Google anunció que a partir de septiembre de 2026 empezará a migrar automáticamente las campañas de Search hacia AI Max. OpenAI abre pronto su Ads Manager en modo autoservicio para cualquier negocio, sin inversión mínima. Meta presentó en Cannes Lions un ecosistema de IA que genera creatividades, las prueba y las optimiza casi sin intervención humana, con muchas de esas funciones activadas por defecto (opt-out, no opt-in).
El mensaje comercial detrás de todo esto es siempre el mismo: «monta la campaña, dinos el objetivo, y deja que la IA haga el resto». Y en gran parte es cierto. Pero hay una frase que se repite en cada uno de estos anuncios y que casi nadie se detiene a leer con atención: la IA optimiza exactamente lo que le dices que optimice. Ni más, ni menos. Ahí está el problema, y la oportunidad.
La autogestión ha bajado la barrera de entrada, no la necesidad de criterio
Hace unos años, gestionar bien una campaña de Search requería dominar concordancias de palabras clave, pujas manuales, estructuras de cuenta, exclusiones. Hoy, plataformas como AI Max, Performance Max o Advantage+ han automatizado casi todo ese trabajo operativo. Y los nuevos canales, como los anuncios dentro de ChatGPT, nacen directamente autogestionables: subasta abierta, sin mínimos, con recomendaciones automáticas de puja.
Esto es una buena noticia para cualquier negocio que antes necesitaba un equipo entero para tener presencia publicitaria decente. Pero también ha generado una falsa sensación de seguridad: si la plataforma toma casi todas las decisiones tácticas, se asume que ya no hace falta pensar en estrategia. Es justo al revés.
Y ahí es donde se decide si el dinero invertido se convierte en ventas reales o en un informe bonito.
Optimizar métricas no es lo mismo que optimizar negocio
Los algoritmos de Google, Meta y ahora OpenAI son extraordinariamente buenos resolviendo el problema que les planteas. El riesgo es que ese problema, mal planteado, te dé exactamente lo que pediste, y no lo que necesitabas. Algunos ejemplos muy concretos de esto que vemos constantemente:
- Conversiones vs. valor de conversión: una cuenta configurada para maximizar conversiones puede llenarse de pedidos pequeños y rentables en volumen, pero destruir el margen.
- Atribución blanda: una campaña de Meta con atribución «engage-through» (que cuenta como conversión una interacción de solo 5 segundos con un vídeo) puede mostrar métricas excelentes que no se corresponden con ventas reales.
- Señales de calidad ausentes: un AI Max o una Performance Max sin datos de valor de cliente, márgenes por producto o LTV optimizará hacia lo más fácil de conseguir, no hacia lo más rentable.
- Contexto conversacional: una campaña en ChatGPT Ads, al pujar dentro de una conversación y no sobre una palabra clave explícita, exige un mensaje mucho más afinado: no hay «intención de búsqueda» que salve un copy genérico.
En ningún caso la IA se equivocó. Hizo su trabajo perfectamente. El error estuvo antes: en el objetivo, en las señales que se le dieron, o en la métrica que se decidió mirar.
Una IA publicitaria no falla por sí sola: escala a la perfección el objetivo que le diste, incluso cuando ese objetivo estaba mal planteado.
La diferencia ya no está en la ejecución, está en el diseño de la estrategia
Si la ejecución táctica se está automatizando en las tres plataformas grandes al mismo tiempo, el valor competitivo se desplaza hacia tres decisiones que siguen siendo, y seguirán siendo, humanas.
1. Definir bien el objetivo de negocio, no el objetivo de plataforma
No es lo mismo «quiero más clics» que «quiero más clientes rentables a 90 días». La IA necesita que le traduzcas tu negocio a una métrica optimizable, y esa traducción es estrategia pura, no configuración técnica.
2. Alimentar al algoritmo con las señales correctas
Valor de conversión real, márgenes, calidad del lead, datos de primera parte bien estructurados. Un algoritmo entrenado con datos pobres o incompletos, por muy avanzado que sea el modelo detrás, tomará decisiones pobres a escala. «Brand Memory» de Meta, por ejemplo, aprende de tu histórico de anuncios: si ese histórico está lleno de creatividades mediocres, aprenderá a escalar la mediocridad más rápido.
3. Medir lo que de verdad importa, y auditar lo que la plataforma reporta
Con sistemas cada vez más opt-out y cajas cada vez más negras, la función de control de calidad (revisar qué está optimizando realmente la IA, contrastar métricas de plataforma contra resultados de negocio, detectar cuándo una «mejora» en el dashboard no se traduce en caja) se vuelve más crítica, no menos.
Lo que esto significa para los equipos de marketing y analítica
La automatización no va a eliminar el rol estratégico y analítico en marketing. Va a redefinirlo. El tiempo que antes se dedicaba a ajustar pujas manualmente o construir estructuras de campaña ahora puede, y debe, dedicarse a:
- Diseñar la jerarquía de objetivos y qué se le pide a cada plataforma.
- Construir y mantener buenos datos de conversión y de valor de cliente.
- Interpretar resultados con sentido crítico, no solo aceptar el reporte de la plataforma.
- Decidir cuándo confiar en la automatización y cuándo intervenir.
En otras palabras: menos «operador de campañas», más «diseñador de estrategia y auditor de resultados». Es un trabajo más exigente analíticamente, no menos.
Conclusión
PMax, AI Max, Advantage+ y los nuevos anuncios de ChatGPT comparten una misma promesa: que la máquina se encargue del cómo. Y lo cumplen. Pero ese «cómo» solo tiene sentido si el «para qué» está bien definido desde el principio.
La pregunta que de verdad separa a las marcas que crecen de las que solo generan informes atractivos ya no es «¿qué plataforma uso?» ni «¿qué tan avanzada es su IA?». Es mucho más simple y mucho más incómoda: ¿estamos optimizando de verdad para vender, o estamos optimizando para que el dashboard se vea bien?
Cuanto más potente es la IA, más caro sale equivocarse en la pregunta de qué le estás pidiendo que optimice.