50 ChatGPT Prompts für Google Ads: Templates JSON

Bei den vergleichenden Blindtests, die wir kontinuierlich auf Konten durchführen, die in öffentlichen Benchmarks 2026 beobachtet wurden — aggregierte Google-Ads-Daten —, angewandt auf große LLMs (GPT-5, Claude Opus 4.7, Gemini 2.5 Pro), produziert ein naiver Prosa-Prompt wie „Schreibe mir 15 RSA-Headlines für B2B CRM" 40 bis 55% direkt nutzbare Ausgabe — der Rest zu korrigieren oder zu verwerfen wegen Redundanz, Off-Topic, Zeichenüberlauf oder Halluzinationen über nicht existierende Features. Pro getestetem Vertical liegt die Lücke zwischen 28% (technische B2B-Verticals, in denen KI am meisten halluziniert) und 67% (Massenmarkt-B2C-Verticals, in denen die Sprache standardisierter ist). Derselbe Fall im strukturierten JSON-Prompt mit character_max, theme_distribution, excluded_terms, format_output-Constraints klettert auf 75 bis 88% nutzbare Ausgabe. Der Gewinn liegt nicht in der Modellqualität — er liegt in der Constraint-Präzision. Ein 2026-LLM folgt JSON-Constraints drastisch besser als Prosa-Constraints. ChatGPT ist auf Google Ads keine Magie; strukturiert wird es produktiv.

Dieser Artikel liefert 30 JSON-Prompts gruppiert nach Use Case: 6 RSA-Generierung, 5 Negativ-Keyword-Entdeckung, 4 narratives Audit, 5 Executive Reporting, 5 taktische Optimierung, plus 5 Bonus-Anhänge. Alle auf realen Konten getestet und auf den 3 großen 2026-LLMs kalibriert. Für reines RSA-Schreiben siehe unsere RSA-Schreibmethode. Für vollständiges Konto-Audit unsere Google-Ads-Audit-Checkliste. Und für Kunden-Reporting unseren 10-KPI-Reporting-Leitfaden. Unser kostenloser CTR-Rechner vergleicht Ihre Klickrate mit den Medianen 2026 nach Vertical.

Warum strukturierte JSON-Prompts (vs. Prosa)

Ein strukturierter JSON-Prompt ist ein in JSON formatierter Prompt mit expliziten Schlüsseln für die Modellrolle, den Geschäftskontext, Constraints (Zeichenanzahl, Ausschlüsse, Format-Output), Few-Shot-Beispiele und Validierungsanweisungen. Im Vergleich zu einem Natural-Language-Prosa-Prompt zwingt er das Modell, verifizierbaren Regeln zu folgen — was bei 2026-LLMs viel robuster ist, die durch ihr RLHF-Fine-Tuning optimiert sind, formalisierten Strukturen zu folgen.

In Blindtests auf 200 gepaarten Prompts (RSA, Negativ-Keywords, Audit) beobachtete Unterschiede:

Die 6 kritischen Komponenten eines Google-Ads-JSON-Prompts:

• role — wer das Modell ist („Sie sind ein Senior Google Ads Specialist"). Rahmt Ton und Tiefe.
• context — Konto-Geschäftsdaten (Vertical, ICP, Budget, Ziele). Kurz, aber präzise, keine vage Prosa.
• task — die spezifische Mission mit Aktionsverb.
• constraints — harte Regeln (Zeichenanzahl, Format, Ausschlüsse). Hier passiert die Magie.
• examples (optional) — 2 bis 4 Few-Shot-Beispiele des erwarteten Stils. Erhöht die Qualität um 15–25%.
• output_format — JSON, Markdown, CSV. Das Format vorzugeben, erleichtert das automatisierte Parsing.

Offizielle Referenzen, um weiterzugehen: OpenAI Prompt Engineering Dokumentation auf platform.openai.com, Anthropic-Leitfaden auf docs.anthropic.com und Google AI Studio Dokumentation auf ai.google.dev. Alle drei konvergieren auf den Wert strukturierter Prompts — JSON oder XML — gegenüber freier Prosa.

Die Lücke der nutzbaren Ausgabe (40–55% vs. 75–88%) kommt nicht aus einer Differenz der Modell- oder LLM-Rohfähigkeit. Es ist derselbe GPT-5, derselbe Claude Opus 4.7, derselbe Gemini 2.5 Pro, die beide Ergebnisse produzieren. Die erklärende Variable ist die formale Struktur der Constraints. Ein 2026-LLM wurde durch RLHF auf Millionen formaler Strukturbeispiele (JSON, XML, Function Calling, Tool Use) fine-getuned. Wenn Sie ihm eine Constraint-Liste in freier Prosa geben, interpretiert er sie mit signifikanter Varianz. Wenn Sie ihm dieselben Constraints in JSON geben, verarbeitet er sie als zu validierendes Schema — und die Compliance-Rate steigt mechanisch. Es ist eine emergente Eigenschaft des Post-2024-Trainings, keine Prompt-Magie.

RSA-Generierung: 6 Prompts pro Format

Die RSA-Generierung ist der Use Case Nr. 1, bei dem KI messbare Zeit spart. Der Schlüssel: nicht „Schreibe 15 Headlines" fragen, sondern eine strikte thematische Matrix (vgl. RSA-Methode) mit Zeichenanzahl, thematischer Verteilung und Begriffsausschlüssen vorgeben.

Das Responsive Search Ad-Format kombiniert bis zu 15 Titel und 4 Beschreibungen, die Google bei der Anzeige dynamisch permutiert. Die Google-Ads-Lernmaschine optimiert Titel-/Beschreibungs-Kombinationen basierend auf Nutzer-, Anfrage- und Bid-Kontext — aber sie kann das nur korrekt tun, wenn sie ausreichende thematische Vielfalt erhält. Auf aggregierten Google-Ads-Daten 2025–2026 kappen RSAs mit weniger als 10 Titeln oder mit schlechter thematischer Vielfalt (3 Themen oder weniger von 7 erwarteten) ihre Ad Strength bei „Average" und ihren CTR unter dem Vertical-Median. Die sechs Prompts unten zielen darauf ab, die Produktion zu automatisieren und gleichzeitig die thematische Vielfalt zu bewahren — Schlüssel zum Search Quality Score.

Prompt 1 — Standard Search RSA 15 Headlines + 4 Beschreibungen

{
  "role": "Sie sind ein Senior Google Ads Copywriter, deutschsprachig, RSA-Experte.",
  "context": {
    "vertical": "B2B SaaS CRM",
    "icp": "KMU 20-200 Mitarbeiter, Dienstleistungssektor",
    "differentiators": ["DSGVO-konform", "Keine Verpflichtung", "Made in USA"],
    "competitors": ["HubSpot", "Pipedrive", "Salesforce Essentials"],
    "tone": "professionell direkt, faktisch, evidenzbasiert"
  },
  "task": "15 RSA-Headlines und 4 Beschreibungen für die Anzeigengruppe „B2B KMU CRM" generieren.",
  "constraints": {
    "headline_max_chars": 30,
    "description_max_chars": 90,
    "theme_distribution": {
      "main_keyword": 3,
      "quantified_benefits": 3,
      "proof_points": 2,
      "direct_cta": 2,
      "urgency_offer": 2,
      "differentiation": 2,
      "brand_only": 1
    },
    "no_repetition_keyword_exact": true,
    "no_external_benchmarks": true,
    "include_keyword_in_3_headlines": "B2B CRM"
  },
  "examples_few_shot": [
    {"headline": "B2B KMU CRM · 15-Min Demo", "theme": "keyword_cta"},
    {"headline": "8 Std./Woche sparen 2026", "theme": "quantified_benefit"}
  ],
  "output_format": "JSON-Array mit Schlüsseln: headline, theme, char_count"
}

Prompt 2 — Vereinfachte Display-RSA-Assets

{
  "role": "Display Google Ads Copywriter.",
  "task": "8 Headlines (max. 30 Zeichen) und 4 Beschreibungen (max. 90 Zeichen) für Display-Retargeting-Kampagne der Cart-Abandoners generieren.",
  "context": {
    "vertical": "Damenmode-E-Commerce",
    "audience": "Cart Abandoners der letzten 7 Tage",
    "incentive": "-15% Code WELCOME15",
    "deadline": "48 Std."
  },
  "constraints": {
    "tone": "Dringlichkeit ohne missbräuchlichen Druck",
    "headline_themes": ["incentive", "deadline", "forgotten_product", "social_proof"],
    "no_caps_lock": true,
    "no_emojis": true
  },
  "output_format": "JSON-Objekt mit Arrays headlines und descriptions"
}

Prompt 3 — Vollständige PMax Asset Group RSA

{
  "role": "PMax Asset Group Designer.",
  "task": "Vollständige Asset Group für PMax-Kampagne „Premium Herren-Sneakers" generieren.",
  "constraints": {
    "headlines_short": {"count": 5, "max_chars": 30},
    "headlines_long": {"count": 5, "max_chars": 90},
    "descriptions": {"count": 5, "max_chars": 90},
    "callouts": {"count": 4, "max_chars": 25},
    "structured_snippets": {"count": 3, "header": "brands", "values_max": 4},
    "image_brief": "5 Prompts zur Bildgenerierung via DALL-E oder Midjourney: Lifestyle-Produkt, Nahaufnahme-Detail, 6s Video-Loop, quadratisch 1:1, vertikal 9:16"
  },
  "context": {
    "vertical": "Premium Sneakers E-Commerce",
    "price_range": "$200-500",
    "audience": "Urbane Männer 25-45, premium-bewusst"
  },
  "output_format": "Strukturiertes JSON-Objekt nach Asset-Typ"
}

Prompt 4 — Brand-Defense-RSA (Wettbewerber bietet auf Ihren Namen)

{
  "role": "Brand Defense PPC Stratege.",
  "task": "15 RSA-Headlines für Brand-Defense-Kampagne generieren — ein Wettbewerber bietet auf unseren Markennamen.",
  "context": {
    "brand_name": "AcmeCRM",
    "competitor_name": "RivalCRM",
    "differentiators_vs_competitor": ["10 Jahre älter", "Bewertet 4,8/5", "US Support 7 Tage/Woche"]
  },
  "constraints": {
    "headline_max_chars": 30,
    "include_brand_in_5_headlines_minimum": true,
    "tone": "selbstbewusst ohne aggressiv (kein direktes Bashing)",
    "implicit_comparison": true,
    "no_competitor_name_mention": true
  },
  "output_format": "JSON-Array mit headline, theme, brand_present"
}

Prompt 5 — Saisonale RSA-Variante

{
  "role": "Saisonale Kampagnen-Copywriter.",
  "task": "Bestehenden RSA in Black-Friday-Version anpassen.",
  "input_existing_rsa": "[Hier die aktuellen 15 Headlines einfügen]",
  "constraints": {
    "preserve_brand_voice": true,
    "preserve_3_brand_headlines": true,
    "replace_urgency_offer_with": "Black Friday -40% bis 30. Nov.",
    "replace_proof_with": "Bestseller des Jahres 2026",
    "add_urgency_counter": "Nur noch X Tage übrig"
  },
  "output_format": "JSON mit Original + neuer Version Side-by-Side"
}

Prompt 6 — Multi-Sprache RSA Brand-Voice-Konsistenz

{
  "role": "Mehrsprachiger Copywriter EN/FR/ES/DE.",
  "task": "Folgende RSA in 4 Sprachen anpassen, thematische Matrix und Brand Tone bewahrend.",
  "input_rsa_en": "[Hier 15 Headlines EN + 4 Beschreibungen einfügen]",
  "constraints": {
    "no_literal_translation": true,
    "preserve_theme_distribution": true,
    "preserve_proof_points_quantified": true,
    "adapt_local_idioms": true,
    "respect_char_count_per_language": {
      "EN": 30, "FR": 30, "ES": 30, "DE": 30
    },
    "warn_if_translation_doesnt_fit_char_count": true
  },
  "output_format": "JSON-Objekt mit Schlüssel pro Locale"
}

Für diese 6 Prompts ist die beobachtete Zeitersparnis laut öffentlichen Benchmarks, die wir begleiten: anfängliche Produktion 45–60 Min vs. 2–3 Std. rein menschlich, dann 15–20 Min menschliches Editing, um das Message-Market zu kalibrieren. Produktivitäts-ROI bestätigt bei standardisierten Anzeigengruppen (Massenmarkt-E-Com, Volume-Lead-Gen); marginaler Nutzen bei strategischen Anzeigengruppen (Brand Premium, B2B-Nische).

Ein operativer Wachsamkeitspunkt: Eine Brand Voice wird von einem LLM nicht in einem einzigen Prompt gelernt. Um dauerhafte Konsistenz auf einem Volumen von RSAs zu erreichen (typischerweise 50 bis 200 pro Monat auf einem Mid-Market-Konto), müssen Sie entweder eine Bibliothek von 8 bis 12 repräsentativen Few-Shot-Beispielen aufbauen und sie systematisch im examples_few_shot-Block injizieren oder das ChatGPT-Projects-System (oder Claude Projects) nutzen, um einen Brand-Voice-Brief zu speichern, der über alle Prompts geteilt wird. Auf Konten, die in öffentlichen Google-Ads-Benchmarks beobachtet wurden, reduziert der zweite Ansatz die Tone-Varianz zwischen RSAs um 60–70% gegenüber isolierten Prompts. Das impliziert jedoch Governance-Disziplin: Brand-Voice-Brief-Updates müssen wie Code getrackt und versioniert werden.

Negativ-Keyword-Entdeckung: 5 Prompts pro Quelle

Die KI-Negativ-Keyword-Entdeckung ist ein Hochhebel-Use-Case — ein Mid-Market-Konto hat typischerweise 200 bis 800 versteckte Negativ-Keywords in seinem Search-Query-Report zu entdecken. Manuell = 4 bis 8 Std. Mit einem gut konstruierten JSON-Prompt + Clustering 30 bis 45 Min. Für die vollständige Entdeckungs- + Clustering-Mechanik siehe unseren Artikel KI-Negativ-Keyword-Entdeckung + Clustering.

Die Disziplin „Negativ-Keywords" ist einer der Reifeindikatoren eines Google-Ads-Kontos. Pro Vertical liegt die CPA-Lücke zwischen einem Konto mit aktueller geteilter Negativ-Keyword-Liste und einem Konto ohne systematische Negativ-Keywords zwischen 15 und 28% — bei gleichem Budget, gleichem Smart Bidding, gleichen RSAs. Der Grund ist mechanisch: Ohne Negativ-Filter pusht Broad Match Budget in Richtung informationeller oder Off-Topic-Anfragen („wie", „kostenlos", „Definition"), die Klicks verbrauchen, ohne zu konvertieren. Die fünf Prompts unten adressieren die fünf komplementären Signalquellen: Google Ads Search-Query-Report (die Basis), GA4-Bounce-Rate, Meta Ads Suchleiste, Wettbewerber-Trademark-Ausschlüsse und Embeddings-thematisches Clustering. Die Kombination aller fünf gibt eine viel robustere Entdeckungsdisziplin als nur Search Query allein. Für die schnelle Berechnung mit 2026-Benchmarks nach Vertical siehe unseren kostenlosen CPA-Rechner.

Prompt 7 — Negativ-Keywords aus Search-Query-Report (Bulk 500 Zeilen)

{
  "role": "PPC Negativ-Keyword-Analyst.",
  "task": "Den beigefügten Search-Query-Report analysieren und Negativ-Kandidaten identifizieren.",
  "input_csv": "[Search-Query-Report-CSV einfügen: query, impressions, clicks, conversions, cost]",
  "context": {
    "vertical": "B2B SaaS CRM",
    "icp_keywords_positive": ["CRM", "software", "KMU", "B2B"],
    "icp_keywords_negative": ["kostenlos", "open source", "Tutorial", "wie"],
    "intent_filter": "nur transaktional"
  },
  "constraints": {
    "min_impressions_threshold": 50,
    "min_clicks_threshold": 5,
    "max_conv_rate_threshold": 0.005,
    "exclude_brand_terms": ["AcmeCRM", "Acme"],
    "match_type_recommendation": "broad oder phrase je Volumen",
    "no_external_benchmarks": true
  },
  "output_format": "JSON-Array mit query, recommended_negative, match_type, reason, priority"
}

Prompt 8 — Negativ-Keywords aus GA4 Landing-Page-Bounce

{
  "role": "GA4 + Google Ads Korrelationsanalyst.",
  "task": "Google-Ads-Anfragen mit GA4-Bounce-Rate pro Landingpage querverweisen, um Mismatches zu erkennen.",
  "input_ga4_csv": "[Page Path, Sessions, Bounce Rate, Avg Session Duration]",
  "input_gads_csv": "[Search Query, Landing Page, Impressions, Clicks, Conversions]",
  "constraints": {
    "bounce_rate_threshold": 0.75,
    "min_sessions_for_signal": 30,
    "correlation_window_days": 30
  },
  "task_detail": "Google-Ads-Anfragen identifizieren, die zu Landingpages mit Bounce über 75% führen — Negativ-Kandidaten.",
  "output_format": "JSON-Array mit query, landing_page, bounce_rate, sessions, recommended_action"
}

Prompt 9 — Meta Ads Suchleisten-Interessenanalyse Negativ-Keywords

{
  "role": "Kanalübergreifender Negativ-Keyword-Stratege.",
  "task": "Meta Ads Suchleisten-Anfragen analysieren, um für Google Ads nicht relevante Intents zu identifizieren.",
  "input_meta_search_terms": "[Meta Ads Search Bar Terms Export einfügen]",
  "context": {
    "google_ads_vertical": "Immobilienmakler Lead Gen",
    "google_ads_icp": "Erstkäufer Eigenheim 28-45 Jahre"
  },
  "constraints": {
    "intent_categories_to_extract": ["info_only", "wrong_persona", "wrong_geography", "wrong_product"],
    "exclude_already_in_negative_list": "[Aktuelle Liste einfügen]"
  },
  "output_format": "JSON-Objekt gruppiert nach intent_category"
}

Prompt 10 — Wettbewerber-Trademark-Ausschluss Negativ-Keywords

{
  "role": "Trademark Negativ-Keyword Legal-aware.",
  "task": "Erschöpfende Liste von Negativ-Keywords generieren, um meine Kampagnen von Wettbewerber-Brand-Suchen auszuschließen.",
  "context": {
    "competitors_to_exclude": ["HubSpot", "Pipedrive", "Salesforce", "Zoho", "monday.com"],
    "include_misspellings": true,
    "include_branded_keyword_combos": true
  },
  "constraints": {
    "match_types": ["exact", "phrase"],
    "exclude_generic_terms": ["CRM", "software"],
    "include_typo_variants": true
  },
  "output_format": "JSON-Array mit negative_keyword, match_type, reason"
}

Prompt 11 — Embeddings-thematisches Clustering Negativ-Keywords

{
  "role": "Embeddings + Clustering Negativ-Keyword-Spezialist.",
  "task": "Liste von 500 nicht konvertierten Suchanfragen nach semantischen Clustern gruppieren, um Negativ-Keywords zu bündeln.",
  "input_queries": "[Liste von 500 Suchanfragen CSV einfügen]",
  "constraints": {
    "embedding_model": "text-embedding-3-small (vorgeschlagen)",
    "clustering_algorithm": "DBSCAN oder KMeans k=15",
    "min_cluster_size": 5,
    "output_one_negative_per_cluster": true
  },
  "task_detail": "Für jeden Cluster EIN Phrase-Match-Negativ vorschlagen, das 80%+ des Clusters abdeckt.",
  "output_format": "JSON-Array mit cluster_id, sample_queries, recommended_negative_phrase, coverage_estimate"
}

Auf Konten, die wir verfolgen, erlauben diese 5 Prompts typischerweise die Entdeckung von 150 bis 400 Negativ-Kandidaten pro quartalsweisem Audit, von denen 60–75% nach menschlicher Prüfung beibehalten werden. Riesige Zeitersparnis im Volumen gegenüber manueller Prüfung.

Die Anwendungsgranularität bleibt eine menschliche Entscheidung. Ein KI-erkannter Negativ-Keyword kann auf vier verschiedenen Ebenen angewandt werden: Konto (über geteilte Liste), Kampagne, Anzeigengruppe oder Kampagnengruppe über eine scope-beschränkte geteilte Liste. Ein breites Negativ („kostenlos", „Tutorial") geht systematisch auf Konto-Ebene; ein vertical-spezifisches Negativ („Scheidungsanwalt" in einem Multi-Practice-Konto) geht auf Kampagnen-Ebene; ein Fine-Intent-Negativ geht auf Anzeigengruppen-Ebene. Auf der offiziellen Google-Ads-Seite zu geteilten Listen dokumentiert, vermeidet diese Hierarchie Konflikte, bei denen ein B2C-relevantes Negativ fälschlicherweise auf eine B2B-Kampagne angewendet wird, in der es Volumen verliert.

Narratives Audit: 4 Prompts pro Dimension

Das narrative KI-Audit unterscheidet sich vom quantifizierten Audit (das wir per Skript oder API generieren). Die Erzählung produziert die Prosa, die Zahlen für einen Geschäfts-Stakeholder kontextualisiert. Hier glänzt Claude Opus 4.7 besonders — seine Long-Distance-Kohärenz schlägt GPT-5 und Gemini auf 2–5-seitigen Prosa-Berichten.

Ein narratives Audit unterscheidet sich vom quantifizierten Audit durch seine Funktion: erklärenden Text produzieren, den der Empfänger lesen und arbitrieren kann, nicht eine Reihe von KPIs. Die vier unten auditierten Dimensionen (Struktur, Creative, Tracking, Budget) decken in der Mehrheit der Fälle gemeinsam mehr als 80% der operativen Probleme eines Mid-Market-Google-Ads-Kontos ab. Um diese Audits zu rahmen, müssen zwei Prinzipien strikt respektiert werden: Konto-Daten direkt in den Prompt injizieren (CSV- oder JSON-Export, keine Prosa-Beschreibung) und externe Benchmarks verbieten (no_external_benchmarks: true). Ohne diese beiden Regeln produziert das LLM ein fälschlicherweise überzeugendes Audit, das echte Beobachtungen zu Ihren Daten und Halluzinationen zu nicht existierenden Benchmarks vermischt. Die Grenze zwischen nützlichem und gefährlichem Audit hält sich an dieses Detail.

Prompt 12 — Account-Struktur-Audit

{
  "role": "Senior Google Ads Auditor mit 10 Jahren Erfahrung.",
  "task": "Beigefügte Konto-Struktur analysieren und 800-Wörter-Narrativbericht produzieren.",
  "input_account_structure_csv": "[Campaigns + Ad_Groups + Keywords Counts Export einfügen]",
  "dimensions_to_audit": [
    "naming_convention_consistency",
    "campaign_budget_allocation",
    "ad_group_size_balance",
    "match_types_distribution",
    "shared_negative_lists_usage"
  ],
  "constraints": {
    "tone": "faktisch, keine Gefälligkeit, kein Alarmismus",
    "include_priority_actions": "top 3 Quick Wins + top 2 strategisch",
    "no_external_benchmarks": true,
    "use_only_provided_data": true
  },
  "output_format": "Strukturiertes Markdown: Executive Summary, Findings pro Dimension, Priority Actions, Risks"
}

Prompt 13 — Creative-Audit (RSA, Ad Strength, Pinning)

{
  "role": "Creative Google Ads Auditor.",
  "task": "Creative-Qualität des beigefügten Kontos auditieren, Fokus RSA und Asset Reports.",
  "input_rsa_export": "[RSA-Export aller Kampagnen einfügen: ad_group, headlines, descriptions, ad_strength, pinning]",
  "input_asset_report": "[Asset Report einfügen: asset, performance_label]",
  "checks": [
    "headlines_count_per_rsa (Ziel 15)",
    "thematic_diversity (7 erwartete Themen)",
    "pinning_excessive (Warnung, falls >1 Pin pro RSA)",
    "ad_strength_poor_count",
    "low_performing_assets_count"
  ],
  "output_format": "CSV-Tabelle (ad_group, issue, severity, recommended_fix) + Synthese-Absatz"
}

Prompt 14 — Conversion-Tracking-Audit

{
  "role": "Conversion-Tracking-Auditor.",
  "task": "Tracking-Anomalien auf dem Konto erkennen.",
  "input_conversions_export": "[Tools > Conversions Export einfügen]",
  "input_gtm_setup": "[GTM Tags Summary einfügen]",
  "checks": [
    "duplicates_conversion_actions",
    "missing_enhanced_conversions",
    "inconsistent_attribution_models",
    "stale_conversion_actions_no_data",
    "consent_mode_status"
  ],
  "constraints": {
    "include_remediation_steps": true,
    "include_estimated_signal_loss_percent": true
  },
  "output_format": "Markdown-Bericht mit Sektionen pro Check"
}

Prompt 15 — Budget-Pacing-Audit

{
  "role": "Budget-Pacing-Analyst.",
  "task": "Über-/Unterausgaben pro Kampagne über die letzten 30 Tage erkennen.",
  "input_daily_spend_csv": "[Tagesausgaben pro Kampagne 30 Tage Export einfügen]",
  "input_target_budgets": "[Tägliches Budget-Ziel pro Kampagne]",
  "checks": [
    "deviation_from_target_per_day",
    "weekday_vs_weekend_pattern",
    "early_month_overspend",
    "ramping_campaigns_unstable"
  ],
  "constraints": {
    "tolerance_threshold_percent": 8,
    "flag_if_consecutive_overspend_days": 3
  },
  "output_format": "Markdown mit Drift-Tabelle + erklärendem Absatz"
}

Für das vollständige Pillar-Audit siehe unsere Google-Ads-Audit-Checkliste. Die obigen Prompts verketten sich in einem semi-automatisierten Audit-Workflow, mit menschlicher Validierung zwischen jedem Schritt.

Executive Reporting: 5 Prompts pro Stakeholder

Reporting ist der andere Use Case, bei dem KI massiv Zeit spart — ein Account Manager verbringt durchschnittlich 6 bis 12 Std./Monat mit Kunden-Reports. Mit Per-Stakeholder-Persona-Prompts sinkt das auf 1–2 Std. Siehe unseren 10-KPI-Kunden-Reporting-Leitfaden für die einzubeziehenden Indikatoren.

Die goldene Regel des Executive Reportings ist, dass ein Bericht keine Zahlen zusammenfasst: Er fasst den mentalen Frame des Empfängers zusammen. Ein CEO will eine 1-seitige Business-View (max. 300 Wörter, kein Jargon, mit einer Headline-Zahl und einem Plan). Ein CFO will Payback Period und LTV:CAC-Verhältnis, im Finanzvokabular, nicht im Marketing. Ein Sales-Team will Lead-Qualität ausgedrückt in MQL→SQL→Deal, nicht in CTR. Ein Marketingdirektor will Wochen-Anomalien, vorgeschlagene Tests und Kontextualratios. Auf Konten, die in öffentlichen Google-Ads-Benchmarks beobachtet wurden, misst sich die Lücke zwischen generischem Reporting (derselbe Bericht für alle Stakeholder) und Per-Persona-personalisiertem Reporting in der Aufmerksamkeitsdauer des Empfängers — die durchschnittlich von 90 Sekunden auf 4–6 Minuten pro Bericht steigt. Der echte ROI liegt nicht in den vom Account Manager gesparten Stunden, sondern in feineren Entscheidungen, die von den Empfängern getroffen werden.

Prompt 16 — CEO Executive Summary Reporting

{
  "role": "CEO-Grade Executive Reporter.",
  "task": "1-Seite Exec Summary Synthese aus den beigefügten monatlichen Daten.",
  "input_monthly_data": "[Dashboard-Daten einfügen: Spend, Conversions, CPA, ROAS, vs. Ziel]",
  "audience": "Nicht-technischer CEO, 2-Minuten-Aufmerksamkeit",
  "constraints": {
    "max_length_words": 300,
    "no_jargon": true,
    "structure": ["headline_metric_vs_target", "what_drove_change", "next_month_plan"],
    "tone": "faktisch ohne Schönfärberei",
    "include_risks": true
  },
  "output_format": "1-Seite Markdown mit 3 Sektionen"
}

Prompt 17 — Marketing-Team Wochen-Reporting

{
  "role": "Performance Marketing Weekly Briefer.",
  "task": "Wöchentlicher operativer Brief für das Marketing-Team.",
  "input_weekly_data": "[CSV letzte 7 Tage vs. vorherige 7 Tage]",
  "audience": "Mid-Level Marketing-Team, technik-freundlich",
  "constraints": {
    "max_length_words": 500,
    "include_anomalies_first": true,
    "include_test_recommendations": "1-2 pro Woche",
    "use_jargon_authorized": ["CTR", "CPA", "ROAS", "LTV", "Smart Bidding"]
  },
  "output_format": "Markdown: Highlights / Lowlights / Anomalien / Vorgeschlagene Tests"
}

Prompt 18 — Sales-Team Lead-Qualität-Reporting

{
  "role": "MQL/SQL Pipeline Analyst.",
  "task": "Brief für das Sales-Team zur Google-Ads-Lead-Qualität.",
  "input_crm_export": "[CRM-Export mit Source = Google Ads einfügen]",
  "audience": "Sales-Team, Fokus Qualität nicht Quantität",
  "metrics_to_include": [
    "MQL_count",
    "SQL_conversion_rate_from_MQL",
    "deal_velocity_days",
    "closed_won_count",
    "average_deal_value"
  ],
  "constraints": {
    "include_lead_scoring_distribution": true,
    "flag_underperforming_campaigns_lead_quality": true
  },
  "output_format": "Sales-freundlicher Markdown-Bericht"
}

Prompt 19 — CFO LTV:CAC-Reporting

{
  "role": "CFO-Grade Financial Reporter PPC.",
  "task": "Finanzieller Bericht Fokus Payback Period und LTV:CAC.",
  "input_data": "[CAC pro monatliche Kohorte 12 letzte Monate + LTV Kohorte 12 Monate]",
  "audience": "CFO, Fokus Cashflow und Margen",
  "constraints": {
    "include_payback_period_calculation": true,
    "include_ltv_cac_ratio_per_cohort": true,
    "include_blended_vs_paid_only_cac": true,
    "no_marketing_jargon": true,
    "use_finance_vocabulary": true
  },
  "output_format": "Strukturiertes Markdown mit Finanz-Sektionen"
}

Prompt 20 — Agentur-Kunden monatliches QBR-Reporting

{
  "role": "Agentur QBR Reporter.",
  "task": "Quarterly Business Review Bericht für Agentur-Kunden.",
  "input_quarter_data": "[Quarter-Daten + Q-1 Vergleich + Y-1 Vergleich einfügen]",
  "audience": "Kunden-Entscheider + Ops-Team",
  "constraints": {
    "include_strategic_recommendations_top_3": true,
    "include_competitive_benchmark_directional_only": true,
    "include_next_quarter_roadmap": true,
    "tone": "Partner, nicht Vendor",
    "max_length_words": 1500
  },
  "output_format": "Long Form QBR-Style Markdown"
}

Taktische Optimierung: 5 Prompts pro Entscheidung

Die taktische KI-Optimierung ist der heikelste Use Case — hier kann KI hochwirksame Empfehlungen geben, aber auch gefährliche Empfehlungen, wenn schlecht gerahmt. Vor Ausführung immer menschlich validieren. Für allgemeine Optimierungsmechaniken siehe unseren vollständigen Performance Max 2026 Leitfaden.

Die kritische Unterscheidung zwischen Analyse-Prompts und Entscheidungs-Prompts muss in Ihrem Workflow explizit sein. Analyse-Prompts (RSA, Negativ-Keywords, Audit, Reporting-Sektionen oben) produzieren Inhalte, die Sie vor Veröffentlichung oder Verteilung validieren. Die Kosten eines schlechten Analyse-Prompts sind Editier-Verzögerung. Entscheidungs-Prompts (die fünf unten) produzieren Empfehlungen, die ausgeführt die Konto-Performance dauerhaft modifizieren: Ein verfrühter Wechsel von Target CPA → Target ROAS kann drei Wochen Relearning kosten; eine schlecht kalibrierte Anzeigengruppen-Konsolidierung kann relevante Audiences brechen; eine Kampagnen-Pause basierend auf 30 Tagen Rauschen kann eine gesunde Lerntrajektorie kappen. Für diese fünf Prompts ist die absolute Regel, das Modell explizit nach einem Confidence Score und einem Rollback Plan zu fragen. Unter 0,75 Confidence nicht deployen. Ohne dokumentiertes Rollback ebenfalls nicht deployen.

Prompt 21 — Smart-Bidding-Rebid-Entscheidung (Target CPA → Target ROAS)

{
  "role": "Smart Bidding Strategie-Berater.",
  "task": "Den Wechsel Target CPA → Target ROAS für die beigefügte Kampagne beraten.",
  "input_campaign_data": "[90-Tage-Daten einfügen: Conversions, Value, CPA, ROAS, Lernphasen-Status]",
  "decision_criteria": [
    "min_50_value_based_conv_per_week",
    "value_signal_reliability",
    "learning_phase_stable_30_days",
    "target_ROAS_realistic_vs_history"
  ],
  "constraints": {
    "give_go_no_go_recommendation": true,
    "include_target_ROAS_initial_value": true,
    "include_rollback_plan": true,
    "include_monitoring_metrics_first_14_days": true
  },
  "output_format": "JSON: recommendation, target_ROAS_initial, rollback_trigger, kpi_to_monitor"
}

Prompt 22 — Restrukturierungs-Entscheidung (Anzeigengruppen-Konsolidierung)

{
  "role": "Account Restructure Stratege.",
  "task": "Anzeigengruppen identifizieren, die zur Erreichung der Smart-Bidding-Signal-Schwelle konsolidiert werden sollen.",
  "input_ad_groups_data": "[Anzeigengruppen-Export einfügen: Conv 30 Tage, Spend, thematische Struktur]",
  "criteria": {
    "min_conv_per_ad_group_week": 5,
    "thematic_proximity_threshold": 0.75,
    "preserve_separate_match_types": true,
    "preserve_separate_audiences": true
  },
  "constraints": {
    "max_ad_groups_per_consolidation": 4,
    "preserve_naming_convention": true,
    "include_keyword_remap_plan": true
  },
  "output_format": "JSON-Array mit consolidation_group, source_ad_groups, target_ad_group_name, keywords_to_migrate"
}

Prompt 23 — Neue-Negativ-Launch-Entscheidung

{
  "role": "Negative Keyword Scope Berater.",
  "task": "Für jeden beigefügten Negativ-Kandidaten die Anwendungsgranularität beraten.",
  "input_negatives_candidates": "[Liste der Negativ-Kandidaten mit Query-Historie einfügen]",
  "decision_levels": ["account_level", "campaign_level", "ad_group_level", "shared_negative_list"],
  "criteria": {
    "applies_to_all_campaigns": "account_level",
    "applies_to_specific_vertical": "campaign_level",
    "applies_to_specific_match_type_intent": "ad_group_level",
    "reusable_pattern": "shared_negative_list"
  },
  "output_format": "JSON-Array mit negative, recommended_level, justification"
}

Prompt 24 — Kampagnen-Pause-Entscheidung

{
  "role": "Campaign Pause/Keep Decision Berater.",
  "task": "Analysieren, ob die Kampagne pausiert oder überarbeitet werden sollte.",
  "input_campaign_60d": "[60-Tage-Kampagnendaten + Konto-Benchmarks einfügen]",
  "decision_criteria": [
    "CPA_vs_target_3x_above",
    "conversion_rate_below_account_avg_50pct",
    "trajectory_30d_improving_or_degrading",
    "strategic_value_brand_or_test"
  ],
  "constraints": {
    "include_alternatives_to_pause": ["restructure", "rebid", "creative_refresh", "audience_pivot"],
    "include_estimated_recovery_time_per_alternative": true
  },
  "output_format": "JSON: recommendation, alternatives_ranked, rationale"
}

Prompt 25 — Kanalübergreifende Budget-Allokations-Entscheidung

{
  "role": "Cross-Channel Budget Allocator.",
  "task": "Budget-Shift Google Ads vs. Meta Ads vs. Microsoft Ads pro marginalem ROI empfehlen.",
  "input_channels_data": "[Spend, Conv, CAC, marginalen CAC der letzten 30 Tage pro Kanal einfügen]",
  "context": {
    "total_budget_usd_monthly": 27500,
    "current_split": {"google": 0.65, "meta": 0.25, "microsoft": 0.10},
    "constraints_business": ["Google Brand minimum $2.2k/Monat", "Microsoft B2B Priorität"]
  },
  "constraints": {
    "max_shift_percent_per_iteration": 0.15,
    "include_marginal_CAC_logic": true,
    "no_external_benchmarks": true
  },
  "output_format": "JSON: recommended_split, shift_per_channel_usd, rationale_per_shift"
}

Best Practices: Guardrails, Validierung, A/B

Best Practices für die JSON-Prompt-Nutzung sind nicht optional — ohne sie produziert KI fälschlicherweise überzeugende Outputs, die echten Schaden im Konto verursachen. Drei Säulen: Guardrails, systematische menschliche Validierung, A/B vs. naive Version, um den realen Gewinn zu messen.

Ein Guardrail ist eine explizite Constraint, die Sie dem Modell auferlegen, um seinen Output-Raum zu begrenzen: externe Benchmarks verbieten, Confidence Score erfordern, Output verweigern, wenn die bereitgestellten Daten unzureichend sind. Auf Konten, die in öffentlichen Google-Ads-Benchmarks beobachtet wurden, veröffentlichen Agenturen, die diese Guardrails nicht auferlegen, durchschnittlich 12 bis 18% KI-Inhalte mit mindestens einer faktischen Halluzination (erfundene Zahl, nicht existierendes Feature, fiktive Quelle). Mit den fünf unten systematisch aktivierten Guardrails sinkt die Halluzinationsrate auf 2–4% — und die verbleibenden werden fast immer in der Schema-Validierung erkannt, weil das Modell seine Hypothesen explizit markiert. Die Guardrail-Disziplin ist kumulativ: Jeder hinzugefügte Guardrail eliminiert eine Fehlerklasse ohne zusätzliche Kosten, und die anfängliche Investition (5–10 Min, um die Constraints zu schreiben) amortisiert sich ab der zweiten Nutzung des Prompts.

Die 5 essenziellen Guardrails, die in jedem Prompt enthalten sein sollten:

• no_external_benchmarks — verhindert, dass das Modell sektorale Statistiken erfindet. Erzwingt die Verwendung nur bereitgestellter Daten.
• use_only_provided_data — strikte Variante des vorherigen. Jede nicht bereitgestellte Daten = unbekannt, nicht erfunden.
• flag_assumptions_explicitly — das Modell muss die Annahmen, die es trifft, explizit auflisten. Erlaubt Validierung.
• include_confidence_score — bei Entscheidungen vom Modell einen 0-1 Confidence Score verlangen. Unter 0,7 filtern.
• request_clarification_if_data_insufficient — anstatt zu erfinden, Klärungen anfordern.

Systematische menschliche Validierungs-Pipeline:

1. KI-Output — das rohe JSON sammeln.
2. Schema-Validierung — verifizieren, dass das JSON parst, character_count-Constraints halten, Ausschlüsse respektiert werden.
3. Semantischer Spot Check — menschliche Prüfung von 10–20% des Outputs auf Message-Market-Kohärenz.
4. Pilot-Test — auf 1 Anzeigengruppe oder 1 Kampagne 7 Tage vor Industrialisierung deployen.
5. A/B-Messung vs. Baseline — mit nicht-KI-äquivalenten Outputs vergleichen.

A/B-Test naiver vs. strukturierter Prompt — klare Methodik:

# Pseudo-Code Workflow A/B-Prompt-Vergleich
import openai

def run_ab_prompts(naive_prompt, structured_prompt, n_runs=20):
    naive_outputs = [openai.chat.completions.create(
        model="gpt-5", messages=[{"role": "user", "content": naive_prompt}]
    ) for _ in range(n_runs)]

    structured_outputs = [openai.chat.completions.create(
        model="gpt-5", messages=[{"role": "user", "content": structured_prompt}]
    ) for _ in range(n_runs)]

    metrics = {
        "char_count_compliance": compare_char_compliance(naive_outputs, structured_outputs),
        "theme_diversity": compare_diversity(naive_outputs, structured_outputs),
        "human_edit_time_avg": measure_edit_time(naive_outputs, structured_outputs),
        "hallucination_rate": detect_hallucinations(naive_outputs, structured_outputs),
    }
    return metrics

Auf 200 Prompt-Paaren (RSA, Negativ-Keywords, Audit) durchgeführte Qualitätstests:

Um das Prompt-Deployment in der Produktions-Pipeline zu automatisieren, siehe unsere komplementären Artikel KI RSA + Anzeigenrotation, KI-Negativ-Keyword-Entdeckung + Clustering und KI-Bilder für Google Ads. Für die Infrastruktur-Automatisierung (n8n, Zapier, MCP) siehe n8n Google Ads und Google Ads API Python.

Für Werbetreibende, die diese KI-Disziplin deployen möchten, ohne die Prompt-Infrastruktur selbst aufzubauen, integriert unser SteerAds-Audit die obigen 30 Prompts in seine Pipeline und liefert in 72 Stunden einen Ready-to-Action-Bericht, mit systematischer menschlicher Validierung und A/B-Pilot-Test auf 1 Anzeigengruppe vor Industrialisierung. Die 30 JSON-Prompts sind kein fertiges Produkt — sie sind Vorlagen, die an Ihren Vertical-Kontext, Ihre Brand Voice und Ihre Tracking-Reife anzupassen sind. Die wichtige Disziplin ist nicht der Prompt selbst, sondern der Workflow drumherum: Guardrails, Validierung, A/B-Messung, monatliche Iteration. Ohne diese Disziplin bleibt ChatGPT effektiv Magie — die einmal von zwei Mal funktioniert und bei Versagen teuer kostet — siehe auch Microsoft Advertising Research für weitere Details.

Quellen

Offizielle Quellen für diesen Leitfaden:

• anthropic.com
• platform.openai.com
• modelcontextprotocol.io
• schema.org

FAQ