Wenn du Google Ads ernsthaft nutzt, kennst du vermutlich dieses leicht unangenehme Gefühl vor größeren Änderungen: Budget hochsetzen, ROAS-Ziel lockern, Gebotsstrategie anfassen, neue Automatisierung aktivieren – und dann hoffen, dass das Konto nicht plötzlich in eine Richtung läuft, die du so nicht geplant hattest. Genau an dieser Stelle werden die neuen Funktionen rund um Google Ads, AI Max, Experimente und Performance-Planung interessant. Es geht nicht nur um ein weiteres Feature im Interface, sondern um etwas, das im Alltag tatsächlich helfen kann: Veränderungen besser zu testen, bevor du sie blind in mehreren Kampagnen ausrollst.
Die Neuerungen drehen sich im Kern um drei Dinge. Erstens bekommst du mehr Möglichkeiten, A/B-Tests über mehrere Suchkampagnen hinweg zu fahren. Zweitens lassen sich AI-Max-Experimente künftig mit aktivierten Marken- und Standortparametern durchführen, ohne dass du dafür wichtige Leitplanken abschalten musst. Und drittens wird der Performance Planner praktischer, weil er nicht nur Prognosen zu Budget- oder Gebotsänderungen liefert, sondern Vorschläge auch direkt umsetzbar machen soll.
Aus meiner Erfahrung ist genau diese Kombination spannend. Denn viele Werbekonten scheitern nicht daran, dass niemand Ideen hat. Im Gegenteil: Es gibt oft zu viele Ideen. Das Problem ist eher, sauber zu entscheiden, welche Änderung wirklich etwas bringt. Gerade bei automatisierten Kampagnentypen und KI-gestützten Erweiterungen brauchst du belastbare Tests. Bauchgefühl allein reicht da nicht mehr, auch wenn es manchmal verführerisch ist.
Was sich bei Google Ads und AI Max konkret ändert
Die wichtigste Nachricht für dich als Werbetreibenden ist: Google erweitert die Möglichkeiten, Änderungen in Suchkampagnen strukturierter zu testen und zu planen. Dabei geht es vor allem um Experimente mit Budgetanpassungen, ROI- beziehungsweise ROAS-Zielen, Gebotsänderungen und den Einsatz von AI Max.
Ab September soll es möglich sein, einen einzigen A/B-Test über mehrere Search-Kampagnen hinweg laufen zu lassen. Das klingt zunächst nach einer kleinen Produktverbesserung. In der Praxis ist es aber ziemlich relevant. Bisher war das Testen über mehrere Kampagnen hinweg oft umständlich, fragmentiert oder zumindest nicht so elegant, wie man es sich wünscht. Wenn du etwa wissen wolltest, wie sich ein angepasstes Budget oder ein verändertes Ziel für den Return on Investment auf eine ganze Gruppe von Suchkampagnen auswirkt, musstest du häufig mit mehreren separaten Experimenten arbeiten oder dir über eigene Auswertungen behelfen.
Mit der neuen Möglichkeit kannst du künftig besser erkennen, wie sich eine Veränderung auf ein zusammenhängendes Kampagnenset auswirkt. Das ist wichtig, weil Suchkampagnen selten isoliert funktionieren. In einem typischen Konto gibt es Brand-Kampagnen, generische Kampagnen, Wettbewerber-Kampagnen, lokale Kampagnen, Kampagnen nach Produktgruppen oder Dienstleistungen. Eine Budgetverschiebung in einer Kampagne kann das Verhalten in einer anderen indirekt beeinflussen. Genau deshalb ist ein übergreifender A/B-Test oft aussagekräftiger als ein einzelner Test in einer isolierten Kampagne.
Stell dir vor, du betreust ein Konto für einen Online-Shop mit mehreren Produktkategorien. Du möchtest testen, ob ein leicht aggressiveres ROAS-Ziel dir mehr Umsatz bringt, ohne die Profitabilität zu stark zu beschädigen. Wenn du das nur in einer einzelnen Kampagne testest, bekommst du vielleicht ein Ergebnis, das zufällig von Saison, Lagerbestand oder Nachfrage beeinflusst ist. Wenn du jedoch mehrere relevante Suchkampagnen in ein gemeinsames Experiment einbeziehen kannst, wirkt das Ergebnis breiter und robuster. Nicht perfekt, klar. Aber deutlich näher an der Realität.
Warum A/B-Tests über mehrere Kampagnen so viel wert sein können
Viele Werbetreibende unterschätzen, wie schwierig sauberes Testen in Google Ads geworden ist. Früher war es oft einfacher: Keyword ändern, Anzeige ändern, Gebot ändern, Ergebnisse vergleichen. Heute greifen Automatisierung, Smart Bidding, breite Match-Logik und KI-gestützte Systeme ineinander. Das macht die Plattform leistungsfähiger, aber eben auch weniger durchsichtig.
Ein A/B-Test ist in diesem Umfeld nicht einfach ein nettes Analysewerkzeug, sondern fast schon eine Art Sicherheitsgurt. Du kannst damit eine Veränderung kontrollierter einführen. Eine Gruppe läuft wie bisher, die andere mit der geplanten Anpassung. Danach vergleichst du, was tatsächlich passiert ist. Natürlich sind Experimente nie vollkommen sauber. Es gibt Saisonalität, Wettbewerbsdruck, Tracking-Unschärfen, Consent-Probleme, Lieferengpässe, interne Aktionen und vieles mehr. Trotzdem ist ein kontrollierter Test meistens besser als ein großer Schalter, den du montagmorgens um 9 Uhr umlegst, nur weil die letzten sieben Tage gut aussahen.
Die neue Möglichkeit, einen einzigen Test über mehrere Suchkampagnen zu fahren, zielt genau auf dieses Problem. Du kannst eine strategische Änderung prüfen, ohne jedes Element einzeln testen zu müssen. Besonders interessant ist das bei Budget- und Zielwertänderungen. Denn genau dort passieren im Alltag die größten Missverständnisse.
Nimm das Thema Budget. Viele denken: Mehr Budget bedeutet mehr Conversions. Manchmal stimmt das. Manchmal verbrennst du aber einfach nur mehr Geld in zusätzlichen Auktionen, die weniger effizient sind. Oder deine Kampagne kommt aus der Lernphase ins Schwimmen, weil du zu schnell skalierst. Oder du verschiebst Nachfrage zwischen Kampagnen, statt echte Zusatznachfrage zu gewinnen. Ein Experiment kann hier zumindest helfen, die Richtung besser einzuschätzen.
Ähnlich ist es bei ROI- oder ROAS-Zielen. Wenn du dein Ziel lockerst, kann Google mehr Auktionen bedienen und aggressiver bieten. Das kann Reichweite und Umsatz erhöhen. Aber du bezahlst diesen Zuwachs oft mit sinkender Effizienz. Wenn du dein Ziel verschärfst, steigt womöglich die Profitabilität pro Conversion, aber du verlierst Volumen. Die Kunst liegt im Zwischenraum. Und genau diesen Zwischenraum kann man mit Experimenten besser ausloten.
Der praktische Vorteil: weniger Blindflug
Was mir an solchen Funktionen gefällt: Sie zwingen dich ein wenig zu sauberem Arbeiten. Nicht im akademischen Sinne, sondern ganz praktisch. Du definierst eine Hypothese. Du testest. Du schaust dir die Daten an. Du entscheidest. Das klingt banal, aber in vielen Konten läuft es anders. Da werden Einstellungen geändert, weil der Druck steigt, weil das Monatsziel wackelt oder weil jemand „mal etwas ausprobieren“ möchte. Zwei Wochen später weiß keiner mehr genau, welche Änderung welchen Effekt hatte.
Ein kampagnenübergreifender A/B-Test kann hier Ordnung schaffen. Du kannst zum Beispiel klar formulieren: „Wenn wir das Budget in diesen Search-Kampagnen erhöhen und gleichzeitig das ROI-Ziel anpassen, erwarten wir mehr Conversion-Volumen bei akzeptabler Effizienz.“ Danach misst du. Nicht perfekt, aber nachvollziehbar.
Gerade bei größeren Konten ist das Gold wert. Ein einzelner Test in einer kleinen Kampagne liefert oft zu wenig Daten. Mehrere Kampagnen zusammen erzeugen eher genug Volumen, damit du nicht aus fünf Conversions eine Weltanschauung baust. Und ja, das passiert öfter, als man zugeben möchte.
AI Max: Mehr testen, ohne wichtige Leitplanken zu verlieren
Der zweite große Punkt betrifft AI Max. Wer mit KI-gestützten Funktionen in Google Ads arbeitet, kennt das Spannungsfeld: Auf der einen Seite möchtest du der Automatisierung genug Raum geben, damit sie zusätzliche Chancen findet. Auf der anderen Seite willst du nicht die Kontrolle über Marke, Standorte oder strategische Grenzen verlieren.
Neu ist, dass du AI-Max-Experimente mit aktivierten Marken- und Standortparametern durchführen kannst. Das klingt technisch, hat aber eine sehr praktische Bedeutung. Du kannst den Effekt von AI Max testen, ohne dabei deine Schutzmechanismen komplett auszuschalten. Oder anders gesagt: Du musst nicht wählen zwischen „wir testen KI“ und „wir behalten unsere Regeln“. Beides soll besser zusammengehen.
Das ist besonders wichtig für Marken, die sensibel mit ihrer Brand umgehen müssen. Viele Unternehmen wollen genau steuern, wann und wie ihre Marke in Anzeigenkontexten erscheint. Andere haben rechtliche oder regionale Vorgaben. Wieder andere bedienen nur bestimmte Städte, Regionen oder Länder. Wenn ein KI-System zu breit agiert, kann das schnell unangenehm werden. Nicht immer dramatisch, aber oft teuer oder intern schwer erklärbar.
Mit aktivierten Markenparametern kannst du AI Max testen, während du bestimmte Markenbezüge kontrollierst. Mit Standortparametern kannst du sicherstellen, dass Tests nicht plötzlich in geografische Bereiche ausufern, die für dich gar nicht relevant sind. Das gibt dir als Werbetreibendem mehr Vertrauen, ein Experiment überhaupt zu starten.
Aus meiner Sicht ist das ein wichtiger Schritt, weil Akzeptanz von Automatisierung selten nur an Performance hängt. Sie hängt auch daran, ob du dich als Verantwortlicher noch sicher fühlst. Wenn ein System zwar theoretisch mehr Conversions bringt, aber du ständig Angst hast, dass es Grenzen überschreitet, wirst du es nicht mit ruhiger Hand einsetzen. Leitplanken sind kein Hindernis für KI, sie sind oft die Voraussetzung dafür, dass KI im Unternehmen überhaupt freigegeben wird.
Warum Marken- und Standortkontrolle im Test so wichtig ist
Ein einfaches Beispiel: Du arbeitest für ein Unternehmen mit Filialen in bestimmten Regionen. Deine Kampagnen sind bewusst lokal ausgerichtet. Wenn du jetzt AI Max testen möchtest, willst du nicht, dass das System Suchanfragen oder Nutzerkontexte außerhalb dieser Regionen zu stark einbezieht. Selbst wenn dabei Klicks entstehen, sind sie für dich wertlos oder zumindest weniger wertvoll.
Oder du betreust ein Unternehmen, dessen Marke häufig mit ähnlichen Begriffen, Partnern oder Wettbewerbern verwechselt wird. Dann willst du nicht, dass ein Experiment unkontrolliert in Brand-Kontexte hineinläuft, die strategisch heikel sind. In manchen Branchen, etwa Finanzdienstleistungen, Gesundheit, Recht oder Franchise-Systeme, können solche Details sehr schnell politisch werden. Da reicht ein Screenshot aus dem Vertrieb, und schon sitzt du in einem Meeting, das du eigentlich vermeiden wolltest.
Deshalb ist die Möglichkeit, AI Max mit bestehenden Parametern zu testen, mehr als nur eine Komfortfunktion. Sie reduziert das Risiko. Und reduzierte Risiken führen oft dazu, dass Teams überhaupt den Mut haben, neue Funktionen auszuprobieren.
Man darf dabei aber nicht naiv sein. Ein Test mit Leitplanken ist immer noch ein Test. Du solltest weiterhin genau prüfen, welche Suchanfragen, Anzeigenkombinationen, Landingpages und Leistungswerte entstehen. KI nimmt dir nicht die Verantwortung ab. Sie verändert nur, wo du hinschauen musst. Früher hast du vielleicht einzelne Keywords kontrolliert. Heute musst du stärker bewerten, ob das System insgesamt in die richtige Richtung optimiert.
Der Performance Planner wird direkter nutzbar
Der dritte Bereich betrifft den Performance Planner. Dieses Werkzeug soll dir helfen, vorauszusehen, wie sich Änderungen bei Budget oder Geboten auf die Kampagnenleistung auswirken könnten. Neu ist, dass der Planner künftig genauer zeigen kann, wie Bidding- oder Budgetverschiebungen voraussichtlich die Performance verändern. Außerdem sollst du die Empfehlungen direkt anwenden können.
Auf dem Papier klingt das nach einer einfachen Workflow-Verbesserung. In der Praxis kann es aber den Umgang mit Planung deutlich beschleunigen. Viele Werbetreibende kennen diesen Ablauf: Du schaust dir Prognosen an, exportierst Zahlen, diskutierst sie intern, passt Budgets manuell an, kontrollierst noch einmal die Einstellungen und hoffst, dass du nichts übersehen hast. Wenn Vorschläge direkter aus dem Planungstool umgesetzt werden können, spart das Zeit und reduziert Reibung.
Natürlich solltest du nicht jeden Vorschlag blind übernehmen. Das wäre, ehrlich gesagt, fahrlässig. Prognosen sind Modelle, keine Garantien. Sie basieren auf historischen Daten, Wettbewerbssignalen, Saisonalität und Annahmen. Wenn sich der Markt plötzlich dreht, ein Wettbewerber aggressiv wird oder dein Tracking schlechter wird, kann die Realität anders aussehen. Trotzdem sind solche Prognosen hilfreich, wenn du sie richtig einordnest.
Ich sehe den Performance Planner gern als Gesprächspartner, nicht als Chef. Er zeigt dir Optionen. Er sagt ungefähr: „Wenn du hier mehr Budget gibst, könnte das passieren. Wenn du dort das Ziel änderst, könnte jenes passieren.“ Die Entscheidung bleibt bei dir. Genau darin liegt der Wert: Du bekommst eine datenbasierte Grundlage, musst aber weiterhin mitdenken.
Planung ist nicht dasselbe wie Steuerung
Ein Punkt wird gern vermischt: Planung und Steuerung sind nicht identisch. Der Planner kann dir helfen, Szenarien zu entwickeln. Aber die echte Steuerung passiert danach im Konto, mit echten Auktionen, echtem Nutzerverhalten und echten Kosten. Deshalb solltest du Prognosen immer mit einer gewissen Demut lesen. Nicht misstrauisch bis zur Lähmung, aber auch nicht gläubig.
Wenn der Performance Planner beispielsweise zeigt, dass eine Budgeterhöhung zusätzliche Conversions bringen könnte, ist das zunächst nützlich. Aber du solltest fragen: Kommt dieses Zusatzvolumen aus wirklich wertvollen Suchanfragen? Passt es zu deiner Marge? Kann dein Vertrieb die Leads verarbeiten? Gibt es saisonale Effekte, die das Modell überbewertet? Sind Conversion-Werte sauber gepflegt? Gerade der letzte Punkt ist entscheidend. Wenn deine Datenbasis schief ist, optimiert auch das beste System in die falsche Richtung.
Dass Empfehlungen direkt angewendet werden können, ist bequem. Aber Bequemlichkeit ist in Google Ads manchmal gefährlich. Ich würde solche Funktionen eher als Beschleuniger nutzen, nicht als Autopilot. Erst prüfen, dann anwenden. Und danach kontrollieren, ob sich die Performance tatsächlich so entwickelt, wie prognostiziert.
Was du jetzt praktisch daraus machen kannst
Für dich stellt sich die Frage: Wie solltest du auf diese Neuerungen reagieren? Aus meiner Sicht nicht hektisch. Es ist selten sinnvoll, neue Funktionen sofort quer durch ein Konto zu aktivieren, nur weil sie verfügbar sind. Besser ist ein kontrollierter Ansatz. Such dir einen Bereich, in dem genug Daten vorhanden sind und in dem ein Test geschäftlich relevant ist. Dann formulierst du eine klare Hypothese.
Zum Beispiel könntest du prüfen, ob eine Anpassung des ROAS-Ziels über mehrere Search-Kampagnen hinweg tatsächlich mehr wertvollen Umsatz bringt. Oder du testest, ob AI Max in einem klar begrenzten Bereich zusätzliche relevante Suchanfragen erschließt, ohne deine Marken- oder Standortregeln zu verletzen. Wichtig ist, dass du vor dem Start weißt, woran du den Erfolg misst. Nur „mehr Conversions“ ist oft zu grob. Besser sind Kennzahlen wie Conversion-Wert, Kosten-Umsatz-Relation, Gewinnnähe, Leadqualität oder tatsächlicher Umsatz nach CRM-Abgleich.
Gerade bei AI Max würde ich außerdem nicht nur auf die Gesamtzahlen schauen. Die können gut aussehen, während darunter Dinge passieren, die dir später Probleme machen. Schau dir an, welche Suchintentionen erreicht werden, ob die Anzeigenbotschaften sauber bleiben und ob die geografische Auslieferung sinnvoll ist. Manchmal ist es überraschend, wie stark ein System in Richtungen optimiert, die rechnerisch plausibel wirken, aber strategisch nicht passen.
Bei den neuen kampagnenübergreifenden A/B-Tests solltest du darauf achten, nicht zu viele Variablen gleichzeitig zu verändern. Wenn du Budget, Zielwert, Anzeigeninhalte, Landingpages und AI Max gleichzeitig anfasst, weißt du am Ende kaum noch, was den Effekt verursacht hat. Ja, in der Realität sind Tests nie klinisch sauber. Aber du kannst wenigstens vermeiden, dass sie völlig unlesbar werden.
Ein guter Test hat eine überschaubare Fragestellung. Etwa: „Was passiert, wenn wir das Budget und das ROI-Ziel in diesen Kampagnen gezielt anpassen?“ Oder: „Welche zusätzliche Leistung bringt AI Max, wenn Marken- und Standortparameter aktiv bleiben?“ Damit kannst du nach dem Test eine echte Entscheidung treffen. Nicht nur ein Gefühl.
Die größere Entwicklung: Google Ads wird noch stärker experimentgetrieben
Hinter diesen Funktionen steckt eine größere Entwicklung. Google Ads bewegt sich seit Jahren weg von kleinteiliger manueller Steuerung und hin zu stärker automatisierten Systemen. Das ist keine neue Erkenntnis. Neu ist eher, dass die Plattform zunehmend Werkzeuge bereitstellt, um diese Automatisierung besser zu testen und zu planen.
Das ist auch nötig. Denn je mehr Entscheidungen ein System automatisch trifft, desto wichtiger werden gute Kontrollmechanismen. Früher hast du vielleicht direkt am Keyword-Gebot gedreht. Heute gibst du Ziele, Budgets, Signale und Rahmenbedingungen vor. Die operative Optimierung übernimmt stärker das System. Deine Aufgabe verschiebt sich: Du wirst weniger zum Mikromanager einzelner Gebote und mehr zum Architekten von Tests, Datenqualität und strategischen Leitplanken.
Das klingt etwas groß, ist aber im Alltag ziemlich konkret. Du musst wissen, welche Kampagnen gemeinsam getestet werden sollten. Du musst entscheiden, wo Automatisierung sinnvoll ist und wo nicht. Du musst Tracking und Conversion-Werte sauber halten. Und du musst Ergebnisse interpretieren können, ohne dich von kurzfristigen Schwankungen verrückt machen zu lassen.
Die neuen Funktionen passen genau in dieses Bild. A/B-Tests über mehrere Kampagnen helfen dir, größere strategische Änderungen kontrollierter zu prüfen. AI-Max-Experimente mit Marken- und Standortparametern helfen dir, Automatisierung auszuprobieren, ohne wichtige Grenzen aufzugeben. Und der Performance Planner unterstützt dich dabei, Budget- und Gebotsentscheidungen nicht nur aus dem Bauch heraus zu treffen.
Ob das alles in jedem Konto sofort einen riesigen Unterschied macht? Wahrscheinlich nicht. Kleine Konten mit wenig Daten werden weiterhin mit statistischer Unsicherheit kämpfen. Stark saisonale Geschäftsmodelle müssen Prognosen vorsichtig lesen. Und wer schlechte Conversion-Daten ins System gibt, wird durch neue Planungsfunktionen nicht plötzlich sauber optimieren. Aber für viele mittlere und größere Konten kann das ein echter Fortschritt sein.
Mein fachliches Fazit
Die Neuerungen sind kein spektakulärer Umbruch, eher ein nützlicher Ausbau an genau den Stellen, an denen Google Ads in der Praxis oft knirscht: Testbarkeit, Kontrolle und Planung. Besonders der kampagnenübergreifende A/B-Test dürfte für viele Werbetreibende interessant werden, weil Budget- und Zielwertänderungen selten nur eine einzelne Kampagne betreffen. Wenn du solche Entscheidungen künftig sauberer testen kannst, reduziert das Fehlentscheidungen – oder zumindest die Wahrscheinlichkeit dafür.
Bei AI Max ist der wichtigste Punkt für mich die Sache mit den Leitplanken. Automatisierung wird nur dann breit akzeptiert, wenn du sie kontrolliert einsetzen kannst. Marken- und Standortparameter während eines Experiments aktiv zu lassen, ist deshalb ein ziemlich pragmatischer Schritt. Nicht glamourös, aber nützlich. Und manchmal sind genau diese unspektakulären Verbesserungen im Alltag die wertvollsten.
Der verbesserte Performance Planner rundet das Ganze ab. Prognosen zu Budget- und Gebotsverschiebungen können dir helfen, Entscheidungen besser vorzubereiten. Dass Empfehlungen direkt angewendet werden können, spart Zeit, sollte aber mit gesundem Misstrauen genutzt werden. Ich würde immer noch prüfen, ob die vorgeschlagenen Änderungen zu deinen echten Geschäftszielen passen – nicht nur zu den Plattformkennzahlen.
Wenn du Google Ads professionell steuerst, solltest du diese Funktionen nicht einfach ignorieren. Aber du musst ihnen auch nicht blind hinterherlaufen. Mein Rat wäre: Nutze sie bewusst, starte mit einem sauberen Testbereich, dokumentiere deine Hypothese und bewerte danach nicht nur oberflächliche Metriken. Die eigentliche Stärke dieser Neuerungen liegt nicht darin, dass Google dir Entscheidungen abnimmt, sondern dass du bessere Entscheidungen treffen kannst.
Und am Ende ist genau das der Punkt. Mehr KI, mehr Automatisierung und mehr Planungstools sind nur dann hilfreich, wenn du sie mit klarem Kopf einsetzt. Wenn du weißt, was du testen willst, welche Grenzen gelten und welche Kennzahlen wirklich zählen, können diese neuen Möglichkeiten deine Arbeit spürbar verbessern. Wenn du dagegen einfach jeden Vorschlag übernimmst, bekommst du vielleicht Bewegung im Konto – aber nicht unbedingt Fortschritt.
