Meridian GeoX de Google ya está disponible:
lo que realmente cambia (y lo que no)

Lo que Google realmente lanzó

El 9 de septiembre de 2026, Google sacó su librería de pruebas de geo-incrementalidad, Meridian GeoX, de fase beta y la llevó a disponibilidad general, anunciando el movimiento en un livestream en el canal de YouTube de Google Analytics. Junto a ello, Google lanzó Meridian 2.0.0, el framework de MMM de código abierto que lo sustenta, con JAX reemplazando a TensorFlow como backend de cómputo por defecto.

Para cualquiera que ejecute o esté evaluando un modelo de marketing mix, vale la pena detenerse en esto, no porque GeoX sea revolucionario, sino por lo que su lanzamiento valida sobre hacia dónde va la medición, y lo que deja tranquilamente sin resolver.

Meridian GeoX es una librería de código abierto para diseñar y analizar experimentos publicitarios geográficos: dividir un mercado en regiones, cambiar la inversión en algunas, mantener otras como control de negocio-como-siempre, y medir la diferencia en resultados. Ese es un diseño estándar de geo holdout. Lo nuevo es el empaquetado: los resultados de GeoX están construidos para alimentar directamente a Meridian, el modelo de marketing mix modeling de código abierto de Google, como priors causales. Meridian 2.0.0 llegó la misma semana, con JAX como backend por defecto en lugar de TensorFlow. Google afirma aproximadamente el doble de velocidad de procesamiento y cuatro veces más eficiencia de memoria como resultado, una mejora significativa para quien ejecuta Meridian sobre conjuntos de datos grandes y multianuales con muchas geografías y canales.

Esta no es la única infraestructura de medición que cambió este mismo mes. El propio impulso de Google hacia el MMM de plataforma —integrar Meridian directamente en Google Analytics 360— es parte de la misma historia más amplia, que analizamos en detalle aquí, incluyendo cómo se compara con la retirada paralela de Meta de Robyn.

Por qué «priors causales» es la parte que vale la pena entender

La debilidad central de cualquier modelo de marketing mix es que es fundamentalmente correlacional: ajusta una relación estadística entre inversión y resultados sobre datos históricos, y esa relación puede estar confundida por estacionalidad, movimientos de la competencia o canales que casualmente funcionan juntos. Un experimento geográfico produce algo distinto: una estimación causal y controlada de lo que un canal específico realmente hizo en una ventana concreta.

Alimentar esa estimación causal de vuelta al modelo como un prior es cómo se obtiene un MMM calibrado: en lugar de pedirle al modelo que infiera causalidad únicamente a partir de la correlación, le das un punto de anclaje real, fundamentado en experimentación, desde el cual razonar. Esta es la misma lógica detrás de la calibración de Robyn de Meta y de la mayoría de la práctica seria de MMM hoy en día; que Google lo empaquete como un flujo de trabajo integrado de un solo clic es lo genuinamente nuevo aquí, no la estadística subyacente. Para una comparación neutral respecto al proveedor más detallada de cómo Meridian y Robyn se comparan realmente como herramientas de modelado, consulta nuestro análisis anterior.

Las cifras que Google está promoviendo, y por qué tratarlas con cautela

El responsable de producto de Google afirmó que GeoX ofrece ahorros presupuestarios de más del 31% para grandes anunciantes en comparación con alternativas de código abierto no especificadas, y reduce el tiempo de generación de diseño de experimentos en más del 94%. Ambas cifras se presentaron sin revelar el tamaño de muestra, el periodo de prueba, el conjunto de comparación, ni una definición de qué cuenta como «gran anunciante», y ninguna de las dos ha sido replicada de forma independiente.

Esto no es una crítica específica a GeoX; es un recordatorio que se aplica a cualquier benchmark de proveedor en este espacio, incluyendo el de plataformas de medición que se posicionan como neutrales. Pide a cualquier proveedor, Google incluido, que te muestre los datos de validación, no solo el porcentaje titular.

La brecha que GeoX no cierra

Aquí está la parte que más importa para quien su mix de medios no es 100% de Google. Los experimentos de GeoX están naturalmente limitados a los canales que Google puede instrumentar y donde estés dispuesto a ejecutar divisiones geográficas, típicamente inversión en Google/YouTube, y otros canales digitales que puedas controlar a nivel geográfico. Una prueba geográfica sobre tu presupuesto de YouTube te dirá qué hizo YouTube en esa ventana. No te dirá cómo esa inversión en YouTube interactuó con un flight de TV lineal, una campaña de exterior, o una compra de radio que corrió las mismas semanas en los mismos mercados, porque esos canales quedan fuera del experimento, y a menudo también fuera del propio MMM del anunciante si el modelo se construyó digital-primero.

Los medios offline no obtienen un pase libre solo porque sean más difíciles de instrumentar. TV, exterior, radio y prensa mueven la misma demanda que una prueba de YouTube con división geográfica intenta aislar, y un modelo que los trata como algo secundario, o los omite, hará una atribución errónea de la misma incrementalidad que GeoX está diseñado para revelar. La calibración causal solo funciona si calibra un modelo que realmente contiene todo tu mix. Ese es exactamente el tipo de punto ciego que también hemos visto aparecer del lado de los datos: mira, por ejemplo, cómo un único cambio de metodología upstream en Nielsen reescribió en silencio los ratings de TV local en la misma ventana de dos semanas que el lanzamiento de GeoX.

Los datos de confianza respaldan la triangulación, no las apuestas de método único

Según la investigación de EMARKETER de 2026 sobre incrementalidad, el 60% de los tomadores de decisiones de marketing senior en EE. UU. confían más en las pruebas de incrementalidad independientes como método de medición, frente al 40% en marketing mix modeling y el 37% en el reporting dentro de la propia plataforma. Léelo con atención: las pruebas de incrementalidad ganan el concurso de confianza precisamente porque son una verificación de los otros métodos, no un reemplazo de ellos. Nadie en esa encuesta dice que el MMM deba desaparecer; dicen que necesita fundamento causal.

Ese es exactamente el flujo de trabajo que GeoX formaliza para los propios canales de Google. La pregunta abierta para la mayoría de los anunciantes es si su MMM está construido para aceptar ese tipo de fundamento causal en todos los canales que realmente compran, no solo en aquellos donde una única plataforma publicitaria puede ejecutar un experimento.

Qué significa esto para tu stack

Algunas conclusiones prácticas si estás evaluando tu propia configuración de medición a la luz de este lanzamiento:

• No confundas la prueba de incrementalidad nativa de una plataforma con una medición completa. Una prueba geográfica ejecutada por la plataforma que te vende el medio es un dato útil, no una auditoría independiente.
• Usa los resultados de experimentos como inputs de calibración en cualquier lugar donde tu MMM pueda ingerirlos, ya vengan de GeoX, de un geo holdout de un proveedor, o de tu propia prueba interna.
• Exige a cualquier proveedor de MMM, incluido Google, metodología de validación, no porcentajes titulares. Pregunta cómo se ven el MAPE, el R-cuadrado y la precisión de holdout en tus propios datos, no en un «gran anunciante» hipotético.
• Asegúrate de que los canales offline reciban el mismo tratamiento causal que los digitales. Si tu modelo no puede absorber una prueba geográfica de TV o exterior de la misma manera que absorbe una de YouTube, el modelo tiene un punto ciego estructural, no solo una brecha de datos.

GeoX es un paso real hacia adelante para el propio stack de medición de Google, y el giro hacia un MMM calibrado causalmente que representa es la dirección correcta para la industria. Pero el lanzamiento también es una prueba de estrés útil para una pregunta que todo marketer debería hacerle a su propio proveedor de medición: ¿tu modelo realmente abarca los medios que compras, offline y online juntos, o solo la parte que una sola plataforma puede ver?

Esa es precisamente la brecha que Animo está construida para cerrar. Animo ejecuta un único MMM causal y always-on en TV, exterior, radio, prensa y todos los canales digitales a la vez, de modo que la evidencia de incrementalidad de cualquier fuente —una prueba geográfica, un holdout, un lanzamiento regional— calibra un único modelo que refleja tu mix real, no una porción solo digital. Si estás replanteando cómo deben alimentar tu modelo los datos de experimentación este trimestre, con gusto te mostramos cómo funciona con tus propios datos.

Fuentes

• Anuncio de disponibilidad general de Google Meridian GeoX, livestream del 9 de sept. de 2026: searchenginejournal.com
• Meridian GeoX sale de beta, afirmación de ahorro del 31%, diseño de experimentos 94% más rápido, sin verificación independiente: ppc.land
• Disponibilidad general de Meridian GeoX y afirmación de ahorro, detalle confirmatorio: relevantaudience.com
• Anuncio oficial de Google sobre Meridian GeoX: business.google.com
• Explicación de Meridian GeoX / contexto sobre el flujo de trabajo de experimento geográfico a MMM: ppc.land y ppc.land
• Cambio de backend a JAX en Meridian 2.0.0, changelog: github.com
• EMARKETER: 60% confía más en las pruebas de incrementalidad, 40% en MMM, 37% en el reporting dentro de la plataforma: emarketer.com