Як ШІ змінює Google Ads: мій експеримент

У лютому 2025 року я перевірив, чи може ChatGPT впоратися з налаштуванням Google Ads для мого майстер-класу. Я запустив дві кампанії: одну за рекомендаціями моделі, другу налаштував сам. Через три тижні порівняв результати й сформулював свою думку про те, що ШІ вже допомагав робити та які рішення залишалися за рекламодавцем.

Чи міг штучний інтелект повністю витіснити Google Ads

На той час популярність ChatGPT породила розмови про кінець пошукової реклами. Якщо людина могла поставити запитання асистенту й отримати готову відповідь, навіщо їй було б переглядати сторінки пошуку? Я вважав, що з цього ще не випливало зникнення Google Ads.

Штучний інтелект і людські звички

Мій перший аргумент стосувався інерції поведінки. За сплеском інтересу до технології часто настає звикання, а старі способи розв’язувати задачу не зникають миттєво. Я порівнював це з електромобілями: розвиток нового підходу сам собою не означав негайного зникнення попереднього.

Водночас я очікував, що ШІ змінюватиме звички користувачів, роботу рекламодавців і підходи до аналітики. Моя позиція полягала в поступовій зміні реклами, а не в припущенні, що вона залишиться незмінною.

Реклама як основа бізнесу Google

Другим аргументом була роль рекламних доходів у бізнесі Google. Я виходив із того, що компанія мала сильний економічний мотив зберігати рекламну модель, навіть якщо змінювався сам спосіб пошуку. Для мене це було поясненням, чому варто очікувати перебудови реклами, а не автоматично прогнозувати її кінець.

Чи міг ChatGPT змінити підходи до Google Ads

Я вважав, що базове завдання рекламодавця збережеться: зрозуміти потенційного клієнта, показати доречну пропозицію та привести його туди, де він зможе виконати потрібну дію. Змінитися могли запити, формати відповідей і шлях до цієї дії.

Як я випробовував ШІ на обмеженій задачі

Для перевірки я задавав вузьку задачу з визначеними межами. Наприклад, просив запропонувати повідомлення на основі вже затверджених фактів. Оцінював, чи дотрималася модель обмежень, чи відповідала наміру клієнта і чи можна було перевірити її пропозицію в окремому експерименті.

Якщо модель змішувала гіпотезу з фактом, я не публікував таку відповідь. Помилка була приводом уточнити вхідні дані та правила. Окремий приклад використання ШІ всередині рекламної системи описано в довідці Google про Performance Max.

Як ШІ міг змінити поведінку користувачів

Я розглядав звичний шлях вибору товару на прикладі генератора. Людина починала із загального питання, читала матеріали, уточнювала характеристики й лише потім переходила до покупки.

1. Вводила запит «як вибрати генератор».
2. Отримувала сторінки з оголошеннями та відповідними статтями.
3. Читала матеріали, порівнювала характеристики та пояснення.
4. Уточнювала запит: «генератор для приватного будинку на 2 кВт» або «переваги інверторного генератора».
5. Переходила до запиту про купівлю із зазначенням моделі, міста чи ціни.

Мій прогноз полягав у тому, що асистент міг би взяти на себе значну частину збору та порівняння інформації. Замість серії коротких запитів людина описувала б задачу відразу: підібрати генератор для будинку з електричним опаленням і сім’ї з чотирьох людей; знайти стоматолога у Львові з хорошими відгуками та ціною нижче середньої; вибрати ноутбук для ігор і монтажу відео в межах заданого бюджету.

Я очікував, що за наявності актуальних даних ШІ міг би пропонувати кілька відповідних варіантів. Це був сценарій зміни поведінки, а не твердження, що всі покупці вже користувалися саме таким шляхом.

Як мали б змінюватися дії рекламодавця

Рекламодавець підлаштовується під те, як думає покупець. На початку вибору оголошення може вести на сторінку з поясненнями, а ближче до покупки на сторінку замовлення або контакту з менеджером. Цю логіку я вважав важливішою за конкретний формат пошуку.

Якщо запити ставали б докладнішими, реклама теж мала б враховувати більше умов. Я наводив приклад вибору кухні за кольором, розмірами приміщення, бюджетом і переліком техніки. Мій прогноз стосувався більш конкретного опису потреби, під який рекламодавцю довелося б готувати пропозицію.

Як ШІ допомагав створювати рекламу

Найочевиднішу користь ChatGPT я тоді бачив у підготовці текстів. Також розглядав ШІ як помічника для роботи з інформацією про потреби, інтереси, пріоритети та можливості покупців. Автоматизацію ставок і оптимізацію результатів у Google Ads я відокремлював від самого написання оголошень: це різні задачі.

Генерація текстів у ChatGPT

Я використовував модель для заголовків, описів та текстових об’єктів оголошень, зокрема уточнень і структурованих описів. Наприклад, продавцю сантехніки вона могла запропонувати набір із 15 варіантів заголовків, який потім потрібно було відредагувати.

Для описів я радив вказувати конкретну модель товару, її переваги, потрібну дію користувача та обмеження до 90 символів. Чим точніше сформульовано задачу, тим зрозуміліше, за якими ознаками перевіряти відповідь.

Готовий текст я не радив бездумно переносити в рекламу. Його цінність полягала в економії часу та додаткових ідеях, які можна було доопрацювати. У моєму тодішньому підході я віддавав перевагу англомовним запитам: за потреби перекладав їх через Google Translate, а відповідь адаптував до мови оголошення. Це опис мого способу роботи на той час.

Які ще питання я ставив ChatGPT

Крім написання тексту, модель могла допомогти підготувати варіанти рішень для подальшої перевірки.

• Запропонувати ідеї банерів.
• Скласти початковий перелік ключових слів Google Ads.
• Описати можливу аудиторію та її інтереси для налаштування таргетингу.

Експеримент: налаштування реклами за допомогою ChatGPT

Щоб перейти від припущень до практики, я порівняв дві кампанії для свого майстер-класу з Google Ads. Вони стартували одночасно, вели на ту саму сторінку та працювали три тижні. Одну я зібрав за відповідями ChatGPT, другу налаштував сам.

Для перевірки невеликої зміни я радив використовувати функцію експериментів Google Ads. Тут підходи відрізнялися суттєво, тому я створив дві окремі кампанії. Це важливо для тлумачення результату: порівнювалися цілі набори рішень.

Етап 1: підготовка до роботи з ChatGPT

1. Я попросив модель діяти як експерт із Google Ads і створити кампанію для навчання Ігоря Івіцького.
2. Передав основну інформацію про себе та зміст курсів.
3. Визначив мету: реєстрація на майстер-клас «3 секрети Google Ads» із цільовою ціною за конверсію $4.
4. Описав аудиторію: підприємці та люди з підприємницьким мисленням, готові працювати, брати відповідальність і досягати результату.
5. Попросив підготувати всі налаштування пошукової кампанії, тексти, ключові слова, типи відповідності, стратегію, ставки й аудиторії.

Етап 2: що запропонував ChatGPT

Модель запропонувала пошукову кампанію з метою реєстрації на навчання та назвою «3 секрети Google Ads». До мереж включила Google Search і пошукових партнерів, а медійну мережу запропонувала вимкнути. Географією була Україна, мов у налаштуваннях було дві.

Для ставок ChatGPT вибрав ручне призначення ціни за клік і запропонував увімкнути Enhanced CPC. Денний бюджет становив $28. Тут я описую історичні рекомендації моделі, а не послідовність налаштувань для запуску кампанії сьогодні.

У ключових словах модель використала знак «+», тобто вже неактуальні модифікатори широкої відповідності. Для мене це було наочним прикладом того, як переконлива відповідь може містити застарілий механізм.

Тексти теж потребували виправлень. Частина заголовків перевищувала 30 символів, тому їх довелося генерувати повторно. У заголовках були знаки оклику, і першу версію оголошень не допустили до показів. Водночас деякі ідеї мені сподобалися, зокрема «Робимо розумних багатшими» та «Захист від шахраїв». Після технічних виправлень я запустив кампанію.

Етап 3: як я налаштував свою кампанію

1. Вибрав пошукову кампанію та ту саму мету: реєстрацію на навчання. Назвав її «Test human».
2. Залишив тільки Google Search. Пошукових партнерів і медійну мережу вимкнув, щоб не витрачати бюджет на ці майданчики в межах тесту.
3. Використав одну мову та ту саму географію, Україну. У своїй практиці я розділяв мовні версії кампаній.
4. Не додавав власних напрацьованих сегментів аудиторій, яких не було в ChatGPT.
5. Вибрав стратегію з цільовою ціною за конверсію $4 та орієнтував налаштування на нових клієнтів. Людина, яка вже відвідала майстер-клас, навряд чи мала потребу записуватися повторно.
6. Залишив такий самий денний бюджет, $28.
7. Склав ключові слова без поглибленого аналізу накопиченої статистики, хоча зазвичай використовував дані про конверсії для їх добору.
8. Заповнив заголовки й описи та включив відповідні ключові слова. До підготовки оголошень поставився так само уважно, як у звичайній роботі.

Етап 4: результати експерименту

Кампанії мали однакові денний бюджет, регіон, мету й сторінку реєстрації. Відрізнялися налаштування, ключові слова та оголошення. За три тижні я отримав такі результати.

Моя кампанія принесла приблизно в десять разів більше конверсій, а ціна однієї була більш ніж удвічі нижчою. Однаковий ліміт денного бюджету не означав однакових фактичних витрат: вони становили $18 і $84 відповідно.

Порівняння CTR

CTR кампанії за рекомендаціями ChatGPT становив 2,25%, моєї кампанії 5,6%. Обидва значення я тоді оцінював як невисокі для власної задачі. На курсах я розбирав підходи до оголошень із вищим CTR, зокрема приклади від 8% до 12% і від 30% до 40%. Ці значення не були результатом цього порівняння чи обіцянкою для будь-якого бізнесу.

За якими запитами були покази

Кампанія ChatGPT показувалася за запитами, безпосередньо пов’язаними з навчанням Google Ads. Моя охоплювала ширші теми, зокрема «оплата Google Ads», «Google Ads editor» та «Google Ads api».

Мій висновок полягав у тому, що потенційний покупець не завжди починає з прямого запиту на ваш продукт. Людина, яка розбирається в суміжній задачі, теж може зацікавитися навчанням. Я бачив у цьому можливість звернутися до неї раніше, ніж вона почне порівнювати школи.

Статистика аукціону

У статистиці кампанії ChatGPT я бачив інші школи Google Ads. Вона потрапила в аукціони з прямими конкурентами та, за моєю оцінкою, непогано охоплювала аудиторію порівняно з ними.

У моїй кампанії серед видимих конкурентів був Google. Я трактував це як вихід за межі звичного суперництва між школами. Відмінність запитів змінила й те, з чиєю рекламою конкурентів перетиналися мої оголошення.

Етап 5: чому в цьому тесті ШІ не замінив фахівця

Моя головна претензія до відповідей моделі полягала в їхній узагальненості. Для ефективної реклами потрібно було пояснити, чим відрізняється конкретна пропозиція для конкретних людей. Типове формулювання про типовий продукт цього завдання не розв’язувало.

Фахівець працював із певною локацією, аудиторією та особливостями продукту. Він міг вибирати заголовки, описи й відео з урахуванням того, що мало значення для цих покупців.

У навчанні рішення залежало не лише від логічного переліку переваг. Людині було важливо, як її зустріли, хто викладатиме, які цінності має компанія та що кажуть інші учні. Цей емоційний складник я вважав частиною роботи над рекламою.

Я описував ризик узагальнених відповідей як втрату унікальності. Це була моя маркетингова оцінка результатів тесту: модель запропонувала відправну точку, але відмінності продукту й рішення про запуск довелося допрацьовувати людині.

Які можливості Google AI я розглядав тоді

У лютому 2025 року я також звертав увагу на інтеграцію Gemini AI в Google Ads для рекламодавців США та Великої Британії. Описував чат біля меню створення оголошення, у якому можна було пропонувати заголовки й описи та додавати вибраний текст кнопкою «+».

Практичну перевагу я бачив у тому, що робота відбувалася всередині Google Ads. Не потрібно було переносити текст між окремим чатом та рекламним кабінетом. Для новачка підготувати 15 заголовків і 4 описи самостійно могло бути непросто, тому такий помічник здавався мені корисним.

Яких наступних кроків інтеграції ШІ я очікував

Я очікував подальшої інтеграції генерації зображень за текстовими вказівками для Performance Max, медійних кампаній і Demand Gen. Також говорив про SynthID як спосіб позначати зображення, створені ШІ. Це були мої тодішні очікування розвитку інструментів.

До таких зображень я ставився обережно. Моє припущення було таким: для частини пропозицій реальні фотографії можуть викликати більше довіри, ніж згенеровані. Я не вимірював це в описаному експерименті, тому не подавав би таку думку як доведений результат порівняння кампаній.

Якщо вам потрібна людина, яка відповідатиме за ці рішення, прочитайте також, як знайти фахівця з Google Ads.

Висновки

Після тесту я залишився прихильником використання ШІ як помічника в роботі з Google Ads. Він допомагав швидше отримати тексти та ідеї, але перевірка налаштувань, розуміння покупця й доопрацювання пропозиції залишалися моїм завданням.

Я очікував змін у доборі ключових слів, створенні оголошень, автоматизації ставок і підготовці зображень. При цьому вважав, що власникові бізнесу важливо зберігати акцент на відмінностях продукту, емоційній складовій та перевірці результату.

Коли це НЕ працює: Результати цього тесту не доводять, що людина завжди перевершуватиме будь-яку модель. Кампанії відрізнялися одразу кількома налаштуваннями, фактичними витратами та текстами, тому окрему причину різниці я тут не ізолював. Історичні рекомендації ChatGPT також не слід копіювати як готовий рецепт запуску.

Щоб використовувати ШІ з користю, потрібно вміти оцінити його пропозицію: чи правильні налаштування, чи зрозумілий намір клієнта і що показує тест. Саме це поєднання знань Google Ads та практичної перевірки я розвиваю на навчанні.