Jak používám AI v PPC: co mi reálně ušetřilo čas (a co ne)

Kolem AI v marketingu je hodně hlasitého slibování a málo konkrétních čísel. Tak to zkusím z druhé strany: napíšu vám, co přesně u sebe dělám jinak — a kde mi to naopak přidělalo práci. Pracuju s nástrojem Claude Code — to je asistent, který mi píše a spouští skripty přímo v mém počítači. Ne chatbot, do kterého kopíruju tabulky, ale něco, co si samo sáhne do dat.

Rovnou na začátek jedno upřesnění, protože se to často plete: AI za mě kampaně neřídí. Optimalizuje a upravuje je dle mého zadání — ale co se doopravdy nasadí, procházím a schvaluju já. Ten rozdíl je zásadní a vrátím se k němu na konci.

1. Data si tahám z API, ne z rozhraní

Tohle je změna, kterou jsem pocítila nejvíc. Google Ads, Sklik, Google Analytics, Merchant Center i produktové feedy mám napojené přes vlastní skripty. Místo proklikávání pěti rozhraní a slepování exportů v tabulce zadám, co potřebuju vidět, a dostanu to.

Hlavně se ale přestaly odkládat otázky, na které dřív nebyl čas. U jednoho sezónního e-shopu jsem propojila denní tržby s historií počasí a ptala se, co z počasí vlastně řídí prodej. Odpověď byla nečekaně úzká: měřitelně hýbe obratem jedině teplota — zhruba o dvě procenta na každý stupeň nad běžným stavem. Srážky, vítr ani sluneční svit prokazatelný vliv nemají, a když se všechno poskládá do jednoho „skóre počasí“, teplotu to jen naředí a signál zmizí úplně.

A hlavně se to dalo rovnou použít: kampaně, které jinak utratí své za každého počasí, se řídí podle teplotní předpovědi — ale jen týden dopředu. Dál už předpověď skáče i o deset stupňů ze dne na den, takže by to bylo plánování podle náhody.

Se dvěma pojistkami, které se vyplatí znát každému, kdo si chce s rozpočty hrát. Zaprvé: rozpočtem nehýbu o víc než dvacet procent nahoru nebo dolů. Větší skok rozhodí algoritmu učení a nadělá víc škody než užitku — z chytré korekce se rázem stane bordel, který se pak srovnává týden. A zadruhé: dnes s tím spíš než rozpočtem hýbu přes cílový ROAS. Je to jemnější páka — kampaň si podle něj utlumí výdaj sama a nemusí se jí sahat na strop.

Od 17. srpna 2026 to navíc platí dvojnásob. Google tehdy globálně změnil chování strategií s cílovým ROAS a cílovou cenou za akvizici u kampaní omezených rozpočtem: dřív mohly svůj cíl překonávat, teď se ho drží podstatně těsněji. Kampaň, která vám cíl roky přeplňovala, se tak může srovnat na to, co v ní máte reálně nastavené — a tím pádem je to číslo důležitější než dřív. U kampaní, které rozpočtem omezené nejsou, se nemění nic.

Co si z toho vzít: Nejvíc času v analýze nikdy nesežralo přemýšlení, ale sbírání dat. Když se tahle část zkrátí na minuty, začnete si klást otázky, na které jste se dřív ani nezeptali.

2. Hlídač, který mě upozorní dřív než klient

Každý den mi běží kontrola konverzí, feedů a ceny za proklik. Jednou týdně PNO, tedy podíl nákladů na obratu, proti limitům, které mám pro každý účet nastavené. Když něco překročí limit, založí se mi úkol s termínem — nemusím si pamatovat, že mám něco hlídat.

Zní to nenápadně, ale mění to jednu věc: problém řeším ve chvíli, kdy vznikne, ne až o měsíc později nad reportem. Rozbitý feed nebo přestavší konverze umí za tři týdny napáchat víc škody než celý měsíc špatné optimalizace.

Co si z toho vzít: Nejdřív vyčerpejte to, co systémy umí samy: Google Ads pošle e-mail přes automatizovaná pravidla, Merchant Center hlásí zamítnuté produkty sám. Dál už vlastní řešení potřeba je — hlídat PNO napříč účty proti vlastním limitům a zakládat z toho úkoly nativně nikde nenastavíte. Vyplatí se to na věci, které se dějí potichu.

3. Měsíční reporty se připraví samy

Čísla, meziroční srovnání, nejprodávanější i prodělečné produkty se stáhnou a složí do textu. Já ho pak přečtu, doplním kontext — co se v tom měsíci dělo, co jsme zkoušeli, co plánujeme — a odešlu.

U prodělečných produktů má ale ten výpis jednu podmínku, bez které ho nepoužívám: srovnávám ho s reálnými prodeji z administrace e-shopu nebo CRM, ne jen s čísly z reklamního systému nebo z Analytics. Ty totiž vidí jen část objednávek — něco se domluví po telefonu, něco odejde na fakturu, něco se prostě nedoměří. U jednoho účtu jsem takhle zjistila, že reklamní systém vidí jen zlomek skutečných prodejů. Produkt, který podle reklamního účtu prodělává, tak může být ve skutečnosti jeden z nejlépe prodávaných.

Nešetřím tím hodinu měsíčně, ale spíš tu část dne, po které už nemám energii na přemýšlení. Zbyde mi čas na to, co skript neumí: na doporučení, co dál.

Co si z toho vzít: Než něco vypnete kvůli špatným číslům, ověřte si ta čísla proti realitě v administraci e-shopu nebo CRM. Rozhodnutí „tohle se nevyplácí“ udělané jen z reklamního účtu patří k nejdražším chybám, které se dají udělat.

4. Analýzu dostane klient jako hotovou stránku

Přestala jsem posílat tabulky s deseti listy, ve kterých se stejně nikdo nevyzná. Analýza dnes odchází jako přehledná stránka, kde je vidět, co se stalo, proč a co s tím. Otevře se v prohlížeči, na mobilu i na počítači, a dá se přeposlat dál bez vysvětlování.

Co si z toho vzít: Když klient nerozumí tomu, co dostal, je jedno, jak dobrá ta analýza byla. Srozumitelnost není kosmetika, je to půlka výsledku.

5. Úpravy feedů, které bych ručně dělala hodiny či dny

Oštítkovat několik tisíc produktů podle cenových pásem, dohledat chybějící parametry v názvech, srovnat rozsypané kategorie. Tohle jsou přesně ty práce, na které v týdnu nikdy nezbyl celý den — takže se nedělaly vůbec, nebo jednou za rok.

A ze všeho ve feedu je nejdůležitější název produktu. Je to hlavní věc, podle které vyhledávače a porovnávače produkt spárují s tím, co člověk hledá — a e-shopy ho většinou mají přesně v tom tvaru, v jakém ho dodal výrobce. Doplnit do něj značku, typ, barvu, materiál nebo rozměr znamená u tisíců položek přepsat každou zvlášť. Ve feedu se přitom dá poskládat z parametrů, které už u produktu jsou, a přitom hlídat, aby se nic neopakovalo dvakrát a název se nepřetáhl.

Teď se dějí pravidelně. A protože se dějí pravidelně, dá se na nich stavět: segmentace kampaní podle štítků má smysl jen tehdy, když ty štítky někdo udržuje.

Co si z toho vzít: Když máte ve feedu řešit jedinou věc, řešte názvy produktů. Rozhodují o tom, na co se produkt vůbec zobrazí — a jak. To je dřív, než začne hrát roli cena nebo nabídka.

6. Weby klientů si hlídám automaticky

Jednou týdně mi skript projde weby klientů a vypíše, co se změnilo — ceny, dostupnost, nové kategorie, upravené texty. Včetně mobilní verze, protože právě tam se změny nejčastěji rozbijí.

A protože se na to někdo zákonitě zeptá: ten skript chodí s vlastním User-Agentem, na který je i kontaktní e-mail, respektuje robots.txt a mezi požadavky čeká minimálně deset sekund — ta hranice je v kódu natvrdo a nedá se snížit. Když web odpoví chybou, zpomalí sám: pauzu násobí a řídí se hlavičkou Retry-After, a při vyšší chybovosti běh ukončí. V týdenním kole navíc stahuje jen sitemapy a k nim to, co přibylo nebo se změnilo, ne celý web. Hlídání webu nemá být problém, který klientovi vyrobím.

Důvod je prostý: o změně na webu chci vědět dřív, než se propíše do výsledků kampaní. Když se někde tiše přepíšou ceny nebo zmizí celá kategorie, v číslech se to projeví až s odstupem — a to už pak dohledávám zpětně, co se vlastně kdy stalo. Takhle mám tu změnu zapsanou k datu, kdy nastala.

7. Ověřování měření: co se opravdu spouští, ne co je nastavené

Nedávno jsem řešila web, kde „se nenačítaly události v Tag Manageru“. Nastavení v GTM bylo přitom kompletní — kontejner, značky, spouštěče i živá verze. Náhled ale hlásil, že značku na stránce nenašel, a rovnou k tomu nabídl vysvětlení: ověřte, že ji neblokuje rozšíření prohlížeče nebo souhlasová lišta.

Jenže příčina byla prostší: měřicí kód GTM na webu vůbec nebyl. Nic ho neblokovalo, nikdo ho tam nikdy nevložil — žádný požadavek na gtm.js, kontejner se nenačetl ani jednou.

A hlavně: měření přesto běželo. Data do analytiky i reklamních systémů potichu posílal jeden plugin, o kterém nikdo nemluvil. Tohle už žádný nástroj v GTM neřekne — ten vám ukáže jen svůj vlastní kontejner. Na zbytek bylo potřeba podívat se, co stránka doopravdy načítá a odesílá.

A hned se ukázal druhý problém, který by nastal vzápětí: kdyby se kód GTM na web vrátil a plugin zůstal zapnutý, začalo by se všechno počítat dvakrát — obojí posílá data do stejných systémů. Oprava, která by sama o sobě rozbila čísla.

Co si z toho vzít: Nastavení v Tag Manageru vám neřekne, co se na webu doopravdy načítá — ověřujte to přímo na živém webu. A než přidáte nové měření, zjistěte, co už tam měří něco jiného. Dvojité měření je zákeřnější než žádné, protože vypadá jako úspěch.

8. A teď to, co nefungovalo

Protože jinak by tenhle článek byl reklama, a to nechci.

AI si vymyslí číslo, když ho nemá. Nedávno mi do textu sama od sebe napsala, že tenhle způsob práce používám půl roku. Nikdy jsem to neřekla a nebyla to pravda — vzniklo to z ničeho, protože to znělo dobře. Přesně proto nedávám z ruky nic, co jsem si neověřila. U reportů to platí dvojnásob: jedno vymyšlené číslo zabije důvěru ve všech ostatních.

Automatizace končí tam, kde končí rozhraní pro vývojáře. Do Google Ads se přes ně nedá zapsat ani poznámka do časové osy — každou zásadní změnu, kterou nasadím, tam píšu ručně. Dobrá půlka práce na jakékoli automatizaci není programování, ale zjišťování, co se doopravdy dá a co ne.

A špatný závěr vyjde dráž než špatný kód. Když jsem v Skliku potřebovala hromadně založit retargeting, vyšlo z ověřování, že přes oficiální rozhraní pro vývojáře to nejde. Tak jsem to postavila oklikou. Tehdy jsem se nad tím nepozastavila — potřebovala jsem to mít hotové a upřímně mi bylo jedno jak.

Až později, když jsem na to měla klid, mi to tvrzení přestalo sedět. Ověřila jsem si ho a neplatilo: ta metoda existuje, jen se jmenuje o písmeno jinak. Půlka té práce byla zbytečná. A chyba nebyla ve skriptu — byla v tom, že závěr, který se zrovna hodil, neprošel kontrolou přesně ve chvíli, kdy na kontrolu nebyl čas.

Hromadná úprava odpustí jen málo. Když pravidlo hledá v názvu „stol“, chytne i „stoličku“. Když se produkty vybírají podle značky, narazíte na to, že dvě stě položek jedné značky se ve feedu jmenuje po jiné. U pěti produktů si toho všimnete, u pěti tisíc se to projeví až v reklamě.

Poslat AI celý feed je zbytečně drahé. Pětimegabajtový soubor jsou řádově miliony tokenů, a naprostou většinu položek přitom vyřeší obyčejné pravidlo nad názvem. AI má smysl pustit až na ten zbytek, se kterým si pravidlo neporadí.

A moje osobní hranice: nezadávám úkol, jehož výsledek neumím zkontrolovat. Když bych nepoznala, že je výstup špatně, nemám ho co používat — a je jedno, jak přesvědčivě vypadá.

Co si z toho vzít: Užitečnost AI nestojí na tom, co dokáže vymyslet. Stojí na tom, jestli máte jak ověřit, že to nevymyslela.

9. Jedno pravidlo, které nikdy neporušuju

Nic se nenasadí bez mého odsouhlasení. Skript připraví návrh — vyloučení klíčových slov, celou sadu reklamních textů a rozšíření, úpravu cílového ROAS, změnu štítků ve feedu. Ale o tom, co reálně půjde do účtu klienta, rozhoduju já. Vždy, i u věcí, které vypadají jako rutina.

U reklamních textů je to vidět nejlíp. Připravit desítky nadpisů, popisků a rozšíření napříč sestavami je práce na celý den — a nástroj ji zvládne za chvíli. Jestli ta věta ale opravdu prodává, jestli neslibuje něco, co e-shop nesplní, a jestli jedna sestava drží jedno téma, posoudím jen já. Stejné je to u cílového ROAS: číslo se spočítat dá, ale jestli ho účet unese, z dat samotných nevyčtete.

K hranicím ale patří i to, kam tečou data. Neposílám klientské exporty do webových chatů — nástroj běží na pracovním počítači se šifrovaným diskem, pracuje přes moje vlastní přístupy a v rozsahu, který mu určím. Do modelu tak nejde nic, co by už neprocházelo nástroji, které na projektu běžně používám. A protože sám nic nenasazuje, nemůže v účtu nic rozbít, ani kdyby se spletl.

Není to opatrnost, je to podmínka. Za výsledky ručím já, ne nástroj. A ve chvíli, kdy bych začala nasazovat věci, které jsem nepřečetla, přestala bych té práci rozumět — a to je přesně ten okamžik, kdy se z odborníka stane operátor.

10. Co z toho platí, i když nejste PPC specialista

Nemusíte psát skripty, abyste z toho něco měli. Přenositelné je tohle:

• Podívejte se, kde vám odchází čas, nejen kde vám odchází peníze. Většinou to není rozhodování, ale příprava podkladů pro rozhodování.
• Jednou za čas si ověřte, že měření vůbec funguje. Ne v Tag Manageru, ale na živém webu. Rozbité nebo zdvojené měření znehodnotí každé rozhodnutí, které z těch čísel uděláte.
• Automatizujte věci, které se dějí potichu. Upozornění na výpadek měření nebo zamítnuté produkty ve feedu má lepší návratnost než jakákoli chytrá analýza.
• U každého výstupu z AI si položte otázku, jak byste poznali, že je špatně. Když na to nemáte odpověď, nepoužívejte ho.
• Nedávejte AI rozhodovací pravomoc, kterou byste nedali juniorovi na jeho druhý den v práci.

Mně tenhle způsob práce přerovnal pracovní den. Ale nezměnil to podstatné — pořád je to moje jméno pod tím, co odejde ke klientovi.

Neobsahuje data ani identifikaci konkrétního klienta. Popisuje můj vlastní pracovní postup k září 2026.