Agentic ad buying – czym różni się od zwykłej automatyzacji reklam, gdy AI samodzielnie tworzy kampanie, testuje kreacje i przesuwa budżet?

Automatyczne ustawianie stawek nie jest jeszcze agentic ad buyingiem. Różnica zaczyna się tam, gdzie AI nie tylko wykonuje pojedyncze zadanie, lecz samodzielnie planuje kolejne działania na podstawie celu biznesowego, uruchamia testy, interpretuje wyniki i zmienia sposób wydawania pieniędzy bez czekania na każde polecenie człowieka.

W zwykłej automatyzacji reklam człowiek nadal buduje zasadniczy szkielet kampanii. Wybiera cel, budżet, strukturę, materiały, ograniczenia i często kanał. Algorytm odpowiada za konkretny fragment: stawkę w aukcji, dobór odbiorców albo kombinację zasobów reklamowych. Agent reklamowy ma działać poziom wyżej. Dostaje np. cel „sprzedaj 1500 abonamentów przy koszcie pozyskania nie wyższym niż 120 zł”, a następnie powinien zdecydować, jakie kampanie uruchomić, czego nie skalować, jakie kreacje przetestować i gdzie przenieść budżet.

To nie jest semantyczna różnica. Zmienia się miejsce podejmowania decyzji — a wraz z nim ryzyko.

Automatyzacja optymalizuje kampanię. Agent ma podejmować decyzje o kampanii

Google Ads od dawna automatyzuje zakupy mediowe na poziomie aukcji. Performance Max wykorzystuje AI m.in. do ustalania stawek, doboru odbiorców, łączenia kreacji, atrybucji i optymalizacji emisji pomiędzy Search, YouTube, Display, Discover, Gmail oraz Mapami. Reklamodawca przekazuje systemowi budżet, cele konwersji, materiały i dodatkowe sygnały, a platforma optymalizuje emisję.

To dużo automatyzacji, ale model decyzyjny pozostaje stosunkowo prosty:

człowiek ustala cel → platforma optymalizuje realizację tego celu.

Podobnie działa wiele funkcji Meta Advantage+. System może automatyzować grupy odbiorców, placementy, część procesu tworzenia wariantów reklam oraz dystrybucję budżetu. Nadal jednak jest to przede wszystkim automatyzacja wykonywana wewnątrz jednego ekosystemu reklamowego.

Agentic ad buying przesuwa granicę:

człowiek definiuje wynik i ograniczenia → agent planuje działania → uruchamia je → analizuje dane → wybiera kolejne działanie.

Przykład pokazuje różnicę lepiej niż definicja.

Klasyczna automatyzacja może otrzymać kampanię Google Ads z budżetem 1000 zł dziennie i strategią docelowego ROAS 500%. System automatycznie ustala stawkę dla każdej aukcji, próbując osiągnąć wymagany wynik.

Agent mógłby otrzymać szersze zadanie:

zwiększyć sprzedaż kategorii ekspresów do kawy o 20%, utrzymując marżę po koszcie reklamy powyżej 15%.

Żeby wykonać takie polecenie poprawnie, musiałby sam:

• pobrać dane o sprzedaży, marży i zapasach,

• sprawdzić skuteczność istniejących kampanii,

• rozpoznać produkty, których nie warto promować ze względu na niską marżę lub brak towaru,

• zaproponować albo utworzyć nowe zestawy reklam,

• przygotować warianty tekstów i grafik,

• uruchomić eksperyment,

• przesunąć część budżetu pomiędzy kampaniami lub kanałami,

• obserwować koszt sprzedaży,

• ograniczyć wydatki po przekroczeniu ustalonego progu.

Najważniejszy element to pętla decyzyjna. Agent nie kończy pracy po wygenerowaniu reklamy. Wynik jednego działania jest wejściem do następnego.

Dlatego określenie każdej kampanii wykorzystującej generatywną AI jako „agentic” jest nadużyciem. Generator pięciu nagłówków nie jest agentem. Automatyczny bidding też nim nie jest. Nawet kampania, która sama łączy kreacje i kieruje ruch na różne podstrony, może pozostawać zwykłym systemem optymalizacyjnym.

Rynek faktycznie przesuwa się jednak w kierunku bardziej autonomicznych systemów. W Google Ads działa m.in. Ask Advisor, oparty na Gemini agentowy interfejs konwersacyjny, który może analizować wyniki, pomagać w rozwiązywaniu problemów i proponować teksty lub materiały reklamowe. Jednocześnie Performance Max pozostaje kampanią zarządzaną według skonfigurowanych przez reklamodawcę celów i ograniczeń. To ważna różnica: agentowe funkcje pojawiają się stopniowo, a nie jako jeden przycisk „prowadź cały marketing za mnie”.

Kreacje, testy i budżet mogą działać bez ręcznego sterowania — ale potrzebują twardych granic

Największy praktyczny potencjał agentic ad buyingu nie polega na szybszym klikaniu w panelu reklamowym. Chodzi o skrócenie cyklu:

hipoteza → kreacja → emisja → dane → decyzja → kolejny test.

W tradycyjnym zespole proces może wyglądać tak: performance marketer zauważa spadek CTR, zgłasza potrzebę nowych reklam, copywriter przygotowuje teksty, grafik kreacje, kampania zostaje skonfigurowana, a po kilku dniach ktoś analizuje wyniki.

Agent może wykonać sporą część tego procesu automatycznie.

Jeśli jedna kreacja zaczyna tracić skuteczność, system może przygotować warianty wykorzystujące inne zdjęcie produktu, nagłówek albo argument sprzedażowy. Po zebraniu wymaganej próbki odrzuca słabszy wariant i zwiększa ekspozycję lepszego.

Platformy już automatyzują znaczną część tego mechanizmu. Google Performance Max potrafi m.in. automatycznie generować wideo z istniejących zasobów kampanii, a także tworzyć dodatkowe wersje materiału, w tym formaty pionowe, kwadratowe i skrócone. AI Max dla kampanii Search rozszerza z kolei dopasowanie zapytań, personalizację tekstów i dobór strony docelowej.

Google podaje, że pełny zestaw funkcji AI Max — obejmujący dopasowanie wyszukiwań, dostosowanie tekstu i rozszerzanie końcowego URL — dawał średnio 7% więcej konwersji lub wartości konwersji przy podobnym CPA albo ROAS w porównaniu z wykorzystaniem samego rozszerzonego dopasowania wyszukiwań. To wynik pochodzący z danych Google, a nie gwarancja dla konkretnego konta. Kampania z błędnie mierzoną konwersją może zostać przez AI zoptymalizowana bardzo skutecznie — tylko pod niewłaściwy cel.

Tu zaczyna się najważniejsza praktyczna zasada: agent powinien mieć większą swobodę operacyjną niż zwykły automat, ale mniejszą swobodę biznesową, niż sugeruje marketing producentów narzędzi.

Nie dawałbym agentowi polecenia:

„maksymalizuj sprzedaż”.

Dałbym zestaw granic:

• miesięczny budżet maksymalny: 100 000 zł,

• maksymalny wzrost wydatku dzień do dnia: np. 20%,

• minimalny akceptowalny ROAS lub maksymalny CAC,

• lista produktów i kategorii wyłączonych z promocji,

• maksymalny budżet pojedynczego eksperymentu,

• minimalna liczba konwersji przed zwiększeniem skali,

• zakaz samodzielnej zmiany podstawowego zdarzenia konwersji,

• zakaz publikacji niezatwierdzonych twierdzeń dotyczących ceny, rabatu, gwarancji albo parametrów produktu.

To nie są administracyjne dodatki. To zabezpieczenia przed jednym z najbardziej irytujących problemów automatyzacji reklam: system potrafi znaleźć matematycznie poprawny sposób realizacji źle zdefiniowanego celu.

Jeżeli za główną konwersję uznamy wysłanie formularza, agent może zacząć generować bardzo dużo tanich leadów. Jeżeli połowa z nich ma fałszywe telefony albo nie spełnia kryteriów handlowych, dashboard wygląda dobrze, a sprzedaż nie.

Dlatego w lead generation optymalizacja powinna docelowo korzystać nie tylko z CPL, lecz również z informacji z CRM: czy lead został zaakceptowany, czy odbyła się rozmowa, czy powstała szansa sprzedażowa i ile przyniosła przychodu.

W e-commerce problem jest inny. Agent widzący wyłącznie przychód może skalować produkty z wysokim ROAS, mimo że po rabatach, kosztach dostawy i marży ich promocja jest mało opłacalna. Przy większej autonomii dane o marży, zwrotach i dostępności magazynowej przestają być dodatkiem — stają się częścią systemu sterowania kampanią.

Największe ryzyko nie leży w AI, tylko w danych, uprawnieniach i źle ustawionym celu

Im bardziej agent staje się autonomiczny, tym mniej rozsądne jest ocenianie go wyłącznie po tym, czy „ROAS wzrósł”.

Najpierw trzeba ustalić, do czego system rzeczywiście ma dostęp.

Agent mogący tylko analizować raporty ma małe ryzyko operacyjne. Agent posiadający uprawnienia do tworzenia kampanii jest bardziej wymagający. Jeszcze inna sytuacja powstaje, gdy AI może dodatkowo zwiększać budżety, generować reklamy, publikować je i łączyć dane z CRM.

Praktyczny model uprawnień powinien wyglądać stopniowo:

1. Read-only — agent analizuje wyniki i przedstawia rekomendacje.

2. Draft — przygotowuje kampanie, reklamy i zmiany, ale człowiek zatwierdza publikację.

3. Limited execution — może samodzielnie wykonywać zmiany w określonych granicach.

4. Autonomous execution — sam planuje i realizuje działania, przy czym człowiek kontroluje wyjątki oraz wyniki.

Większość firm nie powinna zaczynać od punktu czwartego.

Najrozsądniejszy pierwszy przypadek użycia to zwykle ograniczona autonomia na istniejących kampaniach, np. możliwość wstrzymania ewidentnie nierentownego zestawu reklam, utworzenia wariantów kreacji albo przesuwania części budżetu w określonym przedziale.

Przenoszenie 5–10% budżetu eksperymentalnego jest zupełnie innym ryzykiem niż pozwolenie systemowi na dowolne dysponowanie całym miesięcznym budżetem mediowym. Nie ma jednej uniwersalnej wartości procentowej dobrej dla wszystkich kont — limit trzeba ustalić na podstawie wolumenu konwersji, opóźnienia danych i kosztu pojedynczego błędu.

Opóźnienie konwersji jest szczególnie niedoceniane. Jeżeli klient kupuje średnio kilka dni po kliknięciu reklamy, agent oceniający kampanię po kilku godzinach może odcinać ruch, który jeszcze nie zdążył skonwertować. W B2B efekt jest znacznie poważniejszy, bo prawdziwy wynik może być widoczny dopiero po tygodniach.

Drugi problem to atrybucja. Jeżeli Meta, Google i system analityczny przypisują sobie tę samą sprzedaż w różny sposób, agent działający między kanałami potrzebuje jednego modelu decyzyjnego, a nie bezrefleksyjnego sumowania wyników raportowanych przez platformy.

Trzeci problem to prawo i zgodność.

W Unii Europejskiej Digital Services Act wymaga m.in. oznaczania reklam i informacji o tym, kto je zamieszcza oraz dlaczego użytkownik je widzi. Targetowanie reklam na platformach internetowych z wykorzystaniem szczególnych kategorii danych osobowych, takich jak religia, pochodzenie etniczne czy orientacja seksualna, jest zakazane. DSA zabrania też targetowanej reklamy kierowanej do małoletnich na podstawie ich danych osobowych.

Agent nie może więc otrzymać dostępu do dowolnego zestawu danych tylko dlatego, że technicznie da się go podłączyć do hurtowni albo CRM.

Od 2 sierpnia 2026 r. stosuje się także część obowiązków dotyczących przejrzystości wynikających z art. 50 unijnego AI Act. Ma to znaczenie zwłaszcza przy określonych materiałach generowanych lub manipulowanych przez AI. Nie oznacza to jednak, że każda automatycznie wygenerowana reklama wymaga identycznego oznaczenia. Obowiązek trzeba oceniać w zależności od rodzaju treści i sposobu jej wykorzystania.

Jeszcze ostrzejsze zasady dotyczą reklamy politycznej. Unijne rozporządzenie 2024/900 jest w pełni stosowane od 10 października 2025 r. i przewiduje m.in. szczególne wymagania dotyczące oznaczania, sponsora, kosztów i stosowanych technik targetowania. To obszar, w którym szeroka autonomia agenta bez kontroli compliance jest szczególnie złym pomysłem.

Sama skala rynku pokazuje, dlaczego temat szybko przestaje być eksperymentem. Wartość reklamy cyfrowej w Europie osiągnęła w 2025 r. około 131 mld euro, o 10,5% więcej rok do roku. Social advertising odpowiadał za 35,5 mld euro, video za 34 mld euro, a retail media za 13,3 mld euro. Przy takich budżetach nawet niewielka zmiana udziału decyzji wykonywanych automatycznie oznacza miliardy euro wydawane przez systemy mające coraz większą autonomię.

Nie oczekiwałbym jednak, że w najbliższym kroku marketer po prostu poda agentowi kartę i przestanie zaglądać do kont reklamowych. Bardziej prawdopodobny model to zarządzanie przez wyjątki: AI wykonuje tysiące drobnych decyzji, natomiast człowiek ustala ekonomię kampanii, limity, reguły marki i sytuacje wymagające zatwierdzenia.

To mniej efektowne niż wizja „autonomicznego marketera”. Za to dużo bardziej użyteczne.

FAQ

Czy Performance Max jest agentic ad buyingiem?
Nie w pełnym znaczeniu tego terminu. Performance Max automatyzuje bidding, dobór odbiorców, kreacje, atrybucję i dystrybucję reklamy wewnątrz ekosystemu Google, ale działa na podstawie celu, budżetu i ograniczeń ustawionych przez reklamodawcę.

Czy agent może sam przesuwać budżet między Google Ads i Meta Ads?
Technicznie jest to możliwe, jeśli system posiada odpowiednie integracje, dane i uprawnienia do obu platform. Nie należy jednak robić tego na podstawie prostego porównania ROAS raportowanego przez Google i Meta, bo platformy mogą inaczej przypisywać tę samą konwersję.

Czy AI może samodzielnie tworzyć kreacje reklamowe?
Tak. Generowanie i modyfikowanie tekstu, grafik czy materiałów wideo jest już częścią narzędzi reklamowych i generatywnych. Problemem nie jest samo tworzenie, lecz automatyczna publikacja. Przy cenach, promocjach, usługach regulowanych i mocnych claimach sprzedażowych powinien istnieć etap kontroli albo precyzyjna lista dozwolonych twierdzeń.

Ile danych potrzeba, żeby oddać optymalizację agentowi?
Nie ma jednej minimalnej liczby konwersji dla każdego systemu. Im rzadsza konwersja i dłuższa ścieżka zakupu, tym większe ryzyko błędnej decyzji na małej próbce. Konto mające kilka zakupów miesięcznie nie nadaje się do agresywnego, częstego przesuwania budżetu tak dobrze jak sklep zbierający setki lub tysiące transakcji.

Czy agent reklamowy zastąpi specjalistę PPC?
Najpierw przejmie najbardziej powtarzalną część jego pracy: analizę zmian, tworzenie wariantów, wyszukiwanie anomalii, przygotowanie eksperymentów i część decyzji budżetowych. Nadal pozostaje kwestia wyboru właściwego celu biznesowego, oceny jakości danych, marży, sezonowości, polityki cenowej i ryzyka marki.

Jaki jest największy błąd przy wdrażaniu agentic ad buyingu?
Podłączenie systemu do kont reklamowych przed uporządkowaniem pomiaru. Agent z dostępem do budżetu i błędną definicją konwersji nie automatyzuje dobrego marketingu — automatyzuje błąd i wykonuje go szybciej niż człowiek.

Pierwszy krok nie powinien więc polegać na włączeniu autonomicznego przesuwania budżetu. Najpierw sprawdź zdarzenie, według którego AI będzie podejmowało decyzje: czy zakup ma prawidłową wartość, czy lead z CRM wraca do systemu reklamowego, czy zwroty i anulacje nie zawyżają wyniku oraz czy ten sam przychód nie jest liczony kilka razy. Dopiero potem daj agentowi ograniczony budżet testowy i możliwość wykonywania jednej klasy zmian. Jeśli system nie potrafi udowodnić, dlaczego przesunął pieniądze i na jakich danych podjął decyzję, nie zwiększaj mu autonomii.