La campaña no está dando los resultados que esperábamos. ¿Qué hacemos? Subimos presupuesto, cambiamos los anuncios, probamos otro público, modificamos la segmentación o añadimos una campaña nueva. Durante unos días parece que estamos haciendo muchas cosas y, con suerte, alguna funcionará. También puede ocurrir que estemos intentando solucionar un problema que todavía no hemos identificado.
En Paid es muy fácil confundir actividad con optimización. Tenemos acceso inmediato a datos, configuraciones, creatividades y presupuestos, así que prácticamente siempre existe algo que podemos modificar. Pero que podamos tocar algo no significa que debamos hacerlo.
Cuando una campaña no consigue los resultados esperados, la primera pregunta no debería ser «¿qué cambiamos?», sino «¿dónde está realmente el problema?». Porque no todos los malos resultados tienen su origen en la propia campaña. Y aumentar la inversión sobre un problema que todavía no comprendemos solo consigue una cosa: hacerlo más caro.
Contenidos
Antes de optimizar necesitamos diagnosticar
Imaginemos que queremos generar oportunidades comerciales. Invertimos en publicidad, los anuncios reciben clics, los usuarios llegan a la web, algunos completan el formulario, el equipo comercial contacta con ellos y una parte acaba convirtiéndose en cliente.
Visto así, la campaña es solo una pieza de un recorrido bastante más largo: impresión → clic → visita → conversión → lead → oportunidad → cliente.
Si el resultado final no llega, cualquiera de esos puntos puede estar frenándolo. Puede que tengamos poca demanda, que los anuncios atraigan al público equivocado, que el mensaje genere curiosidad pero no intención, que la página no convenza o que el formulario genere demasiada fricción. También puede ocurrir que estemos midiendo como conversión algo que aporta poco valor, que los leads sean adecuados pero el problema aparezca después o, simplemente, que nuestras expectativas de coste, volumen o tiempo no sean realistas.
Por eso, en Èmfasi entendemos la optimización como una consecuencia del diagnóstico, no al revés.
En nuestro artículo sobre IA aplicada a la estrategia de campañas de pago ya hablábamos de que la configuración de una campaña debería ser la consecuencia de decisiones anteriores. La misma lógica sirve cuando las campañas ya están activas: antes de decidir qué cambiar, necesitamos entender qué está ocurriendo.
El primer problema puede aparecer antes del clic
Cuando una campaña recibe poca respuesta, es tentador pensar inmediatamente que necesitamos mejores anuncios. Puede ser, pero antes conviene comprobar qué estamos intentando conseguir.
¿Existe suficiente demanda? ¿Estamos entrando en un mercado demasiado pequeño?
¿Nuestra propuesta responde a una necesidad reconocible? ¿Estamos intentando captar una decisión que requiere más tiempo del que estamos considerando?
¿El presupuesto disponible permite generar suficiente volumen para aprender?
Una campaña no puede fabricar indefinidamente una demanda que no existe. También puede ocurrir lo contrario: existe demanda, pero estamos compitiendo por ella con un mensaje prácticamente intercambiable con el de cualquier otra empresa.
«Calidad», «servicio personalizado», «profesionales con experiencia» o «soluciones adaptadas a tus necesidades» pueden sonar correctos, pero también pueden decir muy poco. Podemos producir veinte versiones distintas y seguir diciendo esencialmente lo mismo.
Aquí el diagnóstico no consiste en preguntarnos qué titular consigue algún clic más. Consiste en preguntarnos si tenemos algo suficientemente relevante que decir.
Hay clics. ¿Eso significa que la campaña funciona?
Supongamos ahora que los anuncios sí reciben respuesta. El CTR es razonable, hay tráfico y los costes están dentro de lo esperado, pero las conversiones no llegan.
En este punto es bastante habitual seguir trabajando dentro de la plataforma: cambiar audiencias, pujas, anuncios o segmentaciones. Y quizá el problema ya no esté ahí.
Conseguir el clic solo significa que una persona ha decidido continuar. Ahora tenemos que cumplir la expectativa que hemos creado. Si un anuncio habla de una solución muy específica y lleva a una página genérica, existe una ruptura. Si promete rapidez pero la página obliga a buscar durante dos minutos qué debe hacer el usuario, existe otra. Si la propuesta parece interesante pero faltan argumentos, pruebas o elementos de confianza, podemos perder al usuario aunque el anuncio haya hecho correctamente su trabajo.
Por eso el diseño de la página web y de las páginas de destino también forma parte del rendimiento de una campaña. Y no hablamos únicamente de diseño visual: hablamos de claridad, velocidad, contenido, propuesta, jerarquía, confianza y facilidad para avanzar.
Un caso publicado por web.dev en 2026 muestra hasta qué punto el rendimiento técnico puede formar parte del problema: Nuvemshop mejoró significativamente sus métricas de velocidad y observó, en la cohorte analizada, un aumento del 8,9 % en la conversión móvil procedente de búsqueda orgánica.[3] No significa que mejorar la velocidad produzca automáticamente ese resultado en cualquier proyecto. Sí nos recuerda algo importante: la experiencia posterior al clic también afecta al resultado.
Cuando pagamos por llevar a alguien a una página, esa página también forma parte de la inversión.
También podemos estar midiendo correctamente algo que no nos importa demasiado
Otro escenario: la campaña genera conversiones, el dashboard está verde y el coste por conversión parece bueno. ¿Problema resuelto? No necesariamente.
Antes tenemos que preguntarnos qué estamos llamando conversión. Una llamada, un formulario, una descarga, un registro, una solicitud, una compra o una oportunidad comercial no representan lo mismo para el negocio.
La documentación de Google sobre medición define las conversiones como acciones valiosas para la empresa, como una compra o un registro.[1] La palabra importante aquí no es «acción». Es «valiosa».
Podemos tener una campaña perfectamente optimizada para generar una acción que aporta poco. De hecho, Google Analytics diferencia incluso entre eventos como generar un lead y convertir un lead cualificado en cliente, lo que refleja que el formulario inicial y el resultado comercial pertenecen a momentos distintos del proceso.[2]
Este punto conecta directamente con algo que ya hemos trabajado en Èmfasi: no basta con conseguir contactos, necesitamos saber si son los que el negocio necesita. Por eso una buena analítica web no debería limitarse a indicarnos cuánto tráfico hemos generado. Debería ayudarnos a entender qué ocurre después.
Una campaña puede generar conversiones y seguir teniendo un problema
Este es uno de los casos más engañosos. Los anuncios funcionan, llegan formularios y el coste por lead incluso baja, pero ventas dice: «Estos contactos no nos interesan».
Entonces el problema cambia completamente. Ya no estamos intentando averiguar por qué la gente no convierte, sino por qué convierte la gente equivocada.
Quizá el mensaje sea demasiado amplio. Quizá estamos haciendo muy fácil que cualquier persona contacte. Quizá no explicamos para quién está pensado el servicio. O quizá la campaña está priorizando una acción que nosotros mismos hemos definido como valiosa, aunque comercialmente no lo sea tanto.
En el artículo anterior sobre calidad de leads llegábamos precisamente a esa conclusión: conseguir más contactos no siempre significa conseguir mejores oportunidades.
Y aquí aparece una regla bastante útil para diagnosticar Paid: nunca deberíamos evaluar una campaña únicamente hasta el punto en el que deja de ser responsabilidad directa de la plataforma. Si su objetivo es generar negocio, necesitamos conectar campaña y negocio.
El problema puede estar incluso después del lead
Supongamos ahora que el contacto encaja, tiene una necesidad real, la empresa es adecuada y existe presupuesto. Parece una buena oportunidad, pero las ventas siguen sin llegar.
¿Seguimos teniendo un problema de Paid? Puede que no.
El tiempo de respuesta comercial puede ser demasiado largo. Puede haber dificultades para contactar. La propuesta comercial quizá no continúa correctamente el argumento que inició la campaña. Puede existir una diferencia entre lo prometido durante la captación y lo que se ofrece posteriormente. O simplemente podemos estar analizando un periodo demasiado corto para un proceso de decisión largo.
Aquí es donde separar marketing y ventas empieza a resultar poco útil. La campaña no debería optimizarse únicamente con lo que ocurre antes del formulario si disponemos de información sobre lo que ocurre después.
Eso no significa que Paid sea responsable de todo el proceso. Significa que necesita conocerlo para interpretar correctamente sus resultados.
A veces la campaña funciona y el problema son nuestras expectativas
También existe una posibilidad menos cómoda: que la campaña no esté mal.
Imaginemos que un nuevo cliente genera 5.000 euros de margen para la empresa, el proceso comercial convierte una de cada cinco oportunidades y solo una parte de los contactos iniciales termina siendo una oportunidad. Entonces existe un límite lógico a lo que podemos esperar pagar por cada lead.
No podemos analizar el coste publicitario de forma aislada. Necesitamos relacionarlo con las tasas de conversión, el ticket, el margen, la recurrencia, la capacidad comercial y el valor del cliente.
Una campaña puede parecernos cara porque estamos comparando su coste con una cifra arbitraria. O puede parecernos barata mientras genera clientes que apenas dejan margen.
Por eso aumentar presupuesto nunca debería ser una decisión basada únicamente en que «las campañas están funcionando». Primero necesitamos definir qué significa funcionar para ese negocio.
Un dashboard nos dice qué ha pasado. No necesariamente por qué
Los dashboards son útiles, pero también pueden darnos una falsa sensación de conocimiento.
Podemos ver que el coste por adquisición ha subido un 20 %. Eso es un dato. El diagnóstico empieza después.
¿Ha aumentado el coste del tráfico? ¿Ha bajado la tasa de conversión?
¿Ha cambiado la mezcla de campañas? ¿Estamos comparando semanas con comportamientos diferentes?
¿Hay menos demanda? ¿Se ha modificado la web?
¿Ha cambiado el producto? ¿Estamos recibiendo los mismos leads pero el equipo comercial los está clasificando de otra manera?
El mismo indicador puede deteriorarse por causas completamente distintas, y cada una necesita una respuesta diferente. Si el problema está en la landing, cambiar los anuncios puede no resolverlo. Si el problema está en la calidad del lead, aumentar el tráfico puede empeorarlo. Si el problema está en la medición, optimizar según esos datos puede llevarnos directamente en la dirección equivocada.
Un dato nos señala dónde mirar. No siempre nos dice qué hacer.
¿Dónde entra entonces la inteligencia artificial?
No empezaría el diagnóstico preguntando a una IA: «¿Por qué no funciona esta campaña?». Con poca información, solo puede responder con causas habituales: segmentación, creatividades, presupuesto, landing, competencia u oferta. Y probablemente acertará en que alguna de ellas podría ser relevante, pero «podría ser» no es un diagnóstico.
La IA empieza a resultar mucho más útil cuando le damos información real y preguntas más pequeñas. Podemos utilizarla para comparar periodos y localizar cambios, resumir grandes volúmenes de comentarios comerciales, agrupar búsquedas o motivos de descarte, detectar campañas que se están comportando de manera diferente al resto, relacionar mensajes publicitarios con páginas de destino o revisar si existen contradicciones entre lo que promete un anuncio y lo que explica la página.
También puede ayudarnos a construir hipótesis que después tendremos que contrastar.
La diferencia es importante: no le pedimos que encuentre el problema por nosotros. La utilizamos para ampliar nuestra capacidad de investigarlo. Eso encaja mucho mejor con cómo entendemos la IA en Èmfasi: un acelerador del análisis y del criterio profesional, no un sustituto.
La IA también puede ayudarnos a evitar una mala costumbre: empezar por nuestra explicación favorita
Todos tenemos sesgos. Si trabajamos habitualmente campañas, podemos pensar primero en segmentación o anuncios. Si venimos de analítica, miraremos la medición. Si trabajamos UX, quizá sospechemos de la landing. Si el cliente acaba de decir que su competencia ha bajado precios, podemos atribuirle todos los problemas a eso.
La IA puede ser útil para obligarnos a considerar explicaciones alternativas. Podemos darle una hipótesis y pedirle que busque datos que podrían contradecirla, hacer que compare varias explicaciones posibles o incluso utilizar un segundo modelo para cuestionar las conclusiones del primero.
Pero después seguimos necesitando pruebas.
La IA permite ampliar las preguntas. El diagnóstico exige reducirlas.
Cambiar cinco cosas a la vez tampoco nos ayuda a aprender
Una vez identificamos varias hipótesis aparece otro impulso: corregirlas todas. Nuevo anuncio, nueva página, nueva audiencia, nuevo formulario y nuevo presupuesto. Todo el lunes.
El jueves los resultados mejoran. Perfecto. ¿Pero qué hemos aprendido? No demasiado.
Cuando modificamos demasiadas variables simultáneamente resulta mucho más difícil atribuir el cambio a una causa concreta. Esto no significa que todo tenga que convertirse en una prueba científica. En muchas campañas no existe el volumen suficiente para realizar experimentos perfectos, pero sí necesitamos cierta disciplina.
¿Qué creemos que está ocurriendo? ¿Qué cambio podría ayudarnos a comprobarlo?
¿Qué indicador esperamos que se mueva? ¿Cuánto tiempo o volumen necesitamos para observarlo?
¿Qué decisión tomaremos según el resultado?
Experimentar por experimentar tampoco es necesariamente una virtud. En 2025, Tomomichi Amano y Joonhwi Joo advertían en Harvard Business Review de que un exceso de pruebas A/B puede ralentizar la toma de decisiones cuando la organización termina esperando continuamente más evidencia estadística sin valorar adecuadamente el coste de esperar.[4]
La cuestión no es probar más. Es aprender lo suficiente para decidir mejor.
Un diagnóstico de Paid debería avanzar por capas
Cuando revisamos una campaña que no está consiguiendo el resultado esperado, preferimos no empezar por una lista interminable de optimizaciones. Primero intentamos localizar en qué parte del recorrido aparece la desviación.
¿Existe demanda suficiente y estamos llegando al público adecuado? Si la respuesta es sí, miramos la respuesta al mensaje. ¿Los anuncios generan interés? Si generan tráfico, avanzamos: ¿la página continúa correctamente la propuesta? ¿El usuario entiende qué ofrecemos y por qué debería interesarle?
Si convierte, la siguiente pregunta es si la conversión que estamos midiendo representa realmente valor. Si genera leads, revisamos si son buenos. Si son buenos, miramos si avanzan comercialmente. Y si todo esto funciona, entonces analizamos si la relación entre inversión y resultado es rentable y escalable.
No siempre podremos responder cada pregunta con absoluta certeza, pero este recorrido evita algo bastante habitual: intentar arreglar la última parte que hemos mirado simplemente porque es la que tenemos delante.
¿Cuándo tiene sentido aumentar el presupuesto?
Aumentar presupuesto puede ser exactamente lo que necesita una campaña, pero debería llegar después de otras preguntas.
Tenemos que saber que existe suficiente demanda o capacidad de generarla, que el tráfico responde, que la página convierte razonablemente, que las conversiones tienen valor, que el negocio puede absorber más oportunidades, que el margen permite asumir el coste y que no existen señales claras de que estamos comprando volumen a costa de deteriorar la calidad.
En campañas de publicidad en buscadores, por ejemplo, aumentar inversión puede permitir capturar una mayor parte de una demanda que ya existe. En publicidad de pago en redes sociales puede ayudarnos a ampliar el alcance, trabajar nuevos públicos o generar demanda.
Pero en ambos casos la pregunta sigue siendo la misma: ¿qué esperamos que ocurra con ese presupuesto adicional y por qué creemos que ocurrirá?
Si no podemos responderla, todavía no tenemos una decisión. Tenemos una apuesta.
Optimizar no significa tocar más cosas
Hay semanas en las que la mejor decisión puede ser no cambiar nada. Esperar más información, corregir una medición, hablar con ventas, revisar una página, analizar cinco leads que parecían buenos, comprobar si ha cambiado la demanda o reconocer que la campaña está funcionando de acuerdo con las condiciones disponibles y que el siguiente problema que debemos resolver está en otro lugar.
Esto puede parecer menos emocionante que lanzar una nueva estructura, pero forma parte del trabajo estratégico. En Paid no nos pagan por hacer clic en más botones. Nos pagan para utilizar correctamente una inversión.
Primero entender. Después decidir. Y solo entonces optimizar
Cuando una campaña no funciona, necesitamos actuar. Pero actuar rápido no significa actuar sin diagnóstico.
Podemos subir presupuesto y conseguir más tráfico. Podemos generar diez nuevos anuncios con IA en pocos minutos. Podemos abrir otra campaña o probar una nueva audiencia. Todas son acciones posibles. La pregunta es si responden al problema que realmente tenemos.
Por eso preferimos empezar por algo menos espectacular: entender qué está ocurriendo. Mirar el recorrido completo, conectar publicidad, web, analítica y resultado comercial, separar síntomas de causas, construir hipótesis, contrastar datos y priorizar.
Y entonces sí, decidir qué merece la pena cambiar.
La inteligencia artificial puede hacer este proceso más rápido. Puede ayudarnos a ordenar más información, encontrar patrones y cuestionar nuestras primeras conclusiones. Pero el valor no está en que nos proporcione cien optimizaciones posibles, sino en ayudarnos a llegar antes a las pocas que realmente tienen sentido.
Porque antes de invertir más en una campaña, necesitamos saber dónde está el problema.
Fuentes consultadas
[1] Google for Developers — Measure conversions and key events. Documentación sobre la medición de acciones relevantes para el negocio y su relación con las interacciones publicitarias.
[2] Google Analytics — Recommended events: lead generation. Documentación que diferencia la generación inicial de un lead de su posterior conversión en cliente.
[3] web.dev — How Nuvemshop’s image prioritization strategy led to a 68% improvement in LCP and 8.9% more conversions. Caso publicado en junio de 2026 sobre la relación observada entre mejoras de rendimiento web y métricas de conversión en una cohorte de tiendas.
[4] Amano, T. y Joo, J. — “You’re Probably A/B Testing Too Much. Here’s What to Do Instead”. Harvard Business Review, diciembre de 2025. Reflexión sobre cómo un uso excesivo o poco orientado a decisiones de las pruebas A/B puede ralentizar el aprendizaje y la toma de decisiones.
Preguntas frecuentes
Primero hay que determinar en qué parte del recorrido aparece el problema. Puede estar en la demanda, el público, el mensaje, la página de destino, la medición, la calidad de los contactos, el proceso comercial o incluso en las expectativas de rentabilidad.
Sí, siempre que el problema sea realmente una limitación de inversión y el resto del recorrido funcione correctamente. Si existen problemas de conversión, calidad, medición u oferta, aumentar presupuesto puede simplemente multiplicar el coste del problema.
Si conseguimos tráfico adecuado pero los usuarios no avanzan, conviene revisar la experiencia posterior al clic. La coherencia entre anuncio y página, la propuesta de valor, la velocidad, la claridad, la confianza y la fricción pueden afectar al resultado.
Puede ayudarnos a analizar información, comparar periodos, agrupar datos y formular hipótesis. Pero necesita datos y contexto reales. Una respuesta genérica de una IA no sustituye un diagnóstico basado en el negocio y en el recorrido completo del usuario.
No existe una cifra universal. Lo importante es que los cambios permitan aprender. Si modificamos demasiadas variables a la vez, puede resultar difícil saber qué ha provocado la mejora o el empeoramiento.
Depende del objetivo y del punto del recorrido que estemos analizando. Las métricas publicitarias son útiles, pero deben relacionarse con las conversiones, la calidad de los leads, las oportunidades, las ventas y la rentabilidad cuando esa información esté disponible.
