Przez prawie dwie dekady Google Display Network był fundamentem internetowej reklamy. Tysiące marketerów budowało na nim kampanie, testy A/B i strategie remarketingowe. To właśnie odchodzi do historii – Google wchłania Display Ads do platformy Demand Gen, napędzanej sztuczną inteligencją.
Kluczowe fakty:
- Google kończy działalność Google Display Network po niemal dwóch dekadach funkcjonowania, wchłaniając Display Ads do platformy Demand Gen napędzanej sztuczną inteligencją.
- Demand Gen to fundamentalnie nowa filozofia prowadzenia kampanii, gdzie marketerzy dostarczają cele biznesowe i materiały kreatywne, a AI samodzielnie decyduje o umieszczeniu reklam i optymalizuje je w czasie rzeczywistym.
- Platforma automatycznie testuje kombinacje obrazów, klipów wideo i nagłówków, dystrybuując reklamy w różnych formatach na YouTube i innych powierzchniach Google'a w zależności od zdefiniowanych celów biznesowych.
Decyzja nie była zaskoczeniem dla nikogo, kto śledzi kierunek, w jakim Google prowadzi swój ekosystem reklamowy od kilku lat. Firma od dawna sygnalizowała, że manualne zarządzanie kampaniami traci rację bytu w świecie, gdzie algorytmy podejmują decyzje szybciej i skuteczniej niż jakikolwiek zespół analityków. Tym razem jednak przestała tylko sugerować. Po prostu usuwa stary model.
Czym jest Demand Gen i dlaczego to zmiana strukturalna
Demand Gen to nie jest kolejna odmiana Google Ads z odświeżonym interfejsem. To fundamentalnie inna filozofia prowadzenia kampanii. Zamiast wybierać konkretne witryny do wyświetlania reklam, ustawiać stawki dla poszczególnych grup odbiorców czy testować różne kreacje na wyselekcjonowanych placementach – marketerzy dostarczają cele biznesowe i pakiet materiałów kreatywnych. Resztą zajmuje się AI.
Platforma samodzielnie decyduje, czy dana kreacja trafi do użytkownika jako reklama wideo przed filmem na YouTube, jako krótki format w YouTube Shorts, czy jako post sponsorowany w Odkrywaj. Testuje kombinacje obrazów, klipów wideo i nagłówków w czasie rzeczywistym. Optymalizuje pod kątem konwersji lub wzrostu świadomości marki – w zależności od tego, co zdefiniowaliśmy jako cel.
Prawie co drugi pracownik w Polsce używa AI za plecami swojego szefa. 71% polskich pracowników oszczędza dzięki AI od pół godziny do ponad dwóch godzin dziennie …
Kto zyska, a kto straci
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl: To jest moment, który obserwujemy od dawna – i warto spojrzeć na niego trzeźwo, bez nadmiernego entuzjazmu, ale też bez paniki. Z jednej strony Demand Gen rzeczywiście może przynieść lepsze wyniki mniejszym zespołom, które nie mają zasobów do prowadzenia skomplikowanych kampanii manualnych. Algorytm nie śpi, nie popełnia błędów wynikających z nieuwagi i działa na skali, której żaden człowiek nie dorówna. Z drugiej strony oddajemy w ręce jednej firmy coraz więcej decyzji o tym, gdzie, kiedy i do kogo trafia komunikat reklamowy. Pytanie, które warto postawić brzmi: czy w tym modelu reklamodawca jest partnerem Google, czy tylko dostawcą budżetu i materiałów? I co się stanie z tymi, którzy nie mają danych wystarczająco dobrej jakości, żeby AI miała na czym pracować?
Ten ostatni punkt jest kluczowy. Demand Gen w dużej mierze opiera się na danych pierwszopartyjnych reklamodawcy – informacjach z CRM, systemów e-commerce, śledzenia konwersji. Bez solidnej infrastruktury danych cały ekosystem zaczyna działać w próżni.
Dla dużych graczy z rozbudowanymi systemami analitycznymi, ta zmiana może być w istocie uproszczeniem. Ale dla mniejszych firm, które przez lata polegały na precyzyjnym targetowaniu displayowym, wejście w model oparty na AI oznacza konieczność poważnych inwestycji w kilku obszarach jednocześnie:
- jakość i spójność danych konwersji przekazywanych do Google
- ciągłe dostarczanie zróżnicowanych materiałów kreatywnych w wielu formatach
- zmiana podejścia do mierzenia skuteczności kampanii
- integracja platform reklamowych z wewnętrznymi systemami biznesowymi
Koniec klasycznych wskaźników
CTR i CPC przez lata były podstawowym językiem rozmów o skuteczności reklamy displayowej. Teraz tracą na znaczeniu – i to nie jest opinia, to konsekwencja logiki systemu.
Kiedy AI optymalizuje równolegle po kilkunastu formatach i placementach, ocena pojedynczej kreacji staje się praktycznie niemożliwa. Zamiast pytać „która wersja banera kliknęła się lepiej”, trzeba zacząć pytać o koszt pozyskania klienta, zwrot z wydatków reklamowych i wpływ na całą ścieżkę zakupową. To fundamentalna zmiana dla działów marketingu przyzwyczajonych do raportowania tygodniowych CTR-ów.
Google nie jest sam w tym wyścigu
Meta robi dokładnie to samo ze swoim programem Advantage+. Automatyzuje targeting, kreacje i placements w obrębie Facebooka, Instagrama i Messengera. To nie jest przypadkowa zbieżność kursów obu firm – to odpowiedź na realne zmiany w zachowaniach użytkowników, których coraz trudniej dosięgnąć statycznym banerem.
TikTok i Instagram przeformatowały oczekiwania odbiorców. Pełnoekranowe wideo, krótkie formaty, natywna integracja z treścią – to jest nowy standard. Klasyczny baner 300×250 na portalu informacyjnym po prostu nie konkuruje z tym doświadczeniem.
Branża reklamowa przesuwa się od modelu wynajmowania przestrzeni reklamowej do modelu zlecania agentom AI zadania „znajdź mi klientów”. Google i Meta po prostu sformalizowały to, co działo się stopniowo od kilku lat.
Co to znaczy dla zespołów marketingowych
Przejście na Demand Gen wymaga przemyślenia struktury pracy kreatywnej. Platforma potrzebuje ciągłego dopływu materiałów w różnych formatach – nie jednej starannie dopracowanej kreacji na kwartał, ale dziesiątek wariantów obrazów, klipów i tekstów, z których AI będzie układać własne kombinacje.
To przenosi ciężar z precyzji wykonania na objętość i różnorodność. Agencje i wewnętrzne zespoły kreatywne muszą przeorganizować workflow. Zamiast produkować reklamy, zaczynają produkować surowiec dla algorytmu.
Marketerzy, którzy dotąd budowali swoją wartość na znajomości zawiłości Google Ads – na wiedzy o licytacjach, modyfikatorach stawek i segmentacji placement – będą musieli przestawić się na nowe kompetencje. Takie, które pozwolą skutecznie zarządzać systemem AI, a nie go zastępować.
