Cuando el algoritmo aprende bien la lección incorrecta

La campaña de Performance Max llevaba 3 semanas activa cuando el equipo de ventas comenzó a reportar algo que no cuadraba con los números del dashboard. Los leads llegaban, sí. Más que en el mismo período del año anterior. Pero el perfil era consistentemente incorrecto: empresas pequeñas fuera de nuestro rango de facturación objetivo, perfiles de cargo sin autoridad de decisión, sectores que nunca habían sido parte de nuestro ICP.

El problema era técnico y tenía nombre: el algoritmo de PMax había aprendido de las señales que le habíamos dado, solo que esas señales no eran las correctas. Habíamos lanzado la campaña sin audiencias semilla construidas sobre datos reales de clientes. Sin esa referencia, el sistema infirió el perfil del comprador ideal a partir de quién hacía clic en los anuncios durante las primeras 2 semanas de aprendizaje. Quienes hacían clic eran audiencias amplias con alta reactividad a anuncios visuales de la categoría, no compradores calificados de la solución.

En marketing de performance existe una ley no escrita que los algoritmos modernos han hecho más urgente: lo que le enseñas al sistema en las primeras semanas es lo que el sistema escala durante los meses siguientes. Un error de señal inicial no se autocorrige. Se amplifica, porque el algoritmo lo toma como confirmación y lo busca con mayor presupuesto y mayor precisión.

La corrección requirió 3 intervenciones simultáneas. Primero, subir la lista de clientes actuales del CRM como señal de identidad central. Segundo, definir temas de búsqueda con intención comercial específica y no genérica de la categoría. Tercero, crear activos creativos diferenciados por rol del comité de compra para que la señal de relevancia llegara de las personas correctas y no de la audiencia más reactiva.

En 60 días el CPL subió un 18% y la calidad de los leads mejoró de forma verificable. Ese 18% adicional era el costo de llegar a los prospectos correctos en lugar de a los prospectos reactivos. En nuestro caso, fue la inversión con mayor retorno del trimestre. La IA aprende bien. Lo que nosotros debemos hacer bien es la decisión de qué le enseñamos.