Bei einer Bing-Ads-Kampagne merkt man den Einfluss von maschinellem Lernen oft erst dann, wenn man genauer hinsieht. Eine Anzeige wird ausgespielt, obwohl die Suchanfrage nicht exakt dem hinterlegten Keyword entspricht. Eine Gebotsanpassung fällt höher oder niedriger aus, als man sie selbst vorgenommen hätte. Und bei responsiven Suchanzeigen erscheint plötzlich eine Kombination aus Überschrift und Beschreibung, die man so nicht selbst ausgewählt hätte. Genau an diesen Stellen arbeitet im Hintergrund eine Software, die aus vielen Signalen Entscheidungen ableitet.
Microsoft Advertising, wie Bing Ads inzwischen heißt, setzt maschinelles Lernen an mehreren Stellen ein. Dabei geht es längst nicht nur um automatische Gebote. Suchanfragen werden eingeordnet, Anzeigenvarianten kombiniert, Zielgruppen bewertet und Kampagnen anhand von Conversion-Zielen optimiert. In neueren Funktionen wie AI Max wird diese Automatisierung noch weiter in die Suche hineingezogen.
Das klingt zunächst nach einer Sache, bei der man als Werbetreibender einfach einen Schalter umlegt und den Algorithmus arbeiten lässt. In der Praxis funktioniert es etwas anders. Je besser die Daten, Ziele und Einschränkungen einer Kampagne definiert sind, desto sinnvoller kann das System seine Entscheidungen treffen. Wer diese Grundlage nicht sauber aufsetzt, automatisiert unter Umständen lediglich schlechte Entscheidungen.
Warum Bing Ads überhaupt maschinelles Lernen braucht
Eine Suchkampagne kann heute eine enorme Zahl möglicher Kombinationen erzeugen. Ein Nutzer sucht nach einem Produkt, ein anderer verwendet eine umgangssprachliche Formulierung, ein dritter schreibt einen Tippfehler und ein vierter formuliert eine komplette Frage. Dazu kommen Gerät, Standort, Tageszeit, bisheriges Verhalten, Wettbewerb um die betreffende Suchanfrage und die Wahrscheinlichkeit einer Conversion.
Früher konnte ein Werbetreibender einen großen Teil dieser Faktoren manuell über Gebote und Keywords steuern. Bei einigen hundert Suchanfragen pro Woche mag das noch funktionieren. Bei großen Konten mit Tausenden oder Millionen von Auktionen pro Monat stößt diese Methode schnell an ihre Grenzen. Ein Mensch kann Regeln definieren und Ergebnisse analysieren, aber nicht jede einzelne Auktion in Echtzeit bewerten.
Genau hier liegt eine der praktischen Stärken des maschinellen Lernens. Das System verarbeitet Signale aus vergangenen Interaktionen und versucht daraus abzuleiten, welche Kombination aus Suchanfrage, Nutzer und Werbemittel mit höherer Wahrscheinlichkeit zum gewünschten Ergebnis führt. Dabei wird nicht einfach eine feste Regel abgearbeitet. Die Modelle werden anhand neuer Daten laufend angepasst.
Automatische Gebote: Der sichtbarste Einsatzbereich
Am einfachsten lässt sich das Prinzip bei automatisierten Gebotsstrategien erklären. Nehmen wir einen Onlinehändler, der nicht möglichst viele Klicks einkaufen möchte, sondern Bestellungen erzielen will. Ein Klick von einem Nutzer, der gerade erst nach allgemeinen Informationen sucht, ist für ihn möglicherweise weniger interessant als ein Klick von jemandem, der bereits nach einem konkreten Produkt und einer Kaufmöglichkeit sucht.
Das System kann zahlreiche Signale gleichzeitig berücksichtigen und das Gebot entsprechend anpassen. Die Entscheidung wird also nicht allein vom Keyword abhängig gemacht. Microsoft Advertising bietet dafür verschiedene automatisierte Strategien, die beispielsweise auf Conversions oder Conversion-Wert ausgerichtet sind.
Das bedeutet nicht, dass maschinelles Lernen automatisch weiß, was für ein Unternehmen wirtschaftlich sinnvoll ist. Der Algorithmus optimiert auf das Ziel, das ihm gegeben wird. Wird eine falsche Conversion als primäres Ziel verwendet, kann die Kampagne technisch hervorragend optimiert werden und trotzdem geschäftlich enttäuschen.
Die Qualität des Conversion-Trackings ist deshalb ein Teil der automatisierten Gebotsstrategie. Wenn beispielsweise ein Kontaktformular genauso stark gewichtet wird wie ein tatsächlich abgeschlossener Kauf, bekommt das System ein verzerrtes Bild davon, was wertvoll ist.
Was bei einer Auktion im Hintergrund passiert
Für den Nutzer sieht eine Suchergebnisseite sehr einfach aus: Suchbegriff eingeben, Anzeigen sehen, darauf klicken oder weitersuchen. Für das Werbesystem ist jede einzelne Auktion wesentlich komplexer. Es muss unter anderem beurteilen, welche Anzeigen für die konkrete Anfrage relevant sind und wie viel ein Werbetreibender unter diesen Bedingungen bieten sollte.
Maschinelles Lernen hilft dabei, aus historischen Daten Wahrscheinlichkeiten abzuleiten. Eine wichtige Frage lautet beispielsweise: Wie wahrscheinlich ist es, dass dieser Nutzer nach dieser Suchanfrage auf eine bestimmte Anzeige klickt oder anschließend eine Conversion ausführt?
Diese Einschätzung kann von vielen Umständen abhängen. Ein Nutzer auf einem Smartphone verhält sich möglicherweise anders als jemand am Desktop. Eine Suchanfrage am Montagmorgen kann eine andere Absicht haben als dieselbe Anfrage am Samstagabend. Auch Standort, Sprache und bisherige Interaktionen können eine Rolle spielen.
Man sollte sich das allerdings nicht als eine einzelne magische Zahl vorstellen, die irgendwo im System gespeichert ist. Es handelt sich vielmehr um eine große Menge miteinander verknüpfter Modelle und Signale, die für verschiedene Aufgaben eingesetzt werden.
Responsive Search Ads sind ebenfalls stark automatisiert
Ein Bereich, an dem sich maschinelles Lernen besonders anschaulich beobachten lässt, sind responsive Suchanzeigen. Statt nur eine fertige Anzeige mit einer einzigen Überschrift und Beschreibung vorzugeben, stellt der Werbetreibende mehrere Überschriften und Beschreibungen bereit. Microsoft kann daraus unterschiedliche Kombinationen erzeugen und für verschiedene Suchanfragen die jeweils passend erscheinende Variante ausspielen.
Aktuell können responsive Suchanzeigen zwischen 3 und 15 Überschriften sowie 2 bis 4 Beschreibungen enthalten. Das Entscheidende ist dabei nicht die Anzahl allein, sondern die Tatsache, dass Microsoft die vorhandenen Elemente abhängig von Suchanfrage und Kontext kombinieren kann.
Das verändert auch die Arbeit des Werbetreibenden. Früher bestand ein großer Teil der Aufgabe darin, die eine vermeintlich perfekte Anzeige zu formulieren. Heute ist es oft sinnvoller, mehrere eigenständige Aussagen zu entwickeln: Produktvorteil, Preisargument, Service, Vertrauen, Lieferzeit oder eine konkrete Handlungsaufforderung. Das System erhält dadurch mehr brauchbare Bausteine.
Genau hier sehe ich in der Praxis einen häufigen Denkfehler. Wer 15 nahezu identische Überschriften hinterlegt, gibt dem Algorithmus zwar viele Assets, aber kaum echte Auswahlmöglichkeiten. Vielfalt bedeutet nicht, denselben Satz mit kleinen sprachlichen Änderungen fünfzehnmal zu wiederholen.
Von Keywords zu Suchintention und Kontext
Die klassische Vorstellung von Suchmaschinenwerbung lautet: Keyword eingeben, Anzeige daran koppeln, Klick einkaufen. Maschinelles Lernen verschiebt diesen Ansatz zunehmend in Richtung Suchintention. Das System versucht nicht nur zu erkennen, welche Wörter verwendet wurden, sondern auch, welche Bedeutung hinter einer Anfrage steckt.
Das wird besonders interessant bei Suchanfragen, die nicht exakt einem hinterlegten Keyword entsprechen. Ein Nutzer kann beispielsweise nach „Laptop für Homeoffice unter 800 Euro“ suchen, während im Konto lediglich Begriffe wie „Homeoffice Laptop“ oder „Laptop günstig“ vorhanden sind. Die Plattform versucht, solche Zusammenhänge zu erkennen und relevante Suchanfragen mit passenden Anzeigen zusammenzubringen.
Mit AI Max für Search geht Microsoft inzwischen noch einen Schritt weiter. Die Funktion verbindet unter anderem erweiterte Suchbegriff-Zuordnung, Anpassung von Werbetexten und eine intelligentere Auswahl von Zielseiten. Für Werbetreibende bedeutet das mehr Reichweite innerhalb der Automatisierung, aber auch eine etwas andere Art der Kontrolle.
| Bereich | Was maschinelles Lernen übernimmt | Was der Werbetreibende weiterhin steuern sollte |
|---|---|---|
| Gebote | Gebot je nach erwarteter Leistung und verfügbaren Signalen anpassen | Conversion-Ziele, Budget und wirtschaftliche Zielwerte |
| Suchanfragen | Ähnliche Suchintentionen und relevante Varianten erkennen | Keyword-Struktur, Ausschlüsse und Markenbegriffe |
| Anzeigen | Überschriften und Beschreibungen miteinander kombinieren | Qualität, Aussage, Tonalität und zulässige Botschaften |
| Performance Max | Assets, Zielgruppen, Platzierungen und Gebote automatisiert kombinieren | Ziel, Assets, Datenbasis und strategische Grenzen |
| Landingpages | Relevante Zielseiten im Rahmen bestimmter Automatisierungen auswählen | Inhalt, Conversion-Pfad und technische Qualität der Website |
Performance Max: Wenn die Automatisierung mehrere Ebenen verbindet
Bei Performance Max wird besonders deutlich, wie weit die Automatisierung inzwischen reicht. Der Werbetreibende stellt unter anderem Texte, Bilder, Zielgruppen-Signale und Conversion-Ziele bereit. Das System kann daraus verschiedene Anzeigenvarianten erstellen und über unterschiedliche Bereiche des Microsoft-Werbenetzwerks ausspielen.
Der interessante Punkt ist, dass nicht mehr nur das Gebot automatisiert wird. Auch die Frage, welcher Nutzer mit welchem Werbemittel auf welcher Platzierung angesprochen werden soll, wird stärker vom System übernommen. Dadurch entsteht eine Kampagnenlogik, die sich kaum noch mit einer klassischen Keyword-Kampagne vergleichen lässt.
Das kann für Unternehmen mit ausreichend Daten sehr praktisch sein. Gleichzeitig verliert man ein Stück der direkten Kontrolle. Deshalb würde ich eine solche Kampagne nicht einfach starten und nach zwei Tagen anhand weniger Kennzahlen beurteilen. Lernende Systeme brauchen Zeit und vor allem ausreichend verwertbare Signale.
Warum gute Daten wichtiger sind als möglichst viel Automatisierung
Maschinelles Lernen ist kein Ersatz für saubere Kampagnenarbeit. Das klingt banal, wird aber erstaunlich häufig übersehen. Wenn das UET-Tracking fehlerhaft arbeitet, Conversion-Ziele falsch eingerichtet sind oder wichtige Umsätze nicht zurückgemeldet werden, fehlt dem System die Grundlage für vernünftige Optimierungen.
Besonders problematisch wird es bei kleinen Konten. Hat eine Kampagne nur wenige Conversions im Monat, sind die Daten naturgemäß weniger belastbar als bei einem Konto mit vielen vergleichbaren Abschlüssen. Eine automatische Strategie kann trotzdem eingesetzt werden, aber man sollte ihre Ergebnisse nicht mit derselben Sicherheit interpretieren wie bei einer Kampagne mit einer breiten Datenbasis.
Auch die Zieldefinition muss zum Geschäftsmodell passen. Ein Händler sollte möglichst den tatsächlichen wirtschaftlichen Wert eines Verkaufs abbilden. Ein B2B-Unternehmen hat dagegen vielleicht längere Vertriebszyklen und kann einen Lead nicht genauso behandeln wie einen sofortigen Onlinekauf.
Die neue Rolle des Werbetreibenden
Mit zunehmender Automatisierung verschwindet die Arbeit also nicht. Sie verändert sich. Früher konnte ein guter SEA-Manager sehr viel über manuelle Gebotsanpassungen, Keyword-Strukturen und einzelne Anzeigenvarianten steuern. Heute besteht ein größerer Teil der Aufgabe darin, dem System die richtigen Voraussetzungen zu geben und anschließend zu prüfen, ob seine Entscheidungen zum Geschäft passen.
Das betrifft auch die Werbetexte. Wenn Microsoft immer mehr Kombinationen selbst testet, sollte man nicht versuchen, jede mögliche Variante vorherzusagen. Sinnvoller ist es, klare und unterschiedliche Assets bereitzustellen. Eine Überschrift sollte beispielsweise nicht nur eine zweite Version derselben Aussage sein, sondern einen anderen überzeugenden Grund für den Klick liefern.
Gleichzeitig bleibt die Kontrolle über Ausschlüsse wichtig. Automatisierung darf nicht mit blindem Vertrauen verwechselt werden. Suchbegriffe, Suchanfragenberichte, Conversion-Daten und Zielseiten zeigen weiterhin, wo das System tatsächlich Chancen erkennt und wo es möglicherweise in eine unerwünschte Richtung läuft.
Was sich mit AI Max bei Bing Ads verändert
Die Entwicklung von AI Max zeigt ziemlich deutlich, wohin Microsoft Advertising derzeit geht. Im August 2026 hat Microsoft die Verfügbarkeit von AI Max für Search angekündigt. Die Funktion soll klassische Suchkampagnen durch KI-gestützte Suchbegriff-Zuordnung, Textanpassung und eine erweiterte Auswahl der Ziel-URL unterstützen.
Interessant finde ich dabei weniger den Begriff „AI“ als die Konsequenz für die Kampagnenplanung. Wenn die Plattform mehr Verantwortung für Matching, Anzeigenvarianten und Zielseiten übernimmt, wird die Qualität der Vorgaben immer wichtiger. Ein Unternehmen muss sehr genau wissen, welche Produkte, Leistungen und Zielgruppen tatsächlich beworben werden sollen.
Microsoft baut gleichzeitig Kontrollmöglichkeiten ein, etwa Ausschlüsse und Berichte zu Suchbegriffen und Assets. Das ist wichtig, denn eine Automatisierung, die nicht nachvollziehbar überprüft werden kann, ist für professionelle Werbung nur begrenzt brauchbar.
Maschinelles Lernen ersetzt keine gute Marketingidee
Nach vielen Jahren mit Suchmaschinenwerbung halte ich genau diesen Punkt für den entscheidenden. Ein Algorithmus kann sehr schnell erkennen, welche Kombination aus Signalen statistisch interessant aussieht. Er kann aber nicht automatisch die Positionierung einer Marke entwickeln. Er weiß nicht von selbst, warum ein Kunde einem bestimmten Anbieter vertraut oder welche Formulierung im jeweiligen Markt wirklich glaubwürdig wirkt.
Auch eine schlechte Landingpage wird durch ein intelligentes Gebotssystem nicht plötzlich gut. Wenn die Anzeige einen niedrigen Preis verspricht, die Zielseite aber keine klare Preisangabe enthält, hilft auch das beste Matching nur begrenzt. Die Automatisierung kann mehr Menschen an die Tür bringen. Ob sie hineingehen, hängt weiterhin stark davon ab, was sie dort vorfinden.
Deshalb würde ich maschinelles Lernen in Bing Ads nicht als Ersatz für die Arbeit des Marketers betrachten. Eher ist es eine zusätzliche Entscheidungsebene, die Aufgaben übernimmt, für die ein Mensch aufgrund der schieren Anzahl an Auktionen und Signalen keine realistische Möglichkeit mehr hat.
Der interessante Teil beginnt eigentlich nach dem automatischen Start
Eine Kampagne mit maschinellem Lernen einzurichten, ist heute vergleichsweise einfach. Die anspruchsvollere Arbeit beginnt danach: herauszufinden, ob die Automatisierung tatsächlich das tut, was das Unternehmen braucht.
Wer nur auf Klickrate oder einzelne günstige Klicks schaut, kann sich schnell von schönen Zahlen täuschen lassen. Entscheidend ist die Verbindung zwischen Suchanfrage, Nutzer, Conversion und tatsächlichem Geschäftswert. Manchmal ist eine Kampagne mit weniger Klicks wirtschaftlich interessanter. Manchmal liefert eine scheinbar teure Zielgruppe die wertvolleren Kunden.
Genau deshalb sehe ich den menschlichen Teil der Arbeit nicht verschwinden. Er wandert nur eine Ebene höher. Wir geben nicht mehr jede einzelne Entscheidung vor, sondern definieren die Richtung, prüfen die Ergebnisse und greifen dort ein, wo die Maschine das Geschäftsmodell nicht richtig abbildet.
Vielleicht ist das die nüchternste Art, über maschinelles Lernen in Bing Ads zu sprechen: Es ist weder ein Zaubertrick noch ein Knopf für bessere Werbung. Es ist ein Werkzeug, das mit sehr vielen Daten umgehen kann und deshalb dort stark wird, wo manuelle Steuerung zu langsam wird. Ob daraus am Ende bessere Kampagnen entstehen, entscheidet aber weiterhin die Qualität der Ziele, Daten, Inhalte und Entscheidungen, die davor und danach getroffen werden.
Bildnachweis: Magnific (www.magnific.com)
Geschäftsideen sind spannend – noch spannender ist die Frage, ob sie im Alltag tatsächlich funktionieren. Der Blick richtet sich deshalb gern auf Unternehmertum, Wachstum und die kleinen Entscheidungen, die am Ende einen großen Unterschied machen.