50 prompts ChatGPT para Google Ads: templates JSON

En los tests blind comparativos que realizamos de forma continua en las cuentas observadas en los benchmarks públicos 2026 — datos agregados de Google Ads — aplicados a los LLMs mayores (GPT-5, Claude Opus 4.7, Gemini 2.5 Pro), un prompt en prosa naive del tipo « escríbeme 15 headlines RSA para CRM B2B » produce entre un 40 y un 55% de output directamente utilizable — el resto a corregir o descartar por redundancia, fuera de tema, exceso de caracteres, o alucinaciones sobre features inexistentes. Según los verticales testeados, la diferencia se sitúa entre el 28% (verticales técnicos B2B donde la IA alucina más) y el 67% (verticales B2C de gran público donde el lenguaje es más estandarizado). El mismo caso con prompt JSON estructurado con constraints character_max, theme_distribution, excluded_terms, format_output sube al 75 a 88% de output aprovechable. La ganancia no está en la calidad del modelo — está en la precisión de las constraints. Un LLM 2026 sigue las constraints JSON drásticamente mejor que las constraints en prosa. ChatGPT no es mágico en Google Ads; estructurado, se vuelve productivo.

Este artículo entrega 30 prompts JSON agrupados por caso de uso: 6 RSA generation, 5 negativos discovery, 4 auditoría narrativa, 5 reporting ejecutivo, 5 optimización táctica, más 5 bonus anexos. Todos testeados en cuentas reales y calibrados en los 3 LLMs mayores 2026. Para la redacción RSA pura, consulta nuestro método de redacción RSA. Para la auditoría completa de una cuenta, nuestra checklist de auditoría Google Ads. Y para el reporting cliente, nuestra guía reporting 10 KPI. Nuestro calculador CTR gratuito compara tu tasa de clics con las medianas 2026 por vertical.

Por qué prompts JSON estructurados (vs prosa)

Un prompt JSON estructurado es un prompt formateado en JSON con claves explícitas para el rol del modelo, el contexto de negocio, las constraints (character count, exclusiones, formato de output), los ejemplos few-shot y las instrucciones de validación. Comparado con un prompt en prosa en lenguaje natural, fuerza al modelo a seguir reglas verificables — lo que es mucho más robusto en los LLMs 2026, optimizados para seguir estructuras formalizadas vía su fine-tuning RLHF.

Diferencias observadas en blind test sobre 200 prompts pareados (RSA, negativos, auditoría):

Los 6 componentes críticos de un prompt JSON Google Ads:

• role — quién es el modelo (« Eres un Google Ads specialist senior »). Define el tono y la profundidad.
• context — datos business de la cuenta (vertical, ICP, presupuesto, objetivos). Corto pero preciso, sin prosa vaga.
• task — la misión específica con verbo de acción.
• constraints — reglas duras (character count, formato, exclusiones). Es ahí donde ocurre la magia.
• examples (opcional) — 2 a 4 ejemplos few-shot del estilo esperado. Aumenta la calidad un 15-25%.
• output_format — JSON, markdown, CSV. Imponer el formato facilita el parsing automatizado.

Referencia oficial para profundizar: la documentación de prompt engineering OpenAI en platform.openai.com, la guía Anthropic en docs.anthropic.com y la documentación Google AI Studio en ai.google.dev. Las tres convergen en el valor de los prompts estructurados — JSON o XML — vs prosa libre.

La diferencia de output aprovechable (40-55% vs 75-88%) no viene de una diferencia de modelo o de capacidad bruta del LLM. Es el mismo GPT-5, el mismo Claude Opus 4.7, el mismo Gemini 2.5 Pro que producen ambos resultados. La variable explicativa es la estructura formal de las constraints. Un LLM 2026 ha sido fine-tuneado por RLHF sobre millones de ejemplos de estructuras formales (JSON, XML, function calling, tool use). Cuando le das una lista de constraints en prosa libre, las interpreta con una varianza importante. Cuando le das las mismas constraints en JSON, las trata como un esquema a validar — y la tasa de cumplimiento sube mecánicamente. Es una propiedad emergente del training post-2024, no una magia de prompt.

RSA generation: 6 prompts por formato

La generación de RSA es el caso de uso N.1 donde la IA hace ganar tiempo medible. La clave: no pedir « escribe 15 headlines », sino imponer una matriz temática estricta (cf. método RSA) con character count, distribución temática y exclusiones de términos.

El formato Responsive Search Ad combina hasta 15 títulos y 4 descripciones que Google permuta dinámicamente al mostrarse. La máquina de aprendizaje de Google Ads optimiza las combinaciones título/descripción según el usuario, la query y el contexto de puja — pero solo puede hacerlo correctamente si recibe suficiente variedad temática. Según los datos agregados de Google Ads 2025-2026, las RSAs con menos de 10 títulos o con diversidad temática pobre (3 temas o menos de 7 esperados) estancan su Ad Strength en « Average » y su CTR por debajo de la mediana vertical. Los seis prompts a continuación buscan automatizar la producción preservando la diversidad temática — clave del Quality Score en Search.

Prompt 1 — RSA Search estándar 15 headlines + 4 descripciones

{
  "role": "Eres un copywriter Google Ads senior, hispanohablante, experto RSA.",
  "context": {
    "vertical": "SaaS B2B CRM",
    "icp": "PYME 20-200 empleados, sector servicios",
    "diferenciadores": ["RGPD compliant", "Sin compromiso", "Made in Europe"],
    "competitors": ["HubSpot", "Pipedrive", "Salesforce Essentials"],
    "tono": "profesional directo, factual, evidence-based"
  },
  "task": "Genera 15 headlines RSA y 4 descripciones para ad group 'CRM B2B PYME'.",
  "constraints": {
    "headline_max_chars": 30,
    "description_max_chars": 90,
    "theme_distribution": {
      "keyword_principal": 3,
      "beneficios_cifrados": 3,
      "proof_points": 2,
      "cta_directo": 2,
      "oferta_urgencia": 2,
      "diferenciacion": 2,
      "brand_solo": 1
    },
    "no_repetition_keyword_exact": true,
    "no_external_benchmarks": true,
    "include_keyword_in_3_headlines": "CRM B2B"
  },
  "examples_few_shot": [
    {"headline": "CRM B2B PYME · Demo 15 min", "theme": "keyword_cta"},
    {"headline": "Ahorra 8h/semana en 2026", "theme": "beneficio_cifrado"}
  ],
  "output_format": "JSON array con keys: headline, theme, char_count"
}

Prompt 2 — RSA Display assets simplificados

{
  "role": "Copywriter Display Google Ads.",
  "task": "Genera 8 headlines (30 char max) y 4 descripciones (90 char max) para campaña Display retargeting cart abandonners.",
  "context": {
    "vertical": "E-commerce moda mujer",
    "audience": "Cart abandonners últimos 7 días",
    "incentive": "-15% código WELCOME15",
    "deadline": "48h"
  },
  "constraints": {
    "tone": "urgencia sin presión abusiva",
    "headline_themes": ["incentive", "deadline", "producto_olvidado", "social_proof"],
    "no_caps_lock": true,
    "no_emojis": true
  },
  "output_format": "JSON object con arrays headlines y descriptions"
}

Prompt 3 — RSA PMax asset group completo

{
  "role": "PMax asset group designer.",
  "task": "Genera asset group completo para campaña PMax 'Sneakers Premium Hombre'.",
  "constraints": {
    "headlines_short": {"count": 5, "max_chars": 30},
    "headlines_long": {"count": 5, "max_chars": 90},
    "descriptions": {"count": 5, "max_chars": 90},
    "callouts": {"count": 4, "max_chars": 25},
    "structured_snippets": {"count": 3, "header": "brands", "values_max": 4},
    "image_brief": "5 prompts para generar imágenes vía DALL-E o Midjourney: producto lifestyle, primer plano detalle, vídeo 6s loop, square 1:1, 9:16 vertical"
  },
  "context": {
    "vertical": "E-commerce sneakers premium",
    "price_range": "180-450€",
    "audience": "Hombres 25-45 urbanos, premium-conscious"
  },
  "output_format": "JSON object estructurado por asset type"
}

Prompt 4 — RSA brand defense (competidor que puja por tu nombre)

{
  "role": "Brand defense PPC strategist.",
  "task": "Genera 15 headlines RSA para campaña Brand Defense — un competidor puja por nuestro nombre de marca.",
  "context": {
    "brand_name": "AcmeCRM",
    "competitor_name": "RivalCRM",
    "diferenciadores_vs_competitor": ["10 años más antiguo", "Nota 4.8/5", "Soporte ES 7d/7"]
  },
  "constraints": {
    "headline_max_chars": 30,
    "include_brand_in_5_headlines_minimum": true,
    "tone": "confiado sin agresivo (sin bashing directo)",
    "implicit_comparison": true,
    "no_competitor_name_mention": true
  },
  "output_format": "JSON array con headline, theme, brand_present"
}

Prompt 5 — RSA declinación estacional

{
  "role": "Seasonal campaign copywriter.",
  "task": "Declina RSA existente en versión Black Friday.",
  "input_existing_rsa": "[Pegar aquí los 15 headlines actuales]",
  "constraints": {
    "preserve_brand_voice": true,
    "preserve_3_brand_headlines": true,
    "reemplazar_oferta_urgencia_por": "Black Friday -40% hasta el 30 nov",
    "reemplazar_proof_por": "Best-sellers del año 2026",
    "agregar_contador_urgencia": "Solo quedan X días"
  },
  "output_format": "JSON con original + nueva versión side-by-side"
}

Prompt 6 — RSA multi-idioma coherencia brand voice

{
  "role": "Multilingual copywriter EN/FR/ES/DE.",
  "task": "Adapta la RSA siguiente en 4 idiomas preservando la matriz temática y el tono brand.",
  "input_rsa_es": "[Pegar aquí los 15 headlines ES + 4 desc]",
  "constraints": {
    "no_literal_translation": true,
    "preserve_theme_distribution": true,
    "preserve_proof_points_cifras": true,
    "adapt_idiomas_local": true,
    "respect_char_count_per_language": {
      "FR": 30, "EN": 30, "ES": 30, "DE": 30
    },
    "warn_if_translation_doesnt_fit_char_count": true
  },
  "output_format": "JSON object con key por locale"
}

Para estos 6 prompts, la ganancia de tiempo observada según los benchmarks públicos que acompañamos: producción inicial 45-60 min vs 2-3h en humano puro, con luego 15-20 min de edición humana para calibrar message-mercado. ROI de productividad confirmado en ad groups estandarizados (e-com mass market, lead gen volumen); beneficio marginal en ad groups estratégicos (brand premium, B2B nicho).

Un punto de vigilancia operativa: la brand voice no se le enseña a un LLM en un solo prompt. Para alcanzar una coherencia duradera sobre un volumen de RSAs (típicamente 50 a 200 por mes en una cuenta mid-market), hay que o constituir una biblioteca de 8 a 12 ejemplos few-shot representativos e inyectarlos sistemáticamente en el bloque examples_few_shot, o usar el sistema Projects de ChatGPT (o Claude Projects) para almacenar un brief brand voice compartido entre todos los prompts. En las cuentas observadas en los benchmarks públicos de Google Ads, el segundo enfoque reduce la varianza de tono entre RSAs del orden del 60-70% comparado con prompts aislados. Implica sin embargo una disciplina de gobernanza: la actualización del brief brand voice debe ser rastreada y versionada igual que el código.

Negativos discovery: 5 prompts por fuente

El discovery de negativos por IA es un caso de uso de alta palanca — una cuenta mid-market tiene típicamente 200 a 800 palabras clave negativas por descubrir escondidas en su search query report. Hacerlo a mano = 4 a 8h. Con un prompt JSON bien construido + clustering, 30 a 45 min. Para la mecánica discovery + clustering completa, consulta nuestro artículo negativos IA discovery + clustering.

La disciplina « negativos » es uno de los indicadores de madurez de una cuenta Google Ads. Según los verticales, la diferencia de CPA entre una cuenta con lista de negativos compartida actualizada y una cuenta sin negativos sistemáticos se sitúa entre un 15 y un 28% — por el mismo presupuesto, el mismo Smart Bidding, las mismas RSAs. La razón es mecánica: sin filtro de negativos, el broad match empuja el presupuesto hacia queries informativas o fuera de tema (« cómo hacer », « gratis », « definición »), que consumen clics sin convertir. Los cinco prompts a continuación abordan las cinco fuentes de señal complementarias: search query report Google Ads (la base), GA4 bounce rate, Meta Ads search bar, exclusiones trademark competidores, y clustering temático por embeddings. Combinar las cinco da una disciplina de discovery mucho más robusta que un enfoque search query solo. Para el cálculo rápido con benchmarks 2026 por vertical, consulta nuestro calculador CPA gratuito.

Prompt 7 — Negativos desde search query report (bulk 500 líneas)

{
  "role": "PPC negative keywords analyst.",
  "task": "Analiza el search query report adjunto e identifica los negativos candidatos.",
  "input_csv": "[Pegar search query report CSV: query, impressions, clicks, conversions, cost]",
  "context": {
    "vertical": "SaaS CRM B2B",
    "icp_keywords_positive": ["CRM", "software", "PYME", "B2B"],
    "icp_keywords_negative": ["gratis", "open source", "tutorial", "cómo hacer"],
    "intent_filter": "transaccional únicamente"
  },
  "constraints": {
    "min_impressions_threshold": 50,
    "min_clicks_threshold": 5,
    "max_conv_rate_threshold": 0.005,
    "exclude_brand_terms": ["AcmeCRM", "Acme"],
    "match_type_recommendation": "broad o phrase según volumen",
    "no_external_benchmarks": true
  },
  "output_format": "JSON array con query, recommended_negative, match_type, reason, priority"
}

Prompt 8 — Negativos desde GA4 landing page bounce

{
  "role": "GA4 + Google Ads correlation analyst.",
  "task": "Cruza las queries Google Ads con los bounce rate GA4 por landing page para detectar mismatches.",
  "input_ga4_csv": "[Page path, sessions, bounce rate, avg session duration]",
  "input_gads_csv": "[Search query, landing page, impressions, clicks, conversions]",
  "constraints": {
    "bounce_rate_threshold": 0.75,
    "min_sessions_for_signal": 30,
    "correlation_window_days": 30
  },
  "task_detail": "Identifica las queries Google Ads que llevan a landing pages con bounce > 75% — candidatos a negativos.",
  "output_format": "JSON array con query, landing_page, bounce_rate, sessions, recommended_action"
}

Prompt 9 — Negativos Meta Ads search bar interest analysis

{
  "role": "Cross-channel negative keywords strategist.",
  "task": "Analiza las queries Meta Ads search bar para identificar intents no pertinentes para Google Ads.",
  "input_meta_search_terms": "[Pegar export Meta Ads Search bar terms]",
  "context": {
    "google_ads_vertical": "Lead gen agente inmobiliario",
    "google_ads_icp": "Compradores primera vivienda 28-45 años"
  },
  "constraints": {
    "intent_categories_to_extract": ["info_only", "wrong_persona", "wrong_geography", "wrong_product"],
    "exclude_already_in_negative_list": "[Pegar lista actual]"
  },
  "output_format": "JSON object grouped by intent_category"
}

Prompt 10 — Negativos competidores trademark exclusion

{
  "role": "Trademark negative keywords legal-aware.",
  "task": "Genera lista exhaustiva de palabras clave negativas para excluir mis campañas de las búsquedas de marcas competidoras.",
  "context": {
    "competitors_to_exclude": ["HubSpot", "Pipedrive", "Salesforce", "Zoho", "monday.com"],
    "include_misspellings": true,
    "include_branded_keyword_combos": true
  },
  "constraints": {
    "match_types": ["exact", "phrase"],
    "exclude_generic_terms": ["CRM", "software"],
    "include_typo_variants": true
  },
  "output_format": "JSON array con negative_keyword, match_type, reason"
}

Prompt 11 — Negativos clustering temático embeddings

{
  "role": "Embeddings + clustering negative keywords specialist.",
  "task": "Agrupa la lista de 500 search queries no convertidas por clusters semánticos para agrupar los negativos.",
  "input_queries": "[Pegar lista 500 search queries CSV]",
  "constraints": {
    "embedding_model": "text-embedding-3-small (sugerido)",
    "clustering_algorithm": "DBSCAN o KMeans k=15",
    "min_cluster_size": 5,
    "output_one_negative_per_cluster": true
  },
  "task_detail": "Para cada cluster, propone UN negativo phrase-match que cubra el 80%+ del cluster.",
  "output_format": "JSON array con cluster_id, sample_queries, recommended_negative_phrase, coverage_estimate"
}

En las cuentas que seguimos, estos 5 prompts permiten descubrir típicamente 150 a 400 negativos candidatos por auditoría trimestral, de los cuales entre un 60 y un 75% son retenidos tras revisión humana. Ahorro de tiempo enorme vs revisión manual.

La granularidad de aplicación sigue siendo una decisión humana. Un negativo detectado por IA puede aplicarse a cuatro niveles distintos: cuenta (vía lista compartida), campaña, ad group, o grupo de campañas vía lista compartida de alcance restringido. Un negativo amplio (« gratis », « tutorial ») se pone sistemáticamente a nivel cuenta; un negativo vertical-específico (« abogado divorcio » en una cuenta multi-especialidades) se pone a nivel campaña; un negativo de intent fino se pone a nivel ad group. Documentada en la página oficial Google Ads sobre listas compartidas, esta jerarquía evita los conflictos donde un negativo pertinente en B2C se aplica por error a una campaña B2B donde hace perder volumen.

Auditoría narrativa: 4 prompts por dimensión

La auditoría narrativa IA es diferente de la auditoría cifrada (que se genera vía script o API). La narrativa produce la prosa que contextualiza las cifras para un stakeholder de negocio. Es ahí donde Claude Opus 4.7 destaca particularmente — su coherencia a larga distancia supera a GPT-5 y Gemini en los informes en prosa de 2-5 páginas.

Una auditoría narrativa se distingue de una auditoría cifrada por su función: producir un texto explicativo que el destinatario pueda leer y decidir, y no una sucesión de KPIs. Las cuatro dimensiones auditadas a continuación (estructura, creativo, tracking, presupuesto) cubren juntas en la mayoría de los casos más del 80% de los problemas operativos de una cuenta Google Ads mid-market. Para enmarcar estas auditorías, dos principios deben respetarse estrictamente: inyectar directamente los datos de la cuenta en el prompt (export CSV o JSON, no una descripción en prosa), e impedir los benchmarks externos (no_external_benchmarks: true). Sin estas dos reglas, el LLM produce una auditoría falsamente convincente que mezcla observaciones reales de tus datos y alucinaciones sobre benchmarks inexistentes. La frontera entre auditoría útil y auditoría peligrosa está en ese detalle.

Prompt 12 — Auditoría estructura cuenta

{
  "role": "Senior Google Ads auditor con 10 años de experiencia.",
  "task": "Analiza la estructura de la cuenta adjunta y produce un informe narrativo de 800 palabras.",
  "input_account_structure_csv": "[Pegar export campaigns + ad_groups + keywords counts]",
  "dimensions_to_audit": [
    "naming_convention_consistency",
    "campaign_budget_allocation",
    "ad_group_size_balance",
    "match_types_distribution",
    "shared_negative_lists_usage"
  ],
  "constraints": {
    "tone": "factual, sin complacencia, sin alarmismo",
    "include_priority_actions": "top 3 quick wins + top 2 strategic",
    "no_external_benchmarks": true,
    "use_only_provided_data": true
  },
  "output_format": "Markdown estructurado: Executive Summary, Findings por dimensión, Priority Actions, Risks"
}

Prompt 13 — Auditoría creativa (RSA, Ad Strength, pinning)

{
  "role": "Creative Google Ads auditor.",
  "task": "Auditoría calidad creativa de la cuenta adjunta, foco RSA y Asset Reports.",
  "input_rsa_export": "[Pegar export RSA todas las campañas: ad_group, headlines, descriptions, ad_strength, pinning]",
  "input_asset_report": "[Pegar Asset Report: asset, performance_label]",
  "checks": [
    "headlines_count_per_rsa (target 15)",
    "thematic_diversity (7 temas esperados)",
    "pinning_excessive (warning si >1 pin por RSA)",
    "ad_strength_poor_count",
    "low_performing_assets_count"
  ],
  "output_format": "Tabla CSV (ad_group, issue, severity, recommended_fix) + párrafo síntesis"
}

Prompt 14 — Auditoría tracking conversiones

{
  "role": "Conversion tracking auditor.",
  "task": "Detecta anomalías de tracking en la cuenta.",
  "input_conversions_export": "[Pegar export Tools > Conversions]",
  "input_gtm_setup": "[Pegar summary GTM tags]",
  "checks": [
    "duplicates_conversion_actions",
    "missing_enhanced_conversions",
    "inconsistent_attribution_models",
    "stale_conversion_actions_no_data",
    "consent_mode_status"
  ],
  "constraints": {
    "include_remediation_steps": true,
    "include_estimated_signal_loss_percent": true
  },
  "output_format": "Markdown informe con secciones por check"
}

Prompt 15 — Auditoría budget pacing

{
  "role": "Budget pacing analyst.",
  "task": "Detecta over/underspend por campaña en los últimos 30 días.",
  "input_daily_spend_csv": "[Pegar export daily spend por campaña 30d]",
  "input_target_budgets": "[Daily budget target por campaña]",
  "checks": [
    "deviation_from_target_per_day",
    "weekday_vs_weekend_pattern",
    "early_month_overspend",
    "ramping_campaigns_unstable"
  ],
  "constraints": {
    "tolerance_threshold_percent": 8,
    "flag_if_consecutive_overspend_days": 3
  },
  "output_format": "Markdown con tabla de deriva + párrafo explicativo"
}

Para la auditoría pillar completa, consulta nuestra checklist auditoría Google Ads. Los prompts anteriores se encadenan en un workflow de auditoría semi-automatizado, con validación humana entre cada paso.

Reporting ejecutivo: 5 prompts por stakeholder

El reporting es el otro caso de uso donde la IA hace ganar masivamente tiempo — un account manager pasa en promedio de 6 a 12h/mes en los informes de clientes. Con prompts por persona stakeholder, se baja a 1-2h. Consulta nuestra guía reporting cliente 10 KPI para los indicadores a incluir.

La regla de oro del reporting ejecutivo es que un informe no se resume a las cifras: se resume al marco mental del destinatario. Un CEO quiere una visión business en 1 página (300 palabras máximo, sin jerga, con una cifra headline y un plan). Un CFO quiere payback period y ratio LTV:CAC, en vocabulario de finanzas no de marketing. Un equipo sales quiere la calidad de los leads expresada en MQL→SQL→deal, no en CTR. Un director de marketing quiere las anomalías semanales, los tests propuestos y los ratios contextuales. En las cuentas observadas en los benchmarks públicos de Google Ads, la diferencia entre un reporting genérico (el mismo informe para todos los stakeholders) y un reporting personalizado por persona se mide en la duración de atención del destinatario — que pasa en promedio de 90 segundos a 4-6 minutos por informe. El ROI real no está en las horas ahorradas por el account manager sino en las decisiones más finas tomadas por los destinatarios.

Prompt 16 — Reporting CEO executive summary

{
  "role": "CEO-grade executive reporter.",
  "task": "Síntesis 1 página exec summary a partir de los datos mensuales adjuntos.",
  "input_monthly_data": "[Pegar dashboard data: spend, conversions, CPA, ROAS, vs target]",
  "audience": "CEO no técnico, atención 2 minutos",
  "constraints": {
    "max_length_words": 300,
    "no_jargon": true,
    "structure": ["headline_metric_vs_target", "what_drove_change", "next_month_plan"],
    "tone": "factual sin embellecimiento",
    "include_risks": true
  },
  "output_format": "Markdown 1 página con 3 secciones"
}

Prompt 17 — Reporting marketing team weekly

{
  "role": "Performance marketing weekly briefer.",
  "task": "Brief semanal operativo para el equipo de marketing.",
  "input_weekly_data": "[CSV last 7 days vs previous 7 days]",
  "audience": "Marketing team mid-level, technique-friendly",
  "constraints": {
    "max_length_words": 500,
    "include_anomalies_first": true,
    "include_test_recommendations": "1-2 por semana",
    "use_jargon_authorized": ["CTR", "CPA", "ROAS", "LTV", "Smart Bidding"]
  },
  "output_format": "Markdown: Highlights / Lowlights / Anomalías / Tests propuestos"
}

Prompt 18 — Reporting sales team lead quality

{
  "role": "MQL/SQL pipeline analyst.",
  "task": "Brief para el equipo sales sobre la calidad de los leads Google Ads.",
  "input_crm_export": "[Pegar export CRM con source = Google Ads]",
  "audience": "Sales team, foco calidad no cantidad",
  "metrics_to_include": [
    "MQL_count",
    "SQL_conversion_rate_from_MQL",
    "deal_velocity_days",
    "closed_won_count",
    "average_deal_value"
  ],
  "constraints": {
    "include_lead_scoring_distribution": true,
    "flag_underperforming_campaigns_lead_quality": true
  },
  "output_format": "Markdown report sales-friendly"
}

Prompt 19 — Reporting CFO LTV:CAC

{
  "role": "CFO-grade financial reporter PPC.",
  "task": "Informe financiero foco payback period y LTV:CAC.",
  "input_data": "[CAC por cohorte mensual últimos 12 meses + LTV cohorte 12m]",
  "audience": "CFO, foco cash flow y márgenes",
  "constraints": {
    "include_payback_period_calculation": true,
    "include_ltv_cac_ratio_per_cohort": true,
    "include_blended_vs_paid_only_cac": true,
    "no_marketing_jargon": true,
    "use_finance_vocabulary": true
  },
  "output_format": "Markdown estructurado secciones finanzas"
}

Prompt 20 — Reporting agency client monthly QBR

{
  "role": "Agency QBR reporter.",
  "task": "Quarterly business review report para cliente de agencia.",
  "input_quarter_data": "[Pegar data trimestre + comparativo Q-1 + comparativo Y-1]",
  "audience": "Client decision-maker + equipo ops",
  "constraints": {
    "include_strategic_recommendations_top_3": true,
    "include_competitive_benchmark_directional_only": true,
    "include_next_quarter_roadmap": true,
    "tone": "partner no vendor",
    "max_length_words": 1500
  },
  "output_format": "Markdown long form QBR-style"
}

Optimización táctica: 5 prompts por decisión

La optimización táctica IA es el caso de uso más delicado — es donde la IA puede dar recomendaciones de alto impacto, pero también recomendaciones peligrosas si está mal enmarcada. Siempre validar humanamente antes de ejecutar. Para la mecánica general de optimización, consulta nuestra guía completa Performance Max 2026.

La distinción crítica entre prompts de análisis y prompts de decisión debe ser explícita en tu workflow. Los prompts de análisis (secciones RSA, negativos, auditoría, reporting anteriores) producen contenido que validas antes de publicar o difundir. El coste de un prompt analítico malo es un retraso de edición. Los prompts de decisión (los cinco a continuación) producen recomendaciones que, ejecutadas, modifican durablemente el rendimiento de la cuenta: un cambio Target CPA→Target ROAS prematuro puede costar tres semanas de relearning; una consolidación de ad groups mal calibrada puede romper audiencias pertinentes; una pausa de campaña basada en 30 días de ruido puede cortar una trayectoria de aprendizaje sana. Para estos cinco prompts, la regla absoluta es pedir explícitamente al modelo un score de confianza y un plan de rollback. Por debajo de 0.75 de confianza, no se despliega. Sin rollback documentado, tampoco se despliega.

Prompt 21 — Decisión rebid Smart Bidding (Target CPA → Target ROAS)

{
  "role": "Smart Bidding strategy advisor.",
  "task": "Aconseja sobre el cambio Target CPA → Target ROAS para la campaña adjunta.",
  "input_campaign_data": "[Pegar 90d data: conversions, value, CPA, ROAS, learning phase status]",
  "decision_criteria": [
    "min_50_value_based_conv_per_week",
    "value_signal_reliability",
    "learning_phase_stable_30_days",
    "target_ROAS_realistic_vs_history"
  ],
  "constraints": {
    "give_go_no_go_recommendation": true,
    "include_target_ROAS_initial_value": true,
    "include_rollback_plan": true,
    "include_monitoring_metrics_first_14_days": true
  },
  "output_format": "JSON: recommendation, target_ROAS_initial, rollback_trigger, kpi_to_monitor"
}

Prompt 22 — Decisión reestructura (consolidación ad groups)

{
  "role": "Account restructure strategist.",
  "task": "Identifica los ad groups a consolidar para alcanzar umbral de señal Smart Bidding.",
  "input_ad_groups_data": "[Pegar export ad groups: conv 30d, spend, estructura temática]",
  "criteria": {
    "min_conv_per_ad_group_week": 5,
    "thematic_proximity_threshold": 0.75,
    "preserve_separate_match_types": true,
    "preserve_separate_audiences": true
  },
  "constraints": {
    "max_ad_groups_per_consolidation": 4,
    "preserve_naming_convention": true,
    "include_keyword_remap_plan": true
  },
  "output_format": "JSON array con consolidation_group, source_ad_groups, target_ad_group_name, keywords_to_migrate"
}

Prompt 23 — Decisión lanzamiento nuevo negativo

{
  "role": "Negative keyword scope advisor.",
  "task": "Para cada negativo candidato adjunto, aconseja la granularidad de aplicación.",
  "input_negatives_candidates": "[Pegar lista negativos candidatos con query history]",
  "decision_levels": ["account_level", "campaign_level", "ad_group_level", "shared_negative_list"],
  "criteria": {
    "applies_to_all_campaigns": "account_level",
    "applies_to_specific_vertical": "campaign_level",
    "applies_to_specific_match_type_intent": "ad_group_level",
    "reusable_pattern": "shared_negative_list"
  },
  "output_format": "JSON array con negative, recommended_level, justification"
}

Prompt 24 — Decisión pausa campaña

{
  "role": "Campaign pause/keep decision advisor.",
  "task": "Analiza si la campaña debe ser pausada o retrabajada.",
  "input_campaign_60d": "[Pegar 60d data campaign + benchmarks cuenta]",
  "decision_criteria": [
    "CPA_vs_target_3x_above",
    "conversion_rate_below_account_avg_50pct",
    "trajectory_30d_improving_or_degrading",
    "strategic_value_brand_or_test"
  ],
  "constraints": {
    "include_alternatives_to_pause": ["restructure", "rebid", "creative_refresh", "audience_pivot"],
    "include_estimated_recovery_time_per_alternative": true
  },
  "output_format": "JSON: recommendation, alternatives_ranked, rationale"
}

Prompt 25 — Decisión asignación presupuesto cross-canal

{
  "role": "Cross-channel budget allocator.",
  "task": "Recomienda shift de presupuesto Google Ads vs Meta Ads vs Microsoft Ads según ROI marginal.",
  "input_channels_data": "[Pegar spend, conv, CAC, marginal CAC last 30d por canal]",
  "context": {
    "total_budget_eur_monthly": 25000,
    "current_split": {"google": 0.65, "meta": 0.25, "microsoft": 0.10},
    "constraints_business": ["Google brand mínimo 2k€/mes", "Microsoft B2B prioritario"]
  },
  "constraints": {
    "max_shift_percent_per_iteration": 0.15,
    "include_marginal_CAC_logic": true,
    "no_external_benchmarks": true
  },
  "output_format": "JSON: recommended_split, shift_per_channel_eur, rationale_per_shift"
}

Buenas prácticas: guardrails, validación, A/B

Las buenas prácticas de uso de prompts JSON no son opcionales — sin ellas, la IA produce outputs falsamente convincentes que causan daños reales en las cuentas. Tres pilares: guardrails, validación humana sistemática, A/B vs versión naive para medir la ganancia real.

Un guardrail es una constraint explícita que impones al modelo para limitar su espacio de salida: prohibir benchmarks externos, exigir un score de confianza, negarse a producir si los datos proporcionados son insuficientes. En las cuentas observadas en los benchmarks públicos de Google Ads, las agencias que no imponen estos guardrails publican en promedio entre un 12 y un 18% de contenido IA que contiene al menos una alucinación factual (cifra inventada, feature inexistente, fuente ficticia). Con los cinco guardrails a continuación activados sistemáticamente, la tasa de alucinación cae al 2-4% — y las que quedan son casi siempre detectadas en validación de esquema porque el modelo marca explícitamente sus hipótesis. La disciplina guardrail es acumulativa: cada guardrail añadido suprime una clase de error sin coste adicional, y la inversión inicial (5-10 min para redactar las constraints) se amortiza desde el segundo uso del prompt.

Los 5 guardrails esenciales a incluir en cada prompt:

• no_external_benchmarks — impide al modelo inventar stats sectoriales. Fuerza a usar únicamente los datos proporcionados.
• use_only_provided_data — variante estricta del anterior. Todo dato no proporcionado = desconocido, no inventado.
• flag_assumptions_explicitly — el modelo debe listar explícitamente las hipótesis que hace. Permite validarlas.
• include_confidence_score — para las decisiones, pedir al modelo un score de confianza 0-1. Filtrar por debajo de 0.7.
• request_clarification_if_data_insufficient — en lugar de inventar, pedir aclaraciones.

Pipeline de validación humana sistemática:

1. Output IA — recoger el JSON bruto.
2. Schema validation — verificar que el JSON parsea, que las constraints de character_count se cumplen, que las exclusiones se respetan.
3. Spot check semántico — revisión humana del 10-20% del output para coherencia message-mercado.
4. Test piloto — desplegar en 1 ad group o 1 campaña durante 7 días antes de industrializar.
5. Medición A/B vs baseline — comparar con los outputs equivalentes no-IA.

A/B test prompt naive vs prompt estructurado — metodología clara:

# Pseudo-código workflow A/B prompt comparison
import openai

def run_ab_prompts(naive_prompt, structured_prompt, n_runs=20):
    naive_outputs = [openai.chat.completions.create(
        model="gpt-5", messages=[{"role": "user", "content": naive_prompt}]
    ) for _ in range(n_runs)]

    structured_outputs = [openai.chat.completions.create(
        model="gpt-5", messages=[{"role": "user", "content": structured_prompt}]
    ) for _ in range(n_runs)]

    metrics = {
        "char_count_compliance": compare_char_compliance(naive_outputs, structured_outputs),
        "theme_diversity": compare_diversity(naive_outputs, structured_outputs),
        "human_edit_time_avg": measure_edit_time(naive_outputs, structured_outputs),
        "hallucination_rate": detect_hallucinations(naive_outputs, structured_outputs),
    }
    return metrics

Tests de calidad realizados sobre 200 pares de prompts (RSA, negativos, auditoría):

Para automatizar el despliegue de prompts en pipeline de producción, consulta nuestros artículos complementarios RSA IA + ad rotation, negativos IA discovery + clustering, e imágenes IA para Google Ads. Para la automatización del lado infraestructura (n8n, Zapier, MCP), consulta n8n Google Ads y Google Ads API Python.

Para los anunciantes que quieren desplegar esta disciplina IA sin construir la infraestructura de prompts ellos mismos, nuestra auditoría SteerAds integra los 30 prompts anteriores en su pipeline y entrega un informe listo-para-acción en 72h, con validación humana sistemática y A/B test piloto en 1 ad group antes de industrializar. Los 30 prompts JSON no son un producto terminado — son templates a adaptar a tu contexto vertical, tu brand voice y tu madurez de tracking. La disciplina que importa no es el prompt en sí sino el workflow alrededor: guardrails, validación, A/B medición, iteración mensual. Sin esta disciplina, ChatGPT sigue siendo efectivamente magia — que funciona una de cada dos veces y cuesta caro cuando falla — consulta también Microsoft Advertising Research para más detalles.

Fuentes

Fuentes oficiales consultadas para esta guía:

• anthropic.com
• platform.openai.com
• modelcontextprotocol.io
• schema.org

FAQ