Durante años, la receta de Meta Ads fue: definí bien tu público (edad, intereses, lookalikes) y después ponele un buen creativo. Esa receta ya no describe cómo funciona la plataforma hoy. Con el sistema de ranking actual de Meta, conocido públicamente como Andrómeda, la segmentación manual perdió peso frente a una lógica distinta: el algoritmo explora a quién le entrega cada anuncio en base a quién reacciona genuinamente, y es el creativo mismo el que le da esa señal. En la práctica, el anuncio dejó de ser solo el mensaje, se convirtió en la herramienta de targeting.
Cómo cambió la lógica de segmentación en Meta
El modelo viejo funcionaba por bloques: vos definías un público con ciertos parámetros, y ese público veía el anuncio. El modelo actual funciona distinto: Meta evalúa una cantidad mucho mayor de combinaciones posibles entre persona y anuncio, identificando patrones de comportamiento multidimensionales, no un solo interés declarado, sino la combinación de señales que predicen mejor quién va a reaccionar a un mensaje específico. A esos grupos, difíciles de definir a mano porque combinan demasiadas variables a la vez, los podemos llamar "burbujas" de afinidad: conjuntos de personas que un humano nunca armaría manualmente con las herramientas tradicionales de segmentación, pero que el sistema sí puede identificar a partir de cómo reaccionan al contenido.
La consecuencia práctica: cuanto más angosto definís el público a mano, menos margen le das al algoritmo para encontrar esas burbujas por su cuenta. Por eso Meta viene empujando hace tiempo hacia públicos amplios y campañas tipo Advantage+, que le entregan al sistema más libertad de exploración, a cambio de pedirle al anunciante más variedad de creativos, no menos.
El creativo como señal de targeting, no solo de mensaje
Acá está el cambio de chip más importante: cada creativo distinto que subís no es solo una forma más de decir lo mismo, es un "anzuelo" distinto que el algoritmo puede usar para encontrar un bolsillo de audiencia distinto. Un video que ataca el dolor "no tengo tiempo" y un carrusel que ataca el dolor "no confío en la calidad" no compiten por el mismo pedazo de público: cada uno le permite al sistema descubrir a quién le importa más cada cosa, algo que ninguna segmentación manual por intereses podría anticipar con esa precisión.
En el modelo viejo, la secuencia era: segmentás el público → le mostrás el creativo adecuado a ese público. En el modelo actual, la secuencia se invierte: subís creativos diversos → el sistema encuentra, para cada uno, el público que mejor responde. Restringir la segmentación manual en este contexto no es prudencia, es quitarle al algoritmo la información que necesita para hacer su trabajo.
Qué significa "diversidad creativa estratégica" en este contexto
No alcanza con subir variedad por subir variedad, la diversidad que funciona como segmentación tiene que darle al algoritmo ángulos genuinamente distintos para explorar:
| Eje de variación | Por qué funciona como señal de targeting |
|---|---|
| Formato (video, estático, carrusel, UGC) | Cada formato genera un patrón de interacción distinto, y el sistema aprende de esa interacción quién responde a cuál |
| Punto de dolor / ángulo (precio, tiempo, confianza, status) | Cada dolor le habla a un segmento distinto de tu audiencia potencial, aunque todos compren el mismo producto |
| Etapa del funnel (ver el viaje del consumidor) | Un creativo de conciencia y uno de decisión atraen reacciones de personas en momentos distintos, ampliando el rango de "burbujas" que el sistema puede mapear |
| Voz (fundador, cliente real, equipo, ver caras y voces reales) | Distintas voces generan distintos niveles de confianza según quién las mira, otra variable que el algoritmo puede aprender a asociar con un segmento |
La idea central: en vez de perseguir una segmentación cerrada y un solo creativo "perfecto" para ella, el objetivo es tirar varios anzuelos distintos, distintos formatos, distintos dolores, distintas etapas, y dejar que el sistema explore cuáles generan más afinidad real, para después escalar los que mejor funcionan.
De la exploración a la escala
- Lanzar variedad amplia: varios formatos, varios ángulos de dolor, sin restringir de más el público, dejar que el sistema tenga con qué explorar.
- Dar tiempo y volumen suficientes: el algoritmo necesita datos para aprender qué anzuelo funciona con quién, el mismo principio de volumen mínimo de aprendizaje que se desarrolla en cuánto invertir en publicidad digital.
- Identificar qué combinaciones generan mejor interacción y conversión: ahí es donde el sistema está revelando, indirectamente, cuál es el segmento de mayor afinidad para cada mensaje.
- Escalar los creativos ganadores: no necesariamente angostando el público a mano, sino dejando que el propio sistema concentre la entrega hacia donde ya demostró que funciona (ver cómo bajar el CAC).
Entonces, ¿la segmentación manual ya no sirve para nada?
Sigue teniendo un rol, pero distinto al de antes. Las exclusiones (quitar del público a quien claramente no es cliente) siguen sumando, porque le ahorran al sistema explorar donde no vale la pena, el mismo criterio que se desarrolla en la palanca nº1 de cómo bajar el CAC. Lo que perdió peso es la segmentación por inclusión ultra específica (apilar intereses, edades acotadas, públicos angostos "a mano"): ese tipo de restricción hoy compite contra el propio algoritmo, en vez de ayudarlo.
Errores frecuentes
Seguir armando conjuntos de anuncios ultra segmentados con uno o dos creativos cada uno. Fragmenta tanto el público como el aprendizaje del algoritmo, consolidar estructura, como se explica en cómo bajar el CAC, suele rendir más.
Diversificar solo el aspecto visual, no el ángulo o el dolor. Tres versiones de color distinto del mismo mensaje no le dan al sistema anzuelos realmente distintos para explorar.
Cortar creativos "de bajo rendimiento" demasiado rápido. El sistema necesita tiempo y datos para encontrar el bolsillo de audiencia de cada pieza, juzgar en las primeras horas no le da esa chance.
Restringir el público a mano "para estar seguros". En el modelo actual, suele lograr el efecto contrario: le saca al algoritmo el margen que necesita para encontrar afinidad real.
Preguntas frecuentes
¿Qué es Andrómeda, el algoritmo de Meta?
Es el sistema de ranking y entrega de anuncios que usa Meta actualmente, que evalúa una cantidad mucho mayor de combinaciones entre persona y anuncio que los modelos anteriores, permitiendo una personalización más fina sin depender tanto de los parámetros de segmentación que define el anunciante.
¿Ya no tiene sentido segmentar por intereses en Meta Ads?
La segmentación por inclusión ultra específica perdió relevancia frente a públicos más amplios combinados con creativos diversos. Las exclusiones (sacar a quien no es cliente) siguen siendo útiles.
¿Cuántos creativos distintos necesito para que el algoritmo pueda explorar bien?
No hay un número fijo, depende del presupuesto y del volumen de datos disponible. El criterio importa más que el número: variedad real de formato y ángulo, no varias versiones cosméticas de la misma idea.
¿Esto aplica solo a Meta o también a Google Ads y TikTok Ads?
Andrómeda es específico de Meta, pero la lógica de fondo, sistemas que exploran con públicos amplios y se apoyan cada vez más en el creativo como señal, también está presente en Performance Max de Google y en el sistema de entrega de TikTok Ads.
Conclusión
La diversidad creativa dejó de ser solo una forma de evitar la fatiga publicitaria, hoy es, literalmente, cómo se hace segmentación en Meta. Cuantos más anzuelos distintos le des al algoritmo para explorar, más rápido va a encontrar los bolsillos de audiencia con mayor afinidad real, y mejor va a poder escalar lo que funciona.
¿Seguís segmentando a mano en vez de dejar que tu creativo haga el trabajo? Agendá una auditoría gratuita con KLIV y revisamos juntos cómo está estructurada tu cuenta. Agendar llamada →