AI agents in Google Ads: wanneer scripts nog winnen

AI agents in Google Ads zijn het gesprek van de dag, maar de praktijk is genuanceerder dan de hypeverhalen op LinkedIn suggereren. Wie AI agents in Google Ads serieus wil inzetten, moet eerst begrijpen waar traditionele automatisering nog altijd wint en welke fundamenten je nodig hebt voordat een large language model (LLM) betrouwbaar met je accounts aan de slag kan.

Bron: developers.google.com

In dit artikel zetten we uiteen wanneer je beter een script gebruikt, wanneer AI juist het verschil maakt, en welk drielagenmodel voorkomt dat je systeem gaat hallucineren. Plus een concreet voorbeeld waarin een volledig account werd herbouwd zonder ook maar één keer in de interface in te loggen.

Wanneer traditionele automatisering nog steeds wint

De vuistregel is simpel: kun je de logica in een if-statement vangen, dan heb je geen LLM nodig. Denk aan een regel als "is een zoekterm meer dan 30 euro kwijt met nul conversies binnen een bepaalde periode, sluit hem dan uit". Zulke drempels zijn glashelder en voer je sneller, goedkoper en betrouwbaarder uit met een script.

Scripts blinken vooral uit bij taken die geen interpretatie vragen:

• Drempelalerts en budgetbewaking
• Signaleren van spend-anomalieën
• Zoektermen uitsluiten of toevoegen op basis van harde thresholds (CTR, CPA, ROAS, kosten zonder conversies)
• Simpele biedaanpassingen op vaste regels

Een script dat een zoekterm markeert met duizend impressies en nul klikken is prima. Maar het blijft blind voor de context: het weet niet waaróm de CTR laag is. Voor dat soort nuance komt AI in beeld.

Waar AI agents het verschil maken

Een LLM is overkill voor simpele regels, maar onmisbaar zodra je denkwerk in het proces moet stoppen. Het klassieke voorbeeld is zoektermbeheer. Wil je bij schoenen alle "hardloopschoenen" uitsluiten, dan kom je met scripts en regex een heel eind. Maar zodra iemand zoekt op "Air Jordan", een term die tekstueel niets met het woord schoen te maken heeft, valt een script door de mand. Een LLM herkent moeiteloos dat een Air Jordan een schoen is, zonder dat je die edge case hoeft in te programmeren.

Dezelfde meerwaarde zie je bij het beoordelen van advertentieprestaties. In plaats van een zoekterm blind uit te sluiten omdat de CTR laag is, kun je de advertentietekst en de zoekterm samen aan een LLM voeren. Die beoordeelt of de copy überhaupt aansluit op de intentie. Zo voorkom je dat je relevante termen wegknipt op basis van één metric.

De stelregel: als een simpele regel je in de problemen kan brengen, is dat het signaal dat je intelligentie nodig hebt. AI agents excelleren dan ook bij:

• Feed-enrichment en het schrijven van producttitels met context
• Budgetredenering over meerdere verticals of databronnen heen
• Zoektermbeoordeling waarbij betekenis meespeelt
• Analyses die de volledige bedrijfscontext vereisen

Wil je zien hoe je dit soort intelligentie inzet voorbij de campagne zelf? In ons artikel over backend data analyse met AI laten we zien hoe een LLM verborgen patronen in je verkoopdata blootlegt.

Het drielagenmodel voor betrouwbare AI in Google Ads

Wie AI wil inzetten op accountniveau, doet er goed aan te denken in drie lagen. Sla je een laag over, dan krijg je onvermijdelijk hallucinaties en AI-slop.

Laag 1: best practices

Dit zijn de regels die in élk account gelden: een schone accountstructuur, correcte tracking en nooit brand met non-brand mengen in dezelfde campagne. Deze kennis zit al ingebakken in de trainingsdata van moderne LLM's. Vraag je Claude of ChatGPT of je merk- en non-brandverkeer moet scheiden, dan krijg je zonder enige context het juiste antwoord. Hier hoef je dus niets voor te bouwen.

Laag 2: jouw werkwijze

Dit is de belangrijkste, en meest verwaarloosde, laag. Best practices vertellen een LLM wat goed is, maar niet hoe jij werkt. Hoeveel headlines gebruik je in een RSA? Pin je koppen wel of niet? Hoe zet je een searchstructuur op? Dit is precies waarom klanten voor jouw bureau kiezen en niet voor een ander. Naar schatting mist zo'n 90% van de bureaus en freelancers een compleet uitgewerkt systeem hiervoor. Ze hebben snippets, maar geen volledig gedocumenteerde set SOP's.

Dat komt doordat het schrijven van goede SOP's veel meer tijd kost dan gedacht. Een SOP over zoektermbeheer klinkt eenvoudig, tot je de tientallen "maar als dit gebeurt, dan…"-situaties gaat uitschrijven. Toch is dit de laag die je onderscheidt.

Laag 3: bedrijfscontext

Tot slot moet de AI weten voor welk bedrijf hij werkt. Optimaliseer je op ROAS, op winst of op leads? Kampt de klant met specifieke uitdagingen? Zonder deze informatie gaat een LLM gokken. Geef je die context wél mee, dan werken de drie lagen samen tot een systeem dat betrouwbaar redeneert.

Praktijkvoorbeeld: een account herbouwd zonder in te loggen

Hoe krachtig dit wordt zodra alle lagen op orde zijn, blijkt uit een rebuild van het account van een hypotheekadviseur. Het account zat vol fouten en vroeg dagenlang handmatig werk, budget dat er niet was. Met een goed gevulde mappenstructuur (bedrijfscontext, historische data, wat wel en niet werkte) volgde eerst een grondige denksessie met het model, daarna een gefaseerd plan: eerst structuur en zoektermen, dan de payload, dan de daadwerkelijke wijzigingen.

Het resultaat: het volledige account werd opnieuw opgebouwd en live gezet in ongeveer drie uur review, zónder één keer in de interface in te loggen. Handmatig zou dit twee tot drie dagen hebben gekost. Elke maand daarna was het beste tot dan toe, niet omdat er AI werd gebruikt, maar omdat kennis en ervaring in veel minder tijd konden worden toegepast.

Veilig wijzigingen doorvoeren via de API

De grootste risico's ontstaan wanneer een LLM live wijzigingen op eigen houtje improviseert. Voorkom dat met duidelijke controlepunten:

1. Laat de agent zijn redenering loggen in een planbestand, zodat je fouten vroeg onderschept.
2. Laat een payload bouwen (JSON of CSV) die je vooraf kunt reviewen, geen curl-queries die on-the-fly ontstaan.
3. Gebruik de dry run van de Google Ads API om de wijzigingen te valideren zonder ze door te voeren.
4. Voer de laatste review uit op basis van het dry-run-rapport.
5. Laat een script de push doen, niet de LLM zelf, zodat exact vaststaat wat er naar het account gaat.

Deze aanpak sluit naadloos aan op een gestructureerde manier van werken. In onze Google Ads optimalisatie roadmap lees je waarom gestructureerd optimaliseren altijd wint van ad-hoc paniekvoetbal.

SOP's die meegroeien

SOP's zijn nooit af. Regels veranderen, campagnetypes verdwijnen en nieuwe inzichten komen op. Werk daarom met een versiebeheerd systeem, GitHub is hiervoor uitstekend, met fijnmazig toegangsbeheer waarbij teamleads wijzigingen reviewen en mergen. Laat specialisten in een gedeelde omgeving noteren wat beter werkte, en verwerk die inzichten periodiek in de SOP. Zo evolueert je documentatie met wat je in de praktijk test en ziet.

Een praktische tip: plan hier bewust tijd voor in, bijvoorbeeld een halfjaarlijkse focussessie waarin het team per campagnetype SOP's uitwerkt. Het levert op papier geen directe omzet op, maar vormt de basis waarop elk AI-systeem later kan bouwen.

Naast de keuze tussen scripts en taalmodellen per taak speelt ook de bredere vraag hoe je automatisering en AI-agents structureel opschaalt binnen een account: zie ook de moderne Google Ads-automation stack.

Conclusie

AI agents in Google Ads zijn geen vervanging van gezond verstand, maar een versneller die pas rendeert als je fundament klopt. Gebruik scripts voor alles wat in een harde regel past, zet AI in waar nuance en context tellen, en bouw je systeem op de drie lagen: best practices, jouw werkwijze en bedrijfscontext. Combineer dat met strakke controlepunten rond de API en meegroeiende SOP's, en je haalt eenvoudig tientallen procenten tijdwinst, zonder in te leveren op controle of kwaliteit.

Veelgestelde vragen