Da AI Max blev lanceret, brugte jeg en hel video på at forklare, hvor dårlig rapporteringen var. Du kunne slå det til, se budgettet forsvinde og stort set ikke ane, hvad der skete med dine penge. Jeg sagde også, at jeg var sikker på, at Google ville få det fikset.
Og det har de heldigvis gjort (og ja, jeg nyder at have fået ret på det punkt).
Med den nye rapportering kan du endelig lave en ordentlig analyse af AI Max i stedet for at basere dig på et samlet ROAS-tal og en mavefornemmelse. Her gennemgår jeg, hvordan vi evaluerer AI Max hos SavvyRevenue, og hvilke nye kolonner der gør det muligt. Jeg forklarer også, hvad hvert fund betyder for dine optimeringer. Og så deler jeg, hvad vi har lært af at køre AI Max i vores annoncørers konti de seneste seks måneder.
AI Max er ikke plug and play. Men “det virker ikke ud af boksen” er ikke det samme som “det virker ikke”.
De nye AI Max-kolonner (og hvad de egentlig betyder)
I august tilføjede Google tre nye kolonner, der viser, hvad AI Max laver:
- Landing page source
- Headline source
- Search term match source
De to første siger sig selv. Enten kommer landingssiden eller headlinen fra dig, eller også kommer den fra Google.
Den tredje kræver lidt mere forklaring. Search term match source kan vise én af tre værdier:
- Advertiser provided: Søgetermen matchede et af dine søgeord. Intet nyt her.
- AI Max expanded matches: Det er Broad Match, rent og skært. I API’et hedder det `AI_MAX_BROAD_MATCH`. Google prøver ikke engang at skjule det.
- Landing pages and URL inclusions: Det er Dynamic Search Ads i nye klæder. Google læser dit website og matcher søgninger med dine sider.
I den daglige styring betyder forskellen mellem de to sidste ikke så meget, men den bliver nyttig, når du begynder at segmentere dataene.

Her finder du dataene
Placeringen er lidt mærkelig. De nye kolonner finder du i rapporten over søgetermer, hvor du klikker på “Search terms and ad combinations”. Det er dér, AI Max-dataene ligger indtil videre.
Du kan endnu ikke trække dem ind i den almindelige rapporteditor. Jeg forventer, at det ændrer sig snart, for den nuværende opsætning føles som en midlertidig løsning. I mellemtiden kan du også hente dataene via MCP, og dermed også via API’et.
Sådan læser du kolonnerne uden at drukne i dem
Du kan bygge en pivottabel. Teknisk set. Men hvem gør lige det i dag?
Vi evaluerer AI Max ved at eksportere dataene og give dem til Claude. Kombinationerne bliver hurtigt komplekse (tre kilder med flere værdier hver, ganget med kampagnetyper og match types), og en LLM er langt bedre til at skære dem op, end du er kl. 16 en torsdag eftermiddag.
Metoden er dog vigtigere end værktøjet. Start med det store billede, og grav dig derefter ned i segmentkombinationerne. Og sørg for, at du har nok data. Med AI Max segmenterer du trafik, der allerede er segmenteret, og før du ved af det, drager du konklusioner på baggrund af 14 klik. Det er bare støj.
Vores analyse besvarer fire spørgsmål i den her rækkefølge:
- Hvordan klarer AI Max sig samlet set?
- Hvordan performer de nye søgetermer fra AI Max?
- Klarer de AI-skrevne headlines sig bedre eller dårligere end mine?
- Er AI Max god til at finde landingssider, der performer bedre?

1. Hvordan klarer AI Max sig samlet set?
Her er der to rapporter, jeg ikke ville undvære.
Performance pr. kampagnetype
Inden for e-handel kører vi typisk tre typer Search-kampagner:
- Brand-/produktkampagner (tredjepartsbrands, du sælger)
- Kategorikampagner
- Generiske kampagner
“AI Max virker” er ikke en brugbar konklusion i sig selv. Spørgsmålet er, hvor det virker. I den konto, jeg bruger som eksempel, performede AI Max dårligt i brand-/produktkampagnerne. Kigger du kun på gennemsnittet for hele kontoen, overser du det let. Eller endnu værre: Du lader det svage segment trække vurderingen ned for segmenter, der klarede sig fint.
Performance over tid
Den anden rapport viser, hvordan AI Max udvikler sig over tid, og jeg vil påstå, at det er den, de fleste annoncører springer over.
Som alt andet algoritmisk i Google Ads burde AI Max blive bedre, efterhånden som det lærer. Evaluerer du det efter to måneder, risikerer du at tage gennemsnittet af en dårlig første måned og en stærk anden måned. Resultatet ser “så som så” ud, og du slukker for noget, der faktisk endte med at virke.

I netop det her tilfælde var der ingen læringskurve at tale om. Performance lå stabilt fra dag ét. Næsten foruroligende stabilt. POAS rykkede sig knap fra uge til uge, og det samme gjaldt forbruget.
Det eneste tal, der rykkede sig, var klikprisen (CPC), som faldt 10-20 % over perioden. Algoritmen blev altså bedre til at købe den samme trafik, selvom det ikke slog igennem som et markant hop i profitabiliteten.
Så kig på trenden, før du stoler på gennemsnittet. Nogle gange viser trenden, at du skal være tålmodig. Andre gange, som her, viser den, at der ikke er noget at vente på.

2. Hvordan performer de nye søgetermer?
Det er her, AI Max skal bevise sit værd. Broad Match-udvidelse er kun værd at betale for, hvis den finder trafik, der både er profitabel og ny.
AI Max vs. Phrase og Exact
Start med at bygge en rapport, der sammenligner kilderne til søgetermmatch: AI Max, Phrase Match og Exact Match. Du skal have styr på to ting: hvor meget volumen AI Max skaber, og hvordan effektiviteten er i forhold til dine eksisterende match types.
I vores eksempel klarede AI Max sig ret godt. POAS var kun omkring 10 % lavere end for de primære søgeord, og med den ekstra volumen, det gav, var jeg tilfreds med den byttehandel. I de fleste konti tager jeg gerne et effektivitetstab på 10 % for markant mere volumen.

Hvor inkremental er AI Max egentlig?
Den anden ting, du skal tjekke, er inkrementalitet: altså om de AI Max-søgetermer, der performer godt, er nogle, du ikke allerede fik.
Bed Claude om at tage alle søgetermer, der er markeret som AI Max, og tjekke, om de samme søgetermer også optræder under dine Phrase Match- eller Exact Match-søgeord. Gør de det, har AI Max ikke fundet noget nyt, men bare taget æren for en søgning, du allerede dækkede.
I vores eksempel var 85 % af de søgetermer, der var markeret som AI Max, allerede matchet til Phrase- og Exact-søgeord. Ser man på forbruget, gik kun 35.946 af 203.597 i AI Max-annonceforbrug til søgetermer, vi ikke allerede dækkede. Det svarer til ca. 18 %, der var helt nyt.
Et forbehold: Vi sammenlignede ikke med DSA i den her analyse, og det bør du gøre (det lå bare uden for scopet her). Tager du DSA med, bliver andelen af helt nye søgetermer sandsynligvis kun endnu mindre.
Det ville overraske mig, hvis AI Max fandt en væsentlig mængde reelt nye søgetermer i nogen konto. Har du en nogenlunde søgeordsdækning, er det meste af det, AI Max “finder”, trafik, du allerede købte. Det gør ikke AI Max værdiløst, men det bør ændre, hvordan du ser på de 10 % lavere POAS.

3. Er de AI-skrevne headlines bedre eller dårligere end dine?
Næste punkt er annonceteksterne. Hvor godt performer de tekster, Google skriver, egentlig?
I vores eksempel faldt POAS med 20 %, når Google havde leveret headlinen. Det er ikke godt, og ved første øjekast er konklusionen nem: Slå AI-headlines fra.

Men grav et lag dybere, før du gør det.
Tænk på, hvordan Dynamic Search Ads fungerer. De klarer sig ofte rigtig godt på long tail-søgetermer, fordi de matcher en meget specifik søgning med en meget specifik produktside. Men de performer dårligt, når de forsøger at “forbedre” et kernesøgeord, som du allerede har bygget en skræddersyet annonce og landingsside til. AI-genererede headlines følger samme logik: Konteksten afgør, om de hjælper eller gør skade.
Så segmentér performance for AI-headlines efter søgetermkilde. Sammenlign AI-headlines, der vises på dine egne søgeord, med AI-headlines, der vises på søgetermer fra AI Max.
Her overraskede resultaterne os. AI-headlines klarede sig bedre sammen med vores eksisterende søgeord end sammen med søgetermer fra AI Max. Det var det modsatte af, hvad jeg havde forventet. Jeg gik ud fra, at Googles tekster ville stå stærkest på de long tail-søgninger, Google selv havde fundet.
Da vi gravede i det, var forklaringen klar: 60 % af søgetermerne fra AI Max kom fra et konkurrentsøgeord. Vores egne headlines performede bedre på den trafik, og det giver mening. Skal du skrive overbevisende tekst til en, der søger efter en konkurrent, kræver det positionering, og det kan AI Max ikke rigtig endnu.
Uden den segmentering ville vi have konkluderet “AI-headlines er 20 % dårligere” og være gået videre uden nogensinde at opdage, at problemet lå i konkurrenttrafikken.

4. Er AI Max god til at finde bedre landingssider?
Landingssider er mere komplicerede at evaluere, end de burde være, fordi elementerne i AI Max ikke fungerer uafhængigt af hinanden. Hvis Google vælger en ny landingsside, men parrer den med en statisk headline, du har skrevet, eller med et søgeord, du har valgt til en anden side, skal du som regel forvente dårlig performance. Annoncen lover én ting, siden leverer noget andet, og brugeren smutter igen. Det skyldes for det meste, at brikkerne ikke passer sammen, og siger ikke meget om, hvorvidt Google valgte en god side.
Du kan altså ikke kigge på kolonnen Landing page source isoleret. Når Google vælger landingssiden, og den kombineres med din headline og dit søgeord, er det en anden test, end når Googles landingsside kombineres med en AI-headline på en søgeterm fra AI Max. Den første er ofte dømt til at fejle. Den anden er præcis det scenarie, AI Max er designet til: Det matcher en ny søgning, skriver tekst til den og sender brugeren til en relevant side.
Rapporten giver først mening, når du krydser Landing page source med Headline source og søgetermkilden. Vurder så primært Googles valg af landingssider dér, hvor resten af elementerne hænger sammen, i stedet for at straffe dem i kombinationer, der aldrig havde en chance for at virke.

Det er lidt mere arbejde, men “AI Max vælger dårlige landingssider” og “AI Max vælger dårlige landingssider, når det er tvunget til at arbejde med tekst, der ikke passer” fører til helt forskellige optimeringer.
Sådan gør du din AI Max analyse til optimeringer
En analyse er kun værd at lave, hvis den ændrer det, du gør bagefter. Heldigvis peger hvert fund direkte på et konkret håndtag:
- Dårlige søgetermer → Tilføj negative søgeord
- Dårlige AI-headlines → Justér dit AI-brief
- Dårlige landingssidematch → Ekskludér landingssider
Du kan styre hver del af AI Max for sig, og derfor skal du også evaluere hver del for sig.

Forskellige kampagnetyper kræver forskellige AI Max-indstillinger
Det største, vi lærte af vores test, var, hvor forskelligt komponenterne i AI Max performede afhængigt af kampagnetypen.
Generiske kampagner (f.eks. “smykker til kvinder”) havde gavn af udvidelsen af søgetermer og AI-headlines, men performede dårligt med de nye landingssider. Så vi slog udvidelsen af landingssider fra i de kampagner og beholdt resten.
Kampagner for tredjepartsbrands performede dårligt med udvidelsen af søgetermer, fordi der begyndte at dukke for meget non-brand-trafik op. En Brand-kampagne, der trækker generisk trafik ind, er ikke længere en Brand-kampagne. Så vi brugte brand inclusion-regler til at holde udvidelsen i kort snor.
Ingen af løsningerne er komplicerede, men begge krævede, at vi evaluerede hver komponent i AI Max for sig i stedet for at behandle det som en enkelt tænd/sluk-knap.

Hvorfor de fleste annoncører opgiver AI Max for tidligt
Alt for mange annoncører slår det til, ser, at det ikke virker fantastisk fra start, og slår det fra igen. Prøv at forestille dig det samme med en hvilken som helst anden kampagnetype. Ingen lancerer Shopping-kampagner, springer feedoptimeringen over, ignorerer søgetermerne og konkluderer derefter, at Shopping “ikke virker”. Alligevel er det præcis sådan, AI Max bliver vurderet i mange konti.
Lad mig være helt ærlig: AI Max har nogle alvorlige mangler. Inkrementaliteten er lavere, end Google gerne vil have dig til at tro, AI-headlines har svært ved konkurrenttrafik, og valget af landingssider kan give bagslag i generiske kampagner. Men det er stadig et work in progress, og kombinerer du det med gennemtænkte optimeringer, kan du få ret gode resultater.
Den egentlige grund til at blive god til AI Max nu
Der er også en strategisk grund til, at jeg bruger tid på det her. Jeg tror, at den reelle værdi af AI Max først viser sig, når vi får annoncer i AI Mode.
Annoncerne i ChatGPT er efter min mening en opskrift på annonceblindhed. De ligner og føles som bannere. Vi har haft 20 år med onlineannoncering til at lære, hvad der virker, og ChatGPT har i bund og grund genskabt Display-netværket. (Ja, jeg er gammel nok til at huske, da bannerblindhed var det store nye problem. Det var heller ikke sjovt dengang.)

Her har Google en kæmpe fordel. AI Mode bygger på den søgeintention og den annonceinfrastruktur, som Google har brugt to årtier på at finpudse, og AI Max er vejen derind. Når Google åbner for hanen, vil jeg være klar med kampagner, der allerede er finjusteret, og som jeg kender til bunds.
Det bør du også være. Og det starter med at analysere, hvad AI Max gør i dag, i stedet for at slå det fra og håbe, at problemet forsvinder af sig selv.
[TL;DR]
- Google har fikset rapporteringen i AI Max: De nye kolonner Landing page source, Headline source og Search term match source finder du i rapporten over søgetermer under “Search terms and ad combinations” (og via MCP/API).
- Lav din AI Max analyse i fire trin: samlet performance (pr. kampagnetype og over tid), søgetermernes kvalitet og inkrementalitet, performance for AI-headlines og matchning af landingssider.
- Tjek inkrementalitet, ikke kun performance: I vores eksempel lå POAS for AI Max kun 10 % under vores primære søgeord, men kun ca. 18 % af forbruget gik til søgetermer, vi ikke allerede dækkede.
- Segmentér altid dybere: AI-headlines så 20 % dårligere ud ved første øjekast, men den egentlige årsag var konkurrentsøgetermer, hvor vores egne tekster performede bedre end Googles.
- Konfigurér AI Max pr. kampagnetype: Vi beholdt udvidelse og AI-headlines, men slog udvidelsen af landingssider fra i generiske kampagner og brugte brand inclusion-regler i kampagner for tredjepartsbrands.



