Demand Gen cambia: la IA rompe tus lookalikes sin avisar

Google Ads ha movido una pieza delicada: los lookalikes Demand Gen dejan de comportarse, de forma progresiva durante 2026, como una frontera cerrada de público y pasan a funcionar como una señal para la IA. Dicho menos bonito: la lista semilla sigue importando, pero ya no manda sola. El algoritmo puede salir de los umbrales clásicos de similitud si cree que fuera hay usuarios más propensos a convertir. Y eso, para quien llevaba años tratando las audiencias similares como una jaula bien medida, es una sacudida seria.

El cambio no elimina la lógica de los lookalikes, pero sí rompe una ilusión cómoda: la de pensar que elegir “estrecho”, “equilibrado” o “amplio” equivalía a marcar una valla exacta alrededor del comprador ideal. En Demand Gen, Google está empujando esas audiencias hacia un modelo de sugerencia, donde la IA usa tus compradores, visitantes, usuarios de app o audiencias de YouTube como punto de partida, no como contrato firmado ante notario. Más alcance, más automatización, más promesas de rendimiento. También menos control visible. La vieja historia de la publicidad digital: primero te dan un volante; luego descubres que el coche conduce bastante solo.

La audiencia parecida ya no es tan parecida

Durante años, el concepto de audiencia similar vendía una idea sencilla, casi doméstica: “tengo clientes buenos; búscame gente que se les parezca”. En Meta, en Google, en cualquier plataforma con hambre de datos, el lookalike fue esa cafetera de oficina que todos usaban sin mirar demasiado el filtro. Subías una lista, elegías un grado de amplitud y confiabas en que el sistema encontrara gemelos comerciales del comprador original. No clones, claro, pero sí perfiles con señales comunes: intereses, patrones de navegación, vídeos vistos, búsquedas, interacciones, compras, intención latente.

En Demand Gen, esa mecánica conserva la fachada, pero cambia la fontanería. Los segmentos similares de este tipo nacen de datos propios, como listas de clientes, visitantes web, usuarios de app o interacción con el canal de YouTube. Hasta ahí, terreno conocido. La novedad está en que esos segmentos dejan de limitar el tráfico a un porcentaje rígido de usuarios parecidos dentro de la ubicación objetivo. El sistema toma la semilla, mira el objetivo de campaña —conversiones, CPA, valor— y decide si conviene ir más allá de la similitud pura. La audiencia deja de ser una frontera y se convierte en un consejo.

Esto tiene una consecuencia muy práctica: un anunciante puede creer que está comprando “parecidos a mis compradores recientes”, cuando en realidad está comprando usuarios que Google considera valiosos para el objetivo, aunque no encajen de manera estricta en el molde original. No es necesariamente malo. De hecho, puede mejorar resultados cuando la semilla es pequeña, sesgada o demasiado vieja. Pero obliga a leer los informes con otra cabeza. Lo que aparece atribuido a un lookalike puede incluir rendimiento generado por una lógica más amplia, una especie de parentesco algorítmico donde el primo lejano también entra en la foto familiar.

El detalle incómodo está en el lenguaje. Para un especialista PPC, targeting y señal no son sinónimos. Targeting suena a decisión. Señal suena a sugerencia. En campañas automatizadas, esa diferencia pesa como una piedra en el bolsillo. Cuando una audiencia es targeting, el anunciante espera que el sistema respete el perímetro. Cuando una audiencia es señal, el sistema escucha, interpreta y luego hace lo que cree conveniente. A veces acierta. A veces se va de excursión por inventarios, canales y perfiles que nadie había pedido expresamente. Y la factura, como siempre, llega puntual.

El giro de 2026: del deslizador al modo sugerencia

La parte más sensible del cambio está en el famoso deslizador de alcance. El modelo clásico de lookalikes en Demand Gen permitía escoger entre opciones estrechas, equilibradas o amplias, asociadas a porcentajes orientativos de la ubicación objetivo. Ese gesto daba una sensación razonable de control: cuanto más estrecho, más parecido; cuanto más amplio, más volumen y menos pureza. Un pacto simple, de los que se entienden incluso antes del segundo café.

Con la transición al modo sugerencia, ese deslizador pierde parte de su papel como candado. Google lo mantiene como señal de prioridad, pero no como límite duro. La IA puede utilizar tanto la lista semilla como el nivel de alcance seleccionado para orientar la optimización, y aun así salir del umbral si detecta usuarios con probabilidad de cumplir el objetivo. Traducido al barro de una cuenta real: seleccionar un lookalike “estrecho” ya no garantiza necesariamente que todo el tráfico viva dentro de ese grupo más parecido. La máquina puede abrir la puerta si huele conversión.

Hay un matiz importante. Google ofrece vías para conservar el comportamiento anterior como restricción de targeting mediante exclusión voluntaria de la actualización, aunque plantea esa opción dentro de una transición y con controles de interfaz previstos de forma progresiva. En cuentas donde el cumplimiento, la segmentación fina o la estrategia de adquisición exigen máxima contención, este punto no es una nota al pie: es el corazón del asunto. No todas las marcas quieren que la IA “descubra” públicos nuevos. Una firma financiera, una clínica, un ecommerce con márgenes finísimos o una empresa B2B con ciclo largo pueden necesitar menos exploración y más bisturí.

También cambia la lectura de rendimiento. Si el sistema etiqueta el segmento como señal, el anunciante debe entender que la atribución en la fila del lookalike puede mezclar la influencia de la semilla con la expansión inteligente. Ese dato puede quedar muy bonito en la tabla, sí, pero no significa exactamente lo mismo que antes. El informe ya no dice solo “esta audiencia parecida convirtió”; puede estar diciendo “esta señal ayudó al sistema a encontrar conversiones”. Parece una sutileza de manual. No lo es. Es la diferencia entre auditar una audiencia y auditar una caja negra con buena educación.

El cambio encaja con la dirección general de Google Ads: menos segmentación manual entendida como receta fija y más automatización basada en objetivos. Performance Max abrió esa senda; Demand Gen la está llevando al territorio visual, social y de descubrimiento. La promesa es atractiva: la IA reparte presupuesto, aprende de datos propios, combina canales y localiza oportunidades donde un humano no llega. La contrapartida: el anunciante pierde parte de la sensación de mando. O, mejor dicho, cambia de mando. Ya no pilota cada metro; diseña señales, mide resultados, protege límites y aprende a distinguir entre eficiencia real y humo con gráficos bonitos.

Por qué esto afecta más a ecommerce, leads y marcas con datos pobres

El impacto no será igual para todos. Un ecommerce con miles de compras recientes, buen etiquetado, conversiones mejoradas, feed limpio y CRM conectado puede beneficiarse de que Google use sus datos propios como brújula flexible. Si la semilla está bien construida, el algoritmo tiene un mapa decente. Puede encontrar compradores parecidos, compradores no tan parecidos pero rentables, usuarios en fase de descubrimiento y perfiles que quizá no entrarían en una segmentación rígida. La IA, cuando recibe buena comida, no siempre cocina mal.

El problema aparece con semillas pobres. Y en Google Ads hay mucha semilla de supermercado a las diez de la noche: listas antiguas, leads basura, formularios inflados por incentivos, visitantes de blog metidos junto a compradores, usuarios de bajo valor mezclados con clientes premium, audiencias de remarketing que llevan años sin limpieza. Cuando esos datos se convierten en señal para una IA con más libertad, el error no se queda quieto. Se expande. Si alimentas Demand Gen con una lista de “todos los leads” y la mitad son curiosos, estudiantes, competidores o gente que solo quería descargar un PDF, no esperes magia. La máquina no lee almas; lee patrones.

En generación de leads, la situación es todavía más delicada. Muchas cuentas optimizan a formulario enviado y celebran cada contacto como si fuera oro. Luego ventas abre el CRM y encuentra barro: teléfonos falsos, empresas sin presupuesto, estudiantes, autónomos fuera de mercado, cargos irrelevantes. Si la conversión principal no distingue calidad, los lookalikes Demand Gen pueden aprender una mentira con mucha disciplina. Buscarán más usuarios similares a quienes rellenan, no necesariamente a quienes compran. Y cuando el modelo se abre más allá del umbral estricto, esa mentira corre más rápido.

Para marcas de consideración media o alta, donde Demand Gen funciona como puente entre awareness, vídeo, Discover, Gmail y conversión, la clave está en no confundir volumen con progreso. Un usuario que ve un Shorts, entra desde Discover o abre un teaser en Gmail puede estar en un momento blando de decisión. La campaña puede asistir, despertar demanda, empujar recuerdo. Pero si la medición solo mira el último clic o una conversión demasiado generosa, el sistema optimizará hacia señales débiles. Bonitas, sí. Baratas, a veces. Rentables, ya veremos.

Aquí se nota la madurez de la cuenta. Las marcas con arquitectura de datos sólida trabajan con compradores recientes, clientes de alto valor, eventos de GA4 bien definidos, conversiones offline importadas, consentimiento ordenado y exclusiones limpias. Las demás suelen rezar delante del panel. Y rezar, en PPC, tiene un ROAS irregular.

La creatividad empieza a pesar tanto como la audiencia

Demand Gen no es Search. Parece obvio, pero conviene escribirlo en grande porque todavía hay cuentas tratándola como si fuera una búsqueda con fotos. En Search, el usuario declara intención: escribe, compara, pregunta, se delata. En Demand Gen, el usuario está en otra película. Ve un vídeo, baja el pulgar por Shorts, revisa Gmail, entra en Discover, consume contenido visual. La intención puede existir, pero no siempre aparece con corbata. Hay que provocarla, ordenarla, darle forma.

Por eso el cambio en los lookalikes no puede analizarse solo desde audiencias. La creatividad se convierte en parte del targeting. Un vídeo vertical de seis segundos, una imagen pensada para Discover, un carrusel de producto, un mensaje con precio claro o una pieza que filtra por necesidad real funcionan como señales tan potentes como una lista. A veces más. La creatividad atrae o repele. Califica antes del clic. Un anuncio demasiado aspiracional puede llenar el embudo de gente fascinada pero inútil; uno demasiado frío puede matar demanda antes de que respire. Entre ambos extremos vive el dinero.

Google ha reforzado Demand Gen como una campaña para superficies visuales: YouTube, Shorts, Discover, Gmail y, según configuración, también inventario de Display. Esa mezcla exige piezas adaptadas, no reciclajes cansados. El anuncio horizontal que funcionaba en YouTube in-stream puede no servir en Shorts. La imagen de catálogo que aguanta en Discover puede parecer un folleto abandonado en Gmail. Y el feed de producto, cuando entra en la ecuación, necesita títulos, precios, imágenes y disponibilidad que no hagan sangrar los ojos.

Aquí la IA no rompe solo los lookalikes; rompe también la excusa de que “la audiencia era mala”. Con más automatización, la plataforma tenderá a buscar usuarios donde pueda convertir, pero si el material creativo no filtra, no seduce o no explica, el aprendizaje se contamina. Un lookalike construido sobre buenos clientes puede rendir mal si el anuncio atrae a cazadores de descuentos que jamás comprarán a precio completo. Una audiencia amplia puede funcionar si la pieza creativa deja claro para quién es el producto y para quién no. La segmentación ya no está solo en el panel. Está en el encuadre, en el primer segundo, en la promesa y en lo que se calla.

La parte menos glamurosa es la más rentable: variantes creativas. No veinte clones con el logo movido dos centímetros, sino ángulos distintos. Producto en uso, problema concreto, comparación, prueba social sobria, oferta con condiciones claras, beneficio operativo, objeción resuelta. Demand Gen necesita alimentar al sistema con opciones. Si solo hay una pieza reina, la IA la exprimirá hasta secarla. Luego vendrá la fatiga, bajará la tasa de interacción útil, subirá el CPA y alguien dirá que “Demand Gen no funciona”. Quizá funcionaba. Lo que no funcionaba era el buffet creativo.

El dato propio manda, pero tiene que estar limpio

El discurso sobre first-party data lleva años sonando como música de aeropuerto: siempre está, nadie la escucha del todo. Pero en este caso importa de verdad. Los lookalikes Demand Gen dependen de listas semilla y señales propias, y Google está empujando herramientas para importar, gestionar y activar esos datos con menos fricción. Customer Match, audiencias de GA4, usuarios de YouTube, visitantes web, conversiones offline, datos de CRM. Todo ese material puede ayudar. También puede arruinar la lectura si entra sucio.

La limpieza no significa tener millones de registros. Significa saber qué representa cada lista. Compradores de los últimos 180 días no son lo mismo que compradores históricos. Clientes de alto margen no son lo mismo que clientes atraídos por una liquidación. Leads cualificados por ventas no son lo mismo que formularios recibidos. Usuarios que vieron el 75 % de un vídeo técnico no son lo mismo que espectadores casuales de un clip viral. Mezclarlo todo en una olla y llamar a eso “audiencia” es una tradición digital muy extendida, pero no por ello deja de ser una mala idea.

En Europa, además, el consentimiento no es decorado. Para usar datos de clientes en personalización publicitaria y medición, la cuenta debe respetar las exigencias de consentimiento aplicables. No es un matiz legal para esconder en un PDF. Afecta a la disponibilidad de listas, al uso de Customer Match y a la calidad de las señales que llegan a Google. Una estrategia de lookalikes basada en datos propios sin consentimiento claro es una casa con suelo brillante y grietas en la estructura. Aguanta hasta que no aguanta.

Hay una buena práctica que rara vez falla: construir semillas por valor, no por ego. Mejor una lista más pequeña de compradores recientes y rentables que un saco enorme de contactos tibios. Mejor importar conversiones offline con estados reales del CRM que optimizar al primer formulario. Mejor separar nuevos clientes, repetidores, altos tickets y leads cualificados que pedir a la IA que adivine todo con una sola etiqueta. La automatización necesita contexto. Sin contexto, hace estadística a oscuras.

Cómo leer los informes cuando la IA ensancha el perímetro

El nuevo comportamiento obliga a cambiar la auditoría. Antes, una fila de audiencia podía interpretarse con cierta tranquilidad: este segmento recibió impresiones, clics, conversiones, coste. Ahora, cuando el lookalike actúa como señal, esa lectura requiere más prudencia. La fila puede reflejar rendimiento asociado a una orientación más flexible. No basta con mirar CPA o ROAS y brindar. Hay que revisar si el crecimiento viene con calidad, si las conversiones tienen valor real, si el canal que escala es coherente con el objetivo y si la frecuencia está construyendo recuerdo o quemando paciencia.

Demand Gen ofrece controles de canal y reporting por superficies, algo importante porque no todo usuario se comporta igual en YouTube, Shorts, Discover, Gmail o Display. La tentación habitual es cortar el canal con CPA más alto y abrazar el barato. Cuidado. Un canal puede parecer caro en conversión directa y ser valioso como asistente; otro puede parecer barato y traer leads blandos. La IA optimiza por objetivo agregado, pero el anunciante debe mirar negocio, no solo interfaz. La cuenta de Google Ads no siempre sabe qué lead acabó comprando, qué cliente devolvió el producto o qué venta dejó margen. Tu CRM sí debería saberlo.

También conviene observar los cambios después de tocar audiencias, pujas o creatividades. Demand Gen necesita fase de aprendizaje y volumen suficiente de conversiones para estabilizar decisiones. Cambiar cada dos días porque el CPA ha tosido un poco es una forma elegante de sabotaje. Pero tampoco se trata de dejar correr presupuesto durante semanas por fe religiosa. La lectura útil combina ventanas razonables, segmentación por canal, revisión de términos creativos, cohortes de audiencia, calidad de lead y comparación con campañas sociales, especialmente cuando Demand Gen compite por presupuestos que antes vivían en Meta, TikTok o YouTube puro.

El informe de audiencias debe mirarse junto con exclusiones. Si el objetivo es captar nuevos clientes, tiene sentido excluir compradores recientes, usuarios ya convertidos o segmentos internos que distorsionan resultados. Si el producto tiene margen bajo, quizá convenga separar campañas por ticket o categoría. Si el B2B necesita cargos concretos, la creatividad y la landing deben filtrar con dureza, porque la IA no siempre entiende que un becario curioso no es un director de compras con presupuesto. Duro, pero cierto.

El síntoma más claro de un lookalike mal interpretado es una campaña que crece en conversiones y se hunde en calidad. Más formularios, menos ventas. Más clics, menos pipeline. Más tráfico, menos margen. Cuando eso ocurre, el problema no está solo en Demand Gen. Está en el evento que se le ha dado como norte. La IA no “rompe” el negocio; amplifica la definición de éxito que le hemos entregado. Si la definición era pobre, la amplificación duele.

Control sin nostalgia: lo que todavía puede decidir el anunciante

La reacción más cómoda ante estos cambios es quejarse de la pérdida de control. Tiene parte de razón. Google Ads se ha vuelto menos transparente en muchos frentes y la automatización exige una confianza que no siempre se ha ganado. Pero la nostalgia por el targeting manual tampoco debería nublar el juicio. Muchas audiencias cerradas daban una falsa precisión. Parecían quirúrgicas, sí, pero se basaban en señales incompletas, cookies menguantes, categorías amplias y comportamientos interpretados. No era un microscopio; era una linterna con pilas decentes.

El control viable en 2026 está en otro sitio. Está en definir conversiones que representen negocio, pasar datos propios con consentimiento, separar semillas por valor, construir exclusiones con intención, adaptar creatividades por canal, vigilar frecuencia, leer informes con paciencia y no dejar que una fila verde en Google Ads sustituya a la caja registradora. Menos romanticismo del botón exacto. Más arquitectura.

Para ecommerce, eso implica conectar Merchant Center con rigor, cuidar el feed, usar señales de compradores recientes, importar valor de conversión cuando sea posible y no mezclar categorías con márgenes opuestos. Para lead generation, significa perseguir leads cualificados, no formularios crudos; importar estados del CRM; diferenciar solicitud, oportunidad y venta; cerrar el bucle con ventas. Para marcas con inversión fuerte en vídeo, supone probar piezas por formato, no por capricho estético. Un Shorts no es un anuncio de televisión encogido. Es otro animal: rápido, vertical, impaciente, casi callejero.

El opt-out al nuevo comportamiento puede tener sentido en cuentas donde la restricción sea prioritaria. Pero usarlo por defecto, por miedo, puede dejar rendimiento sobre la mesa. La pregunta útil no es si la IA debe tener libertad o no. La pregunta útil es dónde puede tenerla sin romper el modelo de negocio. Hay campañas para explorar y campañas para exprimir. Hay audiencias que admiten amplitud y otras que piden guantes de cirujano. Hay productos que necesitan volumen y productos que necesitan puntería. La madurez está en no tratar toda la cuenta como si fuera el mismo pasillo del supermercado.

Cuando el parecido deja de ser destino

Demand Gen entra en una etapa menos cómoda y más interesante. Los lookalikes Demand Gen ya no pueden venderse internamente como una réplica ordenada de los mejores clientes, con tres niveles de amplitud y una promesa de control limpio. Son señales vivas dentro de un sistema que mira objetivos, inventario, canales, creatividad y probabilidad de conversión. Para algunas cuentas será una mejora. Para otras, un espejo cruel.

La noticia no es que Google use IA. Eso ya era el agua de la pecera. La noticia es que una pieza muy concreta del targeting, históricamente asociada a similitud y control, se desplaza hacia una lógica más flexible. Quien entienda ese giro podrá ajustar medición, audiencias y creatividades antes de culpar al algoritmo. Quien siga leyendo los lookalikes como antes, verá cambios raros en informes, tráfico menos puro, conversiones atribuidas de forma confusa y decisiones tomadas con una brújula vieja.

El anunciante conserva poder, pero no el de antes. Ya no basta con elegir una audiencia parecida y esperar que el sistema obedezca. Hay que construir una señal que merezca ser escuchada. Datos limpios, objetivos serios, creatividad con intención y una medición que no confunda ruido con ventas. La IA puede ampliar el perímetro. El negocio, por suerte o por desgracia, sigue teniendo que marcar el norte.