Wie man KI zur Analyse von Wettbewerbsanzeigen nutzt (Prompts und Workflow)

Der schnellste Weg, KI zur Analyse von Wettbewerbsanzeigen zu nutzen, ist, aufzuhören, sie zu bitten, einen einzelnen Screenshot zu "analysieren", und damit zu beginnen, ihr einen Batch zu füttern: ziehen Sie 15 bis 30 live Creatives von einem Wettbewerber oder einer Branche, fügen Sie die Headlines und eine kurze Beschreibung jedes Bildes in ein LLM ein, und bitten Sie es, sie nach Hook-Mechanismus, Claim-Typ und angesprochener Emotion zu gruppieren. Eine einzelne Anzeige sagt Ihnen fast nichts. Ein Batch sagt Ihnen, was ein Wettbewerber ständig wiederholt – und das ist der Teil, dessen Struktur es wert ist, kopiert zu werden, nicht der spezifische Wortlaut.

Warum die Einzelanzeigen-Analyse scheitert#

Media Buyer, die neu in diesem Workflow sind, machen meist einen Screenshot einer Wettbewerbsanzeige, werfen ihn in ein Chat-Tool und fragen "warum funktioniert das?". Das Modell wird selbstbewusst eine Erklärung erfinden, denn genau das tun LLMs, wenn sie einen Datenpunkt erhalten und nach einem Muster gefragt werden. Die Lösung ist Volumen: Muster werden erst über eine Reihe von Anzeigen sichtbar, und das Modell ist viel zuverlässiger darin, zusammenzufassen, was über zwanzig Beispiele hinweg gemeinsam ist, als über eines zu theoretisieren. Das ist dasselbe Prinzip wie bei der Analyse gewinnender Native Ad Creatives: einzelne Anzeigen sind verrauscht, Batches offenbaren Struktur.

Der Prompt-Workflow, der tatsächlich funktioniert#

Hier ist eine Sequenz, die in den Branchen Gesundheit, Finanzen, E-Commerce und Software standhält:

1. Sammeln. Ziehen Sie einen Batch von live Creatives für einen Wettbewerber, eine Marke oder eine Branche, idealerweise solche, die schon eine Weile laufen (Langlebigkeit ist ein grober Indikator für "funktioniert noch", behandelt in Ad Longevity als Gewinnsignal). Notieren Sie für jede Headline, Bildbeschreibung und Branche.
2. Klassifizieren. Prompt: "Hier sind 20 Ad-Headlines aus [Branche]. Gruppieren Sie sie nach dem Kernmechanismus: Curiosity Gap, direkter Claim, Social Proof, Angst/Dringlichkeit, Story-Format. Notieren Sie für jede Gruppe, welchen Prozentsatz des Batches sie ausmacht." Das verwandelt eine Wand aus Headlines in eine Verteilung, auf die Sie reagieren können.
3. Die Claim-Struktur extrahieren. Prompt: "Extrahieren Sie für jede Headline den spezifischen Claim, der gemacht wird (nicht den Wortlaut, das zugrundeliegende Versprechen). Sind die Claims spezifisch (eine Zahl, ein Körperteil, ein benanntes Produkt) oder vage?" Spezifische Claims sind diejenigen, die es wert sind, studiert zu werden; vage sind meist Low-Performer, die den Batch aufblähen.
4. Mit der eigenen Creative vergleichen. Prompt: "Hier sind meine aktuellen Headlines und der Batch der Wettbewerber-Headlines. Welche Mechanismen verwende ich überhaupt nicht?" Das deckt Lücken schneller auf als ein manueller Seitenvergleich.
5. Varianten aus der Lücke generieren, nicht von Grund auf. Sobald Sie wissen, welchen Mechanismus Sie nicht nutzen, bitten Sie das Modell, Headline-Varianten zu entwerfen, die diesen spezifischen Mechanismus nutzen und an Ihr tatsächliches Produkt angelehnt sind, nicht an eine generische Vorlage.

Was man dem Modell füttern sollte (und was nicht)#

Die Qualität dieses Workflows hängt vollständig vom Input ab. Screenshots der Ad-Unit allein (Bild plus Headline) reichen für die Klassifizierung aus; Sie benötigen die Landing Page in dieser Phase noch nicht. Sobald Sie einige Strukturen ausgewählt haben, die es wert sind, vertieft zu werden, erweitern Sie denselben Ansatz auf die Landing Page und reverse-engineern Sie den kompletten Funnel von der Creative zum Offer, denn eine Headline, die funktioniert, kann trotzdem scheitern, wenn die Landing Page den spezifischen Claim nicht einlöst.

Füttern Sie dem Modell nicht Ihren gesamten Roh-Export und bitten Sie ohne Struktur um "Insights". Vage Prompts produzieren vage, generische Ausgaben, egal wie gut das zugrundeliegende Modell ist. Je spezifischer die Frage (Mechanismus, Claim-Typ, emotionale Ausrichtung), desto nützlicher die Klassifizierung.

Woher die Quelldaten kommen#

Dieser Workflow ist nur so gut wie der Anzeigensatz, mit dem Sie beginnen, und das ist der Teil, den die meisten Anleitungen überspringen. Manuelles Screenshotting von Wettbewerbsanzeigen aus einem Feed ist langsam und unvollständig, da Native Ads ständig rotieren und Sie nur sehen, was Ihrem eigenen Gerät zufällig ausgespielt wird. Ein Competitive Ad Intelligence Workflow, der auf einer Watchlist und einem durchsuchbaren Archiv aufbaut und nicht auf manuellem Screenshotting, gibt dem LLM einen viel größeren und repräsentativeren Batch zum Arbeiten. Programmatischer Zugang ist hier ebenfalls wichtig: Daten über eine API zu ziehen, anstatt Screenshots zu kopieren, bedeutet, dass Sie den "Sammeln"-Schritt komplett automatisieren und einen frischen Batch nach Zeitplan in Ihren Analyse-Prompt füttern können – genau dafür ist die Native Ad Data API da. Für Teams, die bereits in einem LLM-Workflow leben, gibt es auch einen direkten Weg: Die Native Ad Library MCP ermöglicht es Ihnen, den live Creative-Korpus direkt aus Claude oder ChatGPT abzufragen, ohne vorher etwas zu exportieren.

Eine durchgearbeitete Beispielstruktur#

Angenommen, Sie recherchieren einen Wettbewerber im Hörgerätebereich. Ein Batch-Pull könnte Headlines wie "Struggling to Hear Clearly? Discover a Device Transforming Lives" und mehrere Varianten derselben Curiosity-plus-Claim-Struktur zutage fördern. Die Klassifizierung eines solchen Batches zeigt typischerweise zwei oder drei dominante Mechanismen auf (eine Health-Curiosity-Gap, ein gerätefokussierter direkter Claim und gelegentlich ein Story-Format), und Sie können schnell sehen, auf welchen ein Wettbewerber am stärksten setzt – gemessen am Volumen, nicht durch Raten anhand einer Anzeige. Diese Verteilung, nicht irgendeine einzelne Headline, ist das handlungsrelevante Ergebnis.

Häufige Fehler mit diesem Workflow#

• Die Ausgabe des Modells als Fakt behandeln, nicht als Hypothese. LLMs sind gut darin, Muster, die Sie ihnen füttern, zusammenzufassen, und schlecht darin zu wissen, ob ein Muster tatsächlich mit Performance korreliert. Überprüfen Sie jedes vom Modell aufgedeckte Muster gegen echte Langlebigkeits- oder Spend-Signale, bevor Sie eine Kampagne darauf setzen.
• Einen zu kleinen Batch analysieren. Fünf Anzeigen sind kein Muster, sondern eine Stichprobe von Rauschen. Zwanzig bis dreißig bringen Sie zu etwas Realem.
• Die Landing Page überspringen. Eine großartige Hook-Analyse bedeutet nichts, wenn Sie nicht auch prüfen, was der Funnel mit dem Klick macht – und dort entscheiden meist Pre-Lander-Formate, ob der Klick konvertiert.
• Geo- und Branchenunterschiede ignorieren. Eine Claim-Struktur, die in US-Health-Creatives dominiert, lässt sich nicht notwendigerweise auf ein anderes Geo oder ein Software-Offer übertragen; führen Sie die Klassifizierung pro Branche erneut durch, anstatt anzunehmen, ein Muster verallgemeinere sich.

KI nutzen, um Veränderungen über die Zeit zu verfolgen, nicht nur einen Schnappschuss#

Eine einmalige Analyse sagt Ihnen, was ein Wettbewerber diese Woche tut. Die nützlichere Version dieses Workflows läuft nach Zeitplan: ziehen Sie alle paar Tage einen frischen Batch, füttern Sie ihn mit derselben Klassifizierungs-Prompt und vergleichen Sie die Ausgabe mit der der letzten Woche. Eine Verschiebung in der Mechanismus-Verteilung (z.B. ein Wettbewerber wechselt von Curiosity-Gap-Headlines zu direkten Claim-Headlines) bedeutet meist, dass er etwas gefunden hat, das besser konvertiert, und darauf setzt. Diese Verschiebung früh zu erkennen, ist mehr wert als jede einzelne Tiefenanalyse, und es ist der Unterschied zwischen dem Aufbau einer Competitor Watchlist, die Ihren Creative-Kalender tatsächlich informiert, und einer, die nur ein Ordner mit alten Screenshots ist, den niemand wieder ansieht.

Hier wird auch der "vage Prompt"-Fehlermodus im großen Maßstab teuer. Wenn Sie diese Klassifizierung wöchentlich über mehrere Wettbewerber hinweg ausführen, machen kleine Inkonsistenzen in Ihrer Prompt-Formulierung Wochen-zu-Woche-Vergleiche unzuverlässig. Legen Sie die Prompt-Vorlage fest, sobald sie nützliche Gruppierungen produziert, und ändern Sie nur den Input-Batch, nicht die Anweisungen, damit Ihre Trendlinien tatsächlich vergleichbar sind.

Was dieser Workflow Ihnen nicht sagen wird#

Seien Sie realistisch bezüglich der Grenzen. Ein LLM kann Mechanismen und Claim-Strukturen zuverlässig klassifizieren; es kann Ihnen nicht die tatsächliche Conversion-Rate eines Wettbewerbers, seine wahren Ausgaben oder sagen, ob eine Anzeige noch aktiv ist, weil sie echt profitabel ist oder auf Autopilot in einer Set-and-Forget-Kampagne läuft. Langlebigkeit ist ein Indikator, kein Beweis, und selbst ein gut strukturierter Prompt fasst nur zusammen, was Sie ihm gefüttert haben. Behandeln Sie die Ausgabe als einen starken Hypothesengenerator, der eingrenzt, was Sie als nächstes testen sollten, nicht als ein Urteil darüber, was für Ihr Offer funktionieren wird.

Analyse in Aktion umwandeln#

Der Sinn dieser ganzen Übung ist kein Bericht, sondern eine Shortlist von zwei oder drei Claim-Strukturen, die Sie aktuell nicht nutzen, ehrlich gegen Ihr eigenes Produkt getestet. Sobald Sie diese Shortlist haben, verschiebt sich die Aufgabe der KI von der Analyse zur Generierung: entwerfen Sie Headline-Varianten im fehlenden Mechanismus, halten Sie den Claim spezifisch und starten Sie klein. Wenn Sie lieber darauf verzichten möchten, die Sammel-Pipeline selbst zu bauen, bietet das Durchsuchen eines durchsuchbaren, ständig aktualisierten Archivs von live Creatives innerhalb der Ad Intelligence Platform von OpenAdLibrary Ihnen den Batch zur Analyse, ohne eine einzige Anzeige von Hand zu screenshotten.