AI ve správě PPC: co už dělá dobře a kde pořád selhává
Automatizace převzala nabídky, párování i skládání reklam. Kde to funguje, kde to tiše prodělává a která práce zůstala lidem — napsáno z pozice lidí, kteří si k tomu museli postavit vlastní nástroj.
- Automatizace je dobrá v optimalizaci vůči zadanému cíli. Je špatná v určení, jestli je ten cíl správný.
- Jazykové modely dnes nejvíc šetří čas u textů, rozborů reportů a rutiny kolem feedů — ne u rozhodování.
- Největší riziko není chybné rozhodnutí stroje, ale to, že se nikdo neptá, proč k němu došlo.
Za posledních pět let se z PPC specialisty, který ručně upravoval nabídky, stal někdo, kdo nastavuje cíle, hlídá vstupy a kontroluje výstupy. Je to užitečná změna a nejde vrátit. Zároveň se kolem ní nahromadilo hodně nepřesností v obou směrech — že „už to dělá AI sama“ i že „automatizace jen utrácí“.
Tenhle text je pokus o střízlivé rozdělení: co už automatizace dělá lépe než člověk, co dělá hůř a co z toho plyne pro práci v účtu.
Co dělá automatizace lépe než člověk
- Nabídky v reálném čase. Odhadnout u konkrétní aukce pravděpodobnost konverze podle desítek signálů je úloha, kterou člověk nikdy nedělal dobře. Tady je souboj dávno rozhodnutý.
- Párování dotazů. Rozpoznat, že „boty na běh po lese“ a „trailové běžecké boty“ je totéž, zvládá systém líp než jakýkoli seznam klíčových slov.
- Kombinování podkladů. Testovat, který nadpis se hodí ke kterému dotazu, je kombinatorika, ne kreativita.
- Hlídání anomálií. Všímat si, že kampaň v úterý utratila trojnásobek, je přesně práce pro stroj — a jediný způsob, jak u většího počtu účtů vůbec podchytit problém včas. My jsme si na to postavili ClientDeck právě proto, že ruční ranní kontrola deseti účtů nefunguje.
Kde selhává
Všechny následující případy mají společného jmenovatele: systém optimalizuje vůči tomu, co jste mu označili za úspěch, a nemá jak poznat, že to úspěch není.
- Špatně definovaná konverze. Když měříte přidání do košíku, dostanete košíky. Algoritmus nemá důvod si myslet, že jste chtěli objednávky.
- Rozdílná marže. Systém nevidí, že kategorie A vydělává pětkrát víc než kategorie B. Při jednom cíli pošle peníze tam, kde se prodává snáz. Viz marže po kategoriích.
- Nekvalifikované poptávky. U lead generation optimalizuje na počet formulářů, ne na zakázky — dokud mu nepošlete zpět, co se s poptávkou stalo. Viz offline konverze.
- Inkrementalita. Algoritmus si rád připíše lidi, kteří by nakoupili i tak. Nemá žádný důvod to nedělat; je to pro něj levná konverze. Viz inkrementalita.
- Kapacita firmy. Nikdy neví, že vám došlo zboží nebo že obchodník nestíhá volat.
- Mezní návratnost. Optimalizuje k zadanému cíli, ne k maximálnímu zisku. Rozdíl mezi nimi je přesně to, o čem je článek o rozpočtu.
Automatizace je výborná v odpovědi na otázku „jak“. Nemá žádný názor na otázku „co“ a „proč“ — a právě ta rozhoduje o penězích.
Jazykové modely v každodenní práci
Něco jiného než automatizace v platformě jsou nástroje typu ChatGPT nebo Claude, které používá specialista při práci. Tady je naše rozdělení podle toho, co se nám osvědčilo:
| Úloha | Jak to jde | Co hlídat |
|---|---|---|
| Varianty nadpisů a popisů | Dobře; zvládne desítky variant k otestování | Vymyšlené vlastnosti produktu a zakázané formulace v regulovaných oborech |
| Pojmenování a úklid struktury | Dobře; rutina bez rizika | Nic zásadního |
| Čištění a obohacování feedu | Dobře u názvů a popisů | Nikdy ne u ceny, dostupnosti a identifikátorů |
| Rozbor reportu a hledání vzorců | Dobře jako první průchod | Ověřit závěry v datech; modely rády potvrdí vaši hypotézu |
| Analýza dotazů a návrhy vyloučení | Dobře na předtřídění | Finální rozhodnutí patří člověku, který zná sortiment |
| Rozhodnutí o rozpočtu | Špatně | Model nezná vaši marži, kapacitu ani sezónu, pokud mu je nedáte |
| Interpretace statistické významnosti | Špatně | Časté chyby v tom, co test vlastně prokázal |
Model nikdy nepustíme k úpravám, které se projeví bez schválení člověkem. Každá změna v účtu má zapsaný důvod, očekávaný výsledek, jméno toho, kdo ji schválil, a datum kontroly. Není to nedůvěra ke strojům — je to totéž pravidlo, které máme na sebe.
Čeho se bát a čeho ne
Nebojte se, že automatizace zdraží účet sama od sebe. Zdraží ho tehdy, když dostane špatný cíl nebo špatná data, a to je rozhodnutí člověka.
Bojte se toho, že se časem přestane ptát, proč se něco děje. Nejnebezpečnější stav účtu není „algoritmus udělal chybu“, ale „nikdo neví, co se změnilo a kdo to schválil“. S černými skříňkami typu Performance Max a AI Max je tohle riziko větší než kdy dřív, protože čísla vypadají dobře i tehdy, když nic neznamenají.
Praktická obrana je nudná a funguje:
- Historie změn, ke které se dá vrátit.
- Pravidelná kontrola proti skutečným objednávkám, ne proti rozhraní platformy.
- Brand oddělený od ostatního, aby šel report číst.
- Jednou ročně experiment, který ověří, co z toho je skutečně navíc.
Co zůstalo lidem
Úplný seznam, jak ho vidíme dnes: určit, co je úspěch a jakou má hodnotu. Znát marži a kapacitu firmy. Rozhodnout, kolik se smí zaplatit za zákazníka. Postavit měření, kterému se dá věřit. Napsat nabídku, kterou má smysl inzerovat. A umět říct „tohle nedělejte“, když čísla vypadají dobře.
Nic z toho zatím žádný systém neumí, protože to nejsou úlohy o optimalizaci. Jsou to rozhodnutí o penězích firmy.
Co si z toho odnést
Automatizace posunula práci v PPC od nastavování k zadávání. Je to posun k lepšímu, ale zvyšuje cenu chyby: špatně zadaný cíl se dnes projeví rychleji a ve větším měřítku než dřív. Nejlepší investice do „AI v PPC“ proto nejsou nové nástroje, ale pořádná konverzní data, znalost vlastní marže a disciplína v zapisování změn.
Časté otázky
Nahradí AI PPC specialistu?
Nahradila už tu část jeho práce, která spočívala v nastavování nabídek a ručním párování klíčových slov — tam je souboj dávno rozhodnutý. Nenahradila rozhodování o tom, co je úspěch a kolik smí stát: automatizace optimalizuje vůči zadanému cíli, ale nemá jak poznat, že je ten cíl špatný. Práce, která zůstala lidem, je určit hodnotu konverze, znát marži a kapacitu firmy, postavit důvěryhodné měření a umět říct, že se něco dělat nemá.
Na co se dá v PPC bezpečně použít ChatGPT nebo podobný nástroj?
Dobře se osvědčuje u variant nadpisů a popisů reklam, u úklidu pojmenování a struktury, u čištění názvů a popisů v produktovém feedu, u prvního průchodu reportem a u předtřídění vyhledávacích dotazů pro vyloučení. Nedoporučujeme ho na rozhodnutí o rozpočtu, protože nezná vaši marži, kapacitu ani sezónu, a na interpretaci statistické významnosti testů, kde modely často chybují. U feedu nikdy nepouštějte model k ceně, dostupnosti a identifikátorům produktů.
Jak si udržet kontrolu nad automatizovanými kampaněmi?
Čtyřmi věcmi, které nejsou technické. Veďte historii změn s důvodem, očekávaným výsledkem a jménem toho, kdo změnu schválil, aby se dalo vrátit. Kontrolujte výsledky proti skutečným objednávkám ve svém systému, ne proti rozhraní platformy. Oddělte brandové dotazy, jinak nejde report číst. A alespoň jednou ročně ověřte experimentem, kolik z výsledků je skutečně navíc — u černých skříňek jako Performance Max vypadají čísla dobře i tehdy, když nic neznamenají.
- Google Ads AI Max For Search In 2026: Setup, Real Performance Data, GroasZdroj dokumentovaných případů, kdy automatizace bez mantinelů zvýšila cenu za konverzi. Agenturní blog.
- Explaining incrementality, PPC LandPodklad k tomu, proč si automatizace připisuje konverze, které by vznikly i bez reklamy.