En el día a día de cualquier agencia hay una pregunta que se repite: ¿a quién le están llegando los anuncios de mis campañas? Hace tres años tenía una respuesta clara, construida sobre intereses muy definidos, hábitos de consumo y datos demográficos y geográficos. Hoy, tras los últimos cambios de Meta en dirección a la automatización, es imposible dar una respuesta con ese nivel de detalle. Y no porque la información esté escondida en algún informe, sino porque Meta ha eliminado opciones de segmentación en pro de la automatización y de la «comodidad» del usuario.

El relato oficial es que todo esto democratiza la plataforma: que cualquiera pueda montar una campaña sin saber de paid media. Mi lectura, después de meses trabajando con estos cambios, es la contraria. La automatización con IA de Meta ha quitado transparencia, ha quitado control y —en las cuentas que no tienen presupuesto para que la IA aprenda— ha quitado eficiencia. Los que trabajamos en paid media nos hemos tenido que adaptar: nuestro oficio se apoya cada vez menos en la segmentación que ofrece la plataforma y cada vez más en el dato propio.

«Dame lo mínimo, que ya me encargo yo»

Un poco de contexto. En junio de 2025, The Wall Street Journal publicó que Meta quería que, para finales de 2026, cualquier marca pudiera introducir un producto, un presupuesto y un objetivo, y dejar que la IA hiciera el resto. Traducido a lo que nos dice la plataforma cada vez que abrimos el administrador de anuncios: dame lo mínimo, que ya me encargo yo.

Como consecuencia, en los últimos meses el inventario de segmentación por intereses se ha reducido drásticamente. Y aquí está el detalle que me parece indefendible: Meta no publicó la lista de intereses afectados. Los integradores de la API avisaron de que eran «un número enorme» y poco más. Muchos anunciantes descubrieron cuáles eran cuando sus conjuntos de anuncios dejaron de entregar.

Además, en contra del objetivo declarado, la plataforma se ha vuelto más difícil de manejar. Las mejoras creativas vienen activadas por defecto, las expansiones de público se aplican salvo que las desactives una por una, y las campañas sufren cambios de configuración que nadie ha pedido. La promesa era simplificar; el resultado es una interfaz más simple gobernando un sistema menos controlable. Revisar que Meta no haya cambiado nada por su cuenta se ha convertido en parte de la rutina semanal.

Y os preguntaréis: si la plataforma optimiza sola, ¿por qué insisto en no dejarla? La respuesta es la misma que sirve para la IA en general: Meta no tiene contexto. 

La máquina aprende a costa de tu dinero

Siendo justos, estas actualizaciones funcionan bien en ciertos casos. Los números de Meta lo respaldan: su nuevo motor de ranking —el Meta Generative Recommender, con modelos de lenguaje razonando a la vez sobre el anuncio y la persona— junto al modelo GEM le ha dado un 8,3% más de clics y un 15,7% más de conversiones en Facebook. Advantage+ supera ya los 75.000 millones de dólares de run-rate anual.

Lo que casi nunca se explica es en qué condiciones funciona. Y menos aún en cuáles no. Para que una campaña rinda de verdad hacen falta tres cosas, y ninguna es opcional:

Inversión. Cuanto más invertimos, más veces se muestra el anuncio, más rápido se generan resultados y antes sale la campaña de la fase de aprendizaje. La regla no ha cambiado con la IA generativa: un conjunto de anuncios necesita del orden de 50 eventos de optimización por semana para estabilizarse. Por debajo de ahí se queda en learning limited, con entrega errática y coste por resultado volátil.

Tiempo. Va ligado al presupuesto, pero incluso con inversión holgada el modelo necesita margen: por nuestra experiencia, cuatro días como mínimo e idealmente una semana para converger.

Señal. El píxel es lo que le cuenta a Meta qué pasa después del clic: la página vista, el formulario enviado, la compra cerrada. No es un requisito técnico, es el material con el que el modelo aprende. La IA no sabe quién es tu cliente: lo deduce de los eventos que le devolvemos. Si esa información llega incompleta, tarde o desde una acción que no es el objetivo real, el sistema optimizará igual, pero hacia otra cosa. Sin señal, la IA optimiza a ciegas por muy sofisticada que sea.

Quién se queda fuera: presupuestos pequeños y campañas cortas

Una gran empresa con recursos puede delegar en la IA de Meta sin drama: tiene el nivel de inversión, las campañas de larga duración y la instalación técnica que el sistema exige. Los resultados serán buenos. Pero la mayoría del tejido empresarial de este país no está en esa posición, y cada sector arrastra sus propias limitaciones. Me centro en mi sector conozco: la industria del entretenimiento.

Pongamos una promotora nacional. La inversión para promocionar un concierto rara vez supera los 10 € diarios (o incluso los 5€). A veces no da ni para cubrir todo el periodo de promoción del evento. La consecuencia es directa: la IA tarda mucho más de lo habitual en aprender, y pueden pasar semanas hasta alcanzar un nivel de optimización decente. 

A esto hay que añadirle que comprar una entrada no es una compra impulsiva: se piensa, se organiza, se decide días después. Estas campañas generan por defecto menos volumen de conversiones que otro tipo de producto, justo lo que el algoritmo necesita para aprender.

Con este escenario no podemos permitirnos que Meta dé palos de ciego. Y si operamos en Europa, la señal disponible es todavía menor: desde enero de 2026 los usuarios de la UE eligen entre anuncios personalizados y «anuncios menos personalizados», que usan un 90% menos de datos.

Ahí está el sesgo del modelo: la IA de Meta rinde en proporción al volumen que le des. Con presupuestos pequeños, delegar no es automatizar; es pagar el aprendizaje de un modelo que no va a terminar de aprender. La automatización total no democratiza nada: es un privilegio de quien ya tiene volumen.

La pérdida de identidad: cuando Meta reescribe tu anuncio

Las novedades de IA en Meta no se quedan en la segmentación: también trabajan sobre el contenido de los anuncios, textos e imágenes incluidos.

Muse Image llegó a Advantage+ este verano y Muse Video está en camino. A eso se suman la generación de variantes por perfil de audiencia, la música generada, la traducción automática y los recortes y retoques que la plataforma aplica sobre nuestros materiales.

Antes, cuando subíamos una pieza a Meta, teníamos la certeza de que esa era la pieza que se iba a entregar. Ahora la plataforma introduce por defecto todo tipo de modificaciones que no siempre encajan con el producto. Si estoy promocionando el concierto de un artista, Meta por defecto pone música, pero de otro artista.

Hemos visto copies que no llevan la información correcta, y campañas que deciden probar un texto de otra cuenta sin ninguna relación con lo que se anuncia. Vuelve la misma causa de fondo: la IA no tiene contexto. No sabe qué es un cabeza de cartel, ni qué gira está anunciando, ni por qué esa canción no puede sonar ahí.

Confiar en la automatización sin supervisión significa aceptar piezas que no representan al negocio. Y desactivar todas esas automatizaciones requiere mano experta, porque no están precisamente a mano.

El rol del especialista en Paid Media

Por mucho que el objetivo declarado sea «que cualquiera monte una campaña», cuanto más opaca y compleja se vuelve la plataforma, más falta hace alguien que compense esa opacidad desde fuera.

Aquí el especialista en Paid Media es la pieza clave para hacer que una campaña optimice lo antes posible y no dependa de la IA. Las tres claves son: conocimiento del sector —saber cómo se compra una entrada, cuándo se decide y quién decide—, conocimiento de la plataforma —qué automatizaciones ayudan, cuáles desactivar y dónde queda margen real de decisión— y una estrategia de dato propio bien exprimida, que es hoy lo único que nos permite mantener el control y saber de verdad a quién estamos llegando.

Ese es nuestro trabajo: no competir con la máquina, sino combinar la herramienta con nuestro contexto para que la campaña acierte desde el primer euro.