Revisión de términos de búsqueda asistida por LLM a escala de 50.000 consultas
Situación inicial
La empresa gestionaba una cartera de campañas de Google Shopping para moda, accesorios y relojes que generaba miles de términos de búsqueda nuevos cada día.
El equipo de marketing debía revisar esos términos para decidir qué consultas mantener, cuáles excluir y dónde asignar mejor el presupuesto. En la práctica, el volumen hacía imposible seguir el ritmo. Nombres de competidores, consultas de categorías incorrectas, productos relacionados y búsquedas específicas ambiguas se acumulaban más rápido de lo que podía asumir cualquier proceso manual.
No existía un marco estructurado para evaluar la relevancia a gran escala. Las decisiones dependían del criterio individual y variaban entre personas y campañas. Términos que probablemente debían haberse excluido permanecían activos. Otros, con poca evidencia, quedaban sin resolver porque nadie tenía capacidad para analizarlos.
El equipo veía métricas agregadas, pero tenía poca visibilidad de qué términos concretos aportaban valor. La pregunta era si existía una forma más sistemática de gestionar el proceso.
Qué hicimos
Diseñamos y ejecutamos una evaluación estructurada: ¿podía un pipeline de clasificación basado en LLM revisar términos de búsqueda con suficiente calidad para ser útil en campañas reales?
Construimos el pipeline sobre seis días de datos reales de campañas Shopping: aproximadamente 50.000 términos y 197.000 impresiones.
Para cada término, el sistema evaluaba la relevancia frente al catálogo real del cliente y producía un resultado estructurado y auditable: una decisión —MANTENER, BLOQUEAR, EVALUAR o VIGILAR—, una puntuación de relevancia de 0 a 1, una categoría, una explicación clara del criterio y, cuando correspondía, sugerencias de palabras clave negativas.
El pipeline no era una caja negra. Cada clasificación incluía una explicación que el equipo de marketing podía entender, cuestionar y convertir en una acción. Fue una decisión deliberada: para gestionar búsquedas con ayuda de IA, la auditabilidad importa tanto como la velocidad.
También incorporamos el tratamiento de casos límite. Los términos ambiguos o dependientes del contexto se marcaban como EVALUAR, en lugar de clasificarse automáticamente, para conservar la supervisión humana donde más importaba. Los términos con señales iniciales pero con pocos datos se marcaban como VIGILAR para revisarlos más adelante.
Qué indican los resultados
El pipeline clasificó los aproximadamente 50.000 términos con una justificación estructurada, asignó BLOQUEAR a 178 términos e identificó cerca de 8.800 candidatos a palabras clave negativas para revisión humana.
El valor principal está en la priorización. En una campaña que genera miles de términos cada día, el problema más caro no es la consulta obviamente irrelevante, sino las búsquedas que consumen presupuesto en silencio porque nadie tiene tiempo de revisarlas. Un sistema así podría sacar primero a la superficie esos términos y concentrar el trabajo manual donde la exposición económica es mayor, en lugar de revisar consultas en un orden arbitrario.
Además, la evaluación indica que un equipo podría procesar todo el volumen diario sin acumular retrasos, construir estrategias de palabras clave negativas a partir de un análisis sistemático y mantener una visión estructurada del conjunto de búsquedas que la revisión exclusivamente manual difícilmente puede sostener.
La prueba demostró que el pipeline podía generar clasificaciones estructuradas y explicables a escala de campaña. Antes de automatizar decisiones, la siguiente fase debería medir la precisión, analizar errores y acordar umbrales de revisión humana.
Conclusión para la dirección
Fue una evaluación estructurada de la capacidad de un LLM para apoyar la revisión de términos de búsqueda, realizada con datos reales y a escala de campaña.
El pipeline produjo clasificaciones trazables para 50.000 términos y separó las acciones claras de los casos que requerían criterio humano. La evaluación estableció una base práctica para una fase controlada de validación comparativa.
Para llevar el flujo a producción habría que acordar umbrales de calidad, supervisar los errores y definir controles de revisión humana. La evaluación aportó la evidencia necesaria para decidir ese siguiente paso.