Stručně: PPC automatizace nezačala být možná teprve teď. Teprve teď začala být dostupná. AI nepřidala schopnosti; srazila dobu návratnosti u těch, které máme od roku 2019, a z půlročního vývoje udělala dvoutýdenní. Vítězí super-senioři, kteří konečně staví workflowy, jež se dřív nevyplatily, třeba čištění tisíců balastních dotazů modelem, který rozběhneš na běžném PC.
Jednou jsem sledoval našeho systémového architekta, člověka s pětadvaceti lety inženýrské praxe za sebou, jak tráví dva celé dny čtením dokumentace Google Ads API, než mu první 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 nad tím API. Mezi lety 2015 a 2017 jsem vedl ppc-scripts.eu, malý blog o skriptech pro Google Ads, 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 asi za šest hodin dodal analýzu expanze na nové trhy: šestnáct produktů naceněných v pěti zemích, včetně heat map. Ručně je to kolem 400 hodin práce. Postavit ji postaru jako software na míru znamená dva měsíce vývoje a fakturu 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. V tomhle článku to doložím na nástrojích, se kterými sám pracuju: ukážu dvě éry, kvůli kterým byla automatizace příliš drahá, než aby stála za námahu, i okamžik, kdy se počty překlopily, a pak krok za krokem rozeberu jednu reálnou práci, čištění balastních vyhledávacích dotazů lokálním open-source modelem.
- AI nepřidala do PPC skoro žádné nové schopnosti. Srazila dobu návratnosti u těch, které máme od roku 2019, a to samo o sobě 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, zůstane stát na místě; kdo zná Google Ads API jako své boty a spojuje data s představivostí, získává náskok.
- Rozebraný příklad uvnitř ukazuje, jak lokální open-source model během minut vyčistí tisíce balastních dotazů; dřív to byla čistě ruční práce.
Éra skriptů: pár dní na „jednoduchý“ skript
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“ skript, 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 skriptu na účet; kopie se rozcházely a tiše padaly, kdykoli se konvence pojmenování u jednoho klienta lišila od ostatních. Škálování a distribuce byly práce samy o sobě. Většina skriptů v praxi proto nikdy nepřekročila reporting, pravidelné natažení pár čísel do Sheetu. Cokoli, co účet doopravdy měnilo, bylo příliš křehké a na údržbu příliš drahé.
I ta snadná automatizační vrstva narážela na náklady na údržbu, ne na technické možnosti. 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 výtkou vůči němu. Tolik složitosti musel vzít na sebe každý, kdo se do toho API pustil.
Šli jsme do toho stejně naplno a postavili PPC Robot, vysoce přizpůsobitelný nástroj na reporting a operativu. Technicky nádherný, opravdu mocný. Spolykal taky dva vývojáře na plný úvazek po dva roky a vývoj, který potřeboval, aby dál běžel, vycházel někde kolem 100 000 € ročně. Nikdy se nezaplatil. Pokrýval zlomek toho, co naši PPC specialisté reálně potřebovali, takže jsme ho nakonec nechali jen pro omezené interní použití. 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 nástroj 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 počítala na měsíce práce dvou seniorů a žádný klient by nezaplatil, co to stálo.
Stropem nikdy nebyla technologie. Byla to doba návratnosti.
První práce, která se konečně vyplatí: balastní vyhledávací dotazy
„AI změnila všechno“ je tvrzení, které bys neměl brát na víru. Tady jsou proto dvě práce, které bývaly neekonomické a dnes nejsou. Obě mi reálně běží, nejsou to hypotézy, a tou první tě provedu celou, krok za krokem.
Čištění nerelevantních vyhledávacích dotazů z účtu je vysoce hodnotná a otupující práce a donedávna neexistoval spolehlivý 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 za 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.
Změnilo se tohle. Skript v Pythonu natáhne dotazy z Google Ads API a předá je open-source modelu, Gemmě 4 od Googlu, kterou utáhne skoro každé současné PC. Tisíce dotazů přečte za pár minut. A když ji ukotvíš v kontextu klienta, sitemapě, struktuře webu a databáze, taxonomii drobečkové navigace a produktovém feedu, přestane hádat a začne uvažovat. Nerelevantní dotazy vylučuje správně a pojmenovává vzorce, které se za balastem skrývají, rychleji, než je člověk stihne zběžně projít. 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, které jsi už za každý dotaz utratil. 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 místo hádače udělá něco, co zná tvůj katalog.
ASK · klasifikuj dotazy a pojmenuj vzorce
Pošli Gemmě 4 seznam dotazů a kontextový balíček. Klasifikuj každý dotaz jako relevantní, nebo nerelevantní vůči tomu, co prodáváme, a u nerelevantních vrať vzorce, které se v nich opakují (slovo, záměr, nesoulad s kategorií); právě tohle je ta nejdůležitější část. 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 praští do očí, zatímco jeden chybně označený řádek projde bez povšimnutí. 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, do kampaně, nebo na sdílený seznam, podle toho, jak široký je vzorec. Proč na úrovni záleží: balastní slovo, které je nežádoucí na celém webu („zdarma“, „wikipedia“), patří na sdílený seznam, ne do jedné sestavy, kde zůstane zahrabané. 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, ale formát přesně odpovídá tomu, co se vrací, a podstatný je blok dole:
Dotaz Verdikt Proč
běžecké boty zdarma nerelevantní záměr získat něco zdarma, bez nákupu
oprava běžeckých bot nerelevantní služba, kterou nenabízíme
historie nike air max nerelevantní informační dotaz, bez nákupního záměru
běžecké boty wikipedia nerelevantní hledá referenční informace
→ VZOREC: tokeny „zdarma“, „oprava“, „historie“, „wikipedia“
= nekomerční modifikátory, které nejsou v naší taxonomii.
Doporučujeme je vyloučit pomocí sdíleného seznamu vylučujících slov.Ze čtyř řádků vznikne jedno pravidlo. Člověk přečte ten jeden řádek, uzná, že sedí, a pravidlo dál chytá balast typu „soutěž o běžecké boty zdarma“, který jsi ještě ani neviděl. To je moment, kdy se z otupující týdenní dřiny stane desetiminutová kontrola.
Méně nápadný, ale podstatný závěr zní: lokálně běžící open-source model stačí. Nepotřebuješ frontier API, aby se ti to vyplatilo, a data ti neopustí barák. Hýbe se tu ekonomika, ne schopnosti.
Druhá práce: keyword research
Tahle bývala samostatnou rozpočtovou položkou. Pořádný keyword research, takový, 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 projekt keyword researche, 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 AI skillem jednotky hodin
- A výstup je přesnější
Není to jen levnější. Je to lepší a přesnější, protože hodiny padnou na validaci a úsudek místo na přetahování dat. 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; u obou ukazuju reálný mezivýstup v každém kroku.
Co mě pořád překvapuje, je kadence. Takový research býval projekt, který klient jednou za rok 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. Kde mám doložená čísla, uvádím je; u zbytku jde o řádové odhady z dvaceti let agenturní práce.
| 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 nerelevantních vyhledávacích dotazů | polomanuální průchod, tisíce řádků ručně | skript + lokální model pojmenuje vzorce |
| Dodání jedné nové automatizační funkce | měsíce (2 vývojáři × 2 roky na celý nástroj) | týdny |
| Udržení reportovacího nástroje naživu | ~100 000 € / rok, nikdy se nezaplatil | skoro nula s lokálním modelem |
Přečti tabulku odshora dolů a vzorec se opakuje v každém řádku. Schopnosti se nezměnily; tohle všechno jsme uměli už v roce 2019. Náklady se propadly. 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 půlročního vývoje 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 nadupaná agentura. Máme v týmu systémového architekta, security inženýra, datového analytika stavějícího BI a vývojáře na plný úvazek, což běžná agentura prostě nemá. Roky bylo těžké tuhle kapacitu využít k řešení PPC problémů, právě kvůli výše popsané době návratnosti. Teď se nám to úročí.
Boostora, náš vlastní nástroj, zabrala dva roky vývoje. Obohacuje feedy v Google Merchant Center pomocí AI, takže Shopping kampaně běží na lepších produktových datech, než jim dává surový feed. Kolem ní stojí všechna ta nenápadná infrastruktura, kterou nová ekonomika konečně ospravedlňuje. Scraping konkurenčních cen po jednotlivých trzích, který krmil cenové tabulky v blueprintu expanze. Pipeliny na keyword research, které běží podle rozvrhu místo jednou ročně. Byznysový reporting na úrovni zákazníka v BigQuery s forecasty navrch. MCP servery pro každou službu, kterou používáme, aby si z kterékoli z nich mohl AI agent uprostřed úkolu natáhnout data.
Před dvěma lety bych u každého z těch projektů musel čelit stejné otázce, jestli se někdy zaplatí. Dnes ta otázka skoro nepadne. Když vývoj zlevní, infrastruktura přestane být luxus a stane se konkurenční výhodou, kterou nikdo nezkopíruje.
Co to reálně znamená pro obor
Populární názor říká, že AI znamená konec PPC specialisty. Pochopit to obráceně má pro lidi, kteří tohle čtou, reálné kariérní důsledky, tak to řeknu natvrdo.
„Éra PPC specialistů končí“ je nesmysl. Děje se přesný opak. Dobré specialisty roky frustrovalo, že se to chytré řešení, které měli jasně před očima, nevyplatí postavit. Teď ho postavit můžou. Automaticky, ziskově, ve velkém. Celá řada PPC strategií, které bývaly neekonomické nebo prostě absurdní vůbec zkoušet, je najednou ve hře.
Co se děje doopravdy, je ostřejší rozdělení uvnitř řemesla. Na jedné straně stojí lidé, kteří považují rozhraní platformy za celou svou práci a nové nástroje nechávají bez povšimnutí. Zítra je nikdo nevyhodí. Zůstanou stát na místě, zatímco se práce posune. Na druhé straně stojí lidé, kteří znají Google Ads API jako své boty, spojují datové zdroje, které nikdo jiný nespojuje, a staví si vlastní specializované dashboardy, místo aby čekali na feature od dodavatele. Dvanáct let psaní kódu nad tím 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 aby bylo jasno: 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 práce dvou seniorních vývojářů, se teď dodá v řádu týdnů, 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 příliš 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 zkušenosti, 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 nástroj měl šestimístné roční náklady a stejně se nikdy nezaplatil. A přesně o téhle ekonomice je celý text.
Potřebuju na tohle drahý frontier model?
Na práci, jako je triáž nerelevantních vyhledávacích 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, jen je to práce, u které se nejsnáz sleduje, jak běží. Stejně tak 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 Boostorou. Vyber si kteroukoli odloženou rutinní práci a přepočítej si u ní čísla znovu.
Takže je to jen hype v novém kabátě?
Kdyby byl, znovu bych psát nezačal. Ta změna má jasně vymezený rozsah a je skutečná: srazila se 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 manifestů, víc konkrétních příkladů toho, co jsme reálně spustili a co nám to přineslo.
