Una parte importante del expertise en paid media se construyó alrededor de una habilidad bastante concreta; saber operar mejor que otros una plataforma publicitaria. Crear estructuras, segmentar audiencias, ajustar pujas, distribuir presupuestos, excluir ubicaciones, encontrar palabras clave y revisar campañas casi diariamente buscando dónde mover algunos puntos de rentabilidad.
Ese conocimiento todavía sirve. El problema es que Meta, Google y TikTok están convirtiendo buena parte de esas decisiones en tareas del algoritmo.
No se trata únicamente de poner inteligencia artificial dentro de Ads Manager. Estamos entrando en una etapa en la que las plataformas quieren decidir a quién mostrar un anuncio, cuánto pagar por esa impresión, dónde ubicarlo, qué pieza creativa utilizar e incluso qué combinación de texto, imagen o video tiene mayores posibilidades de convertir.
La pregunta, entonces, empieza a ser otra para comprender mejor; si el algoritmo optimiza la campaña, ¿qué optimiza el marketer?
Y probablemente la respuesta determine buena parte del futuro del paid media.
Las plataformas ya no quieren que optimices tanto
La dirección que están tomando los grandes actores de publicidad digital es bastante evidente.
Google presenta IA Max para campañas de búsqueda como una capa capaz de optimizar continuamente la segmentación y las creatividades utilizando señales en tiempo real. Según datos internos de Google correspondientes a 2025, los anunciantes que activan IA Max consiguen normalmente un 14% más de conversiones o valor de conversión manteniendo un CPA o ROAS similar.
Performance Max lleva esa lógica todavía más lejos al distribuir automáticamente campañas entre Search, YouTube, Display, Discover, Gmail, Maps y otros inventarios. En abril de 2025, Google informó que Performance Max ya era utilizado por más de un millón de anunciantes y que las más de 90 mejoras aplicadas al sistema durante 2024 habían incrementado las conversiones y el valor de conversión en más de 10%, nuevamente según información interna de la compañía.
Meta sigue una dirección similar con Advantage+. La compañía asegura que sus nuevas tecnologías publicitarias impulsadas por IA produjeron una mejora del 22% en retorno sobre inversión publicitaria dentro de un estudio realizado en Estados Unidos. Meta calcula que cada dólar invertido utilizando estas nuevas herramientas produjo US$4,52 en ingresos frente a US$3,71 entre el conjunto de anunciantes analizados. Conviene hacer una precisión importante; son resultados publicados por la propia Meta, aunque el estudio señala haber utilizado ensayos controlados aleatorios basados en metodologías desarrolladas junto con investigadores de UC Berkeley.
TikTok tampoco quiere quedarse mirando. Smart+ automatiza segmentación, presupuesto, ubicaciones y parte de las decisiones creativas. La propia plataforma explica que basta con proporcionar determinadas señales, objetivos y recursos para que el sistema encuentre audiencias y distribuya automáticamente la inversión. En 2026, TikTok incluso amplió Smart+ con Symphony Automation, capaz de recomendar creatividades, generar videos a partir de URLs y renovar automáticamente recursos durante una campaña.
Las plataformas están absorbiendo tareas que durante años justificaron horas de trabajo especializado.
El marketer deja de elegir audiencias para empezar a construir señales
Aquí está quizá el cambio más importante.
Cuando había que decirle explícitamente a una plataforma que buscara hombres de determinada edad, interesados en determinadas categorías y residentes en determinadas ciudades, la calidad del trabajo estaba muy relacionada con la capacidad del especialista para construir la segmentación adecuada.
En sistemas cada vez más automatizados, esa lógica cambia.
El marketer proporciona una señal y el algoritmo intenta encontrar más personas parecidas al comportamiento que esa señal representa.
Una compra es una señal. Un lead es una señal. El valor de una transacción es una señal. Un cliente recurrente es una señal. Una lista de CRM puede ser una señal. También lo son las creatividades, las páginas de destino, los productos del catálogo y los eventos configurados dentro de un sitio web.
Por eso, la calidad del input empieza a importar tanto como la optimización posterior.
Imaginemos una universidad que configura como conversión principal cualquier formulario completado. El algoritmo podría convertirse en extraordinariamente eficiente encontrando personas dispuestas a dejar sus datos. El problema aparece cuando Marketing descubre después que esos leads no contestan el teléfono, no cumplen los requisitos de admisión o jamás terminan matriculándose.
La campaña podría mostrar un CPL magnífico mientras el negocio obtiene un resultado mediocre.
El algoritmo no necesariamente se equivocó.
Hizo exactamente aquello que le pedimos.
Aquí aparece una de las nuevas responsabilidades del especialista y es enseñarle a la plataforma qué significa realmente valor para el negocio.
No optimizar únicamente hacia leads, sino hacia leads cualificados. No perseguir cualquier compra, sino incorporar margen, recurrencia o lifetime value cuando sea posible. No reportar únicamente conversiones atribuidas por la plataforma, sino conectarlas con CRM, ventas reales y comportamiento posterior del cliente.
El paid media empieza así a parecerse menos a un trabajo de configuración y mucho más a uno de arquitectura de señales.
El problema es que estamos entregando control sin recibir toda la explicación
Automatizar decisiones tiene una ventaja enorme y ninguna persona puede evaluar en milisegundos millones de combinaciones de usuarios, ubicaciones, creatividades, dispositivos, contextos y probabilidades de conversión.
Pero existe una contradicción difícil de ignorar.
Las plataformas nos piden confiar cada vez más en sus algoritmos mientras buena parte de las decisiones ocurre dentro de sistemas que el anunciante no puede auditar completamente.
Google es un buen ejemplo de esa tensión.
En abril de 2025 anunció nuevos informes de rendimiento por canal para Performance Max y describió la función como una de las más solicitadas por los anunciantes. También incorporó mayor detalle sobre términos de búsqueda y métricas individuales de los recursos creativos. Meses después siguió ampliando los informes para mostrar costes y retorno por canal.
La noticia puede interpretarse como una mejora positiva —porque lo es—, pero también dice algo sobre el problema actual en donde los anunciantes necesitaban más información para entender qué estaba haciendo un sistema al que ya estaban entregando buena parte de la optimización.
TikTok parece haber entendido el mismo conflicto. En mayo de 2026 presentó una evolución de Smart+ enfatizando precisamente la posibilidad de activar o desactivar automatizaciones individualmente en módulos como segmentación, presupuesto y ubicaciones. En agosto volvió a actualizar la experiencia para permitir campañas completamente automatizadas, parcialmente automatizadas o manuales.
Curiosamente, mientras más poderosa se vuelve la automatización, más importante parece hacerse otra palabra en el discurso de las plataformas, y es el control.
El verdadero expertise será saber cuándo no creerle al algoritmo
Aquí probablemente estará una de las grandes diferencias entre un buen especialista y alguien que simplemente acepta recomendaciones.
Porque un algoritmo puede encontrar extraordinariamente bien aquello que le pedimos y, aun así, conducirnos hacia una mala decisión empresarial.
Puede descubrir conversiones baratas que después generan clientes de bajo valor.
Puede concentrar presupuesto sobre demanda que ya existía.
Puede explotar audiencias de remarketing y presentar excelentes tasas de conversión sin generar suficiente demanda incremental.
Puede encontrar una creatividad que eleve el CTR mientras deteriora la percepción de marca.
O puede maximizar ROAS sacrificando volumen hasta un nivel incompatible con los objetivos comerciales.
IAB identifica precisamente esta tensión en su State of Data 2026. La organización señala que la pérdida de señales, la fragmentación de datos y la optimización integrada dentro de las propias plataformas están haciendo más difícil conectar exposición publicitaria y resultados empresariales con suficiente confianza.
Por eso probablemente veremos una paradoja, mientras más inteligencia tenga la plataforma, más criterio necesitará quien la supervisa.
La optimización no desaparece.
Simplemente sube un nivel.
En lugar de preguntarnos si debemos aumentar 15% una puja determinada, tendremos que preguntarnos si estamos enseñándole al sistema a perseguir el comportamiento correcto.
En lugar de revisar únicamente el ROAS que presenta Meta, habrá que contrastarlo con ventas, márgenes e incrementalidad.
Y en lugar de obsesionarnos con encontrar una audiencia secreta dentro de Ads Manager, tendremos que comprender mejor por qué las personas compran.
La creatividad también empieza a funcionar como combustible del algoritmo
Durante buena parte de la historia reciente del performance marketing existió una obsesión por la hipersegmentación. Diferentes audiencias, múltiples ad sets y decenas de configuraciones para intentar encontrar manualmente pequeños espacios de eficiencia.
La automatización está empujando hacia un modelo diferente, donde las estructuras más simples acompañadas por una mayor cantidad y variedad de señales creativas.
TikTok Smart+, por ejemplo, puede seleccionar recursos, detectar fatiga, distribuir presupuesto hacia las piezas con mayor rendimiento e incluso utilizar IA generativa para crear nuevas versiones, modificar ganchos, cambiar música, adaptar formatos o traducir y doblar contenido a más de 50 idiomas.
Meta también utiliza Advantage+ para automatizar ajustes y combinaciones creativas, mientras sus modelos de recomendación intentan predecir qué anuncio tendrá mayor relevancia para cada usuario. En 2026 la compañía explicó que había duplicado las GPU utilizadas para entrenar la última versión de su modelo de ranking publicitario GEM con el objetivo de mejorar esa selección.
El mensaje para marketing es importante.
Quizá necesitemos dedicar menos reuniones a discutir si una audiencia debe tener 800.000 o 1,2 millones de usuarios y más tiempo a producir mejores hipótesis creativas.
Porque si el algoritmo decide a quién, la marca todavía necesita decidir qué decirle y por qué debería importarle.
Ya no necesitas aprender veinte botones, necesitas entender cuatro disciplinas
El cambio tampoco es teórico.
En el estudio 2026 Outlook de IAB, realizado entre más de 200 compradores de publicidad de marcas y agencias, dos tercios señalaron la IA agéntica aplicada a compra y ejecución de campañas como uno de sus focos, mientras cinco de las seis principales prioridades identificadas estaban relacionadas con inteligencia artificial.
Estamos pasando de experimentar con IA a utilizarla como infraestructura para ejecutar publicidad.
Y eso modifica qué habilidades deberían empezar a acumular los profesionales.
Primero, negocio. Si no entendemos margen, CAC, lifetime value, recurrencia y objetivos comerciales, difícilmente podremos decidir qué debe optimizar el algoritmo.
Segundo, datos. No necesariamente para convertir a cada marketer en científico de datos, sino para comprender tracking, atribución, calidad de señal, experimentación e incrementalidad.
Tercero, creatividad. Porque la ventaja competitiva difícilmente estará en seleccionar manualmente una ubicación que también puede evaluar una máquina, pero sí puede encontrarse en desarrollar una propuesta que las personas realmente quieran mirar.
Y cuarto, comportamiento del consumidor. Porque una plataforma puede aprender qué persona tiene mayor probabilidad matemática de realizar una acción, pero alguien todavía tiene que comprender por qué esa persona quiere realizarla.
Citar este contenido
Copia fácilmente la referencia bibliográfica de esta publicación.