arte final. Reflejos en el cristal de un mupi, contraluz, noche, vehículos o ramas delante, variantes casi iguales.
Foto nueva¿Es de este montaje? FiableHuella de la imagen comparada con todo el histórico de fotos. Solo detecta repeticiones de fotos que están en la base; una foto de otra fuente necesita otras pruebas.
Estado¿Se ve bien la Campaña? Con límitesModelo entrenado con ejemplos de daños, pintadas y oclusiones. Daños pequeños, suciedad, fotos lejanas o de baja resolución.
Fuente: elaboración de OS.ooh a partir de GPS.gov, Wei et al. (2020) y Morra y Lamberti (2019). La valoración de cada fila es cualitativa.

Dónde se usa ya

El sector que más ha avanzado es el gran consumo, que usa reconocimiento de imágenes para comprobar cómo están colocados sus productos en las tiendas. En 2021, el director de sistemas de Coca-Cola HBC explicaba que la compañía usaba ese software para hacer auditorías de producto en tienda que antes se hacían a mano, y que procesaba unas 900.000 imágenes al mes con más de un 95 % de precisión.1 Una revisión académica publicada en 2020 resume las dificultades técnicas de reconocer productos en imágenes y los métodos que se usan para resolverlas.7

Las aseguradoras llevan tiempo resolviendo el problema de las fotos reutilizadas. Verisk compara las fotos de cada reclamación con una base de millones de imágenes aportadas por las aseguradoras participantes, revisa sus metadatos y busca señales de manipulación. En uno de sus casos, una aseguradora descubrió a un tasador que había presentado 170 fotos duplicadas en dos años, en reclamaciones por más de un millón de dólares.2

En exterior, la foto de montaje como prueba tiene una larga historia en Reino Unido. Marketing Week contaba que Clear Channel y JCDecaux preparaban sistemas de comprobante en directo: en el de Clear Channel, los operarios escaneaban con el móvil una etiqueta del cartel y fotografiaban los daños, y en el de JCDecaux, el personal fotografiaba cada Campaña al montarla y subía las imágenes a un portal. Clear Channel quería cubrir todos sus paneles del país en marzo de 2008.8 Hoy, Outsmart, la asociación británica de medios de exterior, sigue incluyendo la prueba de montaje del estático entre sus trabajos pendientes.10

Gráfico 3Revisión de imágenes a escala en otros sectores, y el punto de partida en exterior
900.000

Imágenes al mes que procesaba Coca-Cola HBC en sus auditorías de tienda en 2021.

>95 %

Precisión que la compañía declaraba para ese reconocimiento de imágenes.

170

Fotos duplicadas presentadas por un tasador en dos años, detectadas en un caso de Verisk.

≈10 %

Vallas sin el anuncio contratado en un control de quince Campañas en Italia (2016).

Fuentes: Coca-Cola HBC vía European Business Magazine (2021); Verisk (2025); caso Kinetic Italia publicado por BeMyEye. Son datos comunicados por las propias empresas y de sectores o mercados distintos; los citamos como orden de magnitud.

Por qué los casos dudosos siguen en manos de una persona

Incluso con una precisión alta, el volumen hace que los errores se acumulen. Como ejemplo con cifras redondas: si una Campaña genera 1.000 fotos y el sistema acierta en el 95 % de los casos, quedan unas 50 fotos en las que puede equivocarse. Una parte de ellas serán caras bien montadas marcadas como dudosas, y otra, incidencias reales que el sistema ha dado por buenas.

Por eso conviene que el sistema devuelva una puntuación de confianza para cada comprobación y que las partes acuerden de antemano el umbral. Por encima, la foto se valida sola. Por debajo, va a una persona con el motivo señalado, por ejemplo «la creatividad no coincide» o «coordenadas a 40 metros del soporte». Así, la revisión manual se concentra en una fracción de las fotos.

Además, cuando una cara no se ha montado bien, alguien tiene que decidir qué se hace: reponer el cartel, ampliar días o descontar en la factura. Esa decisión tiene consecuencias económicas para las dos partes y conviene que la tome una persona con nombre, y que quede registrada junto a la foto y al motivo.

Por último, los metadatos de una foto se pueden modificar. La defensa más sólida es que la foto se haga desde una aplicación que la envíe al momento, con la hora del servidor. Existe además un estándar abierto, C2PA, que permite firmar una imagen en el momento de la captura y registrar después cualquier edición, de modo que una manipulación posterior se pueda detectar.9

Qué preparar para que funcione

La visión artificial compara la foto con lo contratado, y para eso lo contratado tiene que estar descrito con precisión. Preparar esa base es la mayor parte del trabajo.

Exclusivistas

  • Registrar las coordenadas exactas de cada cara y su orientación.
  • Guardar al menos una foto de referencia por cara, de día y, si está iluminada, de noche.
  • Hacer las fotos desde una aplicación que las capture y las envíe en el momento.
  • Pedir al instalador un encuadre fijo: la cara completa, de frente y con algo de entorno.

Agencias y marcas

  • Enlazar a cada cara el arte final aprobado, con todas sus variantes.
  • Acordar con cada exclusivista el umbral de validación automática y el plazo para resolver las dudosas.
  • Decidir quién revisa las fotos dudosas y quién aprueba descuentos o reposiciones.
  • Exigir que cada decisión quede registrada con la foto, el motivo y la persona que la tomó.

Esta misma base es la que necesitará un agente de IA para comprobar lo que ha comprado, como contamos en Los agentes ya compran pantallas.

Dónde encaja OS.ooh

En OS.ooh, cada cara está descrita con una taxonomía común y cada comprobante de montaje llega con foto, GPS y hora, enlazado a la cara y a la Campaña contratadas. La factura se genera a partir de lo ejecutado. Sobre esa base se puede añadir una revisión automática de las fotos que valide lo que coincide y deje a una persona solo los casos dudosos.

Inventario con taxonomía comúnComprobantes con foto, GPS y horaFacturación según lo ejecutado
Solicitar demo Hacer el test del Índice

Fuentes

  1. Mourad Ajarti (Coca-Cola HBC), «The tech and innovation behind the drink in your hand», European Business Magazine, 11 de junio de 2021. europeanbusinessmagazine.com
  2. Verisk, «Detect the Undetectable: Advanced Digital Media Fraud Detection», 2025. verisk.com
  3. GPS.gov (Gobierno de Estados Unidos), «GPS Accuracy». gps.gov
  4. Inkish News, «OneVision launches AI Billboard Validation to streamline OOH campaigns and safeguard brand integrity», 24 de septiembre de 2025. inkish.news
  5. Lia Morra y Fabrizio Lamberti, «Benchmarking unsupervised near-duplicate image detection», arXiv:1907.02821, 2019. arxiv.org
  6. BeMyEye, «BeMyEye and Kinetic join forces to tackle OOH billboard compliance issues», caso sobre Campañas del primer semestre de 2016. bemyeye.com
  7. Yuchen Wei, Son Tran, Shuxiang Xu, Byeong Kang y Matthew Springer, «Deep Learning for Retail Product Recognition: Challenges and Techniques», Computational Intelligence and Neuroscience, 2020. dro.deakin.edu.au
  8. Marketing Week, «Posters to benefit from proof-of-posting plans». marketingweek.com
  9. PPC Land, «C2PA», 27 de septiembre de 2026. ppc.land
  10. Outsmart, «Outsmart and Third Party Verification Statement», julio de 2026. outsmart.org.uk
Comparte este artículoCompartir en LinkedIn