¿Está muriendo el concepto de target?

Pero la pérdida de señal (navegadores que bloquean  las cookies de terceros, consentimientos que se rechazan), la automatización de la compra  y unos usuarios que cambian de intención varias veces al día han dejado ese modelo irreconocible. Ya no toca preguntarse cómo segmentar mejor. Toca preguntarse si segmentar sigue teniendo sentido.

De la foto fija a la señal en movimiento

El target clásico asume algo: que una persona pertenece de forma estable a un grupo. Y eso es cada vez menos cierto. En la vida real, un mismo usuario compra pañales por la mañana, busca vuelos al mediodía y consume contenido de lujo por la noche. Los sistemas de compra automatizada alimentados por IA ya no necesitan encajarlo en una casilla demográfica para activarlo. Le hablan en función de la señal que emite en ese momento concreto (intención de búsqueda, contexto de navegación, comportamiento reciente).

Google, Meta y las principales DSP llevan años empujando hacia la segmentación amplia y la puja automatizada (Performance Max, Advantage+):  menos control manual sobre a quién llega el anuncio y más optimización automática hacia el resultado. El anunciante define el objetivo de negocio; la máquina decide, en tiempo real, quién encaja.

Lo que se pierde y lo que se gana

El riesgo es evidente: cuanto más se automatiza la decisión de a quién llegar, menos visibilidad tiene el equipo de marketing sobre el porqué. Las cajas negras de las plataformas no siempre explican qué señales están pesando más, y eso complica el control de marca y la auditoría de sesgos.

También cambia el papel de la creatividad. Si el sistema decide el público en función del resultado, el mensaje tiene que funcionar para audiencias mucho más heterogéneas de lo que estábamos acostumbrados a diseñar. La variedad creativa pasa a ser una de las principales palancas de segmentación: cada pieza atrae a una audiencia distinta. Ahí es donde la IA generativa cambia de verdad la planificación: permite producir esa variedad a escala.

Lo que se gana, a cambio, es eficiencia y relevancia: menos impactos desperdiciados en audiencias que nunca iban a convertir, y una capacidad de reacción a cambios de contexto que ningún target estático puede igualar. Con un matiz: un algoritmo que optimiza hacia la conversión tiende a encontrar a quien iba a convertir de todos modos. Por eso la eficiencia hay que medirla fuera de la plataforma (tests de incrementalidad, modelos de mix), no con su propio informe. El first-party data pasa a ser el activo central, no como sustituto de la cookie sino como la fuente que permite entrenar y auditar esos modelos con datos propios y consentidos.

El concepto de  target no muere, cambia de forma

Hablar de "la muerte del target" es un titular más limpio que la realidad. Lo que está ocurriendo es una migración: de la segmentación como punto de partida fijo a la señal como input continuo. El reto para los equipos de datos ya no es definir mejor a quién le hablamos. Es decidir qué señales queremos que pesen y por qué, porque si no lo hacemos nosotros, lo hace el algoritmo por su cuenta.

En la práctica, la señal más potente que controla un anunciante es la conversión que le devuelve al algoritmo. Si le pedimos formularios, encontrará a quien rellena formularios; si le enviamos leads cualificados o el margen de cada venta, encontrará clientes rentables. Y en categorías reguladas (juego, finanzas, seguros), el perfil demográfico sigue siendo imprescindible, aunque cambia de función: pasa de ser un criterio de inclusión a ser un límite de exclusión.

Los equipos que sigan planificando exclusivamente por perfiles demográficos amplios perderán eficiencia frente a quienes construyan arquitecturas de datos capaces de alimentar esos modelos con información propia, verificada y bien gobernada. El target no ha muerto. Ha dejado de ser una foto y se ha convertido en un vídeo que no deja de grabarse.