KI in der PPC-Betreuung: was sie schon gut macht und wo sie noch scheitert
Die Automatisierung hat Gebote, Matching und den Zusammenbau von Anzeigen übernommen. Wo das funktioniert, wo es leise Geld verliert und welche Arbeit den Menschen geblieben ist — geschrieben von Menschen, die sich dafür ein eigenes Werkzeug bauen mussten.
- Automatisierung ist gut darin, auf ein gegebenes Ziel zu optimieren. Sie ist schlecht darin zu entscheiden, ob dieses Ziel richtig ist.
- Sprachmodelle sparen am meisten Zeit bei Texten, beim Lesen von Reports und bei der Feed-Routine — nicht bei Entscheidungen.
- Das größte Risiko ist nicht, dass eine Maschine einen Fehler macht, sondern dass niemand fragt, warum er passiert ist.
In den letzten fünf Jahren ist aus dem PPC-Spezialisten, der Gebote von Hand nachstellte, jemand geworden, der Ziele setzt, Eingaben beobachtet und Ausgaben prüft. Das ist eine nützliche Veränderung und sie lässt sich nicht rückgängig machen. Sie hat sich auch viel Unschärfe in beide Richtungen angesammelt — dass „die KI das schon selbst macht“ und dass „die Automatisierung einfach Geld ausgibt“.
Dieser Text ist ein Versuch einer nüchternen Aufteilung: was die Automatisierung schon besser macht als ein Mensch, was schlechter und was daraus für die Arbeit im Konto folgt.
Was die Automatisierung besser macht als ein Mensch
- Gebote in Echtzeit. Aus Dutzenden Signalen die Conversion-Wahrscheinlichkeit für eine konkrete Auktion zu schätzen ist eine Aufgabe, die Menschen nie gut gemacht haben. Diese Debatte ist längst entschieden.
- Matching von Suchanfragen. Zu erkennen, dass „Trailrunning-Schuhe“ und „Schuhe zum Laufen im Wald“ dasselbe sind, macht das System besser als jede Keyword-Liste.
- Assets kombinieren. Zu testen, welche Überschrift zu welcher Anfrage passt, ist Kombinatorik, keine Kreativität.
- Auf Anomalien achten. Zu merken, dass eine Kampagne am Dienstag das Dreifache ausgegeben hat, ist genau Maschinenarbeit — und bei mehr als ein paar Konten der einzige Weg, ein Problem rechtzeitig zu erwischen. Wir haben dafür ClientDeck gebaut, weil eine manuelle Morgenkontrolle von zehn Konten nicht funktioniert.
Wo sie scheitert
Alle Fälle unten haben einen gemeinsamen Nenner: Das System optimiert auf das, was Sie als Erfolg markiert haben, und hat keine Möglichkeit zu wissen, dass es kein Erfolg ist.
- Eine schlecht definierte Conversion. Messen Sie Warenkorb-Hinzufügungen, bekommen Sie Warenkörbe. Der Algorithmus hat keinen Grund anzunehmen, dass Sie Bestellungen wollten.
- Unterschiedliche Margen. Das System sieht nicht, dass Kategorie A fünfmal mehr verdient als Kategorie B. Mit einem Ziel schickt es das Geld dorthin, wo sich am leichtesten verkauft. Siehe Marge je Kategorie.
- Unqualifizierte Anfragen. In der Leadgenerierung optimiert es auf ausgefüllte Formulare, nicht auf Verträge — bis Sie zurücksenden, was mit der Anfrage passiert ist. Siehe Offline-Conversions.
- Inkrementalität. Der Algorithmus schreibt sich bereitwillig Menschen zu, die ohnehin gekauft hätten. Er hat keinen Grund, es nicht zu tun; für ihn sind es günstige Conversions. Siehe Inkrementalität.
- Die Kapazität der Firma. Es weiß nie, dass Ihnen die Ware ausgegangen ist oder dass der Vertrieb den Anrufen nicht hinterherkommt.
- Grenzrendite. Es optimiert auf das Ziel, das Sie gesetzt haben, nicht auf maximalen Gewinn. Der Unterschied zwischen beidem ist genau das, worum es in dem Artikel über Budget geht.
Automatisierung ist hervorragend darin, „wie“ zu beantworten. Zu „was“ und „warum“ hat sie keine Meinung — und die entscheiden über das Geld.
Sprachmodelle in der täglichen Arbeit
Anders als die Automatisierung in der Plattform sind Werkzeuge wie ChatGPT oder Claude, die ein Spezialist bei der Arbeit nutzt. Hier unsere Aufteilung auf Basis dessen, was bei uns funktioniert hat:
| Aufgabe | Wie es läuft | Worauf achten |
|---|---|---|
| Varianten von Überschriften und Beschreibungen | Gut; es produziert Dutzende, die einen Test verdienen | Erfundene Produkteigenschaften und verbotene Formulierungen in regulierten Bereichen |
| Benennung und Aufräumen der Struktur | Gut; Routine ohne Risiko | Nichts Wesentliches |
| Feed reinigen und anreichern | Gut bei Titeln und Beschreibungen | Nie bei Preis, Verfügbarkeit und Kennungen |
| Einen Report lesen und Muster erkennen | Gut als erster Durchgang | Schlussfolgerungen in den Daten prüfen; Modelle bestätigen Ihre Hypothese bereitwillig |
| Suchbegriffe analysieren und Ausschlüsse vorschlagen | Gut zum Vorsortieren | Die endgültige Entscheidung gehört jemandem, der das Sortiment kennt |
| Entscheidungen über Budget | Schlecht | Das Modell kennt Ihre Marge, Kapazität und Saison nicht, wenn Sie sie nicht nennen |
| Statistische Signifikanz interpretieren | Schlecht | Häufige Fehler darüber, was ein Test tatsächlich belegt hat |
Wir lassen ein Modell nie Änderungen vornehmen, die wirksam werden, ohne dass ein Mensch sie genehmigt. Jede Änderung in einem Konto hat einen notierten Grund, ein erwartetes Ergebnis, den Namen dessen, der sie genehmigt hat, und einen Prüftermin. Das ist kein Misstrauen gegenüber Maschinen — es ist dieselbe Regel, die wir auf uns selbst anwenden.
Was man fürchten sollte und was nicht
Fürchten Sie nicht, dass die Automatisierung ein Konto von allein teuer macht. Teuer wird es, wenn es das falsche Ziel oder die falschen Daten bekommt, und das ist eine menschliche Entscheidung.
Fürchten Sie, dass über die Zeit niemand mehr fragt, warum etwas passiert. Der gefährlichste Zustand eines Kontos ist nicht „der Algorithmus hat sich geirrt“, sondern „niemand weiß, was sich geändert hat und wer es genehmigt hat“. Mit Blackboxen wie Performance Max und AI Max ist dieses Risiko größer als je zuvor, weil die Zahlen gut aussehen, auch wenn sie nichts bedeuten.
Die praktische Abwehr ist langweilig und sie funktioniert:
- Eine Änderungshistorie, zu der Sie zurückkehren können.
- Eine regelmäßige Prüfung gegen echte Bestellungen, nicht gegen die Oberfläche der Plattform.
- Brand vom Rest getrennt, damit der Report überhaupt lesbar ist.
- Einmal im Jahr ein Experiment, das prüft, wie viel davon wirklich zusätzlich ist.
Was den Menschen geblieben ist
Die vollständige Liste, wie wir sie heute sehen: zu entscheiden, was als Erfolg gilt und was er wert ist. Die Marge und die Kapazität des Geschäfts zu kennen. Zu entscheiden, was ein Kunde kosten darf. Eine Messung zu bauen, der man trauen kann. Ein Angebot zu schreiben, das Werbung verdient. Und sagen zu können „das nicht“, wenn die Zahlen gut aussehen.
Keines dieser Dinge macht bislang ein System, weil es keine Optimierungsprobleme sind. Es sind Entscheidungen über das Geld einer Firma.
Was Sie mitnehmen sollten
Die Automatisierung hat die Arbeit in PPC vom Konfigurieren zum Briefen verschoben. Das ist eine Veränderung zum Besseren, aber sie erhöht die Kosten eines Fehlers: Ein schlecht gesetztes Ziel zeigt sich heute schneller und in größerem Umfang als früher. Die beste Investition in „KI für PPC“ sind deshalb keine neuen Werkzeuge, sondern solide Conversion-Daten, Kenntnis der eigenen Marge und Disziplin beim Protokollieren von Änderungen.
Häufige Fragen
Wird KI den PPC-Spezialisten ersetzen?
Den Teil der Arbeit, der im Setzen von Geboten und manuellen Matching von Keywords bestand, hat sie schon ersetzt — diese Debatte ist entschieden. Nicht ersetzt hat sie die Entscheidung darüber, was als Erfolg gilt und was er kosten darf: Automatisierung optimiert auf ein gegebenes Ziel, hat aber keine Möglichkeit zu wissen, dass das Ziel falsch ist. Die Arbeit, die den Menschen bleibt, ist den Conversion-Wert zu definieren, die Marge und die Kapazität des Geschäfts zu kennen, eine vertrauenswürdige Messung zu bauen und sagen zu können, dass etwas nicht gemacht werden soll.
Wofür kann ich ChatGPT oder ein ähnliches Werkzeug in PPC sicher nutzen?
Gut funktioniert es für Varianten von Überschriften und Beschreibungen, zum Aufräumen von Benennung und Struktur, zum Reinigen von Titeln und Beschreibungen in einem Produktfeed, für einen ersten Durchgang durch einen Report und zum Vorsortieren von Suchbegriffen für Ausschlüsse. Nicht empfehlen wir es für Entscheidungen über Budget, weil es Ihre Marge, Kapazität und Saison nicht kennt, und nicht für die Interpretation statistischer Signifikanz, wo Modelle häufig irren. Bei Feeds lassen Sie ein Modell nie an Preis, Verfügbarkeit oder Produktkennungen.
Wie behalte ich die Kontrolle über automatisierte Kampagnen?
Mit vier Dingen, von denen keines technisch ist. Führen Sie eine Änderungshistorie mit Grund, erwartetem Ergebnis und dem Namen dessen, der genehmigt hat, damit Sie zurückkehren können. Prüfen Sie Ergebnisse gegen echte Bestellungen im eigenen System, nicht gegen die Oberfläche der Plattform. Trennen Sie Brand-Anfragen, sonst ist der Report nicht lesbar. Und prüfen Sie mindestens einmal im Jahr experimentell, wie viel des Ergebnisses wirklich zusätzlich ist — bei Blackboxen wie Performance Max sehen die Zahlen gut aus, auch wenn sie nichts bedeuten.
- Google Ads AI Max For Search In 2026: Setup, Real Performance Data, GroasQuelle dokumentierter Fälle, in denen Automatisierung ohne Leitplanken die Kosten pro Conversion erhöhte. Ein Agenturblog.
- Explaining incrementality, PPC LandHintergrund dazu, warum sich Automatisierung Conversions zuschreibt, die auch ohne die Werbung passiert wären.