PMax sin señales de audiencia: la IA que aprendió a encontrar al cliente equivocado
La campaña de Performance Max llevaba activa 18 días cuando el equipo de ventas envió el primer mensaje de alerta. Los leads llegaban, el volumen era bueno, pero el perfil era sistemáticamente incorrecto: empresas de 3 a 8 empleados fuera del rango de nuestro ICP, perfiles de cargo sin autoridad de compra, sectores que históricamente nunca habían sido parte de nuestra base de clientes. El dashboard de Google mostraba métricas de conversión que parecían sólidas. La realidad en el CRM era otra.
El diagnóstico fue técnico y tenía una causa precisa que en retrospectiva era completamente previsible. Habíamos lanzado PMax sin señales de audiencia porque el equipo asumía que el sistema aprendería solo a partir de los datos de conversión. Esa lógica tiene un error fundamental en el contexto B2B: las primeras 2 semanas de aprendizaje son las más críticas para el modelo, y si en esas 2 semanas el sistema no tiene una referencia de quién es el comprador ideal, aprende del perfil de quien hace clic, que en B2B con términos amplios puede ser muy distinto del perfil de quien compra.
La corrección requirió intervención en 3 capas simultáneas. Primera: subimos la lista de clientes actuales del CRM como señal de audiencia central, 340 contactos con el perfil exacto del comprador que el sistema debía aprender a encontrar. Segunda: definimos temas de búsqueda con intención comercial específica, eliminando los términos genéricos de categoría que atraían tráfico de investigación sin intención de compra. Tercera: construimos activos creativos diferenciados por rol del comité de compra, con mensajes específicos para el CFO, el Director de Operaciones y el Director de TI. La señal de relevancia que cada perfil enviaba al sistema era diferente y más precisa.
En los primeros 10 días después de las correcciones, el volumen de leads cayó un 34%. El equipo de ventas no protestó porque la calidad había cambiado de forma visible. Las conversaciones eran con personas que tenían el cargo correcto, la empresa correcta y una pregunta de negocio real que justificaba la conversación. En las semanas 4 a 6 post-corrección, el CPL subió un 18% pero la tasa de leads calificados sobre el total subió del 22% al 61%.
La lección que PMax enseña de forma consistente es sobre la naturaleza del aprendizaje automático en contextos de venta compleja. El sistema aprende bien y aprende rápido. Lo que aprende depende completamente de las señales que le des. Sin señales estratégicas construidas sobre el conocimiento del comprador real, el algoritmo optimiza para el comportamiento más frecuente disponible en los datos, que en B2B raramente es el perfil del comprador ideal. La IA en campañas no reemplaza el criterio estratégico. Lo amplifica, para bien o para mal, dependiendo de la calidad de las instrucciones que recibe.