Para construir un lookalike hace algunos años bastaba con subir una lista de clientes a Facebook o a Google y dejar que el sistema hiciera el resto. Elegías qué tan parecida querías la audiencia nueva, esperabas un par de días y la campaña salía a buscar personas con el mismo perfil que tus mejores compradores.
Ese control, decidir cuánto se parece la audiencia nueva a la que ya tienes ha cambiado de lugar y hoy vive dentro de cada plataforma, con reglas propias sobre el tamaño mínimo de tu seed, la portabilidad del modelo resultante y lo que puedes medir después. Antes de construir tu próxima audiencia lookalike conviene entender qué exige el entorno donde va a ocurrir ese cálculo.
¿Qué hace realmente un modelo lookalike?
Un modelo lookalike parte de una lista de clientes propios, llamada seed. La plataforma analiza qué comparten esas personas entre sí, por ejemplo su comportamiento de compra o su frecuencia de visita y busca dentro de un universo mucho más grande a quienes se parecen a ese patrón. El resultado es una audiencia nueva que nunca interactuó con tu marca, pero que estadísticamente se comporta como quienes sí lo hicieron.
La lógica no cambió en una década. Lo que cambió es el universo contra el que se compara tu seed. Antes, ese universo lo definía en buena parte la cookie de terceros, que dejaba rastro del comportamiento de un usuario a través de sitios distintos. Sin esa cookie, el universo de comparación solo puede vivir dentro de un entorno que ya tiene esa señal de forma propia, sea una red social, un buscador, un retailer o una plataforma de compra programática.
¿Dónde puede ocurrir el modelado hoy?
Cada entorno resuelve esto de forma distinta. Según la documentación de Google Ads, desde marzo de 2026 los segmentos lookalike de Demand Gen dejaron de funcionar como un límite estricto de similitud. El rango elegido, narrow, balanced o broad, pasó a operar como una señal que el sistema puede rebasar si predice una conversión probable. La misma documentación para desarrolladores fija en 100 el mínimo de usuarios coincidentes en la suma de las listas seed, aunque el resumen automático de esa página dice 1.000, una inconsistencia dentro del propio documento que vale la pena tener presente si trabajas con seeds pequeños.
Meta mantiene un esquema más manual. Según su Centro de ayuda para empresas, exige un mínimo de 100 personas en la audiencia fuente y recomienda entre 1.000 y 5.000 personas para un modelo con mejor desempeño. Amazon, en cambio, no expone el modelado lookalike como una función de autoservicio simple. Según Amazon Ads, esa capacidad vive dentro de Amazon Marketing Cloud, donde se define un seed usando señales cruzadas de distintas fuentes y un modelo de aprendizaje automático de AWS genera la audiencia lista para usarse en el DSP. The Trade Desk sigue un camino todavía distinto, su documentación describe el modelado lookalike como parte de un sistema mayor que evalúa la escala alcanzable contra un tipo de identificador específico, sin publicar un umbral numérico fijo de seed.
Los tres requisitos que definen si un entorno te sirve
Más allá del nombre de cada plataforma, hay tres factores que determinan si el modelado lookalike te sirve en un caso concreto.
- El tamaño mínimo del seed. Google y Meta publican un piso bajo, 100 usuarios, pero ambos advierten que la calidad del modelo mejora con miles de registros. Amazon y The Trade Desk no publican un número exacto porque su modelado depende de arquitecturas más amplias, Amazon Marketing Cloud y Audience Predictor respectivamente, donde el tamaño efectivo del seed se combina con otras señales que cada plataforma administra de forma interna. Si tu seed no alcanza ese mínimo, la segmentación por contexto sigue funcionando como alternativa sin depender de audiencias propias
- Portabilidad del modelo. Una audiencia lookalike construida dentro de Google Demand Gen no sirve fuera de esa modalidad de campaña. La propia documentación de Google señala que si usas ese segmento en otro tipo de campaña queda marcado como elegible con entrega limitada, sin alcance real. Algo similar aplica, en distinta medida, a Meta y a Amazon, donde el modelo vive dentro de la arquitectura de esa plataforma y no se traslada a otro sistema de compra.
- Qué puedes medir después. Cuando el sistema trata tu rango de similitud como una señal y no como un límite duro, como ocurre ahora en Google, el reporte de desempeño sigue mostrando la campaña bajo la misma etiqueta aunque el comportamiento real de entrega haya cambiado. Comparar resultados de antes y después de ese cambio de política exige revisar qué significaba cada métrica en cada momento, no solo el número final que arroja el reporte.
Qué cambia para un anunciante en LATAM
No existe, al momento de esta publicación, una fuente Nivel 1 con datos propios de adopción o desempeño de modelado lookalike en América Latina. Lo que sí puede verificarse es disponibilidad. Amazon Marketing Cloud, según su propio anuncio de lanzamiento, está disponible en Brasil dentro de su lista de mercados habilitados en Sudamérica. Ningún otro país de la región aparece en esa lista.
No encontré documentación pública de Mercado Ads, la plataforma de publicidad de Mercado Libre, sobre una función de audiencias lookalike o expansión de audiencia equivalente. Esto no significa que la función no exista. Significa que no hay (a la fecha) una fuente verificable que la describa.
Si trabajas con presupuestos en la región y tu plataforma principal es Google, Meta o Mercado Libre, la pregunta que conviene hacerte primero no es qué modelo rinde mejor, sino cuál de esos entornos tiene la función realmente disponible y bajo qué arquitectura de acceso.
Cómo tomar la decisión
Con estos tres requisitos como filtro, la elección de dónde construir tu lookalike se ordena antes de mirar resultados.
- Si tu seed es pequeño, unos cientos de registros, Google o Meta ofrecen el piso más bajo de entrada.
- Si tu negocio ya opera dentro de una arquitectura de datos más compleja, con señales que provienen de distintas fuentes, Amazon Marketing Cloud o el enfoque de The Trade Desk aprovechan mejor esa profundidad.
- Si necesitas portar el resultado entre distintos tipos de campaña, ningún entorno actual te lo permite sin fricción y vale la pena declarar esa limitación antes de prometer un resultado a un cliente o a tu propio equipo.
Esta es orientación operativa basada en cómo está documentada cada plataforma hoy, no una medición de cuál conviene más para tu caso particular. Esa respuesta depende de tu seed, tu objetivo de campaña y qué tan dispuesto estás a operar dentro de la arquitectura de una sola plataforma.
Próximos pasos
Antes de construir tu próxima audiencia lookalike, revisa tres cosas en este orden. Primero, cuántos registros de calidad tienes disponibles como seed y en qué plataforma ya viven hoy. Segundo, si necesitas que el resultado sea portable entre tipos de campaña o si puedes operar dentro de una sola plataforma sin problema. Tercero, qué vas a poder medir después del cambio de reglas que introdujo Google en marzo de 2026, para no comparar resultados de dos períodos con reglas de entrega distintas bajo la misma etiqueta de reporte.
Nota sobre los datos de este artículo
No existe, al momento de esta publicación, una fuente Nivel 1 con datos propios de adopción, volumen o desempeño de modelado lookalike en América Latina. Los datos usados en este artículo describen requisitos y arquitectura de plataforma, verificados en la documentación oficial de Google, Meta, Amazon y The Trade Desk. La disponibilidad de Amazon Marketing Cloud en Brasil es el único dato con desglose regional explícito encontrado en fuente Nivel 1. No se encontró documentación pública de Mercado Ads sobre esta función al momento de esta redacción