# Caso real: una fábrica de creativos con IA para Meta Ads > ¿Cómo se produce creativo para ads con IA a escala, sin perder la marca? Con un sistema, no con prompts sueltos: un pipeline de 8 etapas (research → ángulos → hooks → variantes → QA → lanzar → análisis → iterar), una memoria de marca que se captura una vez y alimenta cada generación, y workflows de media sintética evaluando 10+ modelos en producción. Es mi trabajo actual para una empresa de performance de EE.UU. — un caso de sistemas, sin números inventados. > Fuente: https://magoallegri.com/biblioteca/caso-sistemas-creativos-ia --- Este caso es distinto a mis otros tres, y lo digo de entrada: acá no hay dashboards ni CPAs. Es mi trabajo **actual** (2026, en curso) para una empresa de marketing de performance de EE.UU., y sus resultados son del cliente. Lo que sí puedo abrir —y es lo que más me piden— es **el sistema**: cómo se produce creativo para Meta con IA, a velocidad, sin que la marca se desarme en el camino. ## El problema: la velocidad creativa es el cuello de botella En el Meta de hoy, [el creativo es el targeting](/biblioteca/por-que-el-creativo-es-el-targeting): con segmentación amplia, el anuncio decide a quién llegás. Y el creativo se fatiga rápido — producir rápido dejó de ser un lujo y pasó a ser una variable de performance. La respuesta típica es heroísmo: briefs artesanales, prompts sueltos, piezas únicas. El heroísmo no escala. Los sistemas sí. ## El pipeline: ocho etapas, un solo loop Cada pieza pasa por las mismas ocho etapas, y lo que enseña el análisis vuelve directo al research de la ronda siguiente: [Figura: El pipeline de creativos como loop cerrado de 8 etapas: research, ángulos, hooks, variantes, QA, lanzar, análisis, iterar — y de vuelta al research] Las etapas no son nuevas — lo nuevo es que la IA corre **adentro de cada una**, y el loop nunca se frena a esperar producción. ## La memoria de marca El corazón del sistema no es ningún modelo: es una **memoria de marca** reutilizable — posicionamiento, avatares, hooks ganadores, reglas visuales, tono, embudo — capturada una vez y alimentando cada generación. Encima corre una arquitectura de prompts para conceptos de ads, titulares, guiones UGC, secciones de landing, storyboards y matrices de testeo. [Figura: La memoria de marca como centro: posicionamiento, avatares, hooks ganadores y tono capturados una vez, alimentando cada copy, imagen y video] Sin memoria compartida, cada pieza generada con IA es una apuesta nueva a la consistencia. Con memoria, la pieza número cien suena como la primera. ## Media sintética, probada en producción La capa de imagen y video corre sobre workflows de media sintética —ads estilo creador, escenas de producto realistas, thumbnails nativos, variaciones de avatar, conceptos de video corto— evaluando **más de 10 modelos de IA en producción** (OpenAI, Claude, Midjourney, Runway, Kling, Veo, Higgsfield y lo que va saliendo) contra una sola pregunta: ¿entrega ads usables, de forma repetible? ## De oficio a sistema La última milla es la que convierte talento en sistema operativo: SOPs, estructuras de etiquetado, lógica de variaciones y plantillas listas para lanzar — para que media buyers y creativos generen output consistente y medible sin producción artesanal. Y la inteligencia creativa se conecta con la performance: patrones repetibles por hook, formato, audiencia, oferta, emoción, estilo visual y etapa del embudo. ## ⚠️ Un caso de sistemas, no de resultados El engagement está en curso y sus números son del cliente: acá no se muestran ni se inventan. Si buscás resultados con dashboards, están en mis otros tres casos — [el de Meta Ads](/biblioteca/caso-suplementos-meta-ads), [el de native](/biblioteca/caso-native-ads-finanzas) y [el multicanal](/biblioteca/caso-salud-multicanal). Lo que este caso documenta es la maquinaria — porque «usamos IA» es un slogan, y un pipeline es un hecho. ## Qué te llevás 1. **Prompts sueltos no escalan**: sin memoria de marca compartida, la IA produce rápido pero inconsistente. 2. **El loop cerrado** (análisis alimentando el research) es lo que separa producir mucho de aprender rápido. 3. **Sistematizá antes de acelerar**: SOPs, etiquetas y plantillas primero — la velocidad sin estructura solo genera ruido más rápido. → El caso completo está (en inglés) en [irgella.com/case-studies/ai-creative-systems](https://irgella.com/case-studies/ai-creative-systems) — Irgella es mi agencia; esta biblioteca enseña lo que ahí se practica.