Cómo usar la IA para analizar anuncios de la competencia (prompts y flujo de trabajo)

La forma más rápida de usar la IA para analizar anuncios de la competencia es dejar de pedirle que "analice" una sola captura de pantalla y empezar a alimentarla con un lote: extrae de 15 a 30 creatividades activas de un competidor o vertical, pega los titulares y una breve descripción de cada imagen en un LLM, y pídele que los agrupe por mecanismo de gancho, tipo de afirmación y emoción objetivo. Un solo anuncio te dice casi nada. Un lote te dice lo que un competidor sigue repitiendo, que es la parte cuya estructura vale la pena copiar, no la redacción específica.

Por qué falla el análisis de un solo anuncio#

Los media buyers nuevos en este flujo de trabajo suelen hacer una captura de pantalla de un anuncio de la competencia, soltarla en una herramienta de chat y preguntar "por qué funciona esto". El modelo inventará con seguridad una explicación, porque eso es lo que hacen los LLMs cuando se les da un solo punto de datos y se les pide un patrón. La solución es el volumen: los patrones solo se vuelven visibles a través de un conjunto de anuncios, y el modelo es mucho más fiable resumiendo lo que es común en veinte ejemplos que teorizando sobre uno. Este es el mismo principio detrás de analizar creatividades nativas ganadoras: los anuncios individuales son ruido, los lotes revelan la estructura.

El flujo de prompts que realmente funciona#

Esta es una secuencia que se mantiene en verticales de salud, finanzas, ecommerce y software:

1. Recopilar. Extrae un lote de creatividades activas para un competidor, marca o vertical, idealmente las que han estado funcionando durante un tiempo (la longevidad es un proxy aproximado de "sigue funcionando", tratado en la longevidad del anuncio como señal de éxito). Anota el titular, la descripción de la imagen y la vertical para cada uno.
2. Clasificar. Prompt: "Aquí hay 20 titulares de anuncios de [vertical]. Agrúpalos por el mecanismo central: brecha de curiosidad, afirmación directa, prueba social, miedo/urgencia, formato de historia. Para cada grupo, anota qué porcentaje del lote representa." Esto convierte un muro de titulares en una distribución sobre la que puedes actuar.
3. Extraer la estructura de la afirmación. Prompt: "Para cada titular, extrae la afirmación específica que se está haciendo (no la redacción, la promesa subyacente). ¿Son las afirmaciones específicas (un número, una parte del cuerpo, un producto nombrado) o vagas?" Las afirmaciones específicas son las que vale la pena estudiar; las vagas suelen ser de bajo rendimiento que rellenan el lote.
4. Comparar con tu propia creatividad. Prompt: "Aquí están mis titulares actuales y el lote de titulares de la competencia. ¿Qué mecanismos no estoy usando en absoluto?" Esto revela brechas más rápido que una comparación manual lado a lado.
5. Generar variantes desde la brecha, no desde cero. Una vez que sabes qué mecanismo te falta, pídele al modelo que redacte variantes de titulares usando ese mecanismo específico, ancladas a tu producto real, no a una plantilla genérica.

Qué alimentar al modelo (y qué no)#

La calidad de este flujo de trabajo depende totalmente de la entrada. Las capturas de pantalla de la unidad de anuncio sola (imagen más titular) son suficientes para la clasificación; aún no necesitas la landing page en esta etapa. Una vez que hayas preseleccionado algunas estructuras que valga la pena investigar, extiende el mismo enfoque a la landing page y reconstruye el funnel completo desde la creatividad hasta la oferta, ya que un titular que funciona aún puede fallar si la landing page no cumple con la afirmación específica que hizo.

No alimentes al modelo con toda tu exportación en bruto y pidas "ideas" sin estructura. Los prompts vagos producen resultados vagos y genéricos independientemente de lo bueno que sea el modelo subyacente. Cuanto más específica sea la pregunta (mecanismo, tipo de afirmación, registro emocional), más útil será la clasificación.

De dónde viene la fuente de datos#

Este flujo de trabajo es tan bueno como el conjunto de anuncios con el que empiezas, que es la parte que la mayoría de las guías omiten. Hacer capturas de pantalla manuales de anuncios de la competencia desde un feed es lento e incompleto, ya que los anuncios nativos rotan constantemente y solo ves lo que tu propio dispositivo recibe por casualidad. Un flujo de trabajo de inteligencia competitiva de anuncios construido alrededor de una lista de seguimiento y un archivo buscable y actualizable, en lugar de capturas de pantalla manuales, le da al LLM un lote mucho más grande y representativo con el que trabajar. El acceso programático también importa aquí: extraer datos a través de una API en lugar de copiar y pegar capturas de pantalla significa que puedes automatizar completamente el paso de "recopilar" y alimentar un lote nuevo en tu prompt de análisis en un horario, que es exactamente para lo que está la API de datos de anuncios nativos. Para los equipos que ya viven dentro de un flujo de trabajo de LLM, también hay una ruta directa: la MCP de la biblioteca de anuncios nativos te permite consultar el corpus de creatividades activas directamente desde Claude o ChatGPT sin exportar nada primero.

Una estructura de ejemplo trabajada#

Digamos que estás investigando a un competidor en el espacio de los audífonos. Una extracción por lotes podría revelar titulares como "Struggling to Hear Clearly? Discover a Device Transforming Lives" y varias variantes sobre esa misma estructura de curiosidad más afirmación. Clasificar un lote como este suele revelar dos o tres mecanismos dominantes (una brecha de curiosidad de salud, una afirmación directa centrada en el dispositivo y ocasionalmente un formato de historia), y puedes ver rápidamente en cuál se está apoyando más un competidor por volumen, no adivinando desde un solo anuncio. Esa distribución, no ningún titular individual, es el resultado accionable.

Errores comunes con este flujo de trabajo#

• Tratar la salida del modelo como un hecho en lugar de una hipótesis. Los LLMs son buenos resumiendo patrones que les alimentas y malos sabiendo si un patrón realmente se correlaciona con el rendimiento. Verifica cualquier patrón que el modelo revele contra señales reales de longevidad o gasto antes de apostar una campaña en él.
• Analizar un lote demasiado pequeño. Cinco anuncios no son un patrón, son una muestra de ruido. De veinte a treinta te lleva a algo real.
• Saltarse la landing page. Un gran análisis de gancho no significa nada si tampoco verificas qué hace el funnel con el clic, que es donde los formatos de pre-lander suelen decidir si el clic convierte.
• Ignorar las diferencias geográficas y de vertical. Una estructura de afirmación que domina en creatividades de salud en EE. UU. no necesariamente se traduce a una geo diferente o a una oferta de software; vuelve a ejecutar la clasificación por vertical en lugar de asumir que un patrón se generaliza.

Usar la IA para rastrear cambios en el tiempo, no solo una instantánea#

Un análisis único te dice lo que un competidor está haciendo esta semana. La versión más útil de este flujo de trabajo se ejecuta en un horario: extrae un lote nuevo cada pocos días, aliméntalo con el mismo prompt de clasificación y compara la salida con la de la semana pasada. Un cambio en la distribución de mecanismos (digamos, un competidor pasando de titulares de brecha de curiosidad a titulares de afirmación directa) suele significar que encontraron algo que convierte mejor y están duplicando la apuesta. Captar ese cambio temprano vale más que cualquier análisis profundo único, y es la diferencia entre construir una lista de seguimiento de competidores que realmente informe tu calendario creativo y una que sea solo una carpeta de capturas de pantalla antiguas que nadie revisa.

Aquí es también donde el modo de fallo del "prompt vago" se vuelve caro a escala. Si estás ejecutando esta clasificación semanalmente en varios competidores, pequeñas inconsistencias en cómo formulas el prompt harán que las comparaciones semana tras semana no sean fiables. Bloquea la plantilla del prompt una vez que produzca agrupaciones útiles, y cambia solo el lote de entrada, no las instrucciones, para que tus líneas de tendencia sean realmente comparables.

Lo que este flujo de trabajo no te dirá#

Sé realista sobre los límites. Un LLM puede clasificar mecanismos y estructuras de afirmación de forma fiable; no puede decirte la tasa de conversión real de un competidor, su gasto real, o si un anuncio sigue activo porque es genuinamente rentable versus funcionando en piloto automático dentro de una campaña configurada y olvidada. La longevidad es un proxy, no una prueba, e incluso un prompt bien estructurado solo está resumiendo lo que le alimentaste. Trata la salida como un fuerte generador de hipótesis que reduce lo que probar a continuación, no como un veredicto sobre lo que funcionará para tu oferta.

Convertir el análisis en acción#

El objetivo de todo este ejercicio no es un informe, es una lista corta de dos o tres estructuras de afirmación que no estás usando actualmente, probadas honestamente contra tu propio producto. Una vez que tienes esa lista corta, el trabajo de la IA cambia de análisis a generación: redacta variantes de titulares en el mecanismo faltante, mantén la afirmación específica y lanza pequeño. Si prefieres saltarte construir la canalización de recopilación tú mismo, navegar por un archivo actualizable y buscable de creatividades activas dentro de la plataforma de inteligencia de anuncios de OpenAdLibrary te da el lote para analizar sin hacer una sola captura de pantalla a mano.