PPC-automatisering var altid mulig. Den betalte sig bare aldrig. Indtil nu.

Jeg så engang vores systemarkitekt, en mand med femogtyve års engineering bag sig, bruge to hele dage på at læse Google Ads API-dokumentation, før en eneste query returnerede data. To dage, én query. Han er den bedste ingeniør, jeg kender, og det tog ham alligevel to dage. Det var simpelthen det entrégebyr, platformen opkrævede af alle, der ville have den ægte magt.

Jeg har brugt omkring tyve år i PPC, tolv af dem på at bygge oven på netop det API. Mellem 2015 og 2017 drev jeg ppc-scripts.eu, en lille blog om Google Ads Scripts, dengang det endnu ikke var cool at automatisere PPC. Så holdt jeg op med at skrive. Ikke fordi idéerne tørrede ud. Kløften mellem »det er muligt« og »det er værd at gøre for en kunde« forblev stædigt bred i et årti, og der er grænser for, hvor mange gange man kan beskrive værktøjer, ingen har råd til.

Her i foråret leverede jeg en markedsudvidelsesanalyse, seksten produkter prissat på tværs af fem lande med heat maps, på cirka seks timer. I hånden er det omkring 400 timers arbejde. Bygget som specialsoftware på den gamle måde er det to måneders udvikling og en faktura på 16.000 til 20.000 €, som ingen kunde nogensinde ville betale. Samme leverance, og prisen kollapsede. Analysen blev ikke klogere i foråret. Regnestykket bag at bygge den er et helt andet i dag.

Næsten alt, hvad du har læst om, at AI slår PPC-specialisten ihjel, vender den mekanisme på hovedet. AI ændrede ikke, hvad man kan i paid search. Det meste var altid muligt, og det meste fandtes allerede i 2019. Det, den ændrede, er, hvem der har råd til det. Denne artikel er beviset, fortalt indefra de værktøjer, jeg faktisk bygger med. Jeg gennemgår to æraer, der gjorde automatisering for dyr til at være besværet værd, øjeblikket, hvor regnestykket vendte, og ét rigtigt job, at rydde skrald-søgetermer med en lokal open source-model, brudt ned trin for trin.

Scripts-æraen: et par dage for et »enkelt« script

Loftet var aldrig teknologien, og det vil jeg vise dig fra det allerførste værktøj, jeg rørte ved. Google Ads Scripts føltes som magi, da de kom. JavaScript, der kørte direkte i kontoen og loopede hen over kampagnerne. I praksis tog et »enkelt« script, fx at pause søgeord over en CPA-tærskel eller markere ødelagte final-URL’er, et par dages skrivning og debugging, når du først havde håndteret særtilfældene, kvoterne og de tavse fejl.

Så kom den del, ingen budgetterede med. At køre det på tværs af konti betød én kopi af scriptet pr. konto, der gled ud af sync og brød stille sammen, hver gang én kundes navnekonvention ikke matchede de andres. Skalering og distribution var et job for sig. Så de fleste scripts derude kom aldrig længere end til rapportering: at trække nogle tal ind i et Sheet efter en fast tidsplan. Alt, der faktisk ændrede kontoen, var for skrøbeligt og for dyrt i vedligehold.

Selv det nemme automatiseringslag var begrænset af vedligeholdelsesomkostninger, ikke af evne. Tag det med videre. Det er mønsteret i alt, der følger.

API-æraen: to dage til første query, to år til et værktøj

Google Ads API, dengang AdWords API, var den ægte magt og den ægte mur. De to dage, min kollega brugte i dokumentationen, var ikke en kritik af ham. Den kompleksitet var alle nødt til at acceptere.

Vi gik all in alligevel og byggede PPC Robot, et yderst tilpasseligt rapporterings- og driftsværktøj. Teknisk smukt, ægte kraftfuldt. Det kostede også to udviklere, på fuld tid, i to år, og den udvikling, der skulle til for at holde det kørende, lå et sted omkring 100.000 € om året. Det betalte sig aldrig. Det dækkede en brøkdel af det, vores PPC-specialister faktisk havde brug for, så til sidst begrænsede vi det til intern brug. Ikke fordi det var dårligt. Fordi regnestykket aldrig gik op.

Og vi leverede stadig rigtige ting oven på det API, for fire og fem år siden:

Kig på listen og læg mærke til én ting. Intet af det er eksotisk efter nutidens målestok. Det var alt sammen muligt. Det kostede bare en formue at bygge og en formue at holde i live. Hver eneste nævneværdig feature krævede måneders arbejde fra to seniorudviklere, hvad enten det var et værktøj til søgeordsresearch, et udvidelsesværktøj, annonceoversættelse eller en Shopping-generator, og ingen kunde ville betale, hvad det kostede.

Loftet var aldrig teknologien. Det var tilbagebetalingstiden.

Det første job, der endelig kunne betale sig: skrald-søgetermer

»AI ændrede alt« er en påstand, du bør nægte at tage for gode varer. Så her er to job, der før ikke betalte sig og nu gør. Begge er ting, jeg kører, ikke hypoteser, og for det første går jeg hele flowet igennem med dig.

At luge irrelevante søgetermer ud af en konto er værdifuldt og dødssygt kedeligt, og indtil for nylig fandtes der ingen pålidelig måde at automatisere det på. Regler kan fange et præcist token, men at afgøre, om »nike air max history« er værd at betale for, kræver læseforståelse. Så jobbet forblev en halvmanuel gennemgang af tusindvis af forespørgsler, hvor man spottede mønstre med øjet og tilføjede negative søgeord i hånden. Forestil dig en løbeskobutik, der betaler for klik på »running shoes repair«, »nike air max history« og »free running shoes«: den reparerer ikke, den forærer ikke sko væk, og den, der slår modelhistorie op, skal ikke købe noget. Gang det med tusindvis af rækker, hver uge, på hver konto. Det er jobbet, ingen vil have, og alle har brug for.

Her er, hvad der ændrede sig. Et Python-script trækker forespørgslerne fra Google Ads API og giver dem videre til en open source-model, Googles Gemma 4, som næsten enhver nyere pc kan køre. Den læser tusindvis af forespørgsler på få minutter. Og når du forankrer den i kontekst om kunden, sitemappet, site- og DB-strukturen, breadcrumb-taksonomien, produktfeedet, holder den op med at gætte og begynder at ræsonnere. Den udelukker de irrelevante forespørgsler korrekt og navngiver mønstrene bag skraldet, hurtigere end noget menneske kan nå at skimme dem. Her er det flow i fem konkrete trin.

For at se, hvorfor det virker, så kig på, hvad SPØRG-trinnet faktisk returnerer for vores løbeskobutik. Rækkerne er illustrative, formatet er præcis det, der kommer tilbage, og det værdifulde er blokken nederst:

Søgeterm                 Vurdering   Hvorfor
free running shoes       irrelevant  søger gratis sko, intet køb
running shoes repair     irrelevant  ydelse, vi ikke tilbyder
nike air max history     irrelevant  informationssøgning, ingen købsintention
running shoes wikipedia  irrelevant  søger et opslagsværk

→ MØNSTER: tokens "free", "repair", "history", "wikipedia"
  = ikke-kommercielle modifikatorer, der ikke findes i vores taksonomi.
  Anbefaling: Udeluk dem via en delt liste over negative søgeord.

Fire rækker blev til én regel. Et menneske læser den ene linje, er enig i, at den passer, og reglen bliver ved med at fange skrald af typen »free running shoe giveaway«, du end ikke har set endnu. Det er øjeblikket, hvor en dødssyg ugentlig pligt bliver til en ti minutters gennemgang.

Den oversete pointe her er, at en lokalt kørende open source-model er nok. Du behøver ikke et frontier-API for at få det til at betale sig, og dine data forlader aldrig din egen maskine. Det er økonomien, der har ændret sig, ikke evnen.

Det andet job: søgeordsresearch

Det her var før en budgetpost for sig. Ægte søgeordsresearch, den slags, der kobler efterspørgsel til dine landingssider og fortæller dig, hvad der mangler på sitet, betød før snesevis af timers datatræk (AdWords API, suggest-bokse, OpenRefine), halvmanuel oprydning, klassificering efter landingsside og trend-, volumen- og gaprapportering oven i.

Det er ikke bare billigere. Det er bedre og mere præcist, fordi timerne går til validering og dømmekraft i stedet for til teknisk fodarbejde. Billigere og bedre er præcis den kombination, der skulle have været umulig. Jeg har brudt den moderne version ned fra ende til anden i markedsudvidelses-blueprintet og content-gap-analysen, begge med det rigtige mellemresultat vist ved hvert trin.

Den del, der stadig overrasker mig, er kadencen. Research som denne var før et årligt projekt, kunden godkendte én gang. Den samme pipeline kan nu køre dagligt og se efterspørgslen bevæge sig i stedet for at fotografere den én gang om året.

Økonomien, før og efter

Det er hele tesen i én tabel. Samme job, samme krav til kvalitet; kun prisen for at udføre dem har ændret sig. Hvor jeg har dokumenterede tal, bruger jeg dem; resten er størrelsesordener fra tyve års bureauarbejde.

Læs tabellen fra top til bund, og mønsteret gentager sig i hver række. Evne-kolonnen flyttede sig ikke; alt det her kunne vi i 2019. Pris-kolonnen styrtdykkede. Og tilbagebetalingstiden er det, der afgør, om en klog idé nogensinde bliver bygget.

Sådan ser det ud, når man satser fuldt på det

Lynt har været et teknologitungt bureau fra dag ét. Vi har en systemarkitekt, en sikkerhedsingeniør, en dataanalytiker, der bygger BI, og en fuldtidsudvikler på holdet, hvilket et normalt bureau simpelthen ikke har. På grund af de lange tilbagebetalingstider, der er beskrevet ovenfor, var det i årevis svært at sætte den kapacitet ind på PPC-problemer. Nu forrenter den sig.

Boostora, vores eget værktøj, tog to år at udvikle. Det beriger Google Merchant Center-feeds med AI, så Shopping-kampagner kører på bedre produktdata, end det rå feed giver dem. Rundt om det sidder alt det tekniske maskineri, den nye økonomi endelig retfærdiggør. Konkurrent-prisscraping pr. marked, den slags, der fodrede pristabellerne i udvidelses-blueprintet. Pipelines til søgeordsresearch, der kører efter en fast tidsplan i stedet for én gang om året. Forretningsrapportering på kundeniveau i BigQuery med prognoser ovenpå. MCP-servere til hver service, vi arbejder med, så en AI-agent kan trække data fra dem alle midt i en opgave.

For to år siden ville jeg have måttet forsvare hvert eneste af de projekter over for det samme spørgsmål: kommer det nogensinde til at betale sig? I dag kommer spørgsmålet knap nok op. Når det bliver billigt at bygge, holder infrastruktur op med at være en luksus og begynder at være det forspring, ingen kan kopiere.

Hvad det her faktisk betyder for branchen

Den populære udlægning siger, at AI gør det af med PPC-specialisten. At vende den mekanisme på hovedet har reelle karrierekonsekvenser for folk, der læser med, så lad mig slå det fast med syvtommersøm.

»PPC-specialisternes æra er ved at slutte« er nonsens. Det modsatte sker. Gode specialister var i årevis frustrerede over, at den kloge løsning, de tydeligt kunne se for sig, ikke var værd at bygge. Nu får de lov til at bygge den. Automatisk, profitabelt, i stor skala. En hel hylde med PPC-strategier, der før ikke kunne betale sig eller var direkte absurde at afprøve, er pludselig i spil.

Det, der sker, er en skarpere splittelse inde i håndværket. På den ene side står de, der behandler platformens UI som hele jobbet og lader de nye værktøjer gå deres næse forbi. Ingen fyrer dem i morgen. De fryser fast, mens jobbet flytter sig. På den anden side står de, der kender Google Ads API ud og ind, kobler datakilder, ingen andre kobler, og bygger sig deres egne specialiserede dashboards i stedet for at vente på, at en leverandør leverer en feature. Tolv års udvikling oven på det API har lært mig, hvor den anden gruppes forspring virkelig ligger. Koden blev billig. Det, der forblev knapt, er fantasi og domæneviden: at vide, hvilke data man skal koble, og hvorfor.

Og lad mig lige forebygge den åbenlyse misforståelse: det her er ikke en historie om billigere service. Værktøjer, compute og udvikling koster stadig penge. Pointen er, at et projekt, som før tog to seniorudviklere fire til seks måneder, nu leveres på uger, så investeringen endelig giver mening. Kunden får en dramatisk bedre service til en lignende pris.

Hvorfor jeg skriver igen

Jeg holdt op med at blogge i 2017, fordi kløften mellem en idé og en økonomisk fornuftig eksekvering var for bred til at være interessant. Den kløft lukkede sig lige. Så denne blog tager tråden op, hvor ppc-scripts.eu slap, og den holder sig konkret. Use cases med rigtige tal, de præcise flows, de faktiske resultater, rodede dele og grænser inklusive. De første deep dives er allerede oppe.

Et sted i din egen backlog ligger den automatisering, du lagde på hylden for år siden, fordi den aldrig ville betale sig. Grav den frem og regn på den igen. Hvis tallene er vendt, som mine gjorde, ved du, hvad du skal bygge som det næste. Og vil du udveksle erfaringer, ved du, hvor du finder mig.

FAQ