Automatizar el PPC siempre fue posible. Lo que pasaba es que nunca salía rentable — hasta ahora.

Todo el argumento en una frase

Automatizar el PPC como es debido siempre fue posible — pero nunca salía rentable, así que casi nadie lo hacía. La IA no nos dio poderes nuevos; desplomó el coste de usar los de siempre, y ese único giro económico vuelve a poner sobre la mesa una década de «nos encantaría, pero nunca compensaría». Todo lo que viene es la prueba, contada desde dentro de las herramientas con las que de verdad trabajo — no desde el keynote de un proveedor.

Esto es lo que vas a sacar del artículo, en concreto: las tres eras que hicieron la automatización del PPC demasiado cara como para molestarse, el momento exacto en que las cuentas dieron la vuelta este año, y un trabajo real — limpiar consultas de búsqueda basura con un modelo open source local — desglosado paso a paso, con el resultado intermedio que tendrías delante mostrado en cada etapa. Al final sabrás distinguir entre «la IA nos dio habilidades nuevas» (casi siempre falso) y «la IA cambió quién puede permitirse las de siempre» (lo que de verdad importa), y te llevarás un flujo listo para copiar.

Llevé un pequeño blog de scripts de Google Ads entre 2015 y 2017 y luego dejé de escribir. No porque se me secaran las ideas — porque la brecha entre «esto es posible» y «esto vale la pena para un cliente» se mantuvo tercamente ancha durante una década. Casi todo lo que has leído sobre la IA acabando con el especialista en PPC se equivoca de mecanismo. La IA no cambió qué se puede hacer en la búsqueda de pago. Casi todo eso siempre fue posible. Lo que cambió es quién puede hacerlo, y a qué coste — y eso pesa mucho más que otro botón de pujas automáticas. Déjame enseñarte cómo lo sé.

La era de los Scripts: unos días para un script «sencillo»

Por qué empiezo aquí: para enseñarte que el techo nunca fue la tecnología. Era la mano de obra, desde la primerísima herramienta que toqué.

Los Google Ads Scripts parecían magia cuando llegaron. JavaScript, dentro de la cuenta, recorriendo campañas. En la práctica, un script «sencillo» — pausar palabras clave por encima de un umbral de CPA, marcar URLs finales rotas — eran unos días de escribir y depurar en cuanto te tocaba lidiar con los casos límite, las cuotas y los fallos silenciosos.

Luego venía la parte que nadie presupuestaba: ejecutarlo en todas las cuentas. Un script por cuenta, copiado y pegado, que se iba desincronizando y se rompía en silencio cuando la nomenclatura de un cliente no encajaba con la de los demás. Escalarlo y distribuirlo era un trabajo en sí mismo. Por eso la mayoría de los scripts que circulaban nunca pasaron del reporting — volcar unos números a una hoja de cálculo a intervalos fijos. Cualquier cosa que de verdad modificara la cuenta era demasiado frágil, y demasiado cara de mantener, como para que le saliera a cuenta a la mayoría de las agencias.

La conclusión que te llevas: incluso la capa de automatización «fácil» estaba limitada por el coste de mantenimiento, no por la capacidad.

La era de la API: dos días hasta la primera consulta, dos años hasta una herramienta

Por qué importa esta: es donde la brecha de amortización se hizo tan ancha que pasó a ser una decisión de negocio, no de ingeniería.

La Google Ads API — la AdWords API por entonces — era el poder de verdad, y el muro de verdad. Vi a nuestro arquitecto de sistemas, un hombre con más de 25 años de ingeniería a la espalda, pasar dos días enteros leyendo documentación antes de lograr que una sola consulta devolviera datos. No es una pulla hacia él. Es la superficie a la que te apuntabas.

Aun así fuimos a por todas y construimos PPC Robot: una herramienta de reporting y operaciones tremendamente personalizable, técnicamente preciosa, de verdad potente. También costó dos desarrolladores, a jornada completa, dos años. El desarrollo que necesitaba para seguir vivo rondaba los 100.000 € al año — aproximadamente, como orden de magnitud — y nunca se amortizó. Cubría una fracción de lo que de verdad necesitaban nuestros especialistas en PPC, así que al final lo aparcamos en un modo interno limitado. No porque fuera malo. Porque las cuentas nunca cuadraron.

Y aun así sacamos cosas reales sobre esa API, hace cuatro y cinco años:

Mira esa lista y fíjate en una cosa: nada de eso es exótico para los estándares de hoy. Todo era posible. Solo que costaba una fortuna construirlo y otra fortuna mantenerlo vivo. Cada función con sentido — una herramienta de keyword research, una de expansión, la traducción de anuncios, un generador de Shopping — se medía en meses. Esa es toda la lección de la era en una frase: el techo nunca fue la tecnología. Era el periodo de amortización.

Dos cosas que se rompieron este año

Por qué me pongo concreto ahora: «la IA lo cambió todo» es una afirmación que deberías negarte a aceptar por fe. Así que aquí van dos trabajos que antes no salían rentables y ahora sí — los dos los estoy ejecutando, no son hipótesis — y del primero te mostraré exactamente qué produce cada paso.

1. Excluir las consultas de búsqueda equivocadas

Limpiar términos de búsqueda irrelevantes de una cuenta es de altísimo valor y embota la mente. La forma de siempre era un rastreo semimanual por miles de consultas, detectando patrones a ojo y añadiendo negativas a mano. Imagínate la escena: una tienda de zapatillas de running está pagando clics por «reparación de zapatillas de running», «historia del nike air max» y «zapatillas de running gratis» — nada de lo cual vende ni repara. Multiplica eso por miles de filas, cada semana, en cada cuenta. Ese es el trabajo que nadie quiere y todo el mundo necesita.

Lo que cambió fue esto: un script de Python saca las consultas de la Google Ads API y se las pasa a un modelo open source — la Gemma 4 de Google — con instrucciones como es debido y, lo decisivo, contexto sobre el sitio: el sitemap, la estructura del sitio y de la BD, la taxonomía de migas de pan, el product feed. El resultado: el modelo no solo marca consultas basura sueltas; saca a la luz los patrones que hay detrás, más rápido y más barato que un repaso humano. Aquí tienes ese flujo en cinco pasos concretos.

El titular silencioso de todo esto no es «la IA es lista». Es que basta con un modelo open source corriendo en local — ni siquiera necesitas una API de frontera para que esto salga rentable. Eso es la economía moviéndose, no la capacidad.

Míralo en marcha: qué produce realmente cada paso

Los cinco pasos son la receta; esto es el plato. Abajo tienes el artefacto concreto que cada paso te entrega para nuestra tienda de zapatillas de running — lo que estás mirando literalmente antes de seguir. Las formas son exactamente lo que devuelven las herramientas; las filas son ilustrativas, no un cliente real. (Ejemplos ilustrativos a lo largo de todo el artículo.)

PULL → los términos de búsqueda en bruto, con el coste al lado. Cada término que la cuenta pagó, ordenado para que el despilfarro salte a la vista:

Search term                Clicks  Cost   Conv
running shoes                420    €310    12
free running shoes            88    €61      0
running shoes repair          54    €40      0
nike air max history          31    €24      0
running shoes wikipedia       19    €14      0

Cuatro de estas cinco filas son puro gasto con cero conversiones — 139 € que la cuenta no tenía por qué pagar. El problema es obvio en cinco filas e invisible en cinco mil.

GROUND → el paquete de contexto contra el que razona el modelo. No es prosa — es un mapa compacto de lo que el sitio genuinamente es:

sitemap.xml      → 1,010 URLs (categories, products, blog)
breadcrumb tax.  → Footwear > Running > Road / Trail
product feed     → 1,205 SKUs (id, title, category, price)
DB structure     → no "repair", "rental" or "history" nodes exist

Esa última línea es la que hace el trabajo: el modelo ahora sabe que «reparación» no es algo que esta tienda ofrezca, en lugar de adivinarlo.

ASK → veredictos, y los patrones por encima de ellos. El modelo devuelve un veredicto por consulta — pero el premio es el bloque del final:

Query                     Verdict      Why
free running shoes        irrelevant   freebie intent, no purchase
running shoes repair      irrelevant   service we don't offer
nike air max history      irrelevant   informational, no buy intent
running shoes wikipedia   irrelevant   reference-seeker

→ PATTERN: tokens "free", "repair", "history", "wikipedia"
  = non-commercial modifiers absent from our taxonomy.
  Recommend excluding as a shared negative list.

Cuatro filas se convirtieron en una regla. Esa regla cazará basura del estilo «zapatillas de running envío gratis devoluciones» que aún no has visto — que es justo el sentido de todo esto.

REVIEW → un humano aprueba la regla. Lees una línea — «modificadores no comerciales ausentes de nuestra taxonomía» —, compruebas que es correcta y has terminado. Sin recorrer 5.000 filas. El criterio se aplica una sola vez.

PUSH → las negativas aterrizan al nivel correcto. Como el patrón afecta a todo el sitio, va en una lista de negativas compartida, no en un grupo de anuncios:

Shared negative list: "non-commercial modifiers"
  free · repair · history · wikipedia · manual · pdf
Applied to: all Search campaigns

Un patrón, una lista, cada campaña protegida — y sigue ganándose el sueldo la semana siguiente sin otra pasada humana. Ese es el momento en que una tarea semanal que embota la mente se convierte en una revisión de diez minutos.

2. Keyword research

El segundo trabajo es el que antes era una partida presupuestaria por sí solo. El keyword research de verdad — el que asigna la demanda a tus páginas de destino y te dice qué le falta al sitio — antes significaba decenas de horas de extracción de datos (AdWords API, cajas de sugerencias, OpenRefine), limpieza semimanual, clasificación por página de destino y, encima, reporting de tendencias, volumen de búsqueda y brechas.

No es solo más barato. Es mejor — más preciso, con las horas puestas en validación y criterio en lugar de en tareas de fontanería. Esa combinación, más barato y mejor, es exactamente lo que se suponía imposible. He desglosado la versión moderna de principio a fin en el blueprint de expansión a nuevos mercados y en el análisis de brechas de contenido — los dos con el resultado intermedio real mostrado en cada paso.

La economía, antes y después

Esta es toda la tesis en una tabla. Mismos trabajos, mismo listón de calidad — solo se movió el coste de hacerlos. Cifras documentadas donde las tengo; el resto, orden de magnitud de las dos décadas de una agencia dedicada a esto.

Lee la tabla de arriba abajo y el patrón se repite en cada fila: la columna de capacidad no cambió — todo esto ya podíamos hacerlo en 2019. La columna de precio se hundió. Eso no es una historia de tecnología. Es una historia de periodo de amortización, y el periodo de amortización es lo que decide si una idea inteligente llega a construirse alguna vez.

Qué significa esto de verdad para el sector

Por qué voy a clavar aquí una bandera: la lectura popular — «la IA está acabando con el especialista en PPC» — es perezosa, y entenderla al revés tiene consecuencias reales en la carrera de quien lee esto.

«La era de los especialistas en PPC se está acabando» es una tontería. Está pasando lo contrario. Los buenos especialistas se han pasado años frustrados porque lo inteligente — lo que veían con toda claridad — «no valía la pena construirlo». Ahora les toca construirlo. De forma automática, rentable y a escala. Toda una estantería de estrategias de PPC que antes no salían rentables, o eran sencillamente absurdas de intentar, está de repente sobre la mesa.

Lo que sí está ocurriendo es una división más nítida dentro del oficio. A un lado, juniors sin imaginación, sin visión ni soltura con las herramientas — gente que trata la interfaz de la plataforma como si fuera todo el trabajo. Al otro, súper-seniors que manejan las herramientas, inventan los flujos de trabajo, piensan fuera de los moldes de la plataforma, cruzan fuentes de datos que nadie más cruza y se montan dashboards a medida en lugar de esperar a que un proveedor lance la función.

Y para matar de raíz el malentendido evidente: esto no va de un servicio más barato. Las herramientas, el cómputo y el desarrollo siguen costando dinero. El quid es que un proyecto que antes eran seis meses de desarrollo ahora son dos semanas — así que la inversión por fin tiene sentido. El cliente recibe un servicio muchísimo mejor por un precio parecido, no uno peor por menos.

Por qué vuelvo a escribir

Dejé de bloguear hace años porque la brecha entre la idea y la ejecución económicamente sensata era demasiado ancha como para resultar interesante. Esa brecha se acaba de cerrar. Así que el blog ha vuelto, y va a ser concreto: casos prácticos con números reales, los flujos exactos, los resultados de verdad — incluidas las partes feas y los límites. Los primeros análisis a fondo ya están publicados; vienen más.

Si tu reacción a todo esto es «por fin podríamos hacer aquello que siempre quisimos» — bien. Ese es justo el sentido de toda la era. Construyámoslo.

1. PULL   Google Ads API → search-terms report (query, clicks, cost, conv)
2. GROUND Build a context pack the model can reason against:
            - sitemap.xml (what the site actually sells)
            - site / DB structure + breadcrumb taxonomy
            - product feed (id, title, category)
3. ASK    Prompt Gemma 4: "Given this site context, classify each query as
            relevant / irrelevant to what we sell. Return the irrelevant ones
            AND the PATTERNS behind them (token, intent, category mismatch)."
4. REVIEW Human validates the ~10 patterns, not 5,000 rows one by one.
5. PUSH   Add negatives back via the API at the right level (shared list for
            site-wide junk tokens; ad group for local noise).

FAQ