PPC-automatisering var alltid möjlig. Den betalade sig bara aldrig, förrän nu.

Jag såg en gång vår systemarkitekt, en man med tjugofem års ingenjörskonst bakom sig, lägga två hela dagar på att läsa Google Ads API-dokumentation innan en enda fråga returnerade data. Två dagar, en fråga. Han är den bästa ingenjör jag känner, och det tog honom ändå två dagar. Det var helt enkelt inträdesavgiften plattformen tog av alla som ville åt den verkliga kraften.

Jag har ägnat ungefär tjugo år åt PPC, tolv av dem åt att skriva kod mot just det API:et. Mellan 2015 och 2017 drev jag ppc-scripts.eu, en liten blogg om Google Ads Scripts, på den tiden det ännu inte var coolt att automatisera PPC. Sedan slutade jag skriva. Inte för att idéerna sinade. Klyftan mellan “det här är möjligt” och “det här är värt att göra för en kund” förblev envist bred i ett decennium, och det finns bara så många sätt att beskriva verktyg ingen har råd med.

I våras levererade jag en marknadsexpansionsanalys, sexton produkter prissatta över fem länder med värmekartor, på ungefär sex timmar. För hand är det runt 400 timmars arbete. Byggd som specialutvecklad mjukvara på det gamla sättet är det två månaders utveckling och en faktura på 16 000 till 20 000 € som ingen kund någonsin ville betala. Samma leverans, och priset kollapsade. Analysen blev inte smartare i våras. Ekonomin i att bygga den brast.

Nästan allt du läst om att AI dödar PPC-specialisten har fått den mekanismen om bakfoten. AI ändrade inte vad du kan göra i betald sök. Det mesta var alltid möjligt, och det mesta fanns redan 2019. Det den ändrade är vem som har råd att göra det. Den här texten är beviset, berättat inifrån verktygen jag faktiskt bygger med. Två eror som gjorde automatisering för dyr att bry sig om, ögonblicket då kalkylen vände, och ett verkligt jobb, att rensa skräpsökfrågor med en lokal modell med öppen källkod, nedbrutet steg för steg.

Skript-eran: några dagar för ett “enkelt” skript

Taket var aldrig tekniken, och det vill jag visa dig från det allra första verktyget jag rörde vid. Google Ads Scripts kändes som magi när de kom. JavaScript, direkt i kontot, i loop över kampanjerna. I praktiken tog ett “enkelt” skript, säg att pausa sökord över ett CPA-tröskelvärde eller flagga trasiga slut-URL:er, några dagar av skrivande och felsökning när du väl hanterat specialfallen, kvoterna och de tysta felen.

Sedan kom delen ingen budgeterade för. Att köra det över flera konton innebar en kopia av skriptet per konto, som gled ur synk och gick sönder i tysthet så fort en kunds namnkonvention inte matchade de andras. Skalning och distribution var ett eget jobb. Så de flesta skript där ute kom aldrig längre än rapportering, att dra några siffror till ett kalkylark enligt schema. Allt som faktiskt ändrade kontot var för bräckligt och för dyrt att underhålla.

Även det enkla automatiseringslagret bromsades av underhållskostnaden, inte av förmågan. Ta med dig den. Det är mönstret i allt som följer.

API-eran: två dagar till första frågan, två år till ett verktyg

Google Ads API, på den tiden AdWords API, var den verkliga kraften och den verkliga väggen. De två dagar min kollega la i dokumentationen var ingen pik mot honom. Det var den komplexitet alla skrev under på.

Vi satsade allt ändå och byggde PPC Robot, ett djupt anpassningsbart verktyg för rapportering och drift. Tekniskt vackert, genuint kraftfullt. Det tog också två utvecklare, på heltid, i två år, och utvecklingen som krävdes för att hålla det igång låg någonstans runt 100 000 € om året. Det betalade sig aldrig. Det täckte en bråkdel av vad våra PPC-specialister faktiskt behövde, så till slut parkerade vi det i ett begränsat internt läge. Inte för att det var dåligt. För att kalkylen aldrig gick ihop.

Och vi levererade ändå verkliga saker ovanpå det API:et, för fyra och fem år sedan:

Titta på listan och lägg märke till en sak. Inget av det är exotiskt med dagens mått. Allt var möjligt. Det kostade bara en förmögenhet att bygga och en förmögenhet att hålla vid liv. Varje meningsfull funktion, ett sökordsanalysverktyg, ett expansionsverktyg, annonsöversättning, en Shopping-generator, mättes i månader av två seniorers tid, och ingen kund ville betala vad det kostar.

Taket var aldrig tekniken. Det var återbetalningstiden.

Det första jobbet som slapp loss: skräpsökfrågor

“AI ändrade allt” är ett påstående du bör vägra ta på tro. Så här är två jobb som förr var olönsamma och inte är det längre. Bägge är saker jag kör, inga hypoteser, och för det första går jag igenom hela flödet med dig.

Att rensa irrelevanta sökfrågor ur ett konto är värdefullt och själsdödande, och tills nyligen fanns inget ärligt sätt att automatisera det. Regler kan fånga en exakt token, men att avgöra om “nike air max history” är värd att betala för kräver läsförståelse. Så jobbet förblev en halvmanuell genomgång av tusentals sökfrågor, mönster i ögat, negativa sökord tillagda för hand. Föreställ dig en löparskobutik som betalar för klick på “running shoes repair”, “nike air max history” och “free running shoes”, inget av det säljer eller utför den. Multiplicera det med tusentals rader, varje vecka, på varje konto. Det är jobbet ingen vill ha och alla behöver.

Här är vad som ändrades. Ett Python-skript drar sökfrågorna från Google Ads API och lämnar dem till en modell med öppen källkod, Googles Gemma 4, som nästan vilken nyare pc som helst kan köra. Den läser tusentals sökfrågor på några minuter. Och när du förankrar den i kontext om kunden, sitemapen, sajt- och DB-strukturen, brödsmuletaxonomin, produktfeeden, slutar den gissa och börjar resonera. Den utesluter rätt och sätter namn på mönstren bakom skräpet, snabbare än någon mänsklig genomögning. Här är det flödet som fem konkreta steg.

För att se varför det funkar, titta på vad FRÅGA-steget faktiskt returnerar för vår löparskobutik. Raderna är illustrativa, formen är exakt den som kommer tillbaka, och vinsten är blocket längst ner:

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.

Fyra rader blev en regel. En människa läser den raden, håller med om att den stämmer, och regeln fortsätter fånga skräp av typen “running shoes free shipping returns” som du inte ens sett ännu. Det är ögonblicket då en själsdödande veckosyssla blir en tiominuters granskning.

Den tysta rubriken här är att en lokalt körd modell med öppen källkod räcker. Du behöver inget frontier-API för att det ska löna sig, och dina data lämnar aldrig huset. Det är ekonomin som flyttar sig, inte förmågan.

Det andra jobbet: sökordsanalys

Det här var förr en egen budgetpost. Riktig sökordsanalys, den sort som kartlägger efterfrågan mot dina målsidor och berättar vad som saknas på sajten, innebar förr dussintals timmar av datadragning (AdWords API, förslagsrutor, OpenRefine), halvmanuell städning, klassificering per målsida och trend-, volym- och gaprapportering ovanpå.

Det är inte bara billigare. Det är bättre, mer träffsäkert, med timmarna lagda på validering och omdöme i stället för på rörmokeri. Billigare och bättre är precis den kombination som skulle vara omöjlig. Jag har brutit ner den moderna versionen från början till slut i marknadsexpansions-blueprinten och innehållsgapsanalysen, bägge med det verkliga mellanresultatet visat i varje steg.

Delen som fortfarande förvånar mig är takten. Analys som den här var förr ett årligt projekt kunden godkände en gång. Samma pipeline kan nu köra dagligen och se efterfrågan röra sig i stället för att fotografera den en gång om året.

Ekonomin, före och efter

Det här är hela tesen i en tabell. Samma jobb, samma kvalitetsribba; bara kostnaden för att göra dem flyttade sig. Dokumenterade siffror där jag har dem, storleksordning från tjugo års byråarbete för resten.

Läs tabellen uppifrån och ner och mönstret upprepar sig på varje rad. Kolumnen för förmåga flyttade sig inte; allt det här kunde vi 2019. Kolumnen för pris föll genom golvet. Och återbetalningstiden är vad som avgör om en smart idé någonsin byggs.

Så ser det ut när du tar det på allvar

Lynt har varit en tekniktung byrå från dag ett. Vi har en systemarkitekt, en säkerhetsingenjör, en dataanalytiker som bygger BI och en utvecklare på heltid i teamet, vilket en vanlig byrå helt enkelt inte har. I åratal var den muskeln svår att rikta mot PPC-problem, av alla återbetalningsskäl ovan. Nu ger den ränta på ränta.

Boostera, vårt eget verktyg, tog två års utveckling. Det berikar Google Merchant Center-feeds med AI, så att Shopping-kampanjer kör på bättre produktdata än det råa feedet ger dem. Runt det sitter rörmokeriet som den nya ekonomin äntligen motiverar. Skrapning av konkurrentpriser per marknad, den sort som matade pristabellerna i expansions-blueprinten. Sökordsanalyspipelines som körs enligt schema i stället för en gång om året. Affärsrapportering på kundnivå i BigQuery med prognoser ovanpå. MCP-servrar på varje tjänst vi rör vid, så att en AI-agent kan hämta från vilken som helst av dem mitt i en uppgift.

För två år sedan hade jag fått försvara vart och ett av de projekten mot samma fråga, om det någonsin skulle betala sig. Idag kommer frågan knappt upp. När byggen blir billiga slutar infrastruktur vara en lyx och börjar vara vallgraven.

Vad det här faktiskt betyder för branschen

Den populära tolkningen säger att AI gör slut på PPC-specialisten. Att få det om bakfoten har verkliga karriärkonsekvenser för folk som läser det här, så låt mig ta tydlig ställning.

“PPC-specialisternas era är över” är nonsens. Motsatsen händer. Bra specialister tillbringade år frustrerade över att det smarta, det de tydligt kunde se, inte var värt att bygga. Nu får de bygga det. Automatiskt, lönsamt, i skala. En hel hylla PPC-strategier som förr var olönsamma eller rent absurda att ens försöka sig på ligger plötsligt på bordet.

Det som händer är en skarpare uppdelning inom hantverket. På ena sidan står de som behandlar plattformens gränssnitt som hela jobbet och låter de nya verktygen passera. Ingen sparkar dem imorgon. De fryser fast medan jobbet flyttar sig. På andra sidan står de som kan Google Ads API utan och innan, kopplar samman datakällor ingen annan kopplar, och bygger sig egna specialiserade dashboards i stället för att vänta på att en leverantör ska skeppa en funktion. Tolv år av kod mot det API:et har lärt mig var den andra gruppens försprång verkligen ligger. Koden blev billig. Det som förblev knappt är fantasi och domänkunskap, att veta vilka data man ska kombinera och varför.

Och för att döda den uppenbara feltolkningen, det här är ingen berättelse om billigare tjänst. Verktyg, beräkningskraft och utveckling kostar fortfarande pengar. Poängen är att ett projekt som förr var fyra till sex månader för två seniora utvecklare nu levereras på veckor, så att investeringen äntligen blir vettig. Kunden får en dramatiskt bättre tjänst för ett liknande pris.

Varför jag skriver igen

Jag slutade blogga 2017 för att klyftan mellan en idé och ett ekonomiskt vettigt genomförande var för bred för att vara intressant. Den klyftan stängdes precis. Så den här bloggen tar vid där ppc-scripts.eu slutade, och den håller sig konkret. Användningsfall med verkliga siffror, de exakta flödena, de faktiska resultaten, inklusive de stökiga delarna och gränserna. De första djupdykningarna är redan uppe.

Någonstans i din egen backlog ligger automatiseringen du la på hyllan för flera år sedan för att den aldrig skulle löna sig. Gräv fram den och räkna på den igen. Har siffrorna vänt som mina gjorde vet du vad du ska bygga härnäst. Och vill du jämföra anteckningar vet du var du hittar mig.

FAQ