KI im Performance-Marketing: was funktioniert, was Demo bleibt

Die brauchbare Frage lautet: Was kostet ein falscher Schritt, bis ihn jemand bemerkt

Wie klug ein Modell ist, hilft dir bei der Entscheidung wenig. Kaufmännisch zählt, was passiert, wenn es danebenliegt. Deshalb ordne ich KI im Werbekonto nach Fehlerfolgen und nicht nach Funktionen, und dabei bleiben drei Stufen übrig.

Die Stufen sehen ähnlich aus, weil dasselbe Modell in allen dreien arbeiten kann. Ihr Risiko unterscheidet sich trotzdem deutlich. Ein Assistent, der eine Kampagne falsch analysiert, hat noch keinen Euro ausgegeben. Derselbe Irrtum mit Schreibrecht läuft das ganze Wochenende weiter.

Der Schaden auf der Ausführungsstufe lässt sich ausrechnen

Die Formel zum Einordnen einer Automatisierung:

Schaden = Ausgaben je Tag × Tage bis zur Entdeckung × Anteil der Ausgaben, der kein Geld verdient

Angenommen, ein Shop gibt 1.000 € am Tag aus, und eine automatische Änderung lenkt 20 Prozent davon in Verkehr, der nichts verdient. Die Zahlen sind erfunden, die Mechanik nicht.

Der billigste Hebel ist die mittlere Größe. Tagesausgaben willst du nicht senken, und den Fehleranteil kennst du vorher nicht. Die Zeit bis zur Entdeckung bestimmst du selbst: Wer täglich einen festen Blick auf die Abweichung wirft, begrenzt denselben Fehler auf ein Dreißigstel gegenüber dem Monatsreport. Falsche Gebotsziele zeigen sich wegen verzögerter Conversions später, dort gehört die Änderungshistorie in den täglichen Blick.

Für Budgetfehler gibt es eine eigene Obergrenze, die weniger beruhigt, als sie klingt. Das tägliche Ausgabenlimit liegt bei den meisten Kampagnen beim Zweifachen des durchschnittlichen Tagesbudgets, das monatliche beim 30,4-Fachen. Beide hängen am eingestellten Wert. Setzt ein Agent also 10.000 € statt 1.000 € ins Budgetfeld, wandert das Limit eines einzelnen Tages auf 20.000 €. Ob die Nachfrage das hergibt, ist eine andere Frage, aber die Bremse steht dann nicht mehr dort, wo du sie vermutet hast.

Die Formel hat zwei blinde Flecken. Sie sieht nur verbranntes Geld. Ein falscher Ausschluss spart Ausgaben und kostet Umsatz, die Rechnung zeigt also null, während dir je Tag Deckungsbeitrag fehlt. Deshalb gehört zu Schritten, die Verkehr abschneiden, ein zweiter Term: entgangener Deckungsbeitrag je Tag mal Tage. Bei Ausschlusslisten halte ich das für den tückischeren Fehler, weil er in keinem Bericht als Kosten auftaucht. Außerdem erfasst sie keine Folgen außerhalb des Budgets, etwa eine Beanstandung wegen falscher Angaben. Dafür gibt es keine Rechnung, solche Schritte bleiben beim Menschen.

Und sie gilt in die andere Richtung: Bei 20 € Tagesausgaben kommst du im selben Szenario nach 14 Tagen auf 56 €. Das ist weniger als die Arbeitszeit, die eine aufwendige Freigabe kosten würde. Sehr kleine Konten dürfen deshalb lockerer automatisieren.

Lesen spart heute schon Zeit, und der Fehler bleibt zunächst folgenlos

Auf dieser Stufe sehe ich den klaren Nutzen. Google bietet dafür einen eigenen Weg an: Der offizielle MCP-Server für die Google Ads API ist laut Google ausschließlich lesend und kann weder Gebote ändern noch Kampagnen pausieren noch Assets anlegen. Damit hängt ein Sprachmodell am Konto, ohne dass es etwas anfassen kann. Wie das technisch aussieht, steht im Beitrag zum Google-Ads-MCP-Server.

Wie viel Zeit das spart, ist schlecht gemessen. Ein Anbieter solcher Werkzeuge schätzt, die Durchsicht von Suchbegriffen schrumpfe von rund einer Stunde auf rund zehn Minuten, die Entscheidung über Ausschlüsse bleibe aber beim Menschen. Unabhängige, kontrollierte Messungen von Zeitersparnis oder Fehlerquoten in Google-Ads-Konten habe ich nicht gefunden, und wer dir eine präzise Prozentzahl nennt, sollte die Methode mitliefern.

Meine Einschätzung, wo sich das Lesen lohnt: Suchbegriffe sortieren, Auffälligkeiten über viele Kampagnen finden, Abweichungen zwischen zwei Zeiträumen zerlegen, einen Berichtsentwurf schreiben. Gemeinsam ist diesen Aufgaben, dass das Ergebnis schnell prüfbar ist und das Sammeln länger dauert als das Prüfen. Dreht sich das Verhältnis um, spart die KI nichts.

Die Grenze liegt in dem, was nicht im Konto steht. Derselbe Anbieter-Beitrag hält fest, dass Kontext außerhalb des Kontos, etwa eine Preisaktion, für die KI unsichtbar bleibt. So wird aus einem harmlosen Lesefehler ein teurer Handlungsfehler. Angenommen, der ROAS fällt in einer Woche deutlich, weil der Shop 20 Prozent Rabatt gibt. Die Analyse findet im Konto eine plausible Ursache, denn sie sucht nur dort. Prüfe deshalb zwei Dinge, bevor du handelst: Stimmt die Zahl mit der Oberfläche überein, und kennt die Erklärung alles, was im Geschäft gerade passiert ist. Der Ablauf dazu steht unter KI-Analysen von Kontodaten prüfen.

Eine Freigabe ist nur so gut wie das Wissen des Freigebenden

Vorbereiten klingt nach Sicherheit, weil ein Mensch dazwischensteht. Google selbst geht diesen Weg: Der Konto-Assistent, vorgestellt als Ads Advisor, kann laut Google bei Performance Max Maßnahmen vorschlagen und sie nach Prüfung und Freigabe direkt umsetzen. In der API gibt es zudem mit validate_only eine Prüfung, bei der die Anfrage validiert, aber nicht ausgeführt wird. Das ist ein guter Trockenlauf für die Technik. Über die Geschäftsidee dahinter sagt er nichts.

Die Schwachstelle sitzt beim Klick auf Freigeben. Die Plattform sieht ROAS, du verdienst Deckungsbeitrag. Ein Rechenbeispiel mit erfundenen Zahlen:

Ein Vorschlag, Geld von B nach A zu schieben, sieht in jeder Kontosicht vernünftig aus und verliert bei gleichbleibenden Durchschnittswerten auf jeden umgeschichteten Euro 45 Cent. Warum das kein Sonderfall ist, zeigt der Artikel warum ROAS 8 schlechter sein kann als ROAS 4. Eine Freigabe ohne Margendaten ist bloß ein Klick.

Eine Freigabe hält nur, wenn sie diese Fragen beantworten kann:

• Was bewirkt der Schritt in Euro Deckungsbeitrag, und nicht nur im ROAS?
• Weiß der Vorschlag, was gerade im Geschäft läuft: Aktion, Lagerlage, Preisänderung?
• Wie sieht der Zustand vorher aus, und wie kommst du dorthin zurück?
• Woran erkennst du nach wie vielen Tagen, dass es schiefgeht?

Dazu kommt eine Mengengrenze. Ein Paket mit 300 Einzeländerungen liest niemand wirklich. Ich würde Pakete so klein schneiden, dass die Prüfung zur verfügbaren Zeit passt, und lieber weniger vorschlagen lassen. Vorsicht auch bei Änderungen, die nach Pflege aussehen. Der Advisor kann laut Google Richtlinienprobleme beheben, etwa eine Anzeigen-URL ändern, und legt das zur Freigabe vor. Wer das durchwinkt, ohne die neue Seite zu öffnen, hat im Fehlerfall jeden Klick dieser Anzeige auf die falsche Seite geschickt.

Die Ausführungsstufe kann in deinem Konto längst laufen

Wer über autonome Agenten diskutiert, übersieht oft den älteren Fall. Mit der Einstellung für automatisch angewendete Empfehlungen werden Vorschläge regelmäßig ohne Einzelfreigabe umgesetzt. Zu den anwendbaren Typen gehören das Anpassen von Ziel-ROAS-Werten und das Hinzufügen von Broad-Match-Keywords. Das sind keine Randthemen, beide wirken direkt darauf, wofür dein Geld ausgegeben wird.

Google nennt eine Schutzvorkehrung: Das Budget wird durch diese Automatik nicht erhöht. Das schützt die Summe, nicht ihre Verwendung. Innerhalb desselben Budgets können Ziel und Keyword-Abdeckung trotzdem wandern, und genau dieser Anteil steht in der Schadensformel. Immerhin lässt sich nachsehen, was passiert ist: Angewendete Empfehlungen finden sich im Verlauf und in der Änderungshistorie, geplante in einer Warteschlange, in der du sie vorab verwerfen kannst. Beides nützt nur, wenn jemand hineinschaut.

Wie verbreitet das ist, weiß niemand genau. Ein Anbieter berichtet aus einer eigenen Stichprobe, 32 von 100 Konten hätten die Automatik aktiviert. Das ist nicht repräsentativ, reicht aber als Anlass, selbst nachzusehen. Liegt die Einrichtung Jahre zurück oder hatten mehrere Personen Zugriff, ist die Antwort nicht selbstverständlich.

Für neue Automatik taugt eine einfache Regel. Ein Schritt darf ohne Einzelfreigabe laufen, wenn drei Bedingungen gleichzeitig erfüllt sind:

1. Er ist umkehrbar: Der alte Zustand lässt sich mit einem Schritt wiederherstellen.
2. Der Schaden nach Formel liegt bei realistischer Entdeckungszeit unter einem Betrag, den du vorher festgelegt hast.
3. Eine Abweichung löst eine Meldung aus, die jemand tatsächlich liest.

Warnungen, Markierungen und Berichte bestehen diesen Test fast immer. Budgets, Ziel-ROAS, Match-Typen, Ziel-URLs und Conversion-Einstellungen bestehen ihn nach meiner Einschätzung nicht, bei Conversion-Einstellungen schon deshalb, weil sich dort auch die Daten ändern, aus denen die Gebotsstrategie lernt. Rechte, Trockenläufe und Grenzen für solche Fälle behandelt der Beitrag KI-Agenten im Konto absichern.

Was vorerst Demo bleibt

Eine Demo zeigt den gelungenen Durchlauf, im Konto zählt der misslungene. Der Agent, der ein Konto wochenlang unbeaufsichtigt nach Gewinn steuert, gehört aus meiner Sicht bisher in diese Kategorie. Ich kenne keine unabhängige Messung, die das Gegenteil trägt.

Auch allgemeine Agenten-Tests mahnen zur Vorsicht, selbst wenn sie nicht direkt auf Werbekonten passen. Im Benchmark TheAgentCompany, einer simulierten kleinen Softwarefirma, erledigte der beste getestete Agent 30 Prozent der Aufgaben selbstständig. Spätere Modelle können besser abschneiden.

Für mich folgt daraus keine Ablehnung, sondern eine Beweislast. Wenn jemand behauptet, sein Werkzeug steuere dein Konto selbstständig, frag nach der Fehlerfolge: Was passiert, wenn es falsch liegt, wer merkt es wann, wer zahlt das.

Beim Menschen bleibt, was nicht in den Daten steht

Die Grenze verläuft nicht zwischen Mensch und Maschine, sondern zwischen Berechnung und Festlegung. Rechnen, sortieren und entwerfen kann die KI. Festlegen musst du:

• welches Ziel gilt: Umsatz, Deckungsbeitrag oder Neukunden, und zu welchem Preis
• wie viel Schaden du für einen Test in Kauf nimmst
• was das Geschäft gerade vorhat und was im Lager liegt
• welche Marge eine Kampagne wirklich hat, sofern diese Zahl nirgends sauber übergeben wird

Auch die Verantwortung für die Ausgaben bleibt bei dir, egal wer oder was den Schritt umgesetzt hat.

So würde ich starten

Die Reihenfolge folgt der Fehlerfolge, nicht dem Reiz des Werkzeugs.

Zuerst die Einstellung prüfen. Schau auf der Seite Empfehlungen nach (Tabs Manage und History in der englischen Oberfläche), ob die Automatik aktiv ist und für welche Typen. Schalte ab, was du nicht bewusst willst. Das braucht kein neues Tool und geht schnell.

Dann nur lesen. Gib einem Modell Lesezugriff oder einen Export und stelle eine feste Frage pro Woche, die du sonst von Hand beantwortest. Prüfe die ersten Antworten gegen die Oberfläche. Kläre vorher, welche Daten in welches Tool dürfen.

Dann vorbereiten lassen. Sobald die Antworten stimmen, soll die KI eine kleine Änderungsliste mit Begründung und Vorher-Stand liefern. Lege eine Margentabelle je Kampagne oder Produktgruppe daneben. Fehlt die, ist das die nächste Aufgabe, nicht das nächste Tool.

Ausführen zuletzt und eng. Nur für Schritte, die die drei Bedingungen oben erfüllen, und mit festgelegter Entdeckungszeit. Bleibt die Liste solcher Schritte kurz, ist das kein Mangel: Der meiste Nutzen steckt nach meiner Einschätzung in den ersten drei Schritten.

Das gilt nicht für jeden gleich. Wer nur einen kleinen zweistelligen Betrag am Tag ausgibt, kann die Vorbereitungsstufe knapper halten, und wer gar keine sauberen Conversion-Daten hat, löst zuerst das: Eine Analyse auf falschen Zahlen ist schnell und falsch.

Stand der Funktionen ist November 2026, die Werkzeuge ändern sich schnell. Die Rechnung bleibt dieselbe: Sobald ein Anbieter eine neue Stufe verspricht, setzt du seine Funktion in die Formel ein.