IA aplicada a paid media: el método pesa más que la herramienta

Si algo tenemos claro actualmente es que la IA aplicada a paid media sirve para mucho más que el reporting: clasifica términos de búsqueda, reescribe el feed, genera creatividades, vigila el gasto y permite decidir producto a producto con datos reales. Esos resultados llegan cuando la IA trabaja con contexto de negocio, un objetivo claro y un método para probar cambios y medirlos, y eso es lo que controla el humano.

En muchas cuentas de paid media los cambios se siguen haciendo por feeling: se sube el presupuesto de la campaña que «va bien» y se recorta el de la que «no tira», con el ROAS? medio de cada una como única guía.

Ya no hay excusa para trabajar así. La IA puede digerir cada día los términos de búsqueda, las ventas, el margen y el stock de miles de productos, un volumen que nadie revisa a mano, y te deja analizar el negocio con una perspectiva mucho más amplia que la de un panel de campañas, para decidir antes y con más acierto.

¿Qué decide ya la IA en Google Ads y Meta Ads?

Google y Meta ya deciden con IA las pujas, las audiencias y las ubicaciones, y en 2026 también buena parte de las palabras clave y del texto de los anuncios. El 20 de mayo, en Google Marketing Live, Google anunció formatos de anuncio para AI Mode, su modo de búsqueda conversacional, que según la compañía supera los 1.000 millones de usuarios al mes.

Para aparecer en esos formatos hay que usar AI Max for Search o Performance Max con personalización de texto. Vidhya Srinivasan, vicepresidenta de Google Ads y Commerce, dijo en el escenario que en ellos ya no se pueden elegir las palabras clave.

Meta va por el mismo camino. Advantage+, que junta audiencias, ubicaciones y presupuesto en un flujo gestionado por IA, superó en el segundo trimestre de 2026 los 75.000 millones de dólares de ingresos anualizados, según su directora financiera, Susan Li.

En definitiva, la máquina ejecuta con lo que tú le das, que es un objetivo y unos datos. Si los dos son pobres, el algoritmo acelera en la dirección equivocada.

¿Qué significa optimizar producto a producto?

Optimizar producto a producto es repartir la inversión según lo que aporta cada referencia del catálogo, en lugar de decidir por campaña o por categoría con un ROAS medio. Ese reparto al bulto mezcla productos muy distintos y esconde los que pierden dinero y los que merecen más presupuesto del que reciben.

Pon dos productos de 100 euros, uno con 40 euros de margen bruto y otro con 8, en una campaña con un ROAS objetivo de 5. El algoritmo puede gastar hasta 20 euros por venta en los dos: con el primero ganas 20 euros y con el segundo pierdes 12. Si el segundo convierte mejor, por ejemplo porque es el más barato del mercado, se llevará más presupuesto, y la media de la campaña seguirá pareciendo sana.

El POAS (profit on ad spend) mide el beneficio bruto que deja cada euro invertido en publicidad, y el ROAS solo mide la facturación. Para pujar por POAS, pásale a la puja automática el margen como valor de conversión. Google lo admite en Shopping y Performance Max con datos del carrito y el coste de cada producto en Merchant Center, y en Meta puedes enviar el margen como valor de compra desde tu servidor.

Hasta hace poco, revisar el catálogo producto a producto suponía horas de hojas de cálculo. Hoy la IA cruza cada día ventas, margen, stock y datos de campaña de miles de referencias sin casi esfuerzo. Es la base de lo que llamamos Product Performance Management (PPM): tratar el catálogo como una cartera de posiciones de inversión, cada una con su objetivo de rentabilidad.

Boostic.cloud es un ejemplo de herramienta de PPM. Cruza los datos de GA4, Google Ads, Meta, Search Console y Merchant Center, enseña producto a producto las sesiones, la conversión, los ingresos, el margen, el ROAS y el POAS, y recomienda qué productos empujar y cuáles frenar. Su optimización del feed llega a Google, Meta y Microsoft Ads.

¿Cómo aplicar la IA en paid media más allá del reporting?

La IA aporta más cuando actúa sobre lo que entra en las campañas, como los términos de búsqueda, el feed, las creatividades y el presupuesto, que cuando solo resume lo que ya ha pasado.

  • Clasifica los términos de búsqueda. Exporta los de los últimos 90 días y pide a un modelo como ChatGPT, Gemini o Claude que los agrupe por intención y por producto. En minutos tendrás las negativas que faltan, los temas que convierten y los que gastan sin vender.
  • Reescribe el feed para búsquedas más largas. Según Google, las búsquedas en AI Mode son de media tres veces más largas que las tradicionales, y desde el 24 de agosto ChatGPT enseña anuncios también en España con campañas que salen del feed. Usa la IA para completar títulos y descripciones con lo que la gente pregunta, como material, talla, uso o compatibilidad, y prueba los cambios en un grupo de productos antes de extenderlos.
  • Etiqueta el catálogo cada día. Pide a la IA que clasifique cada producto según margen, ventas de los últimos 30 días y stock, y lleva el resultado al feed como custom labels. Así das más presupuesto a lo rentable con stock y frenas lo que se va a agotar sin tocar cada campaña a mano.
  • Saca las creatividades de lo que dicen tus clientes. Pasa a la IA las reseñas y las consultas a atención al cliente de tus productos más vendidos y pídele los argumentos que más se repiten. Con ellos generas titulares, textos e imágenes en Asset Studio de Google o en las herramientas de Meta, que ya usan más de 9 millones de pequeñas empresas, y pruebas las variantes nuevas contra las que mejor funcionan.
  • Vigila el gasto con scripts y agentes. Un script de Google Ads puede avisarte cada mañana de un superventas sin stock que sigue gastando o de un CPC que se dispara, y un asistente de IA te lo escribe si le explicas la regla. Google presentó además en mayo Ask Advisor, un agente que conecta Google Ads, Analytics y Merchant Center, en beta para cuentas en inglés.

¿Cómo saber si la IA está funcionando?

Sin duda, la forma fiable es medir con datos que no vienen de la propia plataforma: los pedidos de tu backend, un test de incrementalidad? y, si inviertes en varios canales, un modelo de marketing mix.

Cuando la plataforma decide la puja, el público y el anuncio, también es ella la que te dice cuánto has vendido. En mayo, Google presentó Qualified Future Conversions, una métrica que usa Gemini para predecir conversiones con hasta seis meses de antelación y que calcula quien te vende los anuncios.

Los datos reales están en tu backend. Cuadra cada mes las ventas que se atribuye cada plataforma con los pedidos, ya descontadas las devoluciones: si Google y Meta suman más ventas de las que entraron en la tienda, hay pedidos que se cuentan dos veces.

Para saber qué ventas no habrían llegado sin anuncios, baja o apaga la inversión en unas provincias y compara con el resto. Meridian, de Google, y Robyn, de Meta, son modelos de marketing mix de código abierto que puedes montar con tus propios datos.

¿Qué necesita la IA para decidir bien en paid media?

Lo cierto es que hay miles de herramientas de IA para paid media, pero ninguna trae de serie lo que la IA necesita para decidir bien: contexto de negocio, un objetivo claro y un método. Tampoco Boostic.cloud, que recomienda qué hacer con cada producto pero no mueve el presupuesto por su cuenta. Esa decisión es tuya, y acertar depende de tu capacidad para analizar, razonar y entender el negocio.

El contexto es lo que la IA no sabe si no se lo cuentas: que un producto se va a quedar sin stock, que otro tiene muchas devoluciones, que el margen cambió con la última subida del proveedor o que en noviembre manda el Black Friday. Google ha creado AI Brief para eso, un espacio donde describes en lenguaje natural la marca, las audiencias y los límites que deben respetar los anuncios.

El objetivo tiene que caber en una frase y ser uno por campaña: margen, crecimiento en ventas o clientes nuevos. Si los mezclas, no sabrás qué está persiguiendo la IA ni cómo juzgar el resultado.

El método es lo que convierte los datos en decisiones que puedes repetir y comprobar cada semana.

  1. Escribe el objetivo de cada campaña y el margen mínimo que aceptas.
  2. Dale a la IA el contexto del negocio: margen, stock, devoluciones y calendario comercial.
  3. Segmenta el catálogo según los datos de cada producto, en vez de por categoría.
  4. Cambia una sola cosa cada vez, con una hipótesis escrita y un plazo para medirla.
  5. Compara el resultado con los datos de tu backend antes de escalar o dar marcha atrás.

Y aquí es donde, en mi opinión, está el verdadero cambio que está provocando la Inteligencia Artificial en el paid media. Durante años hemos asociado la optimización con saber manejar mejor las plataformas, ajustar pujas o encontrar la audiencia adecuada. Pero si la IA ya es capaz de hacer buena parte de ese trabajo, ¿dónde queda nuestro valor como profesionales?

Creo que la respuesta está en algo que ninguna herramienta puede resolver por sí sola: entender el negocio, cuestionar los resultados y saber qué decisiones merece la pena tomar. No necesitamos profesionales que compitan con los algoritmos, sino profesionales que sepan dirigirlos.

Porque quizás el mayor riesgo de la IA en publicidad no sea que termine tomando nuestras decisiones, sino que nos acostumbremos a dejar de cuestionarlas. Y, personalmente, creo que ahí es donde empieza la diferencia entre automatizar campañas y hacer marketing de verdad.

Tendencias. Datos. Voces que lideran.

Cada semana en tu correo

Suscríbete a la newsletter de The New Retail News y recibe las claves del nuevo retail contadas por quienes lo están transformando.