AI i driften af PPC: hvad den allerede gør godt, og hvor den stadig fejler
Automatiseringen har overtaget buddene, matchningen og sammensætningen af annoncer. Hvor det fungerer, hvor det taber penge i stilhed, og hvilket arbejde der blev tilbage til mennesker — skrevet af folk der måtte bygge deres eget værktøj til det.
- Automatiseringen er god til at optimere mod et givet mål. Den er dårlig til at afgøre, om det mål er det rigtige.
- Sprogmodeller sparer mest tid på tekster, på at læse rapporter og på feed-rutine — ikke på beslutninger.
- Den største risiko er ikke, at en maskine tager fejl, men at ingen spørger hvorfor det skete.
På fem år er den PPC-specialist, der justerede bud i hånden, blevet til en der sætter mål, overvåger input og kontrollerer output. Det er en nyttig og uigenkaldelig ændring. Den har også samlet en masse upræcished i begge retninger — at „AI’en klarer det allerede selv“, og at „automatisering kun bruger penge“.
Denne tekst er et forsøg på en nøgtern opdeling: hvad automatiseringen allerede gør bedre end et menneske, hvad den gør dårligere, og hvad der følger af det for arbejdet i kontoen.
Hvad automatiseringen gør bedre end et menneske
- Bud i realtid. At vurdere konverteringssandsynligheden for en konkret auktion ud fra snesevis af signaler er en opgave, mennesker aldrig har løst godt. Den debat er lukket for længst.
- Matchning af søgninger. At genkende at „trailsko“ og „sko til løb i skoven“ er det samme, gør systemet bedre end nogen søgeordsliste.
- At kombinere assets. At teste hvilken overskrift der passer til hvilken søgning, er kombinatorik, ikke kreativitet.
- At overvåge afvigelser. At bemærke at en kampagne brugte det tredobbelte en tirsdag, er præcis maskinarbejde — og ved mere end et par konti den eneste måde at fange et problem i tide. Vi byggede ClientDeck til det, fordi en manuel morgenkontrol af ti konti ikke fungerer.
Hvor den fejler
Alle tilfældene nedenfor har en fællesnævner: systemet optimerer mod det, du har markeret som succes, og har ingen mulighed for at vide, at det ikke er det.
- En forkert defineret konvertering. Mål „tilføj til kurv“, og du får kurve. Algoritmen har ingen grund til at antage, at du ville have ordrer.
- Forskellige marginer. Systemet ser ikke, at kategori A tjener fem gange mere end kategori B. Med ét mål sender det pengene derhen hvor der sælges lettest. Se margin pr. kategori.
- Ukvalificerede henvendelser. I leadgenerering optimerer den på udfyldte formularer og ikke på kontrakter — indtil du sender tilbage, hvad der blev af henvendelsen. Se offline-konverteringer.
- Inkrementalitet. Algoritmen tilskriver sig gerne folk, der havde købt alligevel. Den har ingen grund til at lade være; for den er det billige konverteringer. Se inkrementalitet.
- Virksomhedens kapacitet. Den ved aldrig, at du er løbet tør for lager, eller at sælgeren ikke kan følge med opkaldene.
- Marginalt afkast. Den optimerer mod det mål du har sat, ikke mod maksimal profit. Forskellen mellem de to er præcis emnet for artiklen om budget.
Automatiseringen svarer fremragende på „hvordan“. Den har ingen mening om „hvad“ og „hvorfor“ — og det er dem, der afgør pengene.
Sprogmodeller i hverdagen
Noget andet end platformens automatisering er værktøjer som ChatGPT eller Claude, som en specialist bruger i sit arbejde. Her er vores opdeling ud fra, hvad der har virket hos os:
| Opgave | Hvordan det går | Hvad man skal passe på |
|---|---|---|
| Varianter af overskrifter og beskrivelser | Godt; den producerer snesevis der er værd at teste | Opfundne produktegenskaber og forbudte formuleringer i regulerede brancher |
| Navngivning og oprydning i strukturen | Godt; rutine uden risiko | Intet væsentligt |
| At rense og berige et feed | Godt til titler og beskrivelser | Aldrig til pris, tilgængelighed og identifikatorer |
| At læse en rapport og finde mønstre | Godt som første gennemgang | Verificér konklusionerne i dataene; modellerne bekræfter gerne din hypotese |
| At analysere søgetermer og foreslå udelukkelser | Godt til en forsortering | Den endelige beslutning hører til hos en der kender sortimentet |
| Budgetbeslutninger | Dårligt | Modellen kender hverken din margin, din kapacitet eller din sæson, hvis du ikke fortæller den det |
| At fortolke statistisk signifikans | Dårligt | Hyppige fejl om hvad en test reelt viste |
Vi lader aldrig en model foretage ændringer, der træder i kraft uden en menneskelig godkendelse. Hver ændring i en konto har en nedskrevet grund, et forventet resultat, navnet på den der godkendte den, og en revisionsdato. Det er ikke mistillid til maskiner — det er den samme regel, vi anvender på os selv.
Hvad man skal frygte, og hvad man ikke skal
Frygt ikke, at automatiseringen gør en konto dyrere af sig selv. Den bliver dyr, når den får det forkerte mål eller de forkerte data, og det er en menneskelig beslutning.
Frygt, at ingen med tiden længere spørger, hvorfor noget sker. En kontos farligste tilstand er ikke „algoritmen tog fejl“, men „ingen ved hvad der blev ændret, eller hvem der godkendte det“. Med sorte bokse som Performance Max og AI Max er den risiko større end nogensinde, fordi tallene ser gode ud, selv når de ikke betyder noget.
Det praktiske forsvar er kedeligt, og det virker:
- En ændringshistorik man kan vende tilbage til.
- En regelmæssig kontrol mod de rigtige ordrer, ikke mod platformens interface.
- Brandet adskilt fra resten, så rapporten kan læses.
- Én gang om året et eksperiment der efterprøver, hvor meget af det hele der reelt er ekstra.
Hvad der blev tilbage til mennesker
Hele listen, som vi ser den i dag: at afgøre hvad der tæller som succes, og hvad det er værd. At kende forretningens margin og kapacitet. At afgøre hvad en kunde må koste. At bygge en måling man kan stole på. At skrive et tilbud der fortjener annoncering. Og at kunne sige „ikke det her“, når tallene ser gode ud.
Intet system gør endnu noget af det, fordi det ikke er optimeringsproblemer. Det er beslutninger om en virksomheds penge.
Hvad du skal tage med
Automatiseringen har flyttet arbejdet i PPC fra opsætning til briefing. Det er en ændring til det bedre, men den hæver prisen på en fejl: et forkert sat mål viser sig i dag hurtigere og i større skala end før. Den bedste investering i „AI til PPC“ er derfor ikke nye værktøjer, men solide konverteringsdata, kendskab til sin egen margin og disciplin i at registrere ændringer.
Ofte stillede spørgsmål
Vil AI erstatte PPC-specialisten?
Den har allerede erstattet den del af arbejdet, der bestod i at sætte bud og matche søgeord i hånden — den debat er lukket. Den har ikke erstattet beslutningen om, hvad der tæller som succes, og hvad det må koste: automatiseringen optimerer mod et givet mål, men har ingen mulighed for at vide, at målet er forkert. Det arbejde der er tilbage til mennesker, er at definere konverteringsværdien, kende forretningens margin og kapacitet, bygge en pålidelig måling og kunne sige, at noget ikke skal gøres.
Hvad kan jeg trygt bruge ChatGPT eller et lignende værktøj til i PPC?
Det fungerer godt til varianter af overskrifter og beskrivelser, til at rydde op i navngivning og struktur, til at rense titler og beskrivelser i et produktfeed, til en første gennemgang af en rapport og til at forsortere søgetermer med henblik på udelukkelser. Vi anbefaler det ikke til budgetbeslutninger, fordi det hverken kender din margin, din kapacitet eller din sæson, og heller ikke til at fortolke statistisk signifikans, hvor modellerne ofte tager fejl. Med feeds skal du aldrig lade en model røre pris, tilgængelighed eller produktidentifikatorer.
Hvordan beholder man kontrollen over automatiserede kampagner?
Med fire ting, hvoraf ingen er tekniske. Før en ændringshistorik med grund, forventet resultat og navnet på den der godkendte, så du kan rulle tilbage. Kontrollér resultaterne mod de rigtige ordrer i dit eget system og ikke mod platformens interface. Adskil brandsøgningerne, ellers er rapporten ulæselig. Og mindst én gang om året: efterprøv med et eksperiment, hvor stor en del af resultatet der reelt er ekstra — med sorte bokse som Performance Max ser tallene gode ud, selv når de ikke betyder noget.
- Google Ads AI Max For Search In 2026: Setup, Real Performance Data, GroasKilde til dokumenterede tilfælde, hvor automatisering uden værn hævede prisen pr. konvertering. Bureaublog.
- Explaining incrementality, PPC LandKontekst om, hvorfor automatiseringen tilskriver sig konverteringer, der var sket uden annonceringen.