IA en la gestión de PPC: qué hace ya bien y dónde sigue fallando
La automatización asumió las pujas, la concordancia y el montaje de anuncios. Dónde funciona, dónde pierde dinero en silencio y qué trabajo quedó para las personas, escrito por gente que tuvo que construirse su propia herramienta para esto.
- La automatización es buena optimizando hacia un objetivo dado. Es mala decidiendo si ese objetivo es el correcto.
- Los modelos de lenguaje ahorran más tiempo en textos, en leer informes y en la rutina del feed, no en decisiones.
- El mayor riesgo no es que una máquina se equivoque, sino que nadie pregunte por qué pasó.
En los últimos cinco años el especialista en PPC que ajustaba pujas a mano se ha convertido en alguien que fija objetivos, vigila entradas y comprueba salidas. Es un cambio útil y no se puede revertir. También ha acumulado mucha imprecisión en las dos direcciones: que «la IA ya lo hace sola» y que «la automatización solo gasta dinero».
Este texto es un intento de separación sobria: qué hace ya la automatización mejor que una persona, qué hace peor y qué se deriva de ello para el trabajo en la cuenta.
Qué hace la automatización mejor que una persona
- Pujas en tiempo real. Estimar, con decenas de señales, la probabilidad de conversión de una subasta concreta es una tarea que las personas nunca hicieron bien. Ese debate se cerró hace tiempo.
- Casar búsquedas. Reconocer que «zapatillas de trail» y «zapatillas para correr por el monte» son lo mismo lo hace el sistema mejor que cualquier lista de palabras clave.
- Combinar recursos. Probar qué titular encaja con qué búsqueda es combinatoria, no creatividad.
- Vigilar anomalías. Notar que una campaña gastó el triple el martes es exactamente trabajo de máquina, y con más de un par de cuentas la única forma de pillar un problema a tiempo. Construimos ClientDeck para eso, porque una revisión matinal manual de diez cuentas no funciona.
Dónde falla
Todos los casos de abajo comparten un denominador: el sistema optimiza hacia lo que hayas marcado como éxito y no tiene forma de saber que no lo es.
- Una conversión mal definida. Mide «añadir al carrito» y tendrás carritos. El algoritmo no tiene motivo para suponer que querías pedidos.
- Márgenes distintos. El sistema no ve que la categoría A gane cinco veces más que la B. Con un solo objetivo manda el dinero a donde se vende más fácil. Ver margen por categoría.
- Consultas sin cualificar. En generación de leads optimiza por formularios rellenados, no por contratos, hasta que devuelves qué pasó con la consulta. Ver conversiones offline.
- Incrementalidad. El algoritmo se atribuye con gusto a gente que habría comprado igual. No tiene motivo para no hacerlo; para él son conversiones baratas. Ver incrementalidad.
- La capacidad de la empresa. Nunca sabe que te has quedado sin stock o que comercial no da abasto con las llamadas.
- Retorno marginal. Optimiza hacia el objetivo que has fijado, no hacia el beneficio máximo. La diferencia entre ambos es exactamente el tema de el artículo sobre presupuesto.
La automatización responde de maravilla al «cómo». No tiene opinión sobre el «qué» y el «por qué», y son esos los que deciden el dinero.
Modelos de lenguaje en el trabajo diario
Algo distinto de la automatización de la plataforma son herramientas como ChatGPT o Claude que un especialista usa en su trabajo. Esta es nuestra división según lo que nos ha funcionado:
| Tarea | Cómo sale | A qué prestar atención |
|---|---|---|
| Variantes de titulares y descripciones | Bien; producirá decenas que merecen prueba | Características de producto inventadas y formulaciones prohibidas en sectores regulados |
| Nomenclatura y ordenar la estructura | Bien; rutina sin riesgo | Nada sustancial |
| Limpiar y enriquecer un feed | Bien en títulos y descripciones | Nunca en precio, disponibilidad e identificadores |
| Leer un informe y detectar patrones | Bien como primera pasada | Verifica las conclusiones en los datos; los modelos confirman con gusto tu hipótesis |
| Analizar términos de búsqueda y proponer negativas | Bien para preclasificar | La decisión final corresponde a alguien que conoce el catálogo |
| Decisiones de presupuesto | Mal | El modelo no conoce tu margen, tu capacidad ni tu temporada si no se los cuentas |
| Interpretar significación estadística | Mal | Errores frecuentes sobre qué demostró en realidad un test |
Nunca dejamos que un modelo haga cambios que entren en vigor sin que una persona los apruebe. Cada cambio en una cuenta tiene un motivo anotado, un resultado esperado, el nombre de quien lo aprobó y una fecha de revisión. No es desconfianza hacia las máquinas: es la misma regla que aplicamos a nosotros mismos.
Qué temer y qué no
No temas que la automatización encarezca una cuenta por sí sola. Se encarece cuando recibe el objetivo equivocado o los datos equivocados, y eso es una decisión humana.
Teme que con el tiempo nadie pregunte por qué está pasando algo. El estado más peligroso de una cuenta no es «el algoritmo se equivocó», sino «nadie sabe qué cambió ni quién lo aprobó». Con cajas negras como Performance Max y AI Max ese riesgo es mayor que nunca, porque las cifras parecen buenas incluso cuando no significan nada.
La defensa práctica es aburrida y funciona:
- Un historial de cambios al que puedas volver.
- Una comprobación regular frente a pedidos reales, no frente a la interfaz de la plataforma.
- Marca separada del resto, para que el informe se pueda leer.
- Una vez al año, un experimento que verifique cuánto de esto es de verdad adicional.
Qué quedó para las personas
La lista completa, tal como la vemos hoy: decidir qué cuenta como éxito y cuánto vale. Conocer el margen y la capacidad del negocio. Decidir cuánto puede costar un cliente. Construir una medición en la que se pueda confiar. Escribir una oferta que merezca publicidad. Y poder decir «esto no» cuando las cifras parecen buenas.
Ninguna de esas cosas la hace todavía ningún sistema, porque no son problemas de optimización. Son decisiones sobre el dinero de una empresa.
Qué llevarse de aquí
La automatización ha movido el trabajo en PPC de configurar a briefar. Es un cambio a mejor, pero sube el coste de un error: un objetivo mal fijado se nota hoy más rápido y a mayor escala que antes. La mejor inversión en «IA para PPC» no son, por tanto, herramientas nuevas, sino datos de conversión sólidos, conocimiento del propio margen y disciplina al registrar cambios.
Preguntas frecuentes
¿La IA sustituirá al especialista en PPC?
Ya ha sustituido la parte del trabajo que consistía en fijar pujas y casar palabras clave a mano; ese debate está cerrado. No ha sustituido la decisión de qué cuenta como éxito y cuánto puede costar: la automatización optimiza hacia un objetivo dado, pero no tiene forma de saber que el objetivo es malo. El trabajo que queda para las personas es definir el valor de conversión, conocer el margen y la capacidad del negocio, construir una medición fiable y poder decir que algo no debe hacerse.
¿Para qué puedo usar ChatGPT o una herramienta similar en PPC con seguridad?
Funciona bien para variantes de titulares y descripciones, para ordenar nomenclatura y estructura, para limpiar títulos y descripciones de un feed de producto, para una primera pasada por un informe y para preclasificar términos de búsqueda de cara a negativas. No lo recomendamos para decisiones de presupuesto, porque no conoce tu margen, tu capacidad ni tu temporada, ni para interpretar significación estadística, donde los modelos se equivocan con frecuencia. Con feeds, nunca dejes que un modelo toque precio, disponibilidad o identificadores de producto.
¿Cómo mantener el control de campañas automatizadas?
Con cuatro cosas, ninguna técnica. Lleva un historial de cambios con el motivo, el resultado esperado y el nombre de quien aprobó, para poder volver atrás. Comprueba los resultados frente a pedidos reales de tu propio sistema y no frente a la interfaz de la plataforma. Separa las búsquedas de marca, o el informe no se puede leer. Y al menos una vez al año verifica con un experimento cuánto del resultado es de verdad adicional: con cajas negras como Performance Max las cifras parecen buenas incluso cuando no significan nada.
- Google Ads AI Max For Search In 2026: Setup, Real Performance Data, GroasFuente de casos documentados en los que la automatización sin barreras subió el coste por conversión. Blog de agencia.
- Explaining incrementality, PPC LandContexto sobre por qué la automatización se atribuye conversiones que habrían ocurrido sin la publicidad.