¿Cómo funciona la IA (inteligencia artificial) en la publicidad Performance Max?

Si alguna vez ha configurado una campaña de Google Performance Max (PMax), seguramente conoce esa sensación. Sube los creativos, indica el presupuesto, hace clic en «Iniciar» y luego se limita a mirar las cifras, tratando de descifrar qué es lo que realmente hace el sistema.

Pero imagina que puedes echar un vistazo bajo el capó de esta «caja negra». Imagina que entiendes cómo piensa la inteligencia artificial PMax, del mismo modo que aprendemos a formular correctamente las consultas a ChatGPT para obtener respuestas más precisas.

En este artículo analizaremos cuatro principios clave del funcionamiento de la IA en la publicidad que Google no menciona en su documentación. No se trata de una lista de recomendaciones oficiales, sino de un modelo práctico de pensamiento. Le ayudará a dejar de limitarse a observar la campaña y empezar a entrenar de forma específica su algoritmo publicitario.

Por ejemplo, en lugar de preguntarse por qué el CTR cayó el tercer día, podrá predecir cómo reaccionará el sistema ante un cambio en la audiencia o la incorporación de nuevas imágenes. Es como pasar de ser pasajero a piloto: técnicamente, el piloto automático sigue funcionando, pero ahora usted comprende su lógica.

¿Cómo ve la IA su publicidad?

Para comprender la lógica de la inteligencia artificial en PMax, hay que olvidarse de los complicados términos de marketing. En realidad, el sistema piensa de forma muy sencilla, en formato de etiquetas binarias:

• 1: la conversión se ha realizado. Esto es «bueno». A cada unidad se le asigna un valor.
• 0: no hubo conversión. Esto es «malo».

Eso es todo. No hay ningún truco.

Punto clave: la IA no comprende las realidades de su negocio: márgenes, costos, estacionalidad de la demanda. Su objetivo inherente es reunir el máximo de «unidades» con el mayor valor agregado. Las restricciones que usted establece, como el ROAS objetivo, son límites externos, no la motivación interna del algoritmo.

Imagina a un perro al que le han enseñado a traer pelotas. Traerá todas las pelotas que encuentre: grandes, pequeñas, sucias, ajenas. No le importa si tú necesitas precisamente esa pelota. Su tarea es traer tantas como sea posible.

El aprendizaje automático funciona de la misma manera en la publicidad. Sin límites claros en el ROAS, una campaña puede generar decenas de conversiones que se ven muy bien en los informes, pero que en realidad se comen sus ganancias. El sistema simplemente realiza una tarea básica: recopila las «unidades con mayor valor», independientemente de si tiene sentido para su negocio.

Consejo práctico: establece siempre el ROAS objetivo o el CPA objetivo desde el primer día de la campaña. No es una opción para expertos, sino una guía obligatoria para el algoritmo, que de lo contrario optimizará según sus propias reglas y no según las tuyas.

PMax no parte de cero, sino que aprovecha la experiencia previa.

Muchos anunciantes consideran que la nueva campaña Performance Max es una tabula rasa, una hoja en blanco. Es decir, que el sistema es «ciego» y debe aprender desde cero a partir de sus datos. En realidad, todo funciona de otra manera.

Cada nueva campaña se basa en el llamado «aprendizaje global», la enorme base de conocimientos de Google, formada a partir de miles de millones de subastas, clics y patrones de comportamiento de usuarios de todo el mundo. Es como contratar a un nuevo gerente de ventas que lleva 10 años trabajando en el sector. Sí, no conoce los detalles específicos de su negocio, pero conoce las leyes generales del mercado.

Conclusión contraintuitiva: tu nueva campaña nunca es «tonta». Ya tiene una hipótesis inicial razonable sobre a quién mostrar la publicidad, incluso si la cuenta no tiene historial.

Esto desmiente el mito popular sobre la necesidad del «calentamiento». Algunos aconsejan iniciar primero campañas comerciales habituales, recopilar datos y solo después pasar a PMax. Pero gracias al entrenamiento, el sistema ya sabe:

• Los compradores de productos electrónicos caros en Alemania suelen comparar precios unos días antes de realizar la compra.
• Los clientes que buscan productos económicos en Ucrania suelen tomar decisiones impulsivas.
• Los usuarios de dispositivos móviles se convierten de manera diferente a los de escritorio.

Ejemplo práctico: imagina que estás lanzando una tienda en línea de nutrición deportiva. Incluso sin una sola conversión previa en su cuenta, el algoritmo de Google Ads ya «entiende» que el comprador típico de proteínas es un hombre de entre 20 y 35 años, interesado en el fitness, que visita canales de YouTube sobre entrenamiento y suele comprar por la tarde después del trabajo.

Performance Max no es una herramienta publicitaria primitiva. Sí, en esencia es una calculadora enorme. Pero es una calculadora que realiza miles de operaciones en tiempo real por ti: analiza audiencias, prueba creatividades, distribuye el presupuesto entre canales y ajusta las pujas en cada subasta.

Consejo: no pierdas semanas «calentando» la cuenta antes de lanzar PMax. Es mejor invertir ese tiempo en creatividades de calidad y en configurar correctamente las conversiones, ya que eso ayudará al algoritmo a adaptar más rápidamente los conocimientos globales a tu negocio concreto.

Tus ajustes son el «prompt» para la inteligencia artificial.

Si ha trabajado con ChatGPT, sabrá que la calidad de la respuesta depende directamente de la calidad de la consulta. Una consulta imprecisa da lugar a una respuesta imprecisa. Una consulta clara y detallada da lugar a un resultado preciso.

Con Performance Max, todo funciona igual. Sus ajustes en la cuenta publicitaria no son solo parámetros técnicos. Son un prompt completo para la IA, un conjunto de instrucciones que determinan el comportamiento del algoritmo. Cuanto más preciso sea el prompt, mejores serán los resultados.

Estos son los elementos importantes de su «mensaje publicitario»:

Los objetivos de conversión y su valor

Esta es la instrucción principal para el sistema. Literalmente le dices al algoritmo: «Esto es lo que considero un éxito y esto es lo que vale para mí ese éxito». Si ha configurado el seguimiento de las compras con la transferencia del valor real de los pedidos, el sistema entenderá que un pedido de 5000 UAH tiene más valor que uno de 500 UAH. Si todas las conversiones tienen el mismo valor, el algoritmo optimizará simplemente por cantidad, ignorando sus ingresos reales.

Estrategias para fijar las tasas de interés

Son sus límites comerciales, una especie de filtro. Le dice al sistema: «Busca conversiones, pero solo aquellas que se ajusten a estos indicadores de rentabilidad». Sin este filtro, el algoritmo participará en cualquier subasta en la que vea una oportunidad de conversión, incluso si el precio por clic se come todos sus beneficios.

Feed de productos

Para el aprendizaje automático de Google, el feed no es solo una lista de productos. Es un diccionario con el que el sistema describe su oferta. Compare los dos enfoques:

• Feed malo: «Zapatillas deportivas para hombre, color negro».
• Buen feed: «Zapatillas deportivas Nike Air Max 90 para hombre, negras, de piel, talla 42, para correr, referencia NM90-BLK-42».

La primera opción es como pedirle a ChatGPT que «escriba algo sobre marketing». La segunda es como dar una tarea técnica detallada con todos los datos de entrada. Además, durante la subasta, el sistema compara su feed con los feeds de la competencia. Una descripción más detallada = una calificación de calidad más alta = una ventaja en las impresiones.

Estructura de las campañas y geolocalización

No es solo una forma cómoda de organizar la cuenta. Es una herramienta estratégica que en el aprendizaje automático se denomina «descomposición de tareas» (task decomposition). En lugar de una gran tarea «vender todo a todos», se crean varias tareas más pequeñas: «vender productos electrónicos en Kiev», «vender ropa en Lviv». Cada campaña se convierte en un contenedor de aprendizaje independiente con su propio conjunto de datos limpios. El resultado son predicciones más precisas y una optimización más estable.

Ejemplo práctico: imagina una tienda en línea que vende tanto accesorios económicos como tecnología de alta gama en una sola campaña PMax. El algoritmo recibe señales contradictorias: una conversión por 50 UAH y otra por 15 000 UAH. El comportamiento de los compradores es radicalmente diferente, pero el sistema intenta encontrar un patrón «medio». El resultado es una eficacia mediocre para ambas categorías. Divídalas en campañas separadas y cada modelo aprenderá a partir de datos relevantes.

Consejo: considere la configuración de PMax como un resumen para el contratista. Cuanto más detalladamente describa lo que quiere, a quién se lo vende y qué ofrece exactamente, menos posibilidades habrá de que el algoritmo «invente» algo a su discreción.

Performance Max crea un modelo de IA personalizado específicamente para su tienda.

La base de conocimientos global de Google es solo el punto de partida. La verdadera magia comienza en la etapa de ajuste local. Se trata de un proceso durante el cual el modelo general se adapta a los datos únicos de su cuenta publicitaria.

Imagina que acabas de contratar a un vendedor experimentado de otra empresa. Conoce el mercado en general, entiende la psicología de los compradores y domina las técnicas de venta. Pero necesita tiempo para estudiar tu surtido, tu política de precios y tu público objetivo. En uno o dos meses, ya sabrá qué producto ofrecer a un cliente concreto incluso antes de que este exprese su necesidad.

El ajuste fino en PMax funciona según el mismo principio. El sistema analiza miles de sus «unidades» y «ceros» únicos para comprender las patrones:

• ¿Qué productos se compran juntos con más frecuencia?
• ¿A qué hora está más activa su audiencia?
• ¿Qué creatividades generan mayor confianza entre sus compradores?
• ¿Desde qué dispositivos llegan los pedidos más rentables?

Si interactúa durante mucho tiempo con su perfil en ChatGPT o Claude, notará que el sistema comienza a adaptarse a su estilo, memoriza el contexto y ofrece respuestas más relevantes. Lo mismo ocurre con la personalización de la publicidad en Google, solo que, en lugar de texto, el algoritmo estudia el comportamiento de sus compradores.

¿Por qué es importante en la práctica? He aquí la respuesta a una pregunta frecuente: «¿Por qué la campaña de mi competidor con la misma configuración funciona mejor?». El hecho es que cada cuenta publicitaria desarrolla con el tiempo su propio modelo de IA único. Dos tiendas con productos, presupuestos y ROAS objetivo idénticos tendrán resultados diferentes porque sus modelos se han entrenado con datos diferentes.

Ejemplo práctico: dos tiendas en línea venden las mismas zapatillas Nike. La primera lleva tres años funcionando, tiene miles de conversiones y un historial detallado del comportamiento de los compradores. La segunda acaba de empezar. Incluso con una configuración idéntica, la primera tienda obtendrá mejores resultados: su modelo de aprendizaje automático ya «sabe» que los compradores de zapatillas en esta región suelen comparar tres o cuatro opciones, compran principalmente por la noche y suelen volver a por calcetines una semana después.

Por eso Google recomienda recopilar entre 30 y 50 conversiones antes de evaluar la eficacia de la campaña. Se trata de una muestra mínima para que el algoritmo comience a construir un modelo personalizado para su negocio. Hasta ese momento, el sistema se basa principalmente en datos globales, y no en las características específicas de su negocio.

Consejo: no realice cambios radicales en la campaña hasta que haya acumulado al menos 50 conversiones. Cada ajuste significativo (cambio en la estrategia de pujas, adición de nuevos grupos de objetos, cambio drástico en el presupuesto) reinicia el proceso de aprendizaje. De hecho, estás obligando al algoritmo a comenzar el ajuste fino de nuevo, perdiendo la experiencia acumulada.

Conclusión

Performance Max no es una «caja negra» mágica cuyos resultados son imposibles de predecir. Se trata de un complejo sistema de inteligencia artificial para publicidad que se puede y se debe entrenar de forma consciente. Cuando comprendes los principios de su funcionamiento, dejas de ser un observador pasivo y te conviertes en un entrenador activo del algoritmo.

En lugar de preguntarte «¿Por qué PMax actuó así?», empiezas a plantearte otra pregunta: «¿Qué debo cambiar para que actúe de otra manera?».

Sus herramientas para este aprendizaje:

• Configuración de conversiones: para que el sistema comprenda qué es lo que usted considera un éxito.
• Calidad del feed de productos: para que el algoritmo sepa exactamente lo que vendes.
• Estructura de las campañas: para que cada modelo aprenda a partir de datos limpios y relevantes.
• Objetivos comerciales claros (ROAS/CPA objetivo): para que el sistema no busque cualquier conversión, sino las que sean rentables.

Cada cambio en la configuración es un nuevo prompt que corrige el comportamiento del modelo. Ya no luchas contra el algoritmo, sino que lo guías en la dirección deseada.

Reto práctico: ahora que entiende cómo piensa la IA, pregúntese: ¿qué cambio inmediato haría hoy mismo en su cuenta publicitaria? Quizás sea detallar el feed, dividir las campañas por categorías o ajustar el ROAS objetivo. Empiece poco a poco y observe cómo reacciona el sistema a sus nuevas instrucciones.