Hace poco lancé una campaña de Performance Max en Google ADS para un cliente y, dos semanas después, no podía explicarle con precisión por qué el sistema estaba invirtiendo el presupuesto donde lo estaba invirtiendo. Los resultados eran buenos. La explicación, no. Ese pequeño desajuste entre «funciona» pero «no entiendo por qué funciona» resume, mejor que cualquier informe de tendencias, lo que le está pasando a la publicidad de pago en los últimos dos años.
Hoy te explico cómo la inteligencia artificial está transformando Google Ads y Meta Ads: de la segmentación manual a la puja y la creatividad automatizadas, de la palabra clave a la intención interpretada por el sistema, y de las campañas que un consultor controlaba al detalle a campañas que se alimentan con datos y objetivos, confiando en que el sistema tomará buena parte de las decisiones. Cuento también qué estamos haciendo en un terreno cada vez más gobernado por cajas negras.
La campaña que funcionaba, pero que no sabía explicar
Fue una campaña de Performance Max para un cliente de comercio electrónico, no muy distinta de otras muchas que hemos lanzado. A los quince días, el rendimiento era bueno: coste por adquisición dentro de objetivo, volumen de ventas creciendo. En la reunión de seguimiento, el cliente me hizo la pregunta más razonable del mundo: «¿qué está funcionando mejor, qué público, qué creatividad?».
No tenía una respuesta clara. Performance Max combina, dentro de una sola campaña gestionada por IA, prácticamente todos los inventarios de Google —búsqueda, display, YouTube, Gmail, Maps, Shopping— y reparte el presupuesto entre ellos de forma dinámica, con informes de desglose mucho más limitados que los que ofrecían las campañas tradicionales separadas por canal.
Le contesté con honestidad: el sistema estaba decidiendo, con datos y una velocidad que nosotros no teníamos, y nuestro trabajo ya no consistía en pulsar cada palanca, sino en alimentar bien la máquina —con los objetivos correctos, los públicos semilla correctos, las creatividades correctas— y confiar en el resultado agregado, aceptando perder buena parte del detalle granular que durante años había sido nuestra principal herramienta de trabajo.
No fue una respuesta cómoda de dar. Llevo más de una década explicando informes de campañas apoyándome en el desglose: esta audiencia convierte mejor que aquella, esta creatividad supera a esta otra, este horario del día rinde más. Ese vocabulario, que durante años fue la base de cualquier conversación seria sobre publicidad de pago, empieza a quedarse corto frente a sistemas que optimizan variables que ni siquiera llegamos a ver desglosadas, y que combinan señales de una forma demasiado compleja para resumirla en una tabla comparativa sencilla.
Ese momento, más que ningún informe de tendencias que haya leído, fue el que me hizo entender que la gestión de publicidad digital está atravesando un cambio de fondo, no solo una actualización de producto más.
Te voy a explicar ese cambio con la profundidad que merece, tanto en Google Ads como en Meta Ads, que, aunque son plataformas distintas, están recorriendo un camino sorprendentemente parecido.
¿Qué ha cambiado en Google Ads?
De la palabra clave a la intención interpretada por el sistema
Durante casi veinte años, Google Ads se ha construido alrededor de la palabra clave como unidad básica de trabajo: el anunciante decidía por qué términos exactos quería competir, y el sistema mostraba el anuncio cuando esa palabra, o una variante muy cercana, aparecía en la consulta.
Esa lógica está cediendo terreno de forma acelerada frente a un enfoque basado en intención: el sistema interpreta el propósito de fondo de una búsqueda, incluso cuando esta se formula de forma amplia o conversacional, y decide cuándo mostrar un anuncio en función de esa intención inferida, no de una coincidencia literal de términos.
Los anuncios ya aparecen dentro de las AI Overviews y del Modo IA
Uno de los cambios más significativos, y todavía reciente en el momento de escribir este artículo, es que Google ha empezado a mostrar anuncios directamente dentro de las AI Overviews y del Modo IA, claramente etiquetados como contenido patrocinado pero integrados en el propio flujo de la respuesta generada.
Esto significa que la monetización ya no depende solo de competir por un hueco en la lista de resultados tradicional, sino de estar presente dentro de la propia respuesta sintetizada, un terreno que hasta hace poco parecía reservado exclusivamente al contenido orgánico.
AI Max: la capa que agrupa esta nueva lógica en campañas de búsqueda
Google ha ido consolidando estas capacidades bajo el nombre de AI Max para Search, un conjunto de funciones que sustituye buena parte de la lógica de segmentación por palabra clave por una lógica de coincidencia amplia guiada por intención, con generación asistida de textos de anuncio adaptados dinámicamente a cada contexto.
En la práctica, esto traslada buena parte del criterio de segmentación que antes definía manualmente un gestor de campañas hacia el propio sistema, que decide con qué consultas concretas conectar cada anuncio.
Performance Max como campaña unificada
Performance Max, que mencionaba en la anécdota inicial, funciona como una campaña que cubre de forma unificada todos los inventarios de Google bajo una sola lógica de optimización guiada por IA, en lugar de campañas separadas por canal con reglas propias en cada una. Su ventaja es la capacidad de encontrar combinaciones de público y ubicación que un gestor humano difícilmente detectaría por su cuenta; su coste es una pérdida notable de información granular sobre qué está funcionando exactamente y por qué.
Nuevas herramientas de medición para un mundo sin cookies
Google ha introducido también herramientas de medición como Meridian, orientadas a estimar el impacto incremental de la publicidad en un contexto donde la trazabilidad del usuario es cada vez más limitada. Estas herramientas se apoyan en modelos estadísticos e inferencia, más que en el seguimiento directo de cada usuario individual.
¿Qué ha cambiado en Meta Ads?
Advantage+ ha pasado de opción a arquitectura por defecto
Meta ha seguido una trayectoria paralela con sus campañas Advantage+, que automatizan la segmentación de audiencia, ubicaciones y distribución de presupuesto dentro de una misma estructura de campaña. Lo que empezó como una alternativa opcional a la configuración manual se ha convertido, en la práctica, en la configuración que la plataforma promueve por defecto para cualquier anunciante, relegando la configuración manual detallada a una opción cada vez más secundaria.
La creatividad generativa ya modifica anuncios sin intervención del anunciante
Uno de los cambios que más resistencia genera entre los equipos de marca con los que trabajamos es que Meta puede generar, dentro de las funciones de creatividad de Advantage+, variaciones de un anuncio original —cambios de fondo, superposición de texto, incluso modificaciones sobre la imagen del producto— sin que el anunciante las haya solicitado de forma explícita pieza por pieza.
Estas mejoras aparecen etiquetadas como generadas por IA dentro del gestor de anuncios, y es posible previsualizarlas antes de que se activen, pero la posibilidad de que un anuncio se muestre en una versión que nadie del equipo de marca ha revisado directamente es ya una realidad operativa, no una hipótesis futura.
El hilo común: de ejecutar campañas a alimentar sistemas
Más allá de las diferencias entre ambas plataformas, el patrón de fondo es el mismo: el anunciante ha dejado de apretar el gatillo en cada decisión táctica —qué público, qué puja, qué variante de anuncio— para pasar a definir objetivos, aportar datos y activos de calidad, y confiar en que el sistema tome, con más información y más velocidad de la que cualquier equipo humano podría procesar, buena parte de las decisiones que antes eran manuales.
Esto no es, en sí mismo, ni bueno ni malo; es, sencillamente, el terreno en el que hay que aprender a trabajar. Pero exige una honestidad que no siempre veo en el sector: reconocer que estamos delegando decisiones en sistemas que no explican por completo su razonamiento, y que la habilidad profesional que hace falta hoy no es tanto pulsar la palanca correcta como saber qué información darle al sistema, y saber auditar con criterio si el resultado agregado merece la pena, aunque no puedas ver el detalle de cada decisión individual.
La crisis de medición: cómo evaluar una caja que no explica sus decisiones
Cuanto más automatizada está una campaña, más difícil resulta atribuir con precisión qué parte del resultado corresponde a qué palanca concreta. Performance Max y Advantage+ consolidan, dentro de una sola unidad de optimización, decisiones que antes se repartían entre varios conjuntos de anuncios independientes, lo que en la práctica dificulta comparar variantes entre sí con el rigor con el que se hacía antes.
A esto se suma la pérdida progresiva de trazabilidad del usuario, motivada por restricciones de privacidad y por la desaparición gradual de las cookies de terceros, que ha obligado a las plataformas a apoyarse cada vez más en conversiones modeladas —estimaciones estadísticas de lo que probablemente ha ocurrido— en lugar de en un seguimiento directo y verificable de cada usuario individual. Herramientas como Meridian, del lado de Google, intentan compensar esa pérdida con modelos de medición de incrementalidad, pero exigen un nivel de sofisticación estadística mayor del que la mayoría de equipos de marketing estaban acostumbrados a manejar.
Esto plantea un dilema incómodo que discutimos con franqueza en cada revisión trimestral con nuestros clientes: cuanta más confianza depositamos en la propia plataforma para que optimice y reporte sus resultados, menos margen tenemos para verificar de forma independiente si esos resultados son tan buenos como se reportan. No sugiero que las plataformas manipulen deliberadamente sus cifras, pero sí que tienen un incentivo estructural evidente para reportar el escenario más favorable posible dentro de los márgenes de su propia metodología, y esa es una razón suficiente para no depender de una única fuente de medición.
La recomendación que aplicamos, con la prudencia habitual de tratarse de un terreno en evolución rápida, es no depender de una sola fuente de medición. Combinamos los datos que reporta cada plataforma con pruebas de incrementalidad propias —por ejemplo, pausas controladas de campaña en mercados o periodos concretos— y con datos de negocio verificables, como ventas reales o llamadas registradas, en lugar de aceptar sin más el número que la propia plataforma reporta como atribuible a su inversión.
Los riesgos que esta automatización trae consigo
- Pérdida de control de marca sobre la creatividad final. Una variante generada automáticamente puede alterar una imagen de producto o un mensaje de forma que se aleje de las guías de marca, incluso cuando técnicamente sigue representando el mismo producto.
- Dependencia creciente de plataformas cuya lógica interna no se explica por completo. Cuanto más se delega, menos margen queda para entender, corregir o cuestionar con precisión una decisión concreta del sistema.
- Dificultad creciente para comparar resultados entre campañas o periodos, porque cada campaña automatizada optimiza de una forma parcialmente distinta según los datos y el contexto del momento, dificultando comparaciones limpias entre pruebas.
- Riesgo de homogeneización creativa entre competidores que alimentan sistemas parecidos con datos y objetivos parecidos, un riesgo todavía difícil de cuantificar pero que merece vigilancia a medio plazo.
- Menor margen de maniobra ante errores del sistema, dado que una configuración muy automatizada puede tardar más en corregirse manualmente ante un fallo evidente que una campaña tradicional con control granular directo.
Mirando hacia delante: el comprador ya no es solo humano
Ya he hablado, en otro artículo de esta serie, de cómo los agentes de inteligencia artificial empiezan a ejecutar tareas completas —comparar, decidir, comprar— en nombre de un usuario. La publicidad no es ajena a esa evolución: es razonable esperar, aunque conviene verificar el ritmo real de esta transición con fuentes actualizadas antes de darla por consolidada, que las plataformas publicitarias sigan adaptando sus formatos para ser interpretados también por sistemas automatizados de decisión, no solo por personas navegando un feed o una página de resultados.
Esto plantea una pregunta todavía sin respuesta clara en el sector: si un agente de IA es quien compara y decide en nombre de un usuario, ¿a quién está dirigido realmente un anuncio? La respuesta previsible, aunque todavía especulativa, es que la publicidad tendrá que aprender a persuadir tanto a personas como a sistemas que evalúan opciones en su nombre, un reto que exigirá, probablemente, un tipo de creatividad y de estructura de datos que hoy todavía no existe de forma consolidada en ninguna de las dos plataformas que he descrito en este artículo.
Aspectos que hay que vigilar muy de cerca
- Activar la automatización completa sin ningún punto de comparación, perdiendo la capacidad de detectar si está funcionando peor de lo esperado para ese negocio concreto.
- Dejar de invertir tiempo en la calidad de los datos de conversión, asumiendo que la IA compensará por sí sola datos de entrada deficientes, cuando en realidad amplifica tanto los aciertos como los errores de esos datos.
- Publicar creatividad generada automáticamente sin revisión humana previa, asumiendo que el etiquetado de la propia plataforma es garantía suficiente de que el resultado respeta las guías de marca.
- Abandonar por completo la comprensión de los fundamentos de segmentación y puja, delegando en la automatización sin entender qué está optimizando el sistema ni bajo qué objetivo, lo que dificulta detectar cuándo algo no está funcionando como debería.
- Tratar la medición modelada como si fuera tan precisa como el seguimiento determinista de antes, sin aplicar el mismo escepticismo razonable que aplicaríamos a cualquier estimación estadística.
¿Cómo se nota este cambio según el tipo de negocio?
Ecommerce: la automatización rinde bien, pero exige un catálogo impecable
En comercio electrónico, donde tanto Performance Max como Advantage+ se apoyan en gran medida en el feed de producto, hemos visto los mejores resultados de automatización, pero también la mayor sensibilidad a errores: un catálogo con atributos incompletos, precios desactualizados o imágenes de baja calidad limita gravemente lo que el sistema puede hacer, por muy sofisticado que sea su algoritmo de optimización.
Generación de leads B2B: la automatización necesita señales de calidad, no solo volumen
En negocios que generan leads en lugar de ventas directas, el reto principal es enseñar al sistema qué constituye realmente un lead de calidad, más allá del simple envío de un formulario. Sin señales claras de valor —por ejemplo, marcar qué leads terminaron convirtiéndose en clientes reales y devolver esa información a la plataforma—, la automatización tiende a optimizar hacia volumen de leads baratos, no necesariamente hacia los que después generan ingresos reales.
Negocio local: la automatización todavía compite con la proximidad y la reputación
En negocios de ámbito local, hemos visto que la automatización de audiencias amplias rinde peor que en categorías sin restricción geográfica, precisamente porque gran parte de la señal de calidad depende de la proximidad física del usuario y de la reputación local, factores que estas herramientas todavía no priorizan con la misma finura que aplicarían un gestor humano familiarizado con ese mercado concreto.
Publicidad y contenido orgánico: dos caras de la misma transformación
No quiero cerrar este artículo sin conectar explícitamente lo descrito aquí con el resto de esta serie, porque creo que verlo por separado sería un error de perspectiva. La pérdida de trazabilidad determinista que obliga a Google a apoyarse en otras herramientas de métrica es, en esencia, el mismo fenómeno que describí al hablar de la nueva analítica que exige medir menciones e influencia sin clic en el terreno orgánico: en ambos casos, la medición está migrando de un seguimiento directo y determinista a una estimación estadística e inferida.
Y la creciente presencia de anuncios dentro de las AI Overviews y del Modo IA, que describía al principio de este artículo, es el desarrollo natural de lo que ya analicé en profundidad en «El día que el tráfico dejó de subir: cómo la IA está redibujando la relación entre las marcas y sus visitantes»: la respuesta generada por IA se está convirtiendo en el espacio de máximo valor de toda la página de resultados, y tanto el contenido orgánico bien optimizado como la publicidad de pago compiten hoy, cada uno con sus propias reglas, por hacerse un hueco dentro de ese mismo espacio. Entender ambos frentes de forma conjunta, en lugar de como departamentos estancos, es, cada vez más, una condición necesaria para cualquier estrategia de visibilidad digital seria.
En mi opinión. Si algo he aprendido en estos últimos meses es que el papel de quien gestiona publicidad de pago no ha perdido valor; ha cambiado de sitio.
Ya no está en el detalle de cada palanca, sino en la calidad de lo que se le entrega al sistema y en la honestidad con la que se audita lo que ese sistema devuelve. Es un cambio de oficio incómodo de aceptar, pero, en mi experiencia, mucho más productivo que resistirse a él.
Las marcas y los profesionales que aprendan a trabajar con esos sistemas, en lugar de contra ellos, sin renunciar por eso al criterio propio ni a la revisión humana, van a estar mejor preparados para lo que queda por llegar.
Preguntas frecuentes sobre el nuevo Google Ads y Meta Ads
¿Debería abandonar las campañas manuales y pasarme por completo a Performance Max o Advantage+?
No lo recomendamos sin más. Mantener una porción de presupuesto en configuración más manual o controlada, en paralelo a la automatizada, permite comparar resultados y detectar si la automatización está funcionando peor de lo esperado para un negocio concreto, algo que sin ese punto de comparación resulta muy difícil de evaluar.
¿Por qué es tan difícil saber qué público o creatividad está funcionando mejor en una campaña automatizada?
Porque campañas como Performance Max o Advantage+ consolidan dentro de una sola unidad de optimización decisiones que antes se repartían entre varios conjuntos de anuncios independientes, reduciendo de forma deliberada el nivel de desglose disponible a cambio de una optimización conjunta más eficiente.
¿Es seguro dejar que la IA modifique automáticamente las imágenes de mis anuncios?
Estas funciones suelen permitir previsualizar el resultado antes de activarlo, y recomendamos revisarlas siempre de forma manual antes de publicar, precisamente porque pueden generar variantes que se alejen de las guías de marca sin que nadie del equipo las haya validado directamente.
¿Cómo se puede medir el rendimiento real de la publicidad si las conversiones ya no son deterministas?
Combinando los datos que reporta cada plataforma con pruebas de incrementalidad propias, como pausas controladas de campaña en mercados o periodos concretos, y con datos de negocio verificables de forma independiente, en lugar de aceptar sin más el número que la propia plataforma reporta.
¿Van a poder los agentes de IA comprar publicidad o interactuar con anuncios en nombre de los usuarios?
Es un terreno todavía especulativo. Es razonable esperar que las plataformas publicitarias adapten sus formatos para ser interpretados también por sistemas automatizados, pero conviene verificar el ritmo real de esta transición con fuentes actualizadas antes de tomar decisiones basadas en ella.
¿Qué debería hacer un equipo de marketing con recursos limitados frente a este cambio?
Priorizar la calidad de los datos de conversión que se envían a las plataformas, mantener siempre un punto de comparación frente a la configuración totalmente automatizada, y dedicar tiempo a revisar manualmente cualquier creatividad generada por IA antes de que se publique, en lugar de intentar competir en control granular con sistemas que ya no están diseñados para ofrecerlo.
¿Sigue teniendo sentido contratar a un gestor de campañas si la IA hace la mayor parte del trabajo táctico?
Sí, pero el valor de ese perfil ha cambiado. Hoy pesa más la capacidad de diseñar buenos experimentos, auditar resultados agregados con criterio y garantizar la calidad de los datos que alimentan al sistema, que la habilidad de configurar manualmente segmentaciones que la propia plataforma tiende a desaconsejar.
¿Afecta este cambio por igual a negocios de ecommerce, generación de leads y negocio local?
No. En nuestra experiencia, el ecommerce es donde mejor rinde la automatización, siempre que el catálogo de producto esté bien cuidado. La generación de leads B2B necesita señales de calidad más allá del volumen. Y el negocio local todavía se beneficia de un componente de gestión manual sensible a la proximidad geográfica y la reputación.
