Stručně: PPC automatizace se nestala nově možnou. Stala se nově dostupnou. AI nepřidala schopnosti; srazila dobu návratnosti u těch, které máme od roku 2019, a z půlročních staveb udělala dvoutýdenní. Vítězí super-senioři, kteří konečně staví workflowy, jež se dřív nevyplatily, třeba čištění tisíců balastních dotazů modelem, který uběhne na běžném PC.
Jednou jsem sledoval našeho systémového architekta, člověka s pětadvaceti lety inženýřiny za sebou, jak stráví dva celé dny čtením dokumentace Google Ads API, než mu jediný dotaz vrátil data. Dva dny, jeden dotaz. Je to nejlepší inženýr, jakého znám, a stejně mu to trvalo dva dny. Takové bylo vstupné, které si platforma účtovala od každého, kdo chtěl tu skutečnou sílu.
V PPC jsem strávil zhruba dvacet let, dvanáct z nich psaním kódu proti tomu API. Mezi lety 2015 a 2017 jsem vedl ppc-scripts.eu, malý blog o Google Ads scriptech, v době, kdy automatizace PPC ještě nebyla cool. Pak jsem přestal psát. Ne že by mi došly nápady. Propast mezi „tohle jde“ a „tohle se klientovi vyplatí“ zůstala celé desetiletí tvrdošíjně široká a nástroje, které si nikdo nemůže dovolit, se dají popisovat jen omezeně dlouho.
Letos na jaře jsem dodal analýzu expanze na nové trhy, šestnáct produktů naceněných napříč pěti zeměmi včetně heat map, asi za šest hodin. Ručně je to kolem 400 hodin práce. Postavené postaru jako software na míru jsou to dva měsíce vývoje a faktura na 16 000 až 20 000 €, kterou žádný klient nikdy nechtěl zaplatit. Stejný výstup, a cena se zhroutila. Ta analýza letos na jaře nezchytřela. Zlomila se ekonomika jejího stavění.
Skoro všechno, co jsi četl o tom, jak AI zabíjí PPC specialistu, má ten mechanismus obráceně. AI nezměnila, co můžeš v placeném vyhledávání dělat. Většina toho šla vždycky a většina toho existovala už v roce 2019. Změnila, kdo si to může dovolit. Tenhle článek je důkaz, vyprávěný zevnitř nástrojů, se kterými reálně stavím. Dvě éry, kvůli kterým byla automatizace moc drahá, než aby stála za námahu, okamžik, kdy se počty překlopily, a jedna reálná práce, čištění balastních vyhledávacích dotazů lokálním open-source modelem, rozebraná krok za krokem.
- AI nepřidala do PPC skoro žádné nové schopnosti. Srazila dobu návratnosti u těch, které máme od roku 2019, a to samo přepisuje, co se vyplatí stavět.
- Rozhodující měnou přestaly být řádky kódu. Vzácné jsou teď nápady plus znalost oboru, vědět, co postavit a která data spojit.
- Řemeslo se štěpí na dvě větve. Kdo nástroje přeskočí, zamrzne na místě; kdo zná Google Ads API do morku kosti a spojuje data s představivostí, utíká dopředu.
- Rozebraný příklad uvnitř ukazuje, jak lokální open-source model během minut vyčistí tisíce balastních dotazů, práci, která bývala čistě ruční.
Éra scriptů: pár dní na „jednoduchý“ script
Stropem nikdy nebyla technologie a chci ti to ukázat už na úplně prvním nástroji, na který jsem sáhl. Google Ads Scripts působily po svém příchodu jako kouzlo. JavaScript přímo v účtu, smyčka přes kampaně. V praxi zabral „jednoduchý“ script, třeba pozastavení klíčových slov nad hranicí CPA nebo označení rozbitých cílových URL, pár dní psaní a ladění, než jsi vychytal okrajové případy, kvóty a tichá selhání.
Pak přišla část, kterou nikdo nezakalkuloval. Běh napříč účty znamenal jednu kopii scriptu na účet, verze se rozcházely a tiše padaly, kdykoli se pojmenování jednoho klienta rozešlo s ostatními. Škálování a distribuce byly práce samy o sobě. Většina scriptů v praxi proto nikdy nepřekročila reporting, natažení pár čísel do Sheetu podle plánu. Cokoli, co účet doopravdy měnilo, bylo na údržbu moc křehké a moc drahé.
I ta snadná automatizační vrstva narážela na náklady na údržbu, ne na schopnosti. Vezmi si to s sebou dál. Je to vzorec všeho, co následuje.
Éra API: dva dny k prvnímu dotazu, dva roky k nástroji
Google Ads API, tehdy ještě AdWords API, bylo tou skutečnou silou i skutečnou zdí. Ty dva dny, které můj kolega strávil v dokumentaci, nebyly výtka jemu. To byl rozsah, do kterého se upsal každý.
Šli jsme do toho stejně naplno a postavili PPC Robot, hluboce přizpůsobitelný nástroj na reporting a operativu. Technicky nádherný, opravdu mocný. Spolykal taky dva vývojáře na plný úvazek na dva roky a vývoj, který potřeboval k dalšímu běhu, vycházel někde kolem 100 000 € ročně. Nikdy se nezaplatil. Pokrýval zlomek toho, co naši PPC specialisté reálně potřebovali, takže jsme ho nakonec odstavili do omezeného interního režimu. Ne proto, že by byl špatný. Proto, že počty nikdy nevyšly.
A přesto jsme na tom API dodali reálné věci, před čtyřmi pěti lety:
Co ten stroj reálně vyprodukoval
- Kontrola 404 / rozbitých cílových URL napříč účty dodáno
- Generátor Shopping kampaní z feedu dodáno
- Segmentace Shopping / Performance Max dodáno
- BigQuery pipeline + reporting do Sheets / Excelu dodáno
- Kontroly stavu účtu v Merchant Center dodáno
Podívej se na ten seznam a všimni si jedné věci. Nic z toho není dnešní optikou exotické. Všechno to šlo. Jen stálo majlant to postavit a majlant udržet naživu. Každá smysluplná funkce, nástroj na keyword research, nástroj na expanzi, překlad reklam, generátor Shoppingu, se měřila v měsících času dvou seniorů a žádný klient nezaplatí, co to stojí.
Stropem nikdy nebyla technologie. Byla to doba návratnosti.
První práce, která se utrhla: balastní vyhledávací dotazy
„AI změnila všechno“ je tvrzení, které bys neměl brát na slovo. Tady jsou proto dvě práce, které bývaly neekonomické a dnes nejsou. Obě reálně provozuju, nejsou to hypotézy, a tou první tě provedu celou, krok za krokem.
Vyčistit z účtu nerelevantní vyhledávací dotazy je vysoce hodnotná a otupující práce a donedávna neexistoval poctivý způsob, jak ji zautomatizovat. Pravidla chytí přesné slovo, ale rozhodnout, jestli se vyplatí platit za „historie nike air max“, chce porozumění textu. Práce tak zůstávala polomanuálním průchodem tisíci dotazy, hledáním vzorců od oka a ručním přidáváním vylučujících slov. Představ si obchod s běžeckými botami, který platí prokliky na „oprava běžeckých bot“, „historie nike air max“ a „běžecké boty zdarma“, přičemž nic z toho neprodává ani neservisuje. Vynásob to tisíci řádky, každý týden, na každém účtu. To je ta práce, kterou nikdo nechce a každý potřebuje.
Tady je, co se změnilo. Python script natáhne dotazy z Google Ads API a předá je open-source modelu, Gemmě 4 od Googlu, kterou uběhne skoro každé současné PC. Tisíce dotazů přečte za pár minut. A když ho ukotvíš v kontextu o klientovi, sitemapě, struktuře webu a databáze, taxonomii drobečkové navigace a produktovém feedu, přestane hádat a začne uvažovat. Vylučuje správně a pojmenovává vzorce za balastem, rychleji než jakékoli lidské přelétnutí. Tady je ten postup v pěti konkrétních krocích.
PULL · natáhni surové vyhledávací dotazy
Stáhni report vyhledávacích dotazů z Google Ads API. Dotaz, prokliky, náklady, konverze. Proč jako první: tohle je důkaz, skutečné peníze už utracené za každý dotaz. Ke každému řádku chceš připojené náklady, aby model rozeznal drahý balast od neškodného. Co dostaneš: plochou tabulku všech dotazů, za které účet v daném období zaplatil.
GROUND · sestav kontextový balíček o webu
Posbírej, čím web doopravdy je, ve formě, kterou model přečte. XML sitemapa, taxonomie drobečkové navigace, produktový feed (id, název, kategorie) a struktura databáze a kategorií. Proč je tohle celá hra: model bez kontextu hádá; model, který ví, že nemáš kategorii „oprava“ ani „půjčovna“, uvažuje. Co dostaneš: kontextový balíček, který z modelu udělá místo hádače něco, co zná tvůj katalog.
ASK · klasifikuj dotazy a pojmenuj vzorce
Pošli Gemmě 4 dotazy plus kontextový balíček. Klasifikuj každý dotaz jako relevantní, nebo nerelevantní vůči tomu, co prodáváme, a hlavně vrať vzorce za těmi nerelevantními (slovo, záměr, nesoulad s kategorií). Proč vzorce, ne řádky: označení 200 balastních dotazů ti ušetří odpoledne; pojmenování celé kategorie balastu vyloučí i dalších tisíc, které jsi ještě ani neviděl. Co dostaneš: seznam nerelevantních dotazů a nad ním hrstku pravidel, ze kterých vznikl.
REVIEW · ověřuj pravidla, ne řádky
Člověk čte vzorce, pět až deset, ne 5 000 jednotlivých řádků. Proč se tady šetří čas: úsudek se uplatní jednou na pravidlo místo jednou na dotaz a špatné pravidlo je očividné způsobem, jakým jeden chybně označený řádek nikdy nebude. Co dostaneš: krátký, důvěryhodný seznam vylučovacích vzorců, který člověk reálně odkýval.
PUSH · přidej vylučující slova na správné úrovni
Schválená vylučující slova pošli zpět přes API na správnou úroveň, do sestavy, kampaně, nebo na sdílený seznam, podle toho, jak široký je vzorec. Proč na úrovni záleží: celoplošné balastní slovo („zdarma“, „wikipedia“) patří na sdílený seznam, ne zahrabané v jedné sestavě. Co dostaneš: čistý účet a znovupoužitelný seznam vylučujících slov, který funguje i příští týden.
Abys viděl, proč to funguje, podívej se, co krok ASK reálně vrátí pro náš obchod s běžeckými botami. Řádky jsou ilustrativní, tvar je přesně to, co se vrací, a výhra je blok dole:
Query Verdict Why
free running shoes irrelevant freebie intent, no purchase
running shoes repair irrelevant service we don't offer
nike air max history irrelevant informational, no buy intent
running shoes wikipedia irrelevant reference-seeker
→ PATTERN: tokens "free", "repair", "history", "wikipedia"
= non-commercial modifiers absent from our taxonomy.
Recommend excluding as a shared negative list.Ze čtyř řádků je jedno pravidlo. Člověk přečte ten jeden řádek, uzná, že sedí, a pravidlo dál chytá balast typu „běžecké boty doprava zdarma vrácení“, který jsi ještě ani neviděl. To je moment, kdy se z otupující týdenní dřiny stane desetiminutová kontrola.
Tichý titulek celé věci je, že lokálně běžící open-source model stačí. Nepotřebuješ frontier API, aby se ti to vyplatilo, a data ti neopustí barák. To se hýbe ekonomika, ne schopnosti.
Druhá práce: keyword research
Tahle bývala samostatnou rozpočtovou položkou. Pořádný keyword research, ten, který mapuje poptávku na tvoje vstupní stránky a řekne ti, co na webu chybí, dřív znamenal desítky hodin tahání dat (AdWords API, našeptávače, OpenRefine), polomanuální čištění, klasifikaci podle vstupní stránky a navrch reporting trendů, objemů a mezer.
Jeden keyword research projekt, tehdy vs. teď
- Postaru (stáhnout data, vyčistit, roztřídit, reportovat) 50–100 hod
- Co za to klient zaplatil ≈ 2 000–4 000 €
- Tentýž projekt dnes, s jedním dobrým skillem jednotky hodin
- A výstup je přesnější
Není to jen levnější. Je to lepší, přesnější, s hodinami strávenými na validaci a úsudku místo na instalatéřině. Levnější a lepší je přesně ta kombinace, která měla být nemožná. Moderní verzi jsem rozebral od začátku do konce v blueprintu expanze na nové trhy a v analýze obsahové mezery konkurence, obojí s reálným mezivýstupem ukázaným u každého kroku.
Co mě pořád překvapuje, je kadence. Takový research býval roční projekt, který klient jednou odkýval. Stejná pipeline teď může běžet denně a sledovat, jak se poptávka hýbe, místo aby ji jednou ročně vyfotila.
Ekonomika, předtím a potom
Tohle je celá teze v jedné tabulce. Stejné práce, stejná laťka kvality; pohnuly se jen náklady na jejich odvedení. Doložená čísla tam, kde je mám, řádové odhady z dvaceti let agenturní práce u zbytku.
| Práce | Postaru | Dnes |
|---|---|---|
| Analýza expanze na nové trhy (ceny napříč trhy) | ~400 hod ručně · nebo 2 měsíce vývoje, 16–20 tis. € | 6 hod |
| Keyword research (jeden projekt) | 50–100 hod · vyfakturováno 2 000–4 000 € | jednotky hodin · přesnější |
| Triáž vylučujících dotazů | polomanuální průchod, tisíce řádků ručně | script + lokální model pojmenuje vzorce |
| Dodání jedné nové automatizační funkce | měsíce (2 vývojáři × 2 roky na celý nástroj) | týdny |
| Udržení reportovacího stroje naživu | ~100 000 € / rok, nikdy se nezaplatil | skoro nula s lokálním modelem |
Přečti tabulku odshora dolů a vzorec se opakuje v každém řádku. Sloupec schopností se nepohnul; tohle všechno jsme uměli v roce 2019. Sloupec ceny propadl podlahou. A doba návratnosti rozhoduje, jestli se chytrý nápad vůbec kdy postaví.
AI ani tak neodemkla nové PPC schopnosti, jako spíš srazila dobu návratnosti u těch starých. Když se z půlroční stavby stane dvoutýdenní, celý backlog „rádi bychom, ale nikdy by se to nevyplatilo“ se najednou vyčistí.
Jak to vypadá, když se do toho opřeš
Lynt je od prvního dne technologicky těžká agentura. Máme v týmu systémového architekta, security inženýra, datového analytika stavějícího BI a vývojáře na plný úvazek, což běžná agentura prostě nemá. Roky se ten sval dal na PPC problémy mířit jen těžko, ze všech výše popsaných důvodů návratnosti. Teď se úročí.
Boostera, náš vlastní nástroj, zabrala dva roky vývoje. Obohacuje feedy v Google Merchant Center pomocí AI, takže Shopping kampaně běží na lepších produktových datech, než dává surový feed. Kolem ní sedí instalatéřina, kterou nová ekonomika konečně ospravedlní. Scraping konkurenčních cen po jednotlivých trzích, ten, který krmil cenové tabulky v blueprintu expanze. Keyword-researchové pipeline, které běží podle plánu místo jednou ročně. Zákaznický byznys reporting v BigQuery s forecasty navrch. MCP servery na každé službě, na kterou saháme, aby si AI agent mohl uprostřed úkolu sáhnout do kterékoli z nich.
Před dvěma lety bych každý z těch projektů musel obhajovat proti stejné otázce, jestli se někdy zaplatí. Dnes ta otázka skoro nepadne. Když stavby zlevní, infrastruktura přestane být luxus a stane se vodním příkopem.
Co to reálně znamená pro obor
Populární názor říká, že AI končí s PPC specialistou. Mít to obráceně má reálné kariérní důsledky pro lidi, kteří tohle čtou, tak mi dovol zatlouct kolík.
„Éra PPC specialistů končí“ je nesmysl. Děje se přesný opak. Dobří specialisté roky frustrovaně koukali, jak ta chytrá věc, kterou jasně viděli, nestojí za postavení. Teď ji postavit můžou. Automaticky, ziskově, ve velkém. Celá police PPC strategií, které bývaly neekonomické nebo prostě absurdní vůbec zkoušet, je najednou na stole.
Co se děje doopravdy, je ostřejší rozdělení uvnitř řemesla. Na jedné straně stojí lidé, kteří berou rozhraní platformy jako celou práci a nové nástroje nechávají projít kolem. Zítra je nikdo nevyhodí. Zamrznou na místě, zatímco se práce posune. Na druhé straně stojí lidé, kteří znají Google Ads API do morku kosti, spojují datové zdroje, které nikdo jiný nespojuje, a staví si vlastní specializované dashboardy, místo aby čekali na feature od dodavatele. Dvanáct let psaní kódu proti tomu API mě naučilo, kde přesně leží výhoda té druhé skupiny. Kód zlevnil. Vzácné zůstaly představivost a znalost oboru, vědět, která data spojit a proč.
A abych zabil to očividné nedorozumění, tohle není příběh o levnější službě. Nástroje, výpočetní výkon i vývoj pořád stojí peníze. Jde o to, že projekt, který dřív znamenal čtyři až šest měsíců dvou seniorních vývojářů, se teď dodá v týdnech, takže investice konečně dává smysl. Klient dostane dramaticky lepší službu za podobnou cenu.
Proč zase píšu
V roce 2017 jsem s blogováním přestal, protože propast mezi nápadem a ekonomicky příčetnou realizací byla moc široká, než aby byla zajímavá. Ta propast se právě zavřela. Tenhle blog proto navazuje tam, kde ppc-scripts.eu skončil, a zůstane konkrétní. Use casy s reálnými čísly, přesné postupy, skutečné výstupy, včetně krkolomných míst a limitů. První deep divy už jsou venku.
Někde v tvém vlastním backlogu leží automatizace, kterou jsi před lety odložil, protože by se nikdy nezaplatila. Vytáhni ji a přepočítej ta čísla znovu. Jestli se překlopila jako ta moje, víš, co stavět dál. A jestli si chceš porovnat poznámky, víš, kde mě najdeš.
FAQ
Říkáš, že by agentury měly vyhazovat PPC specialisty?
Přesný opak. Specialisté, kteří rozumí strategii a nástrojům, mají teď větší cenu, protože konečně můžou realizovat nápady, které bývaly neekonomické. Co ztrácí na ceně, je čisté mačkání tlačítek v rozhraní platformy.
Jsou ta čísla 100 000 € ročně a dva vývojáři na dva roky přesná?
Ne, ber je řádově. Nejde o přesnou částku v eurech. Jediný interní reportovací stroj nesl šestimístné roční náklady a stejně se nikdy nezaplatil. A přesně o téhle ekonomice je celý text.
Potřebuju na tohle drahý frontier model?
Na práce jako triáž vylučujících dotazů ne. Schopný open-source model jako Gemma 4, spuštěný lokálně s dobrým kontextem webu, tu práci odvede. Data i náklady ti přitom zůstanou pod kontrolou.
Týká se to jen vyhledávacích dotazů?
Ne, to je jen práce, u které se dá nejsnáz přihlížet. Stejně se pohnula ekonomika analýzy expanze na nové trhy (šest hodin místo ~400), scrapingu konkurenčních cen po trzích, keyword researche, který běží denně místo jednou ročně, i obohacování feedu Boosterou. Vyber si kteroukoli odloženou rutinu a přepočítej si ji znovu.
Takže je to jen hype v novém kabátě?
Kdyby byl, znovu bych psát nezačal. Ta změna je úzká a skutečná, sražená doba návratnosti u schopností, které jsme už měli. Je to obchodní změna, ne kouzlo, a právě proto se backlog najednou vyčistí.
Co na tomhle blogu reálně bude?
Konkrétní use casy s čísly, postupy za nimi a výstupy, včetně limitů a míst, kde věci selhávají. Míň manifestu, víc přesně té věci, kterou jsme spustili, a toho, co vrátila.
