ChatGPT Ads: así elige OpenAI qué anuncios te muestra

AI Search

ChatGPT Ads: así elige OpenAI qué anuncios te muestra

Vakho Mtchedlishvili · 23 oct 2026 4 min lectura · Asistido por IA

OpenAI acaba de publicar el desglose técnico más detallado hasta la fecha sobre cómo funciona el sistema publicitario de ChatGPT: un orquestador basado en LLM interpreta la conversación, nomina anuncios a una subasta y descarta aquellos que no llegan a tiempo o no encajan con el contexto. La compañía afirma haber alcanzado 1.000 millones de dólares en run rate anualizado en menos de 200 días desde el lanzamiento, con más de 100.000 anunciantes activos.

La noticia importa porque confirma algo que llevamos meses discutiendo en el ecosistema GEO/AI Search: la monetización de los asistentes conversacionales ya no es un experimento, es infraestructura. Y, lo más relevante para quienes trabajamos SEO, revela qué señales usa el modelo para decidir qué contenido comercial se cuela debajo de una respuesta orgánica.

Dos sistemas separados: respuesta orgánica vs. selección publicitaria

OpenAI insiste en que el modelo que escribe la respuesta y el que elige el anuncio son sistemas independientes, con código y modelos distintos. Ambos leen la conversación, pero la elección del anuncio no retroalimenta lo que ChatGPT contesta. Si el sistema publicitario tarda demasiado, la respuesta sale igualmente y el anuncio simplemente no aparece.

Es una promesa importante —y conveniente desde el punto de vista regulatorio—, pero conviene subrayar que es la descripción de OpenAI, no una auditoría independiente. En Europa, con la DSA y el AI Act encima, esta separación va a tener que demostrarse técnicamente. Para los SEOs hispanohablantes, la implicación práctica es clara: la respuesta orgánica sigue siendo territorio de posicionamiento puro, y optimizar para ser citado en ella no compite con el presupuesto de ads.

El orquestador: cómo convierte la conversación en consultas

El modelo que gestiona la selección se llama orchestrator. Su trabajo:

  • Transforma partes relevantes de la conversación en consultas de búsqueda.
  • Convierte esas consultas en embeddings (representaciones numéricas de significado).
  • Lanza varias queries en paralelo si detecta necesidades distintas.
  • Reajusta las búsquedas conforme recibe más información del usuario.
  • Comprueba elegibilidad: targeting geográfico, política, presupuesto y pacing.
  • Evalúa encaje contextual, rendimiento histórico y probabilidad de clic o conversión.
  • Envía los candidatos a una herramienta de subasta externa que decide ranking y precio.

Fíjate en algo importante: el LLM no fija el precio ni elige al ganador, solo decide quién entra en la subasta. Esto se parece más al Quality Score de Google Ads que a un sistema generativo puro, pero con una capa semántica mucho más agresiva por delante.

Sesiones «stateful»: el contexto manda sobre la keyword

Aquí está el cambio de paradigma para los que venimos de SEM. OpenAI habla de sesiones stateful: cada mensaje nuevo no empieza desde cero, el sistema arrastra el contexto previo. El ejemplo que dan es ilustrativo: alguien que compara software de gestión de proyectos, menciona que lleva una agencia pequeña, necesita aprobaciones de cliente y quiere evitar pagar por cuentas de invitado. Cuando pregunta por precios tres mensajes después, esa consulta lleva mucha más carga contextual que un search tradicional de «precio software gestión proyectos».

Para el anunciante hispanohablante esto significa dos cosas:

  • La landing page tiene que soportar la especificidad del contexto detectado. Si tu anuncio promete «acceso gratuito para invitados» y la landing lo esconde en la página 4, pierdes.
  • El keyword matching tradicional pierde peso frente al semantic matching por embeddings. Describir casos de uso concretos, segmentos y objeciones en el copy del anuncio va a pesar más que repetir el término exacto.

Ganar la subasta no garantiza impresión

Este es el detalle más incómodo para los media buyers. Tras la subasta, OpenAI aplica otra capa de verificación para decidir si el anuncio encaja con esa conversación concreta. Un anuncio puede cumplir todas las políticas y aun así ser descartado por inapropiado en ese contexto específico. Y si no llega dentro de la ventana de entrega, tampoco aparece.

Las implicaciones para el reporting son serias: impresiones bajas pueden deberse a problemas de latencia, de encaje contextual post-subasta o de elegibilidad previa. OpenAI dice que sus logs internos registran estos puntos de caída (búsquedas sin ads candidatos, fallos de elegibilidad, placements servidos con interacción), pero no ha aclarado cuánto de eso verá el anunciante en su panel. Sin esa visibilidad, optimizar campañas será a ciegas durante un tiempo.

Qué deberías estar haciendo ya si trabajas AI Search

  • Audita tus landings por intención contextual, no por keyword. Si ChatGPT detecta que el usuario quiere evitar X, tu página debe desactivar esa objeción en el primer scroll.
  • Separa estrategia orgánica (GEO) de estrategia paid en ChatGPT. Son equipos y señales distintas; mezclar presupuestos tiene poco sentido.
  • Prepara copies modulares: headline, descripción y CTA van separados de la introducción contextual que escribe el propio sistema. No intentes controlar esa intro.
  • Vigila la personalización: cuando el usuario la activa, el modelo usa información no sensible de conversaciones previas. Esto abre casos de uso de remarketing semántico, pero también de desperdicio presupuestario con usuarios que investigan compras a meses vista.

El stack publicitario de ChatGPT es, por diseño, mucho más opaco que Google Ads. Hasta que OpenAI no abra reporting granular, el trabajo del especialista será sobre todo higiene de contexto, calidad de landing y testing semántico. Lo demás, de momento, lo decide un orquestador que no vemos.

Fuente original: Search Engine Journal

Autor

Vakho Mtchedlishvili

SEO Lead especializado en ecommerce y AI Search. Ayudo a negocios digitales a crecer en Google y en los nuevos entornos de búsqueda con IA.

Deja un comentario