AI e Google Ads API: costruire un analista che puoi verificare

Parti da una domanda circoscritta

‘Ottimizza il mio account’ contiene troppe decisioni per diventare una buona specifica. Una prima applicazione utile può invece rispondere a questa domanda: quali campagne meritano una verifica, considerando variazioni di costo, valore e composizione del traffico? La risposta deve riportare dati, ipotesi e prossimi controlli.

Nel confronto con Optmyzr, Andrew Lolk descrive un uso concreto dell'AI: dataset selezionati e domande circoscritte, lasciando le modifiche dell'account fuori dall'analisi. Il punto utile è il controllo dell'input. Anche quando estraiamo tramite API, scegliamo colonne, date e segmenti prima di chiedere al modello un'interpretazione.

Definisci account autorizzati, date, valuta, conversioni considerate e domanda. Measurelab, nel suo approfondimento sul livello semantico, insiste sulle definizioni condivise: ricavi lordi, ricavi al netto dei resi e valore attribuito dalla piattaforma non sono intercambiabili. L'assistente deve usare la definizione concordata e mostrarla nella risposta.

La sola lettura si costruisce nell'applicazione

Per un analista senza azioni operative, configura accessi coerenti con la sola lettura e limita anche il servizio applicativo alle funzioni necessarie. Non basta scrivere nel prompt ‘non modificare nulla’ quando il software espone comunque funzioni di modifica. La separazione va verificata nell'applicazione, usando account autorizzati e operazioni ammesse.

Il modello può chiamare funzioni come getCampaignMetrics o getAccountContext, con parametri ammessi e intervalli massimi. L'applicazione valida customerId, date e campi richiesti prima di contattare l'API. Mantieni credenziali e token fuori dal contesto inviato al modello e separa i dati dei diversi clienti.

Il modello propone una richiesta; l'applicazione decide se è valida e la esegue. Una funzione può anche rispondere ‘intervallo troppo ampio’ oppure ‘campo non consentito’. Questi esiti devono comparire nel registro dell'analisi: nasconderli inducendo il modello a improvvisare una risposta compromette la verificabilità del risultato.

Fai generare richieste, non SQL incontrollato

GAQL consente di interrogare risorse, segmenti e metriche dell'account. Search e SearchStream restituiscono righe secondo i campi selezionati; aggiungere una segmentazione cambia il dettaglio del risultato. Una query per campagna e data richiede quindi una successiva aggregazione coerente quando vuoi un totale di periodo.

Measurelab racconta che i propri agenti richiedono documentazione dello schema, validazione delle query e registrazione di domanda, query e risultato. Per Google Ads applichiamo il principio con template GAQL verificati e parametri validati. La richiesta in linguaggio naturale seleziona un template; il modello non inventa liberamente campi o combinazioni da eseguire.

La query seguente mostra un'estrazione delimitata. Il periodo è illustrativo. La definizione di conversions_value dipende dalle conversioni incluse e dalla configurazione dell'account: prima di commentare i risultati, salva quella configurazione insieme all'estrazione.

SELECT
  campaign.id,
  campaign.name,
  segments.date,
  metrics.cost_micros,
  metrics.clicks,
  metrics.conversions,
  metrics.conversions_value
FROM campaign
WHERE segments.date BETWEEN '2026-08-01' AND '2026-08-31'

I conti li esegue una funzione

Converti i costi dalle unità dell'API, aggrega i componenti e calcola i rapporti in una funzione riproducibile. Se un denominatore è zero, restituisci null con il motivo. Conserva sia il valore numerico sia la sua definizione. Al modello arriva un risultato verificato, accompagnato dagli identificatori delle righe che lo sostengono. Una lettura della variazione deve poter essere rifatta con una calcolatrice.

Esempio didattico: una campagna passa da 2.000 euro di costo e 10.000 euro di valore a 2.400 euro e 10.800 euro. La spesa cresce del 20%, il valore dell'8%, il ROAS scende da 5 a 4,5, cioè del 10%. Sono tre osservazioni calcolabili. ‘Il targeting sta peggiorando’ è invece un'ipotesi che questi soli numeri non dimostrano.

L'output utile propone verifiche: mix di prodotti, composizione brand e non brand, ritardo delle conversioni, variazioni di prezzo, modifiche recenti. Se il dataset non contiene quei dettagli, il modello deve richiederli o dichiarare il limite. Non deve inventare una causa per rendere il testo più convincente.

Ogni raccomandazione deve avere una scheda

Salva osservazione, evidenze, ipotesi, controllo proposto, possibile decisione e condizioni che cambierebbero la conclusione. Esempio: ‘verificare la disponibilità dei prodotti principali prima di aumentare il budget’. La scheda deve indicare quale dato manca, chi può procurarlo e quale domanda permette di risolvere.

La priorità può combinare impatto economico osservato, urgenza e completezza delle evidenze. Evita però un punteggio opaco presentato come misura oggettiva. Se usi pesi editoriali, rendili visibili e modificabili. Una raccomandazione ad alta priorità con informazioni incomplete deve restare una richiesta di verifica.

Quando un operatore decide di intervenire, registra scelta e motivazione fuori dal flusso di analisi. Un'eventuale automazione delle modifiche è un progetto successivo, con anteprima delle operazioni, approvazione e controlli dedicati. Il sistema descritto qui produce proposte consultabili.

Valuta le risposte prima di affidarti al tono

PPC Mastery descrive procedure per l'AI con input obbligatori, passaggi decisionali, controlli e criteri di completamento. Da qui partiamo per il collaudo: definiamo cosa deve accadere in situazioni note, come spesa nulla, valuta diversa, dati parziali e conversioni cambiate. Per ogni caso serve una risposta attesa verificabile, compresa la richiesta di informazioni mancanti.

Controlla esattezza dei numeri, citazione delle righe corrette, assenza di cause inventate e utilità del prossimo controllo. Aggiungi casi in cui la risposta corretta è ‘i dati non bastano’. Tieni una parte del campione fuori dall'ottimizzazione del prompt, così puoi valutare se il miglioramento regge anche su esempi nuovi.

Versiona query, funzioni, prompt e modello. Salva l'estrazione che ha prodotto ogni analisi: senza quel punto di riferimento, ricreare una risposta giorni dopo può restituire numeri aggiornati e rendere impossibile il confronto. Un buon assistente tecnico deve rendere più facile verificare il lavoro, compreso il proprio.

Per misurare l'utilità, chiedi allo specialista se l'analisi ha ridotto il tempo necessario a scegliere il prossimo controllo. Un testo lungo pieno di ipotesi non è necessariamente migliore di tre osservazioni documentate. Conserva anche le raccomandazioni scartate e il motivo: permettono di correggere il contesto e impedire che lo stesso suggerimento poco utile torni ogni settimana.