Sådan bruger du AI til at analysere konkurrentannoncer (Prompts og arbejdsgang)

Den hurtigste måde at bruge AI til at analysere konkurrentannoncer på er at stoppe med at bede den om at "analysere" et enkelt skærmbillede og i stedet begynde at fodre den med en batch: hent 15 til 30 live kreativer fra en konkurrent eller en vertikal, indsæt overskrifterne og en kort beskrivelse af hvert billede i en LLM, og bed den om at gruppere dem efter hook-mekanisme, claim-type og målrettet følelse. En enkelt annonce fortæller dig stort set intet. En batch fortæller dig, hvad en konkurrent bliver ved med at gentage, hvilket er den del, der er værd at kopiere strukturen af, ikke den specifikke formulering.

Hvorfor analyse af enkeltannoncer fejler#

Media buyers, der er nye til denne arbejdsgang, tager normalt et skærmbillede af én konkurrentannonce, dropper den ind i et chat-værktøj og spørger "hvorfor virker dette." Modellen vil selvsikkert opfinde en forklaring, for det er det, LLM'er gør, når de får ét datapunkt og bliver bedt om et mønster. Løsningen er volumen: mønstre bliver kun synlige på tværs af et sæt annoncer, og modellen er meget mere pålidelig til at opsummere, hvad der er fælles på tværs af tyve eksempler, end til at teoretisere om ét. Dette er det samme princip bag at analysere vindende native ad kreativer: individuelle annoncer er støjende, batches afslører struktur.

Den prompt-arbejdsgang, der faktisk virker#

Her er en sekvens, der holder stik på tværs af sundhed, finans, e-handel og software-vertikaler:

1. Indsaml. Hent en batch af live kreativer for en konkurrent, et brand eller en vertikal, ideelt set dem, der har kørt i et stykke tid (longevity er en grov proxy for "virker stadig," dækket i ad longevity som et vindende signal). Noter overskrift, billedbeskrivelse og vertikal for hver.
2. Klassificer. Prompt: "Her er 20 annonceoverskrifter fra [vertikal]. Gruppér dem efter den kerne-mekanisme: nysgerrighedsgab, direkte claim, social bevisførelse, frygt/hast, historieformat. For hver gruppe, noter hvilken procentdel af batchen den repræsenterer." Dette forvandler en mur af overskrifter til en fordeling, du kan handle ud fra.
3. Uddrag claim-strukturen. Prompt: "For hver overskrift, uddrag det specifikke claim, der bliver fremsat (ikke formuleringen, det underliggende løfte). Er claims specifikke (et tal, en kropsdel, et navngivet produkt) eller vage?" Specifikke claims er dem, der er værd at studere; vage er normalt dårlige performere, der fylder batchen ud.
4. Sammenlign med dine egne kreativer. Prompt: "Her er mine nuværende overskrifter og batchen af konkurrentoverskrifter. Hvilke mekanismer bruger jeg slet ikke?" Dette afslører huller hurtigere end en manuel side-om-side.
5. Generer varianter fra hullet, ikke fra bunden. Når du ved, hvilken mekanisme du mangler, bed modellen om at udkaste overskriftsvarianter ved hjælp af den specifikke mekanisme, forankret i dit faktiske produkt, ikke en generisk skabelon.

Hvad man skal fodre modellen med (og hvad man ikke skal)#

Kvaliteten af denne arbejdsgang afhænger helt af inputtet. Skærmbilleder af selve annonceenheden alene (billede plus overskrift) er nok til klassificering; du har ikke behov for landingssiden endnu på dette stadie. Når du har kortlistet et par strukturer, der er værd at grave i, udvid den samme tilgang til landingssiden og reverse-engineer den fulde funnel fra kreativ til tilbud, da en overskrift, der virker, stadig kan fejle, hvis landingssiden ikke leverer på det specifikke claim, den fremsatte.

Fodr ikke modellen med hele din rå eksport og bed om "indsigter" uden struktur. Vage prompts producerer vage, generiske output uanset hvor god den underliggende model er. Jo mere specifikt spørgsmålet er (mekanisme, claim-type, følelsesmæssigt register), jo mere nyttig er klassificeringen.

Hvor kildedataene kommer fra#

Denne arbejdsgang er kun så god som det annoncesæt, du starter med, hvilket er den del, de fleste guides springer over. Manuelt at tage skærmbilleder af konkurrentannoncer fra en feed er langsomt og ufuldstændigt, da native annoncer roterer konstant, og du kun ser, hvad din egen enhed tilfældigvis får serveret. En konkurrence-ad-intelligence-arbejdsgang bygget omkring en watchlist og et søgbart arkiv, i stedet for manuelle skærmbilleder, giver LLM'en en meget større og mere repræsentativ batch at arbejde med. Programmatisk adgang betyder også noget her: at hente data via en API i stedet for at kopiere-indsætte skærmbilleder betyder, at du kan automatisere "indsaml"-trinnet helt og fodre en frisk batch ind i din analyse-prompt på en tidsplan, hvilket er præcis, hvad native ad data API'en er til. For teams, der allerede lever inde i en LLM-arbejdsgang, er der også en direkte rute: native ad library MCP'en lader dig forespørge det live kreativ-korpus direkte fra Claude eller ChatGPT i stedet for at eksportere noget først.

Et gennemarbejdet eksempel på struktur#

Lad os sige, du undersøger en konkurrent i høreapparat-branchen. En batch-hentning kan afsløre overskrifter som "Struggling to Hear Clearly? Discover a Device Transforming Lives" og flere varianter af den samme nysgerrighed-plus-claim-struktur. At klassificere en batch som denne afslører typisk to eller tre dominerende mekanismer (et sundheds-nysgerrighedsgab, et enheds-fokuseret direkte claim, og lejlighedsvis et historieformat), og du kan hurtigt se, hvilken en konkurrenten læner hårdest på efter volumen, ikke ved at gætte ud fra én annonce. Den fordeling, ikke nogen enkelt overskrift, er det handlingsorienterede output.

Almindelige fejl med denne arbejdsgang#

• At behandle modellens output som fakta snarere end en hypotese. LLM'er er gode til at opsummere mønstre, du fodrer dem med, og dårlige til at vide, om et mønster faktisk korrelerer med performance. Tjekkryds ethvert mønster, modellen afslører, mod reelle longevity- eller spend-signaler, før du satser en kampagne på det.
• At analysere for lille en batch. Fem annoncer er ikke et mønster, det er en støjprøve. Tyve til tredive får dig et sted hen, der er reelt.
• At springe landingssiden over. En fantastisk hook-analyse betyder intet, hvis du ikke også tjekker, hvad funnelen gør med klikket, hvilket er hvor pre-lander-formater normalt afgør, om klikket konverterer.
• At ignorere geo- og vertikalforskelle. En claim-struktur, der dominerer i US sundhedskreativer, vil ikke nødvendigvis oversættes til en anden geo eller et softwaretilbud; genkør klassificeringen per vertikal i stedet for at antage, at ét mønster generaliserer.

Brug af AI til at spore ændringer over tid, ikke kun et øjebliksbillede#

En engangsanalyse fortæller dig, hvad en konkurrent gør i denne uge. Den mere nyttige version af denne arbejdsgang kører på en tidsplan: hent en frisk batch hvert par dage, fodr den den samme klassificerings-prompt, og diff outputtet mod sidste uges. Et skift i mekanismefordelingen (f.eks. en konkurrent, der bevæger sig fra nysgerrighedsgab-overskrifter til direkte-claim-overskrifter) betyder normalt, at de har fundet noget, der konverterer bedre, og fordobler indsatsen på det. At fange det skift tidligt er mere værd end nogen enkelt dybdegående analyse, og det er forskellen mellem at bygge en konkurrent-watchlist, der faktisk informerer din kreative kalender, og en, der bare er en mappe med gamle skærmbilleder, som ingen genbesøger.

Dette er også hvor "vag prompt"-fejltilstanden bliver dyr i skala. Hvis du kører denne klassificering ugentligt på tværs af flere konkurrenter, vil små uoverensstemmelser i, hvordan du formulerer prompten, gøre uge-til-uge-sammenligninger upålidelige. Lås prompt-skabelonen fast, når den producerer nyttige grupperinger, og skift kun input-batchen ud, ikke instruktionerne, så dine trendlinjer faktisk er sammenlignelige.

Hvad denne arbejdsgang ikke vil fortælle dig#

Vær realistisk omkring begrænsningerne. En LLM kan klassificere mekanisme og claim-struktur pålideligt; den kan ikke fortælle dig en konkurrents faktiske konverteringsrate, deres reelle forbrug, eller om en annonce stadig er aktiv, fordi den er genuint profitabel versus kører på autopilot inde i en set-and-forget-kampagne. Longevity er en proxy, ikke bevis, og selv en velstruktureret prompt opsummerer kun, hvad du fodrede den med. Behandl outputtet som en stærk hypotese-generator, der indsnævrer, hvad der skal testes næste gang, ikke som en dom over, hvad der vil virke for dit tilbud.

At omdanne analyse til handling#

Meningen med hele denne øvelse er ikke en rapport, det er en kortliste over to eller tre claim-strukturer, som du ikke bruger i øjeblikket, testet mod dit eget produkt ærligt. Når du har den kortliste, skifter AI'ens job fra analyse til generering: udkast overskriftsvarianter i den manglende mekanisme, hold claimet specifikt, og lancer i lille skala. Hvis du hellere vil springe over at bygge indsamlings-pipelinen selv, giver gennemseelse af et søgbart, altid-opdateret arkiv af live kreativer inde i OpenAdLibrary's ad intelligence platform dig batchen at analysere uden at tage et enkelt skærmbillede af en annonce manuelt.