La subasta publicitaria se vuelve opaca: quién paga el coste de la automatización sin medición

Google Ads está automatizando un número creciente de decisiones en la gestión de campañas, y la propia prensa especializada reconoce que ante este escenario los anunciantes deben «redefinir el éxito» más allá de las métricas de la plataforma, extendiendo el seguimiento hasta los resultados reales de negocio [12]. La formulación es reveladora: si la plataforma que vende las pujas te dice que necesitas medir mejor, está admitiendo implícitamente que sus propias métricas no bastan para evaluar lo que estás comprando.

Microsoft sigue el mismo patrón con AI Max, desplegado globalmente con expanded search matching, personalización de texto y expansión de URL automatizadas [9]. Google elimina el targeting por idioma en Search y Performance Max a partir de septiembre de 2026 [6]. En ambos casos, el anunciante pierde palancas de control granular. La contrapartida prometida —mejor rendimiento algorítmico— es inverificable sin una infraestructura de medición que la propia plataforma no proporciona de serie.

Hay una dimensión técnica que rara vez se discute en foros de practitioners pero que condiciona todo el debate: calcular equilibrios en subastas de segundo precio con restricciones presupuestarias es computacionalmente intratable. Liu (arXiv:2608.16682) demuestra que tanto el pacing (escalado de pujas) como el throttling (participación aleatoria) comparten dureza PPAD para cualquier valor no trivial del parámetro de aproximación [7]. Esto significa que ni siquiera un algoritmo perfecto puede garantizar encontrar el equilibrio óptimo en tiempo razonable. Las plataformas resuelven esto con heurísticas propietarias que el anunciante no puede auditar.

El enfoque emergente para abordar esta intratabilidad es el aprendizaje por refuerzo. Safin et al. (arXiv:2608.28199) adaptan GRPO —un método de gradiente de política sin red crítica, originalmente diseñado para LLMs— al autobidding, argumentando que la puja óptima, como la respuesta óptima en un LLM, es desconocida a priori [10]. La analogía es sugerente, pero también inquietante: estamos aplicando al gasto publicitario la misma familia de técnicas que produce alucinaciones en modelos de lenguaje. La robustez de estas soluciones en entornos adversariales —donde los competidores también usan autobidding— es una pregunta abierta.

OpenAI ha abierto ChatGPT a anuncios de salud y finanzas, con restricciones de placement en conversaciones sensibles [3]. Es un nuevo inventario publicitario en un entorno conversacional donde no hay documentación pública sobre mecánica de subasta, modelo de precio ni criterios de elegibilidad. Simultáneamente, la FTC y 22 estados demandan a Amazon por presuntos cambios en sus subastas que habrían generado sobrecargos superiores a 20.000 millones de dólares [11]. La yuxtaposición es elocuente: mientras un gigante abre inventario sin reglas de subasta transparentes, otro enfrenta litigio por las reglas que aplicó en el inventario existente.

Frente a este escenario, las estrategias de targeting no lineal —alcanzar audiencias de nicho a través de segmentos adyacentes cuando la ruta directa es inviable [2]— no son una curiosidad táctica: son una señal de que los mecanismos de segmentación estándar ya no funcionan para una parte significativa de los anunciantes. Cuando la plataforma elimina controles como el targeting por idioma [6] y al mismo tiempo ofrece matching expandido [9], el anunciante se ve forzado a trabajar con rutas indirectas porque las directas ya no están disponibles o ya no son fiables.