Die meisten PPC-Teams diskutieren nicht mehr darüber, ob sie KI einsetzen sollen. Die Frage ist, welche, und ob der Unterschied den Wechsel, eine weitere Subscription oder die Überzeugungsarbeit im Team wert ist, die Tools zu wechseln.

Claude und ChatGPT sind die beiden häufigsten Antworten.

Beide arbeiten mit Optmyzr MCP und können Live-Kontodaten abrufen, Audits durchführen und Strategien generieren, ohne auch nur einen einzigen CSV-Export. Also haben wir dieselben Prompts mit demselben Konto und denselben Daten durch beide Systeme laufen lassen.

Nicht, um einen Sieger zu küren, sondern um herauszufinden, worin sie sich unterscheiden und was das für den Arbeitsalltag von PPC-Managern und Agenturteams bedeutet.

Das kam dabei heraus.

Test-1: Monatlicher Kontoaudit

Wir starteten mit einem einzelnen Prompt, der beide AIs aufforderte, vier Monate Kontodaten abzurufen, problematische Trends zu markieren, die wichtigsten Kampagnentreiber zu identifizieren und ein Fazit zu ziehen.

Was ChatGPT zurückgab

Die Analyse war korrekt und gründlich.

ChatGPT identifizierte die richtigen Kampagnen, markierte denselben Budgetfresser mit null ROAS, las korrekt heraus, dass sich der ROAS von 915 % im Januar auf 1.807 % im April verbessert hatte, und kam zum selben Fazit.

Das Problem war, dass die Ausgabe wie eine Textwand wirkte.

Korrekt, gründlich und ungefähr so spannend zu lesen wie eine AGB-Seite. Für jemanden, der nur die Antwort will, war das in Ordnung, aber nicht ideal, um es mit einem Kunden zu teilen oder in einem Team-Meeting zu präsentieren.

Also baten wir es, die Antwort visuell ansprechender zu gestalten.

ChatGPT lieferte diesmal tatsächlich Diagramme: Trendbalken, Aufschlüsselungen der Kampagnenschwankungen, KPI-Scorecards.

Die Daten waren zwar alle vorhanden, aber die Darstellung war schlicht, mit einfachen Balkendiagrammen im Textstil und minimalem Layout - nichts, was man ohne Überarbeitung direkt in einen Kundenbericht übernehmen würde.

Was Claude zurückgab

Claude kam mit Metrik-Karten, Trenddiagrammen und einer farbcodierten Aufschlüsselung dessen zurück, was sich verbesserte und was nicht - und zwar direkt in der ersten Antwort, ohne dass danach gefragt wurde.

Eine Art von Ausgabe, die man einfach screenshotten und ohne Änderungen in eine Slack-Nachricht an das Team schicken könnte.

Sehen Sie sich die vollständigen Audit-Ergebnisse hier an!

Was ist also der eigentliche Unterschied?

Die Analyse war nahezu identisch. Beide AIs riefen denselben Optmyzr-MCP-Endpunkt auf, erhielten dieselben Daten und kamen zu denselben Schlussfolgerungen.

Der Unterschied liegt ausschließlich darin, wie die Ausgabe ankam.

Claude setzte auf Visuals, und ChatGPT setzte auf Text und kam erst auf Nachfrage zu Visuals. Und selbst dann waren Claudes Diagramme reichhaltiger und einsatzbereiter.

Für alle, die ihre Arbeit teilen: Agenturteams, Inhouse-Manager mit Stakeholder-Berichtspflicht, alle, die schon einmal um 17 Uhr an einem Freitag eine Google-Slides-Präsentation bauen mussten - dieser Unterschied ist real.

Test-2: Alerts-Audit und Gap-Analyse

Die meisten PPC-Konten haben Alerts, die einmal eingerichtet, nie aktualisiert wurden und inzwischen Probleme überwachen, die längst nicht mehr die größten Risiken sind.

Also baten wir beide AIs, zu prüfen, was bereits lief, zu finden, was fehlte, und es zu beheben.

Was ChatGPT zurückgab

ChatGPT listete jeden aktiven Alert auf, markierte, welche bereits ausgelöst hatten, und verglich das bestehende Setup mit den Leistungsdaten, um die Lücken zu finden.

Die Antwort bestand aus zwei Punkten.

Die Search Impression Share des Kontos war stetig gestiegen (von 44 % im Januar auf 50 % im April), aber niemand überwachte sie. Wenn sie einbrechen würde, würde es niemand merken, bis eine manuelle Prüfung das entdeckt.

Und die Conversions waren bereits von März auf April um 22 % gefallen, aber der vorhandene Alert verfolgte das nur auf Kontoebene. Ein Alert auf Kampagnenebene würde Ihnen sofort zeigen, welche Kampagne den Rückgang verursacht hat, sobald er eintritt.

Beide Empfehlungen ergaben Sinn, und beide Alerts wurden erstellt.

Was Claude zurückgab

Claude prüfte dieselben acht Alerts, identifizierte denselben ausgelösten Kosten-Alert, der zeigte, dass ein Search-Kampagne die Ausgaben 68 % über dem Ziel lagen, und ging dann einen anderen Weg.

Bei der Suche nach Lücken fand es etwas Spezifischeres.

Lücke eins: Das Konto verfolgte das Conversion-Volumen, aber nicht die Kosten pro Conversion. Das klingt ähnlich, ist es aber nicht. Das Volumen kann stabil bleiben, während der CPA steigt, und dafür war nichts eingerichtet, um das zu erkennen.

Lücke zwei: Eine Kampagne im Konto erzielte einen ROAS von 3.834 % (jeder ausgegebene Euro brachte ungefähr 38 Euro Umsatz zurück). Aber sie gewann nur 1 von 4 Auktionen, für die sie berechtigt war, und es gab keinen Alert, der ihre Impression Share überwachte.

Wenn dieser Wert weiter sinken würde, würde nichts darauf hinweisen. Claude markierte das, erklärte, warum es wichtig war, und erstellte einen Alert speziell für diese Kampagne.

Der Vergleich

Beide AIs erledigten die Aufgabe, fanden echte Lücken und erstellten neue Alerts, ohne den Chat zu verlassen. Allerdings erstellten sie nicht dieselben Alerts.

Beide AIs hatten eine klare Begründung für ihre Entscheidungen, und keine davon ist falsch.

Der beste Weg herauszufinden, welcher Ansatz zu Ihrem Konto passt, ist, beide zu testen und zu sehen, welche Empfehlungen sinnvoller sind.

💡Auch lesen: Der PPC-Stresstest: ChatGPT vs. Claude vs. Gemini (und wo Optmyzr gewinnt)

Test-3: Eine Rule-Engine-Strategie erstellen

Eine Rule-Engine-Strategie von Grund auf zu erstellen bedeutet normalerweise, mit einer Vorlage zu beginnen, Bedingungen manuell zu konfigurieren und herauszufinden, welche Kampagnen überhaupt adressiert werden sollen, bevor man auch nur eine einzige Regel geschrieben hat.

Wir wollten all das überspringen und sehen, ob beide AIs den bereits vorhandenen Audit-Kontext nutzen können, um etwas Konkretes und Nützliches zu bauen, ohne ihnen zu sagen, was sie erstellen sollen

Was ChatGPT zurückgab

ChatGPT ging zu den Audit-Ergebnissen zurück und zielte auf das Problem ab, dass Budget in Kampagnen versickerte, die keine Ergebnisse lieferten. Es baute dafür eine Drei-Regel-Strategie auf:

Regel 1 richtet sich an aktivierte Kampagnen, die in den letzten 30 Tagen mehr als 100 € ausgegeben und null Conversions erzielt haben. Statt sie automatisch zu pausieren, wird ein Label angewendet:

Review: Wasted Spend / Low ROAS, damit Sie vor einer Maßnahme erst prüfen können.

Regel 2 erfasst Kampagnen, die mehr als 100 € ausgeben, aber weniger als 200 % ROAS erzielen (gleiches Label und derselbe Review-first-Ansatz).

Regel 3 ist ein Conversion-Rückgangs-Detektor. Er markiert jede aktivierte Kampagne, bei der die Conversions gegenüber dem vorherigen Zeitraum um mehr als 20 % zurückgingen, während die Kosten gleich blieben oder stiegen

Zusätzlich zum Erstellen dieser Regeln führte es sie gegen das Konto aus und zeigte drei Kampagnen an, die markiert wurden. So konnten Sie sehen, dass die Strategie funktioniert, bevor Sie entscheiden, ob Sie sie beibehalten.

📝Hinweis: Bevor etwas live geht, teilt ChatGPT einen direkten Vorschau-Link in Optmyzr, in dem Sie jede Bedingung prüfen und alle Schwellenwerte vor dem Ausführen anpassen können.

Nichts greift in Ihr Konto ein, bevor Sie es freigeben.

Was Claude zurückgab

Claude ging ebenfalls zu den Audit-Ergebnissen zurück und kam zum selben Kernproblem. Aber die Strategie, die es erstellte, verfolgte einen anderen Ansatz.

Claude erstellte zwei Regeln mit direkten Aktionen.

Regel 1 richtete sich an Kampagnen ohne Conversions und senkte deren Gebote um 30 % - ein sanfterer Eingriff als das Pausieren, aber eine tatsächliche Änderung statt nur einer Markierung.

Regel 2 identifizierte Kampagnen mit mehr als 800 % ROAS, aber unter 55 % Impression Share (also leistungsstarke Kampagnen, denen Budget entzogen wird), und erhöhte ihr Tagesbudget um 20 %.

Jede von einer der beiden Regeln betroffene Kampagne wurde automatisch mit einem Label versehen, damit Sie nachvollziehen können, was wann geändert wurde. Genau wie ChatGPT teilte auch Claude einen direkten Vorschau-Link in Optmyzr, in dem Sie sehen können, welche Kampagnen betroffen wären, welche Aktionen ausgeführt würden, und vor der Bestätigung alles anpassen können.

Die Strategie ist erstellt, aber Sie behalten die volle Kontrolle darüber, ob und wie sie ausgeführt wird.

Test-4: Kontenübergreifende Analyse

Einer der größten Vorteile der Arbeit in einer Agentur ist, dass Sie Muster sehen, die Ihren Kunden entgehen. Sie haben gleichzeitig zehn, zwanzig, dreißig Konten im Blick, und manchmal ist das, was auf einem Konto wie ein isoliertes Problem aussieht, etwas, das überall passiert.

Also gaben wir beiden AIs ein Portfolio aus fünf Konten: ein echtes Konto, das live über Optmyzr MCP abgerufen wurde, und vier illustrative Kundenkonten mit Dummy-Daten aus verschiedenen Branchen, um eine kontenübergreifende Analyse durchzuführen.

Was ChatGPT zurückgab

ChatGPT lieferte eine detaillierte Aufschlüsselung pro Konto, ein klares Dringlichkeitsranking und einen Abschnitt zu Mustern, der das Portfolio als Ganzes betrachtete.

Das Dringlichkeitsranking war korrekt.

• B2B SaaS an der Spitze (28.300 € Ausgaben über vier Monate bei null Conversions)
• Legal Services an zweiter Stelle, mit monatlich steigenden Ausgaben, während Conversions und ROAS gleichzeitig einbrachen
• Das echte Konto an dritter Stelle, E-commerce Fashion und HVAC unten als die gesunden Performer.

Der Musterabschnitt identifizierte außerdem drei Dinge, auf die man achten sollte:

• Effizientes versus ineffizientes Skalieren, wodurch sich das Portfolio in zwei klare Gruppen aufteilte
• Search IS als frühes Warnsignal, das auftauchte, bevor Conversion-Verluste offensichtlich wurden
• B2B SaaS, bei dem zuerst das Conversion-Tracking überprüft werden musste, bevor Optimierungsentscheidungen getroffen werden konnten.

Alles korrekt und nützlich für Kundengespräche, dargestellt als Tabellen und Text.

Was Claude zurückgab

Claude kam zum selben Dringlichkeitsranking und markierte dieselben Kernprobleme. Aber die Ausgabe sah völlig anders aus.

Statt Tabellen und Absätzen lieferte es ein Portfolio-Dashboard mit

• farbcodierten Konto-Karten
• Dringlichkeits-Tags
• Ausgabenbalken, die den Monatstrend auf einen Blick zeigen
• Insight-Callouts unter jedem Konto, die erklären, was die Zahlen bedeuten.

Die Art von Ausgabe, mit der man direkt in ein Team-Meeting gehen könnte, ohne sie vorher anzufassen.

Der Musterabschnitt ging noch weiter. Über die Unterscheidung zwischen effizientem und ineffizientem Skalieren hinaus markierte Claude zwei weitere Dinge, die eine Agentur wissen sollte.

Erstens: Conversion-Tracking war das größte ungelöste Problem im gesamten Portfolio, und das betraf nicht nur B2B SaaS. Auch das echte Konto hatte Kampagnen, die jeden Monat Geld ausgaben, aber null getrackte Conversions aufwiesen.

Zwei verschiedene Kunden, dasselbe Grundproblem.

Für eine Agentur ist das ein nützliches Muster. Es bedeutet, dass sich Conversion-Tracking proaktiv über das gesamte Kundenportfolio hinweg prüfen lässt, statt nur reaktiv zu beheben, wenn ein Kunde sich beschwert.

Zweitens: Die Saisonalität im Frühling hob im März und April gleichzeitig drei Konten an - Fashion, HVAC und das echte Konto zeigten alle denselben Anstieg.

Claude merkte an, dass eine saisonale Budgetplanung vor Q1 mehr von diesem Zeitfenster hätte mitnehmen können. Auch das ist kein Einblick auf Einzelkundenebene, sondern etwas, das eine Agentur über mehrere Kundenbeziehungen hinweg gleichzeitig nutzen könnte.

Der Vergleich

Beide AIs stuften die Konten korrekt ein und kamen zu denselben dringenden Problemen. Die Kernanalyse unterschied sich nicht wesentlich.

Die Unterschiede lagen an zwei Stellen.

• Das Ausgabeformat: ChatGPT lieferte eine gründliche Textanalyse, und Claude lieferte ein Dashboard. Für eine Agentur, in der Analysen regelmäßig mit Account Managern, Team Leads oder Kunden geteilt werden, hat dieser Unterschied echte praktische Auswirkungen.
• Mustertiefe: ChatGPT erkannte die Portfolio-Trends, und Claude erkannte diese sowie zwei zusätzliche Muster (das kontenübergreifende Conversion-Tracking-Problem und die saisonale Chance), die eine Agentur nutzen könnte, um proaktivere Gespräche mit mehreren Kunden gleichzeitig zu führen.

Ob diese zusätzliche Ebene der Mustererkennung über verschiedene Portfolios und Prompts hinweg zuverlässig reproduzierbar ist, sollten Sie mit Ihren eigenen Konten testen.

🤖 Mehr zu unseren KI-Funktionen: So nutzen Sie Optmyzr Sidekick: 38 echte PPC-Use-Cases für Reporting, Optimierung & Budgetierung

Test-5: Empfehlungen zur Kontenoptimierung prüfen und anwenden

Jedes PPC-Konto hat eine To-do-Liste. Das Problem ist meist herauszufinden, womit man anfangen soll: Was ist dringend, was kann warten und was wirkt wichtig, ist es aber nicht.

Wir baten beide AIs, alle Optimierungsempfehlungen aus Optmyzr abzurufen, sie einzuordnen und etwas Umsetzbares zurückzugeben.

Was beide AIs zurückgaben

Sowohl ChatGPT als auch Claude lieferten eine priorisierte To-do-Liste, gruppiert nach Kategorien, eine klare Erklärung, warum jede Empfehlung wichtig war, und direkte Links, um jede Änderung in Optmyzr zu prüfen und anzuwenden.

Die dringendste Erkenntnis war bei beiden dieselbe: Mehrere Anzeigengruppen in Brand-Kampagnen konvertierten profitabel unter Target ROAS, verloren aber zwischen 73 % und 95 % der berechtigten Impressionen, weil die ROAS-Ziele zu aggressiv gesetzt waren.

Beide AIs markierten das, erklärten es klar und verlinkten direkt zur empfohlenen Lösung in Optmyzr, wo Sie die betroffenen Anzeigengruppen prüfen, die vorgeschlagenen Zielanpassungen sehen und sie anwenden können, wenn Sie bereit sind.

Also, Claude oder ChatGPT für PPC?

Nach fünf Tests mit demselben Konto, Optmyzr MCP und denselben Prompts konnten wir sehen, dass es davon abhängt, was Sie von der Ausgabe brauchen.

Wo Claude konstant vorne lag

Claude setzte jedes Mal auf Visuals. Das Audit kam ohne Nachfrage als Metrik-Karten und Trenddiagramme zurück. Die kontenübergreifende Analyse kam als Portfolio-Dashboard zurück. Für alle, die ihre Arbeit regelmäßig mit Kunden, Team Leads oder Stakeholdern teilen, zeigt sich dieser Unterschied schon, bevor man die Analyse überhaupt gelesen hat.

Wo ChatGPT mithielt

Die Analyse von ChatGPT war in jedem einzelnen Test korrekt. Es stufte Konten richtig ein, markierte die richtigen Probleme und baute eine Rule-Engine-Strategie, die für weniger vertraute Konten arguably konservativer und sicherer war. Das herunterladbare PPT aus dem Audit-Prompt ist für alle, die Ergebnisse schnell für eine Kundenpräsentation aufbereiten müssen, wirklich nützlich.

Und bei den Optimierungsempfehlungen lieferten beide AIs im Wesentlichen dieselbe Ausgabe, weil die Empfehlungen aus der Optmyzr-Engine kamen und nicht von der AI selbst.

Was sich nicht geändert hat

Über alle fünf Tests hinweg war die zugrunde liegende PPC-Intelligenz dieselbe. Beide AIs riefen denselben Optmyzr-MCP-Endpunkt auf und erhielten dieselben Daten, dieselben Empfehlungen, dieselbe Kontostruktur. Die Untergrenze der Analysequalität war identisch, weil das, womit beide AIs verbunden waren, identisch war. Das ist der Teil, den man sich merken sollte.

KI ist die Oberfläche, und Optmyzr ist die Engine.

Egal, welche Sie bereits verwenden: Die Verbindung mit Optmyzr MCP macht sie für PPC-Arbeit wirklich nützlich, nicht die AI allein.

Sie sind bereits Optmyzr-Kunde? Richten Sie Ihre MCP-Verbindung in fünf Minuten ein. Sie funktioniert mit der AI, für die Sie ohnehin schon bezahlen.

Noch nicht? Starten Sie noch heute eine 14-tägige kostenlose Testphase. Keine Kreditkarte, keine Verpflichtung.