50 promptów ChatGPT dla Google Ads: szablony JSON

Na ślepych testach porównawczych prowadzonych w sposób ciągły na kontach obserwowanych w publicznych benchmarkach w 2026 — zagregowane dane Google Ads — zastosowanych do głównych LLM (GPT-5, Claude Opus 4.7, Gemini 2.5 Pro), naiwny prompt prozą w stylu "napisz mi 15 nagłówków RSA dla CRM B2B" produkuje 40–55% outputu bezpośrednio użytkowanego — resztę do poprawy lub wyrzucenia za redundancję, bycie poza tematem, przekroczenie znaków lub halucynacje na nieistniejących funkcjach. Według testowanych pionów, luka wynosi między 28% (piony techniczne B2B, gdzie AI halucynuje najczęściej) a 67% (masowe piony B2C, gdzie język jest bardziej standaryzowany). Ten sam przypadek w strukturalnym prompcie JSON z ograniczeniami character_max, theme_distribution, excluded_terms, format_output rośnie do 75–88% użytkowanych wyników. Zysk nie pochodzi z jakości modelu — lecz z precyzji ograniczeń. LLM 2026 znacznie lepiej przestrzega ograniczeń JSON niż ograniczeń prozą. ChatGPT nie jest magiczny w Google Ads; ustrukturalizowany staje się produktywny.

Ten artykuł dostarcza 30 promptów JSON pogrupowanych według przypadku użycia: 6 generowanie RSA, 5 odkrywanie wykluczeń, 4 narracyjny audyt, 5 raportowanie executive, 5 optymalizacja taktyczna, plus 5 bonusowych w aneksie. Wszystkie przetestowane na rzeczywistych kontach i skalibrowane na 3 głównych LLM 2026. Dla pisania RSA, sprawdź naszą metodę pisania RSA. Dla kompletnego audytu konta, naszą checklistę audytu Google Ads. I dla raportowania klientów, nasz przewodnik raportowania 10 KPI. Nasz darmowy kalkulator CTR porównuje Twój wskaźnik kliknięć z medianami Francji 2026 według pionu.

Dlaczego strukturalne prompty JSON (vs proza)

Strukturalny prompt JSON to prompt sformatowany w JSON z explicytnymi kluczami dla roli modelu, kontekstu biznesowego, ograniczeń (character count, exclusions, format output), przykładów few-shot i instrukcji walidacji. W porównaniu z promptem prozą w języku naturalnym, zmusza model do przestrzegania weryfikowalnych reguł — co jest znacznie bardziej niezawodne w LLM 2026, zoptymalizowanych do przestrzegania sformalizowanych struktur przez fine-tuning RLHF.

Różnice obserwowane w blind testach na 200 sparowanych promptach (RSA, wykluczenia, audyt):

6 krytycznych komponentów promptu JSON Google Ads:

• role — kim jest model ("Jesteś starszym specjalistą Google Ads"). Określa ton i głębię.
• context — dane biznesowe konta (pion, ICP, budżet, cele). Krótkie ale precyzyjne, bez mglistej prozy.
• task — konkretna misja z czasownikiem działania.
• constraints — twarde zasady (character count, format, exclusions). Tu dzieje się magia.
• examples (opcjonalne) — 2–4 few-shot przykłady oczekiwanego stylu. Zwiększa jakość o 15–25%.
• output_format — JSON, markdown, CSV. Narzucanie formatu ułatwia automatyczne parsowanie.

Oficjalne odniesienie dla pogłębienia: dokumentacja prompt engineering OpenAI na platform.openai.com, przewodnik Anthropic na docs.anthropic.com i dokumentacja Google AI Studio na ai.google.dev. Wszystkie trzy są zgodne co do wartości strukturalnych promptów — JSON lub XML — vs swobodna proza.

Luka w użytkowanym output (40–55% vs 75–88%) nie pochodzi z różnicy modelu ani surowej zdolności LLM. To ten sam GPT-5, ten sam Claude Opus 4.7, ten sam Gemini 2.5 Pro produkujące oba wyniki. Zmienną wyjaśniającą jest formalna struktura ograniczeń. LLM 2026 był fine-tunowany przez RLHF na milionach przykładów formalnych struktur (JSON, XML, function calling, tool use). Gdy dajesz mu listę ograniczeń w swobodnej prozie, interpretuje je ze znaczną wariancją. Gdy dajesz te same ograniczenia w JSON, traktuje je jak schemat do walidacji — i wskaźnik przestrzegania rośnie mechanicznie. To właściwość emergentna treningu post-2024, nie magia promptu.

Generowanie RSA: 6 promptów według formatu

Generowanie RSA to przypadek użycia nr 1, gdzie AI oszczędza mierzalny czas. Klucz: nie prosić "napisz 15 nagłówków", lecz narzucić ścisłą matrycę tematyczną (patrz metoda RSA) z character count, rozkładem tematycznym i wykluczeniami terminów.

Format Responsive Search Ad łączy do 15 nagłówków i 4 opisów, które Google dynamicznie permutuje przy wyświetlaniu. Maszyna uczenia Google Ads optymalizuje kombinacje nagłówek/opis według użytkownika, zapytania i kontekstu licytowania — ale może to robić prawidłowo tylko wtedy, gdy otrzymuje wystarczającą różnorodność tematyczną. Na zagregowanych danych Google Ads 2025–2026, RSA z mniej niż 10 nagłówkami lub ubogą różnorodnością tematyczną (3 tematy lub mniej z oczekiwanych 7) ograniczają Ad Strength do "Average" i CTR poniżej mediany pionu. Sześć poniższych promptów ma na celu automatyzację produkcji przy zachowaniu różnorodności tematycznej — klucza do Quality Score w Search.

Prompt 1 — RSA Search standard 15 nagłówków + 4 opisy

{
  "role": "Tu es un copywriter Google Ads senior, francophone, expert RSA.",
  "context": {
    "vertical": "SaaS B2B CRM",
    "icp": "PME 20-200 salariés, secteur services",
    "differentiateurs": ["RGPD compliant", "Sans engagement", "Made in France"],
    "competitors": ["HubSpot", "Pipedrive", "Salesforce Essentials"],
    "ton": "professionnel direct, factuel, evidence-based"
  },
  "task": "Genere 15 headlines RSA et 4 descriptions pour ad group 'CRM B2B PME'.",
  "constraints": {
    "headline_max_chars": 30,
    "description_max_chars": 90,
    "theme_distribution": {
      "keyword_principal": 3,
      "benefices_chiffres": 3,
      "proof_points": 2,
      "cta_direct": 2,
      "offre_urgence": 2,
      "differenciation": 2,
      "brand_seul": 1
    },
    "no_repetition_keyword_exact": true,
    "no_external_benchmarks": true,
    "include_keyword_in_3_headlines": "CRM B2B"
  },
  "examples_few_shot": [
    {"headline": "CRM B2B PME · Démo 15 min", "theme": "keyword_cta"},
    {"headline": "Gagnez 8h/semaine en 2026", "theme": "benefice_chiffre"}
  ],
  "output_format": "JSON array avec keys: headline, theme, char_count"
}

Prompt 2 — RSA Display assets uproszczone

{
  "role": "Copywriter Display Google Ads.",
  "task": "Genere 8 headlines (30 char max) et 4 descriptions (90 char max) pour campagne Display retargeting cart abandonners.",
  "context": {
    "vertical": "E-commerce mode femme",
    "audience": "Cart abandonners 7 derniers jours",
    "incentive": "-15% code WELCOME15",
    "deadline": "48h"
  },
  "constraints": {
    "tone": "urgence sans pression abusive",
    "headline_themes": ["incentive", "deadline", "produit_oublie", "social_proof"],
    "no_caps_lock": true,
    "no_emojis": true
  },
  "output_format": "JSON object avec arrays headlines et descriptions"
}

Prompt 3 — RSA PMax asset group kompletny

{
  "role": "PMax asset group designer.",
  "task": "Genere asset group complet pour PMax campagne 'Sneakers Premium Hommes'.",
  "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 pour générer images via DALL-E ou Midjourney : produit lifestyle, gros plan détail, vidéo 6s loop, square 1:1, 9:16 vertical"
  },
  "context": {
    "vertical": "E-commerce sneakers premium",
    "price_range": "180-450€",
    "audience": "Hommes 25-45 urbains, premium-conscious"
  },
  "output_format": "JSON object structuré par asset type"
}

Prompt 4 — RSA brand defense (konkurent licytujący na Twoją nazwę)

{
  "role": "Brand defense PPC strategist.",
  "task": "Genere 15 headlines RSA pour campagne Brand Defense — un concurrent bidde sur notre nom de marque.",
  "context": {
    "brand_name": "AcmeCRM",
    "competitor_name": "RivalCRM",
    "differentiateurs_vs_competitor": ["10 ans plus ancien", "Note 4.8/5", "Support FR 7j/7"]
  },
  "constraints": {
    "headline_max_chars": 30,
    "include_brand_in_5_headlines_minimum": true,
    "tone": "confiant sans agressif (pas de bashing direct)",
    "implicit_comparison": true,
    "no_competitor_name_mention": true
  },
  "output_format": "JSON array avec headline, theme, brand_present"
}

Prompt 5 — RSA sezonowe wariacje

{
  "role": "Seasonal campaign copywriter.",
  "task": "Decline RSA existante en version Black Friday.",
  "input_existing_rsa": "[Wklej tutaj obecne 15 nagłówków]",
  "constraints": {
    "preserve_brand_voice": true,
    "preserve_3_brand_headlines": true,
    "remplacer_offre_urgence_par": "Black Friday -40% jusqu'au 30 nov",
    "remplacer_proof_par": "Best-sellers de l'année 2026",
    "ajouter_compteur_urgence": "Plus que X jours"
  },
  "output_format": "JSON avec original + nouvelle version side-by-side"
}

Prompt 6 — RSA multi-język spójność brand voice

{
  "role": "Multilingual copywriter EN/FR/ES/DE.",
  "task": "Adapte la RSA suivante en 4 langues en preservant la matrice thématique et le ton brand.",
  "input_rsa_fr": "[Wklej tutaj 15 nagłówków FR + 4 opisy]",
  "constraints": {
    "no_literal_translation": true,
    "preserve_theme_distribution": true,
    "preserve_proof_points_chiffres": true,
    "adapt_idiomes_local": true,
    "respect_char_count_per_language": {
      "FR": 30, "EN": 30, "ES": 30, "DE": 30
    },
    "warn_if_translation_doesnt_fit_char_count": true
  },
  "output_format": "JSON object avec key par locale"
}

Dla tych 6 promptów, zaoszczędzony czas obserwowany według publicznych benchmarków, którym towarzyszymy: wstępna produkcja 45–60 min vs 2–3h czysto ludzkie, następnie 15–20 min ludzkiej edycji dla kalibracji message-market. ROI produktywności potwierdzony na standaryzowanych grupach reklam (e-commerce masowy, lead gen wolumen); marginalny zysk na strategicznych grupach reklam (premium brand, B2B niche).

Uwaga operacyjna: brand voice nie jest czymś, czego LLM uczy się w jednym prompcie. Dla osiągnięcia trwałej spójności na wolumenie RSA (typowo 50–200 miesięcznie na koncie mid-market), trzeba albo zbudować bibliotekę 8–12 reprezentatywnych przykładów few-shot i systematycznie wstrzykiwać je do bloku examples_few_shot, albo używać systemu Projects w ChatGPT (lub Claude Projects) do przechowywania wspólnego briefu brand voice między wszystkimi promptami. Na kontach obserwowanych w publicznych benchmarkach Google Ads, drugie podejście redukuje wariancję tonu między RSA o 60–70% w porównaniu do izolowanych promptów. Wymaga jednak dyscypliny zarządzania: aktualizacja briefu brand voice musi być śledzona i wersjonowana jak kod.

Odkrywanie wykluczeń: 5 promptów według źródła

Odkrywanie wykluczeń przez AI to przypadek użycia o wysokiej dźwigni — konto mid-market ma typowo 200–800 słów kluczowych wykluczeń do odkrycia, ukrytych w raporcie search query. Ręcznie = 4–8 godzin. Z dobrze zbudowanym promptem JSON + clustering, 30–45 minut. Dla kompletnej mechaniki discovery + clustering, sprawdź nasz artykuł wykluczenia AI discovery + clustering.

Dyscyplina "wykluczeń" to jeden ze wskaźników dojrzałości konta Google Ads. Według pionów, luka w CPA między kontem z aktualną shared listą wykluczeń a kontem bez systematycznych wykluczeń wynosi 15–28% — przy tym samym budżecie, tym samym Smart Bidding, tych samych RSA. Przyczyna jest mechaniczna: bez filtra wykluczeń, broad match pcha budżet w kierunku zapytań informacyjnych lub poza tematem ("jak zrobić", "bezpłatny", "definicja"), które konsumują kliknięcia bez konwersji. Pięć poniższych promptów adresuje pięć komplementarnych źródeł sygnałów: raport search query Google Ads (baza), bounce rate GA4, Meta Ads search bar, wykluczenia trademark konkurentów i tematyczny clustering przez embeddings. Łączenie pięciu daje znacznie bardziej solidną dyscyplinę odkrywania niż podejście tylko search query. Dla szybkiego obliczenia z benchmarkami 2026 według pionu, sprawdź nasz darmowy kalkulator CPA.

Prompt 7 — Wykluczenia z raportu search query (bulk 500 linii)

{
  "role": "PPC negative keywords analyst.",
  "task": "Analyse le search query report ci-joint et identifie les négatifs candidats.",
  "input_csv": "[Wklej raport search query CSV: query, impressions, clicks, conversions, cost]",
  "context": {
    "vertical": "SaaS CRM B2B",
    "icp_keywords_positive": ["CRM", "logiciel", "PME", "B2B"],
    "icp_keywords_negative": ["gratuit", "open source", "tutoriel", "comment faire"],
    "intent_filter": "transactionnel uniquement"
  },
  "constraints": {
    "min_impressions_threshold": 50,
    "min_clicks_threshold": 5,
    "max_conv_rate_threshold": 0.005,
    "exclude_brand_terms": ["AcmeCRM", "Acme"],
    "match_type_recommendation": "broad ou phrase selon volume",
    "no_external_benchmarks": true
  },
  "output_format": "JSON array avec query, recommended_negative, match_type, reason, priority"
}

Prompt 8 — Wykluczenia z bounce rate GA4 landing page

{
  "role": "GA4 + Google Ads correlation analyst.",
  "task": "Croise les requêtes Google Ads avec les bounce rate GA4 par landing page pour detecter mismatches.",
  "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": "Identifie les requetes Google Ads qui mènent à des landing pages avec bounce > 75% — candidates négatifs.",
  "output_format": "JSON array avec query, landing_page, bounce_rate, sessions, recommended_action"
}

Prompt 9 — Wykluczenia Meta Ads search bar interest analysis

{
  "role": "Cross-channel negative keywords strategist.",
  "task": "Analyse les requetes Meta Ads search bar pour identifier intents non-pertinents pour Google Ads.",
  "input_meta_search_terms": "[Wklej eksport Meta Ads Search bar terms]",
  "context": {
    "google_ads_vertical": "Lead gen courtier immobilier",
    "google_ads_icp": "Acheteurs primo-accédants 28-45 ans"
  },
  "constraints": {
    "intent_categories_to_extract": ["info_only", "wrong_persona", "wrong_geography", "wrong_product"],
    "exclude_already_in_negative_list": "[Wklej bieżącą listę]"
  },
  "output_format": "JSON object grouped by intent_category"
}

Prompt 10 — Wykluczenia trademark konkurentów

{
  "role": "Trademark negative keywords legal-aware.",
  "task": "Genere liste exhaustive de mots-clés négatifs pour exclure mes campagnes des recherches de marques concurrentes.",
  "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 avec negative_keyword, match_type, reason"
}

Prompt 11 — Wykluczenia tematyczny clustering embeddings

{
  "role": "Embeddings + clustering negative keywords specialist.",
  "task": "Recoupe la liste de 500 search queries non-converties par clusters semantiques pour grouper les négatifs.",
  "input_queries": "[Wklej listę 500 search queries CSV]",
  "constraints": {
    "embedding_model": "text-embedding-3-small (suggéré)",
    "clustering_algorithm": "DBSCAN ou KMeans k=15",
    "min_cluster_size": 5,
    "output_one_negative_per_cluster": true
  },
  "task_detail": "Pour chaque cluster, propose UN négatif phrase-match qui couvre 80%+ du cluster.",
  "output_format": "JSON array avec cluster_id, sample_queries, recommended_negative_phrase, coverage_estimate"
}

Na kontach, które śledzimy, te 5 promptów pozwala odkryć typowo 150–400 wykluczeń kandydatów na kwartalny audyt, z czego 60–75% zachowanych po ludzkiej rewizji. Ogromna oszczędność czasu vs ręczna rewizja.

Granularność stosowania pozostaje ludzką decyzją. Wykluczenie wykryte przez AI może być stosowane na czterech odrębnych poziomach: konto (przez listę shared), kampania, grupa reklam lub grupy kampanii przez listę shared o ograniczonym zakresie. Szerokie wykluczenie ("bezpłatny", "tutorial") idzie systematycznie na poziomie konta; wykluczenie specyficzne pionowo ("adwokat rozwodowy" w koncie multi-praktyk) idzie na poziomie kampanii; wykluczenie o fine-intent idzie na poziomie grupy reklam. Udokumentowana na oficjalnej stronie Google Ads o listach shared, ta hierarchia unika konfliktów, gdzie wykluczenie trafne w B2C błędnie stosuje się do kampanii B2B i powoduje utratę wolumenu.

Narracyjny audyt: 4 prompty według wymiaru

Narracyjny audyt AI różni się od audytu liczbowego (generowanego przez skrypt lub API). Narracyjny produkuje prozę kontekstualizującą liczby dla biznesowego stakeholdera. To właśnie tutaj Claude Opus 4.7 szczególnie się wyróżnia — jego spójność długodystansowa bije GPT-5 i Gemini w raportach prozą 2–5 stron.

Audyt narracyjny różni się od audytu liczbowego swoją funkcją: produkuje tekst wyjaśniający, który odbiorca może przeczytać i zadecydować, a nie ciąg KPI. Cztery audytowane poniżej wymiary (struktura, kreacja, śledzenie, budżet) łącznie obejmują w większości przypadków ponad 80% problemów operacyjnych konta Google Ads mid-market. Dla ram tych audytów, dwie zasady muszą być ściśle przestrzegane: wstrzyknąć bezpośrednio dane konta do promptu (eksport CSV lub JSON, nie opis prozą) i zakazać zewnętrznych benchmarków (no_external_benchmarks: true). Bez tych dwóch zasad, LLM produkuje fałszywie przekonujący audyt, mieszający prawdziwe obserwacje Twoich danych z halucynacjami na nieistniejących benchmarkach. Granica między użytecznym a niebezpiecznym audytem leży na tym szczególe.

Prompt 12 — Audyt struktury konta

{
  "role": "Senior Google Ads auditor avec 10 ans d'experience.",
  "task": "Analyse la structure du compte ci-joint et produit un rapport narratif de 800 mots.",
  "input_account_structure_csv": "[Wklej eksport campaigns + ad_groups + keywords counts]",
  "dimensions_to_audit": [
    "naming_convention_consistency",
    "campaign_budget_allocation",
    "ad_group_size_balance",
    "match_types_distribution",
    "shared_negative_lists_usage"
  ],
  "constraints": {
    "tone": "factuel, sans complaisance, sans alarmisme",
    "include_priority_actions": "top 3 quick wins + top 2 strategic",
    "no_external_benchmarks": true,
    "use_only_provided_data": true
  },
  "output_format": "Markdown structuré : Executive Summary, Findings par dimension, Priority Actions, Risks"
}

Prompt 13 — Audyt kreatywny (RSA, Ad Strength, pinning)

{
  "role": "Creative Google Ads auditor.",
  "task": "Audit qualité créative du compte ci-joint, focus RSA et Asset Reports.",
  "input_rsa_export": "[Wklej eksport RSA wszystkich kampanii: ad_group, headlines, descriptions, ad_strength, pinning]",
  "input_asset_report": "[Wklej Asset Report: asset, performance_label]",
  "checks": [
    "headlines_count_per_rsa (target 15)",
    "thematic_diversity (7 themes attendus)",
    "pinning_excessive (warning si >1 pin per RSA)",
    "ad_strength_poor_count",
    "low_performing_assets_count"
  ],
  "output_format": "Tableau CSV (ad_group, issue, severity, recommended_fix) + paragraphe synthèse"
}

Prompt 14 — Audyt śledzenia konwersji

{
  "role": "Conversion tracking auditor.",
  "task": "Detecte les anomalies tracking sur le compte.",
  "input_conversions_export": "[Wklej eksport Tools > Conversions]",
  "input_gtm_setup": "[Wklej summary tagów GTM]",
  "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 rapport avec sections par check"
}

Prompt 15 — Audyt pacing budżetu

{
  "role": "Budget pacing analyst.",
  "task": "Detecte over/underspend par campagne sur les 30 derniers jours.",
  "input_daily_spend_csv": "[Wklej eksport daily spend według kampanii 30 dni]",
  "input_target_budgets": "[Daily budget target według kampanii]",
  "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 avec tableau dérive + paragraphe explicatif"
}

Dla kompletnego audytu pillar, sprawdź naszą checklistę audytu Google Ads. Powyższe prompty łączą się w pół-automatyczny workflow audytu z ludzką walidacją między każdym etapem.

Raportowanie executive: 5 promptów według stakeholdera

Raportowanie to drugi przypadek użycia, gdzie AI masowo oszczędza czas — account manager spędza średnio 6–12h/miesiąc na raportach dla klientów. Z promptami według persony stakeholdera, spada do 1–2h. Sprawdź nasz przewodnik raportowania klient 10 KPI dla wskaźników do uwzględnienia.

Złota zasada raportowania executive mówi, że raport nie sprowadza się do liczb: sprowadza się do mentalnego modelu odbiorcy. CEO chce wizji biznesowej na 1 stronie (maksymalnie 300 słów, bez żargonu, z jedną headline liczbą i planem). CFO chce payback period i wskaźnika LTV:CAC w słownictwie finansowym, nie marketingowym. Zespół sprzedaży chce jakości leadów wyrażonej w MQL→SQL→deal, nie w CTR. Dyrektor marketingu chce tygodniowych anomalii, proponowanych testów i kontekstowych wskaźników. Na kontach obserwowanych w publicznych benchmarkach Google Ads, różnica między generycznym raportowaniem (ten sam raport dla wszystkich stakeholderów) a raportowaniem spersonalizowanym według persony mierzy się w czasie uwagi odbiorcy — który przechodzi średnio z 90 sekund do 4–6 minut na raport. Realny ROI nie jest w zaoszczędzonych godzinach account managera, lecz w bardziej precyzyjnych decyzjach podejmowanych przez odbiorców.

Prompt 16 — Raportowanie CEO executive summary

{
  "role": "CEO-grade executive reporter.",
  "task": "Synthese 1 page exec summary à partir des données mensuelles ci-jointes.",
  "input_monthly_data": "[Wklej dane dashboard: spend, conversions, CPA, ROAS, vs target]",
  "audience": "CEO non-technique, attention 2 minutes",
  "constraints": {
    "max_length_words": 300,
    "no_jargon": true,
    "structure": ["headline_metric_vs_target", "what_drove_change", "next_month_plan"],
    "tone": "factuel sans embellissement",
    "include_risks": true
  },
  "output_format": "Markdown 1-page avec 3 sections"
}

Prompt 17 — Raportowanie tygodniowe team marketing

{
  "role": "Performance marketing weekly briefer.",
  "task": "Brief hebdo opérationnel pour l'équipe marketing.",
  "input_weekly_data": "[CSV ostatnie 7 dni vs poprzednie 7 dni]",
  "audience": "Marketing team mid-level, technique-friendly",
  "constraints": {
    "max_length_words": 500,
    "include_anomalies_first": true,
    "include_test_recommendations": "1-2 par semaine",
    "use_jargon_authorized": ["CTR", "CPA", "ROAS", "LTV", "Smart Bidding"]
  },
  "output_format": "Markdown : Highlights / Lowlights / Anomalies / Tests proposés"
}

Prompt 18 — Raportowanie team sprzedaży jakość leadów

{
  "role": "MQL/SQL pipeline analyst.",
  "task": "Brief pour l'équipe sales sur la qualité des leads Google Ads.",
  "input_crm_export": "[Wklej eksport CRM z source = Google Ads]",
  "audience": "Sales team, focus quality not quantity",
  "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": "Markdown report sales-friendly"
}

Prompt 19 — Raportowanie CFO LTV:CAC

{
  "role": "CFO-grade financial reporter PPC.",
  "task": "Rapport financier focus payback period et LTV:CAC.",
  "input_data": "[CAC według kohorty miesięcznej 12 ostatnich miesięcy + LTV kohorta 12m]",
  "audience": "CFO, focus cash flow et marges",
  "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": "Markdown structuré sections finance"
}

Prompt 20 — Raportowanie klient agencji miesięczny QBR

{
  "role": "Agency QBR reporter.",
  "task": "Quarterly business review report pour client agency.",
  "input_quarter_data": "[Wklej dane kwartału + komparatyw Q-1 + komparatyw Y-1]",
  "audience": "Client decision-maker + équipe ops",
  "constraints": {
    "include_strategic_recommendations_top_3": true,
    "include_competitive_benchmark_directional_only": true,
    "include_next_quarter_roadmap": true,
    "tone": "partner pas vendor",
    "max_length_words": 1500
  },
  "output_format": "Markdown long form QBR-style"
}

Optymalizacja taktyczna: 5 promptów według decyzji

Optymalizacja taktyczna AI to najbardziej delikatny przypadek użycia — tu AI może dawać rekomendacje o wysokim wpływie, ale też niebezpieczne rekomendacje jeśli źle ograniczone. Zawsze waliduj ludzko przed wykonaniem. Dla ogólnej mechaniki optymalizacji, sprawdź nasz kompletny przewodnik Performance Max 2026.

Krytyczne rozróżnienie między promptami analitycznymi a promptami decyzyjnymi musi być explicytne w Twoim workflow. Prompty analityczne (sekcje RSA, wykluczenia, audyt, raportowanie powyżej) produkują treści, które walidujese przed publikacją lub dystrybucją. Koszt złego promptu analitycznego to opóźnienie edycji. Prompty decyzyjne (pięć poniżej) produkują rekomendacje, które wykonane, trwale modyfikują wydajność konta: przedwczesne przełączenie Target CPA→Target ROAS może kosztować trzy tygodnie ponownego uczenia; źle skalibrowana konsolidacja grup reklam może zniszczyć trafne grupy odbiorców; pauza kampanii oparta na 30 dniach szumu może przerwać zdrową ścieżkę uczenia. Dla tych pięciu promptów, absolutna zasada to explicite proszenie modelu o score zaufania i plan rollback. Poniżej 0.75 zaufania, nie wdrażamy. Bez udokumentowanego rollbacku, też nie wdrażamy.

Prompt 21 — Decyzja rebid Smart Bidding (Target CPA → Target ROAS)

{
  "role": "Smart Bidding strategy advisor.",
  "task": "Conseille sur la bascule Target CPA → Target ROAS pour la campagne ci-jointe.",
  "input_campaign_data": "[Wklej dane 90 dni: conversions, value, CPA, ROAS, learning phase 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 — Decyzja restrukturyzacja (konsolidacja grup reklam)

{
  "role": "Account restructure strategist.",
  "task": "Identifie les ad groups à consolider pour atteindre seuil signal Smart Bidding.",
  "input_ad_groups_data": "[Wklej eksport grup reklam: conv 30 dni, spend, struktura tematyczna]",
  "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 avec consolidation_group, source_ad_groups, target_ad_group_name, keywords_to_migrate"
}

Prompt 23 — Decyzja uruchomienie nowego wykluczenia

{
  "role": "Negative keyword scope advisor.",
  "task": "Pour chaque négatif candidat ci-joint, conseille la granularité d'application.",
  "input_negatives_candidates": "[Wklej listę wykluczeń kandydatów z historią query]",
  "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 avec negative, recommended_level, justification"
}

Prompt 24 — Decyzja pauza kampanii

{
  "role": "Campaign pause/keep decision advisor.",
  "task": "Analyse si campagne doit être pausée ou retravaillée.",
  "input_campaign_60d": "[Wklej dane 60 dni kampanii + benchmarki konta]",
  "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 — Decyzja alokacja budżetu cross-kanałowa

{
  "role": "Cross-channel budget allocator.",
  "task": "Recommande shift budget Google Ads vs Meta Ads vs Microsoft Ads selon ROI marginal.",
  "input_channels_data": "[Wklej spend, conv, CAC, marginal CAC last 30d według kanału]",
  "context": {
    "total_budget_eur_monthly": 25000,
    "current_split": {"google": 0.65, "meta": 0.25, "microsoft": 0.10},
    "constraints_business": ["Google brand minimum 2k€/mois", "Microsoft B2B prioritaire"]
  },
  "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_eur, rationale_per_shift"
}

Dobre praktyki: guardrails, walidacja, A/B

Dobre praktyki użycia promptów JSON nie są opcjonalne — bez nich AI produkuje fałszywie przekonujące outputy, które powodują realne szkody na koncie. Trzy filary: guardrails, systematyczna ludzka walidacja, A/B vs naiwna wersja do mierzenia realnego zysku.

Guardrail to explicytne ograniczenie narzucone modelowi w celu ograniczenia przestrzeni wyjścia: zakaz zewnętrznych benchmarków, wymaganie score zaufania, odmowa produkowania jeśli dostarczone dane są niewystarczające. Na kontach obserwowanych w publicznych benchmarkach Google Ads, agencje nie narzucające tych guardrails publikują średnio 12–18% treści AI zawierającej co najmniej jedną faktyczną halucynację (zmyślona liczba, nieistniejąca funkcja, fikcyjne źródło). Z poniższymi pięcioma guardrails aktywowanymi systematycznie, wskaźnik halucynacji spada do 2–4% — a te, które pozostają, są niemal zawsze wykrywane w walidacji schematu, bo model explicite oznacza swoje założenia. Dyscyplina guardrail jest kumulatywna: każdy dodany guardrail eliminuje klasę błędów bez dodatkowego kosztu, a wstępna inwestycja (5–10 min na pisanie ograniczeń) jest amortyzowana od drugiego użycia promptu.

5 kluczowych guardrails do uwzględnienia w każdym prompcie:

• no_external_benchmarks — uniemożliwia modelowi wymyślanie branżowych statystyk. Zmusza do używania wyłącznie dostarczonych danych.
• use_only_provided_data — ścisła wariacja poprzedniego. Każda niedostarczona dana = nieznana, nie wymyślona.
• flag_assumptions_explicitly — model musi explicite wymienić założenia, które robi. Umożliwia ich walidację.
• include_confidence_score — dla decyzji, prosić model o score zaufania 0–1. Filtrować poniżej 0.7.
• request_clarification_if_data_insufficient — zamiast wymyślać, prosić o wyjaśnienia.

Pipeline systematycznej ludzkiej walidacji:

1. Output AI — zebranie surowego JSON.
2. Walidacja schematu — sprawdzenie, czy JSON parsuje się prawidłowo, czy ograniczenia character_count są spełnione, czy wykluczenia są przestrzegane.
3. Spot check semantyczny — ludzka rewizja 10–20% outputu dla spójności message-market.
4. Test pilotowy — wdrożenie na 1 grupie reklam lub 1 kampanii przez 7 dni przed uprzemysłowieniem.
5. Pomiar A/B vs baseline — porównanie z równoważnymi outputami nie-AI.

Test A/B naiwny vs strukturalny prompt — jasna metodologia:

# Pseudo-code workflow A/B prompt comparison
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

Testy jakości przeprowadzone na 200 parach promptów (RSA, wykluczenia, audyt):

Dla automatyzacji wdrażania promptów w pipeline produkcji, sprawdź nasze uzupełniające artykuły RSA AI + ad rotation, wykluczenia AI discovery + clustering i obrazy AI dla Google Ads. Dla automatyzacji po stronie infrastruktury (n8n, Zapier, MCP), sprawdź n8n Google Ads i Google Ads API Python.

Dla reklamodawców chcących wdrożyć tę dyscyplinę AI bez budowania własnej infrastruktury promptów, nasz audyt SteerAds integruje 30 powyższych promptów w swoim pipeline i dostarcza raport gotowy do działania w 72h, z systematyczną ludzką walidacją i testem pilotowym A/B na 1 grupie reklam przed uprzemysłowieniem. 30 promptów JSON nie jest gotowym produktem — to szablony do dostosowania do Twojego kontekstu pionowego, brand voice i dojrzałości śledzenia. Dyscyplina, która ma znaczenie, to nie sam prompt, lecz workflow wokół niego: guardrails, walidacja, pomiar A/B, miesięczna iteracja. Bez tej dyscypliny, ChatGPT pozostaje faktycznie magią — która działa raz na dwa i kosztuje dużo gdy zawodzi — sprawdź też Microsoft Advertising Research dla dalszych szczegółów.

Źródła

Oficjalne źródła wykorzystane w tym przewodniku:

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

FAQ