Google Ads: consolidare le campagne per massimizzare l’AI

Il gigante tecnologico sta infatti spingendo per un consolidamento delle campagne, con meno gruppi di annunci e un targeting più ampio, per permettere all’intelligenza artificiale di operare al meglio, pur non mancando le criticità.

La pubblicità online, per anni, è stata un esercizio di controllo maniacale. Marketer e agenzie hanno costruito architetture complesse di campagne Google Ads, suddividendo budget in decine di campagne, migliaia di gruppi di annunci e milioni di parole chiave, nella convinzione che una segmentazione iper-granulare fosse la via per l’efficienza.

Oggi, Google sta dicendo loro di smantellare tutto.

L’annuncio, arrivato a inizio anno con un post dal titolo emblematico, Is your campaign structure holding you back in the era of AI?, non è un semplice aggiornamento delle best practice.

È la dichiarazione di un cambio di paradigma: l’intelligenza artificiale non è più uno strumento all’interno della campagna; è la campagna stessa.

E per funzionare, richiede che gli umani cedano il timone, passando da architetti di micro-strutture a fornitori di obiettivi strategici e dati di qualità.

La raccomandazione è chiara: consolidare. Meno campagne, meno gruppi di annunci, targeting più ampio.

Al posto della selva di parole chiave “phrase match” o “exact match”, Google suggerisce di affidarsi al “broad match”, che utilizza tutti i segnali disponibili per comprendere l’intento e trovare la corrispondenza più pertinente.

Invece di gruppi di annunci monokeyword, si devono creare gruppi di annunci tematici perché raggruppare parole chiave in temi simili aiuta Google a comprenderle, selezionare la migliore e determinare quale annuncio servire per ogni query.

Il motore di tutto è l’automazione spinta: strategie di offerta automatica come Target CPA o Target ROAS, e soprattutto i campaign type “AI-first” come Performance Max e il nuovo AI Max for Search.

Jerry Dischler, Vice President e General Manager di Google Ads, ha delineato ciò che ci aspetta nella pubblicità digitale e nel commercio nel 2026, dipingendo un futuro in cui l’IA orchestrerà esperienze commerciali end-to-end.

La logica dietro la semplificazione: dati centralizzati per modelli affamati

Perché questa inversione a U? La spiegazione tecnica di Google ruota attorno al funzionamento stesso del machine learning.

I modelli predittivi alla base di Smart Bidding e Performance Max sono avidi di dati. Un’architettura iper-segmentata frammenta i dati di conversione in pool troppo piccoli, privando gli algoritmi del carburante necessario per individuare pattern complessi.

Come spiega Google stesso, l’IA di Google interpreta le informazioni e richiede che i dati siano de-duplicati e centralizzati attorno agli obiettivi di marketing.

In altre parole, la campagna ipersegmentazione limita l’efficacia dell’IA, e l’IA funziona meglio quando i vincoli non necessari vengono rimossi.

È un cambio di prospettiva radicale: non si tratta più di dire al sistema dove e come mostrare un annuncio, ma di dichiarare cosa si vuole ottenere (vendite, lead, valore) e lasciare che l’IA, analizzando in tempo reale miliardi di segnali contestuali – dall’ora del giorno al tipo di dispositivo, fino alla cronologia di navigazione – trovi la strada migliore.

Google sostiene che questa strada sia non solo più efficiente, ma anche più performante.

Porta ad esempio casi come quello di discovery+, che ha utilizzato Performance Max ottenendo una crescita incrementale del 17% degli abbonati e una diminuzione del 21% del CPA, o di tails.com, che ha triplicato le sottoscrizioni di cibo per cani aggiungendo il broad match alle campagne Search.

Il lato oscuro dell’automazione: trasparenza limitata e rischi concreti

Tuttavia, cedere il controllo a un “black box” algoritmico non è esente da rischi e criticità.

La comunità dei professionisti del paid search ha accumulato, negli anni, una certa dose di scetticismo.

Il principale punto di attrito è la trasparenza, o meglio, la sua mancanza.

Fino a poco tempo fa, era estremamente difficile capire dove esattamente gli annunci di una campagna Performance Max venissero mostrati (Search, YouTube, Display, Gmail?), rendendo complicata qualsiasi analisi di performance a livello di canale.

Anche la gestione della brand safety può diventare un problema, sebbene Google fornisca strumenti come le linee guida del brand per controllare come il tuo marchio è rappresentato nelle campagne Performance Max.

Gli stessi documenti di supporto di Google ammettono che le campagne Performance Max di Google Ads, sebbene potenti, possono sottoperformare a causa di diverse limitazioni tecniche e modalità di fallimento legate al consolidamento e alla struttura della campagna.

Uno dei pericoli è l’eccessiva consolidazione, dove un’unica campagna tenta di coprire un ventaglio di prodotti troppo ampio, diluendo i segnali.

Un altro è l’instabilità: cambiamenti frequenti e importanti alle campagne possono interrompere la fase di apprendimento dell’IA, portando a cali di performance a breve termine e segnali dati inconsistenti.

C’è poi il rischio di un affidamento eccessivo sul retargeting, che può gonfiare artificialmente il ROAS facendo leva su utenti già convertibili, o il conflitto tra campagne automatizzate e manuali per lo stesso inventario.

La raccomandazione ufficiale, in questi casi, è di fornire all’IA segnali di pubblico strategici utilizzando liste di remarketing aggiornate e fornendo forti segnali di pubblico per guidare l’IA.

Ma è proprio questo il punto: il ruolo del marketer si trasforma da tattico a strategico.

Non si passa più le ore a ottimizzare singole parole chiave, ma ci si concentra sulla definizione di obiettivi chiari, sulla creazione di asset creativi di alta qualità e diversificati, e sull’impostazione di una struttura dati impeccabile per il tracciamento delle conversioni.

È un salto di competenza non banale, che mette in discussione il modello di business di molte agenzie tradizionali, nate proprio sulla gestione manuale della complessità.

L’annuncio di Google non avviene nel vuoto. Riflette e accelera una tendenza più ampia del settore pubblicitario verso l’agentività dell’IA, dove sistemi autonomi non solo ottimizzano, ma prendono decisioni operative.

Dischler ha parlato di nuove tecnologie e strumenti per i retailer per avere successo in un’era degli acquisti agentiva.

La domanda che rimane aperta, però, è fino a che punto questa centralizzazione del potere decisionale nelle piattaforme – in questo caso, in un singolo algoritmo proprietario – sia salutare per un ecosistema pubblicitario pluralistico e trasparente.

Google promette efficienza e performance superiori, ma il prezzo è una dipendenza tecnologica ancora più profonda e una visibilità ridotta sui meccanismi che generano valore.

Per le aziende, la sfida non è più solo “essere su Google Ads”, ma capire come rimanere strategicamente rilevanti in un mondo in cui il vero intermediario non è più l’asta delle parole chiave, ma l’intelligenza artificiale che la governa.