Uso un panel para gestionar las campañas de Ad Summit. Uno de mis conjuntos de anuncios, el número 65, bajó de 25€ a 15€ diarios. El motivo era claro: construí una matriz de reglas que se ejecuta cada hora, sin recurrir a ningún modelo de lenguaje durante la ejecución. No tiene un LLM detrás, no hay un cerebro montado para decidir en ese instante. Es una automatización sencilla, con reglas fijas que definí yo mismo a partir de la experiencia acumulada del negocio.
La regla que decide no puede ser una caja negra
Una automatización solo puede auditarse si su regla es explícita y conocida antes de ejecutarse. Mi regla es sencilla: un ROI inferior a 0.8 solo pausa tras gastar más de 60€, y hasta los 50€ el presupuesto mínimo diario es de 5€ por conjunto.
Escribí esta matriz a partir de mi experiencia en el negocio, de lo que estoy dispuesto a pagar por un cliente y de los objetivos del evento: la meta de Ad Summit eran 2.500 ventas, con un ritmo diario calculado a partir de ella. La máquina aplica la regla; yo la escribí antes de dejar que se ejecutara sola.
Si no sabes explicar la regla que toma decisiones en tus cuentas, empieza por escribirla en portugués sencillo antes de programarla. «Si el ROI cae por debajo de X después de gastar Y, baja el presupuesto a Z» es una frase que cualquier persona del equipo debería poder leer y entender sin abrir código. Si la regla solo existe en tu cabeza, nadie podrá auditar nada cuando necesites explicar una decisión a un cliente.
Saber qué cambió, cuándo y por qué
Cada hora, mi sistema me envía un mensaje de WhatsApp con lo que ha cambiado y el motivo, combinando tres elementos: valor anterior, valor nuevo y causa concreta de la modificación. Así puedo seguir las decisiones sin abrir el panel a cada momento.
En una de esas comprobaciones, el ROI del día era de 0.56, el presupuesto gastado había pasado de 578€ a 583€ y la automatización ajustó el presupuesto como consecuencia directa de esas dos cifras. Ese aviso funciona porque no me obliga a abrir el panel para reconstruir la historia solo: ya recibo los tres datos juntos.
Si estás montando algo parecido, conviene tratar estos tres elementos como el mínimo indispensable que guardar siempre que una automatización cambie algo en tu nombre. No basta con saber que cambió el presupuesto: necesitas saber de dónde venía y por qué cambió en ese momento y no en otra hora. Que un conjunto de anuncios baje de 25€ a 15€ a media tarde tiene un significado distinto a que baje por la mañana, antes de tener datos suficientes para confiar en la decisión.
Qué queda registrado cuando termina una campaña o colaboración
Qué contexto doy a un asistente de IA antes de analizar una cuenta de anuncios
Qué espero de un gestor de publicidad digital en la era de la IA
Qué decide la IA y qué decido yo
La división del trabajo es clara: la inteligencia artificial me ayudó a construir el sistema, pero no decide en tiempo real qué es un buen o mal resultado. Quiero que la IA me ayude casi como un asistente que detecta desviaciones y me avisa.
Definir qué es el éxito, los límites de gasto y las metas del negocio sigue siendo responsabilidad mía, decidida antes de que se ejecute cualquier automatización. Esta distinción importa para poder auditar porque simplifica lo que necesitas revisar cuando algo sale mal. Si la automatización es puramente mecánica, con reglas fijas, tu investigación se reduce a comparar lo que decía la regla con los datos disponibles en el instante exacto de ejecución. No necesitas preguntar por qué un modelo de lenguaje «pensó» de cierta manera, porque no hay ningún modelo pensando: solo se está aplicando la regla que escribiste.
Un ejemplo práctico para entenderlo
Imagina que gestionas varias campañas y quieres entender, dentro de una semana, por qué se pausó un anuncio un martes por la tarde. Para reconstruir esa decisión con claridad, necesitas responder a tres preguntas concretas sobre lo que ocurrió en ese momento.
Si tu automatización sigue el mismo principio del ejemplo que mostré, esas tres preguntas son: cuál era el gasto acumulado en ese momento, cuál era el ROI medido y qué regla específica, el corte de 0.8 o el mínimo de 60€, se activó para justificar la pausa.
Puedes empezar por mantener un registro sencillo, aunque sea una hoja o una tabla básica, que reúna esas tres variables cada vez que tu cuenta sufra un cambio automático. No necesita ser un sistema sofisticado desde el primer día; puede crecer con el tiempo. Lo que importa es que, cuando un cliente pregunte por qué bajó el presupuesto, tengas una respuesta concreta basada en datos guardados, y no una explicación inventada en el momento para aparentar que lo tienes todo bajo control.
La responsabilidad personal no desaparece con la automatización
La responsabilidad personal sigue vigente: aunque la máquina ejecute buena parte del trabajo operativo, quien responde por los resultados sigue siendo la persona que construyó y aprobó esa regla. La responsabilidad nunca pasa a la máquina: permanece siempre en quien diseñó el sistema.
No me importa si lo hizo un robot o una persona; quiero exigir resultados, y esa exigencia siempre recae sobre quien diseñó el sistema, nunca sobre la máquina. Esto significa que poder auditar no consiste solo en guardar datos en un registro. Se suma una postura personal: si construyes una automatización y, meses después, no sabes explicar por qué tomó una decisión concreta, el problema es tuyo. Fuiste tú quien la construyó sin garantizar que seguirías entendiendo qué hacía cada hora que se ejecutaba.
No todo necesita una automatización sofisticada
Mi ejemplo funciona porque Ad Summit ya tenía un historial de seis ediciones anteriores, con datos sobre cuánto vale cada cliente a lo largo del tiempo. Ese conocimiento acumulado es lo que hace fiable la matriz de reglas, no la automatización en sí.
La matriz de reglas solo es fiable porque se construyó sobre ese conocimiento acumulado del negocio, fruto de años de ventas reales, y no porque la automatización tenga un poder especial de predicción. Si todavía no tienes ese historial, quizá el primer paso sea recoger datos manualmente durante un tiempo y entender qué reglas tienen sentido en tu caso, antes de construir una automatización elaborada. La automatización viene después, para aplicar de forma consistente una decisión que ya has comprendido bien mediante la experiencia directa con el negocio.