Muchas estrategias de publicidad digital parten de una idea tácita: Google quiere que los anunciantes tengan éxito porque eso podría traducirse en más inversión publicitaria y, por tanto, en más ingresos para Google.
Con una inversión pequeña, los incentivos pueden parecer alineados: optimizas las campañas, mejora el rendimiento, aumentas la inversión y todos salen ganando.
A escala empresarial, esa alineación puede debilitarse.
La automatización cambia la relación, no solo las herramientas. Cuanta más inversión pasa por sistemas automatizados, menos visibilidad tienen los anunciantes sobre cómo se toman las decisiones. Al reducirse la visibilidad, es más difícil detectar y corregir las diferencias entre lo que optimiza Google y lo que necesitan los anunciantes.
No se trata de una conspiración, sino de economía. Entender cómo divergen los incentivos a gran escala es el primer paso para tomar mejores decisiones en sistemas que no puedes controlar por completo.
Qué significa realmente la caja negra
En publicidad se habla mucho de la «caja negra». Conviene precisar qué describe realmente esa expresión.
Caja negra no significa ausencia de control. Aún puedes fijar presupuestos, definir públicos, ajustar pujas y excluir emplazamientos. Esas opciones siguen existiendo.
Caja negra significa menor capacidad para explicar las decisiones. Estas pasan de opciones observables a sistemas probabilísticos. Puedes ver las entradas y los resultados, pero la transformación intermedia es opaca. ¿Por qué aumentó de repente un 40 % el coste por conversión de esta campaña? ¿Por qué Performance Max trasladó presupuesto de Shopping a Discover? El sistema no lo explica; simplemente actúa.
Esto crea un problema concreto: los ciclos de retroalimentación se ralentizan a medida que aumenta la inversión. Con poco gasto, puedes experimentar, aislar variables y aprender rápido. Con mucho gasto, se deteriora la relación entre señal y ruido, los cambios tardan más en reflejarse y la atribución se vuelve menos clara. El sistema procesa tus datos y devuelve resultados que quizá no reflejen tu intención.
Nada de esto implica necesariamente un fallo: puede ser el funcionamiento previsto. La pregunta es: ¿previsto para quién?
Por qué importan más los incentivos de Google a gran escala
Google es una empresa cotizada y sus ingresos dependen de la inversión publicitaria. La presión de los accionistas favorece ingresos trimestrales previsibles. La automatización facilita ampliar la inversión al reducir las fricciones y los conocimientos necesarios para los anunciantes.
No son críticas, sino factores estructurales. Google tiene incentivos para aumentar y estabilizar sus ingresos publicitarios. Las decisiones de producto, actualizaciones de algoritmos y nuevas funciones de automatización se evalúan en relación con ese objetivo.
Los anunciantes persiguen otro objetivo: les importa el beneficio marginal, no el gasto bruto. La pregunta no es «¿cuánto podemos invertir?», sino «¿cuánto beneficio incremental genera cada dólar adicional de inversión?».
Google optimiza la salud de las subastas y la estabilidad de sus ingresos. Los anunciantes buscan beneficio incremental. No son el mismo objetivo.
Esta divergencia se ha examinado en contextos regulatorios. La causa antimonopolio en curso del Departamento de Justicia de Estados Unidos contra las prácticas publicitarias de Google pone de relieve preocupaciones estructurales sobre el funcionamiento de la plataforma. Sin especular sobre el resultado, el caso ilustra que la alineación entre plataformas y anunciantes no está garantizada y puede variar según la estructura del mercado, la competencia y la supervisión regulatoria.
A pequeña escala, esta divergencia puede importar poco. A escala empresarial, cuando los retornos marginales se aplanan y la eficiencia pesa más que el volumen, puede volverse significativa.
Cómo se manifiesta en Google Shopping
Las campañas de Shopping muestran claramente esta dinámica porque el ciclo de retroalimentación es directo: producto, precio, disponibilidad, puja, impresión, clic y conversión. La cadena es corta y los datos son abundantes, pero a gran escala aparecen patrones similares.
La saturación de la demanda puede llegar antes de lo esperado. Los algoritmos de Smart Bidding buscan maximizar las conversiones dentro del presupuesto. Al acercarse al límite de la demanda disponible, el sistema no necesariamente deja de gastar: puede ampliar el alcance a consultas con menor intención de compra. La eficiencia puede caer mientras el gasto se mantiene.
Performance Max puede consumir presupuesto con diagnósticos menos detallados. La automatización multicanal implica una contrapartida: se reduce la visibilidad sobre los emplazamientos, públicos y creatividades que generan resultados. Si baja el rendimiento, puede ser difícil determinar la causa; puedes ajustar las entradas y evaluar el resultado.
Los cambios en el feed pueden parecer eficaces hasta que se aplana la incrementalidad. Optimizas títulos, mejoras imágenes y reorganizas categorías; las métricas mejoran y después se estancan. Queda por determinar si captaste nueva demanda o desplazaste la existente de una consulta a otra. Sin medir la incrementalidad, no puedes saberlo.
Nada de esto implica necesariamente un fallo del sistema. El problema puede estar en las expectativas sobre su funcionamiento.
Por qué las grandes empresas notan primero este problema
Las pequeñas y medianas empresas quizá experimenten menos estas dinámicas. Su inversión puede ser lo bastante baja para que la saturación de demanda no sea determinante. La automatización puede reducir la carga de gestión y aún puede haber retornos marginales si no se ha alcanzado el límite.
Las grandes empresas operan en otro contexto. A menudo ya han captado las oportunidades más evidentes y se acercan a los límites de la demanda. La incrementalidad cobra más importancia que la eficiencia: la pregunta pasa de «¿podemos crecer?» a «¿este crecimiento es real o desplaza ventas existentes?».
La confianza interna se deteriora cuando los sistemas no pueden explicar sus decisiones. Si el director financiero pregunta por qué la inversión en Shopping aumentó un 25 % mientras los ingresos solo crecieron un 8 %, no basta con decir «lo decidió el algoritmo». Los equipos financieros necesitan entender la causalidad, no solo la correlación, y saber qué cambió y por qué.
Los sistemas automatizados proporcionan resultados, pero no siempre esa explicación. La interpretación recae en personas que quizá carezcan de visibilidad suficiente.
El riesgo real: decidir sin una visión compartida
La caja negra no entraña riesgos por el mero hecho de existir. El reto está en que los equipos deben tomar decisiones presupuestarias difíciles de revertir dentro de sistemas opacos.
Los equipos de canal pueden discrepar sobre la atribución. Shopping se atribuye conversiones que quizá se habrían producido igualmente; las campañas de marca reclaman reconocimiento difícil de medir y el remarketing se atribuye el último clic de recorridos iniciados en otros lugares. Sin una fuente de verdad compartida, cada equipo defiende su canal con métricas favorables a su relato.
Finanzas cuestiona el gasto cuando no hay claridad. Si los paneles muestran cifras distintas de los informes de ingresos, disminuye la confianza. La asignación presupuestaria se vuelve política en vez de analítica, y puede imponerse la voz más alta o la proyección más optimista, no la más precisa.
La dirección pierde confianza en los datos cuando las cifras no cuadran, las previsiones se desvían un 30 % y la agencia atribuye el resultado a un algoritmo que no puede cuestionarse. Puede acabar invirtiendo demasiado por esperanza o demasiado poco por escepticismo. Ninguna opción es ideal.
La optimización puede convertirse en una actividad meramente aparente. Los equipos hacen cambios porque no hacer nada parece irresponsable, no porque esperen una mejora. La actividad sustituye al avance: se actualizan paneles, se celebran reuniones y circulan presentaciones, mientras los resultados no cambian.
Qué hacen de otra manera los equipos experimentados
Los equipos que se desenvuelven bien en este entorno tienen características comunes. No luchan contra la caja negra; diseñan sus procesos teniendo en cuenta sus límites.
Separan la eficiencia de la incrementalidad. Métricas como ROAS y CPA indican cómo se gasta; las métricas de incrementalidad muestran si ese gasto genera ingresos nuevos o se atribuye ingresos que se habrían producido de todos modos. Los equipos experimentados miden ambos aspectos y tienen en cuenta la incrementalidad al decidir.
No esperan que un solo canal impulse todo el crecimiento. Google Shopping capta la intención existente; no crea demanda nueva. Los equipos que lo comprenden equilibran la captación con la generación de demanda en una cartera de canales.
Utilizan diagnósticos, no solo optimizaciones. Optimizar consiste en mejorar; diagnosticar, en comprender qué sucede. Los equipos experimentados invierten en medición que ofrece visibilidad independiente de los informes de la plataforma.
Aceptan la opacidad y diseñan procesos para gestionarla. La automatización probablemente aumentará. En lugar de resistirse a esta tendencia, los equipos experimentados crean marcos de decisión que funcionan con incertidumbre: fijan umbrales, criterios para detener pruebas y procesos de gobernanza que no dependen de información perfecta.
Qué cambia cuando cambia el modelo de riesgo
Una razón por la que el modelo publicitario de Google puede parecer cada vez más opaco a gran escala es que los anunciantes asumen gran parte del riesgo de pérdidas.
Pagas por el tráfico tanto si convierte como si no, asumes la volatilidad y explicas las variaciones a finanzas. Ese modelo podía parecer razonable cuando las opciones de optimización eran transparentes y la demanda no estaba limitada. A escala empresarial y con sistemas automatizados, puede crear tensiones.
Otra opción es dejar de intentar superar la caja negra mediante la optimización y cambiar quién asume la responsabilidad de los resultados.
RetailerBoost parte de ese principio. Financiamos con capital propio el gasto acordado de las campañas de Google Shopping y las gestionamos. El comercio paga una comisión fija pactada de antemano sobre los pedidos atribuidos conforme a las condiciones del servicio. La atribución no demuestra incrementalidad, y el modelo no garantiza beneficios ni elimina los demás costes del comercio.
El canal sigue siendo Google Shopping y las subastas funcionan de la misma manera. Lo que cambia es el modelo de incentivos.
El rendimiento de las campañas puede variar. Las condiciones acordadas determinan cómo se calcula la comisión y quién financia el gasto publicitario.
La alineación de incentivos no elimina la opacidad, pero puede cambiar cómo se toman decisiones dentro de ella. En lugar de buscar culpables, las partes pueden centrarse en los siguientes pasos. Las obligaciones y los resultados económicos siguen dependiendo de las condiciones acordadas.
Plantear la conversación de otra manera
La pregunta no es «¿cómo vencemos a la caja negra?». No es un adversario, sino el entorno en el que se trabaja.
La pregunta es «¿cómo tomamos decisiones fundamentadas cuando los incentivos no están alineados?».
Eso requiere tres cosas: claridad sobre lo que se quiere optimizar, una infraestructura de medición independiente de los informes de la plataforma y estructuras económicas que alineen los incentivos de las partes.
Las dos primeras son capacidades internas. La tercera depende de con quién trabajas y cómo estructuras la relación.
Para los equipos empresariales que utilizan sistemas publicitarios automatizados, el reto ya no es acceder a las herramientas, sino decidir con confianza. Los modelos que alinean incentivos no eliminan la complejidad, pero pueden ayudar a gestionarla.
A menudo, esa es la diferencia entre ampliar la inversión y tener que justificarla.
