AI w prowadzeniu PPC: co już robi dobrze, a gdzie nadal zawodzi
Automatyzacja przejęła stawki, dopasowanie i składanie reklam. Gdzie to działa, gdzie po cichu traci pieniądze i jaka praca została ludziom — pisane przez ludzi, którzy musieli zbudować do tego własne narzędzie.
- Automatyzacja jest dobra w optymalizowaniu na zadany cel. Jest zła w decydowaniu, czy ten cel jest właściwy.
- Modele językowe oszczędzają najwięcej czasu na tekstach, czytaniu raportów i rutynie feedu — nie na decyzjach.
- Największym ryzykiem nie jest to, że maszyna popełni błąd, ale to, że nikt nie zapyta, dlaczego się stał.
Przez ostatnie pięć lat ze specjalisty PPC, który ręcznie korygował stawki, zrobił się ktoś, kto ustawia cele, pilnuje wejść i sprawdza wyjścia. To pożyteczna zmiana i nie da się jej odwrócić. Narosło wokół niej też dużo nieścisłości w obie strony — że „AI już robi to sama” i że „automatyzacja po prostu wydaje pieniądze”.
Ten tekst to próba spokojnego podziału: co automatyzacja już robi lepiej niż człowiek, co gorzej i co z tego wynika dla pracy na koncie.
Co automatyzacja robi lepiej niż człowiek
- Stawki w czasie realnym. Szacowanie prawdopodobieństwa konwersji dla konkretnej aukcji z kilkudziesięciu sygnałów to zadanie, którego ludzie nigdy nie robili dobrze. Ten spór rozstrzygnięto dawno.
- Dopasowywanie zapytań. Rozpoznanie, że „buty do biegania w terenie” i „buty do biegania po lesie” to to samo, system robi lepiej niż jakakolwiek lista słów kluczowych.
- Łączenie zasobów. Testowanie, który nagłówek pasuje do którego zapytania, to kombinatoryka, nie kreatywność.
- Pilnowanie anomalii. Zauważenie, że kampania wydała we wtorek trzykrotność, to dokładnie praca maszynowa — i przy więcej niż kilku kontach jedyny sposób, by wyłapać problem na czas. Zbudowaliśmy do tego ClientDeck, bo ręczna poranna kontrola dziesięciu kont nie działa.
Gdzie zawodzi
Wszystkie przypadki poniżej mają jeden wspólny mianownik: system optymalizuje na to, co oznaczyłeś jako sukces, i nie ma możliwości wiedzieć, że sukcesem nie jest.
- Źle zdefiniowana konwersja. Mierz dodanie do koszyka i dostaniesz koszyki. Algorytm nie ma powodu domyślać się, że chciałeś zamówień.
- Różne marże. System nie widzi, że kategoria A zarabia pięć razy więcej niż kategoria B. Przy jednym celu posyła pieniądze tam, gdzie sprzedaje się najłatwiej. Zobacz marżę według kategorii.
- Niekwalifikowane zapytania. W generowaniu leadów optymalizuje na wypełnione formularze, nie na umowy — dopóki nie przesyłasz z powrotem, co stało się z zapytaniem. Zobacz konwersje offline.
- Inkrementalność. Algorytm chętnie przypisze sobie ludzi, którzy kupiliby i tak. Nie ma powodu tego nie robić; dla niego to tanie konwersje. Zobacz inkrementalność.
- Pojemność firmy. Nigdy nie wie, że skończył ci się towar albo że handlowiec nie nadąża z telefonami.
- Zwrot krańcowy. Optymalizuje na cel, który ustawiłeś, nie na maksymalny zysk. Różnica między jednym i drugim to dokładnie temat artykułu o budżecie.
Automatyzacja doskonale odpowiada na „jak”. Do „co” i „dlaczego” nie ma opinii — a to one decydują o pieniądzach.
Modele językowe w codziennej pracy
Inną rzeczą niż automatyzacja w platformie są narzędzia typu ChatGPT albo Claude, których specjalista używa w pracy. Oto nasz podział na podstawie tego, co u nas zadziałało:
| Zadanie | Jak wychodzi | Na co uważać |
|---|---|---|
| Warianty nagłówków i opisów | Dobrze; wyprodukuje dziesiątki wartych testu | Wymyślone cechy produktu i zabronione sformułowania w branżach regulowanych |
| Nazewnictwo i porządkowanie struktury | Dobrze; rutyna bez ryzyka | Nic istotnego |
| Czyszczenie i wzbogacanie feedu | Dobrze przy tytułach i opisach | Nigdy przy cenie, dostępności i identyfikatorach |
| Czytanie raportu i wyłapywanie wzorców | Dobrze jako pierwszy przebieg | Wnioski sprawdzaj w danych; modele chętnie potwierdzają twoją hipotezę |
| Analiza zapytań i propozycje wykluczeń | Dobrze do wstępnego sortowania | Ostateczna decyzja należy do kogoś, kto zna asortyment |
| Decyzje o budżecie | Źle | Model nie zna twojej marży, pojemności ani sezonu, jeśli mu ich nie podasz |
| Interpretacja istotności statystycznej | Źle | Częste błędy co do tego, co test faktycznie wykazał |
Nigdy nie pozwalamy modelowi wprowadzać zmian, które wchodzą w życie bez zatwierdzenia przez człowieka. Każda zmiana na koncie ma zapisany powód, oczekiwany wynik, nazwisko osoby, która ją zatwierdziła, i datę sprawdzenia. To nie brak zaufania do maszyn — to ta sama zasada, którą stosujemy do siebie.
Czego się bać, a czego nie
Nie bój się, że automatyzacja sama z siebie zdrożeje konto. Drożeje, gdy dostanie zły cel albo złe dane, a to decyzja człowieka.
Bój się, że z czasem nikt nie zapyta, dlaczego coś się dzieje. Najgroźniejszy stan konta to nie „algorytm się pomylił”, ale „nikt nie wie, co się zmieniło i kto to zatwierdził”. Przy czarnych skrzynkach takich jak Performance Max i AI Max to ryzyko jest większe niż kiedykolwiek, bo liczby wyglądają dobrze, nawet gdy nic nie znaczą.
Praktyczna obrona jest nudna i działa:
- Historia zmian, do której można wrócić.
- Regularna kontrola wobec prawdziwych zamówień, nie wobec interfejsu platformy.
- Brand oddzielony od resztę, żeby raport dał się w ogóle czytać.
- Raz w roku eksperyment sprawdzający, ile z tego jest naprawdę dodatkowe.
Co zostało ludziom
Pełna lista, jak ją dziś widzimy: zdecydować, co liczy się jako sukces i ile jest wart. Znać marżę i pojemność biznesu. Zdecydować, ile może kosztować klient. Zbudować pomiar, któremu da się ufać. Napisać ofertę wartą reklamowania. I umieć powiedzieć „tego nie”, gdy liczby wyglądają dobrze.
Żadnej z tych rzeczy nie robi na razie żaden system, bo nie są to problemy optymalizacyjne. To decyzje o pieniądzach firmy.
Co z tego zabrać
Automatyzacja przesunęła pracę w PPC z konfigurowania do briefowania. To zmiana na lepsze, ale podnosi koszt błędu: źle ustawiony cel pokazuje się dziś szybciej i w większej skali niż wcześniej. Najlepszą inwestycją w „AI do PPC” nie są więc nowe narzędzia, ale solidne dane konwersji, znajomość własnej marży i dyscyplina w zapisywaniu zmian.
Częste pytania
Czy AI zastąpi specjalistę PPC?
Tę część pracy, która polegała na ustawianiu stawek i ręcznym dopasowywaniu słów kluczowych, już zastąpiła — ten spór jest rozstrzygnięty. Nie zastąpiła decydowania, co liczy się jako sukces i ile może kosztować: automatyzacja optymalizuje na zadany cel, ale nie ma możliwości wiedzieć, że cel jest zły. Praca, która zostaje ludziom, to zdefiniowanie wartości konwersji, znajomość marży i pojemności biznesu, zbudowanie pomiaru godnego zaufania i umiejętność powiedzenia, że czegoś nie należy robić.
Do czego mogę bezpiecznie używać ChatGPT albo podobnego narzędzia w PPC?
Dobrze działa przy wariantach nagłówków i opisów, porządkowaniu nazewnictwa i struktury, czyszczeniu tytułów i opisów w feedzie produktowym, pierwszym przebiegu przez raport i wstępnym sortowaniu zapytań do wykluczeń. Nie polecamy go do decyzji o budżecie, bo nie zna twojej marży, pojemności ani sezonu, ani do interpretacji istotności statystycznej, gdzie modele często się mylą. Przy feedach nigdy nie dopuszczaj modelu do ceny, dostępności i identyfikatorów produktów.
Jak utrzymać kontrolę nad zautomatyzowanymi kampaniami?
Czterema rzeczami, z których żadna nie jest techniczna. Prowadź historię zmian z powodem, oczekiwanym wynikiem i nazwiskiem osoby zatwierdzającej, żeby móc wrócić. Sprawdzaj wyniki wobec prawdziwych zamówień we własnym systemie, nie wobec interfejsu platformy. Oddziel zapytania brandowe, inaczej raport nie da się czytać. I co najmniej raz w roku sprawdź eksperymentalnie, ile z wyniku jest naprawdę dodatkowe — przy czarnych skrzynkach jak Performance Max liczby wyglądają dobrze, nawet gdy nic nie znaczą.
- Google Ads AI Max For Search In 2026: Setup, Real Performance Data, GroasŹródło udokumentowanych przypadków, w których automatyzacja bez barier ochronnych podniosła koszt konwersji. Blog agencyjny.
- Explaining incrementality, PPC LandTło dla tego, dlaczego automatyzacja przypisuje sobie konwersje, które zdarzyłyby się i bez reklamy.