ChatGPT hirdetési címsorokhoz: Promptok, buktatók és egy tesztelési munkafolyamat
A nyers ChatGPT címsor-promptok ugyanazokra a fárasztó struktúrákra konvergálnak, mert a modell nem látja, hogy mi fut éppen. Íme egy kutatás-alapú munkafolyamat, amely ezt kijavítja.

A ChatGPT tud első vázlatokat készíteni natív hirdetési címsorokból. Ez az útmutató ezeket a vázlatokat nyersanyagként kezeli: valódi terméktényeket és dátummal ellátott példacímsorokat adsz meg neki, egy tétel változatot kérsz, ezeket a saját megfelelőségi szabályaid és az egyes hálózatok aktuális irányelvei alapján szűröd, majd amit meghagytál, azt a saját adataiddal teszteled. Két korlát húzódik végig az alábbiakon. Egy prompt önmagában nem ad a modellnek rálátást arra, mi fut a Taboola vagy MGID hálózatokon, sem arra, hogyan teljesített bármely hirdetés. És azok a minták, amelyek miatt aggódnak az emberek – például a „furcsa trükk” kíváncsisági rés, az „ő 62 évesen fedezte fel” életkori kampány és a számozott lista – ismerősek a natív hirdetésekben; hogy a promptolatlan ChatGPT-kimenet konvergál-e rájuk, az szerkesztői megfigyelés, nem mért eredmény, és modellenként, verziónként és promptonként változni fog. A „kérj egy címsort a ChatGPT-től” megoldásnál kontrolláltabb munkafolyamat, hogy mennyiség és változatosság generálására használod, majd keményen szűrsz a valódi kreatívok dátummal ellátott példái, a saját megfelelőségi szabályaid és a hálózat irányelvei alapján, mielőtt bármi is elindulna.
Miért adhatnak az irányelvek nélküli promptok általános címsorokat#
Ha egy általános célú modellt megkérsz „10 natív hirdetési címsorra” más kontextus nélkül, egy szűk sávnyi ismerős struktúrát kaphatsz: egy kíváncsisági rést, egy számmal vezetett listát, egy meglepő statisztikát, egy életkori kampányt. Ezt inkább ellenőrizendő hipotézisként kezeld, mintsem megállapításként, mert erre vonatkozóan itt nincs dokumentált teszt: futtasd le a saját promptodat, jegyezd fel a modellt és a verziót, és nézd meg, mi jön vissza. Minél több korlátot és valódi példát adsz meg, annál kevésbé függ a kimenet a modell alapértelmezéseitől. A történelmileg rögzített natív hirdetésekben megjelenő szögek leíró jellegű áttekintéséért lásd a leggyakoribb natív hirdetési szögeket; hogy egy szög milyen gyakran jelenik meg, nem mutatja meg, milyen jól teljesít. A kíváncsisági rés szótárbejegyzés elmagyarázza ezt a mintát.
A nagyobb korlát a bizonyíték. Egy modell, amely a te promptodból dolgozik, nem rendelkezik adatokkal arról, hogyan teljesítettek a címsorok egy hálózaton, és a nyilvános hirdetési archívumok sem őriznek hirdetésenkénti konverziós vagy profitadatokat. Egy régebbi kreatívokban gyakori címsor-struktúra ütközhet egy hálózat jelenlegi címsorszabályaival is: a Realize (Taboola) megköveteli, hogy a címsorok ne legyenek megtévesztőek, és pontosan tükrözzék a céloldalt (az irányelvoldal 2026. augusztus 31-én frissült), az MGID pedig nem engedélyezi a „megtévesztő vagy kattintásvadász üzeneteket”, beleértve azokat a címsorokat, amelyeket „a felhasználói kíváncsiság megtévesztésére, eltúlzására vagy manipulálására terveztek”. Egy struktúra a figyelmet is elveszítheti, ahogy a közönség gyakran találkozik vele, de sem a ChatGPT, sem a rögzített hirdetések archívuma nem tudja megmondani, hogy ez megtörtént-e a te ajánlatodnál; a hálózat irányelvoldalai és a saját tesztjeid igen.
Egy prompt-struktúra kiindulópontként#
Az egyik módja annak, hogy megpróbáljuk csökkenteni az általános kimenetet, hogy valódi, dátummal ellátott példacímsorokat adunk a modellnek, ahelyett hogy a semmiből találna ki valamit. Az alábbi struktúrát és az ebben az útmutatóban szereplő számokat (példák, változatok, tételméretek) tesztelendő kiindulópontként kezeld, nem bizonyított receptként:
- Terméktények, egyszerűen megfogalmazva: mi az, kinek szól, az egyetlen igaz differenciáló tényező.
- Vertikum és földrajzi terület, hogy a modell ne találgasson a hangnemet (egy pénzügyi ajánlat Tier-1 országban nagyon másképp hangzik, mint egy nutra ajánlat Tier-2-ben).
- 3-5 valódi példacímsor abból a vertikumból, mindegyik mellett a rögzítés dátumával, rögzített hirdetések archívumából véve, nem pedig kitalálva. Ezek konkrét horgonyokat adnak a modellnek az általános alapértelmezések helyett. Stílusreferenciaként használd őket, ne másolandó szövegként, és ellenőrizd, hogy a kimenet nem közel azonos másolata-e bármelyiknek.
- Egy explicit lista az ismétlendő minták elkerülésére, különösen bármiről, amit már kifárasztottál teszteléssel.
- Egy kérés 8-10 rövid változatra, nem egyetlen „legjobb” címsorra. Egy tétel összehasonlítható lehetőségeket ad. A tételméret szemléltető jellegű, és hogy a tételes generálás jobb-e, mint egyetlen címsor kérése, azt a saját tesztjeidnek kellene megmutatniuk.
Ahol az AI által írt címsorok megfelelőségi kockázatot jelentenek#
Egy modell, amelytől csak „meggyőzően hangzó” szöveget kérünk, olyan állításokat produkálhat, amelyek miatt egy hirdetést elutasítanak, egy fiókot megjelölnek, vagy egy hirdető jogi bajba kerül. Az ellenőrizendő hibamódusok:
- Kitalált konkrétumok. „10 bőrgyógyászból 9 egyetért”, anélkül hogy bármi forrás állna mögötte. A modell produkálhat ilyen hamis pontosságú állítást, mert meggyőzőnek hangzik, nem azért, mert bármit is ellenőriztek. Az Egyesült Államokban a hirdetőnek „észszerű alapra” van szüksége egy állításhoz, mielőtt a hirdetés fut (FTC Advertising FAQs).
- Mesterséges sürgetés és hiány. „Csak 3 maradt a környékeden”, amikor nincs valós készletkorlát.
- Burkolt támogatás, vagy olyan előtte/utána eredmények, amelyek nem képeződnek le valós, alátámasztott eredményre. Több hálózat közvetlenül korlátozza ezeket: a Realize és az Outbrain tiltja az előtte/utána fotókat a bélyegképekben, az Outbrain/Teads pedig nem engedi, hogy az AI-t ajánlások kitalálására vagy szintetikus előtte-utána képek előállítására használják.
- Kattintásvadász struktúrák. A hálózatok korlátozzák a megtévesztésre vagy a kíváncsiság kihasználására tervezett címsorokat (MGID, fent), ezért ellenőrizd minden hálózat jelenlegi címsorirányelveit, ahelyett hogy azt feltételeznéd, hogy a tavalyi stílus még mindig elfogadott.
- AI-bevallás vagy -jelölés. Az Outbrain/Teads irányelvei szerint az „mesterséges intelligencia használatával generált vagy jelentősen módosított” tartalmat, a szöveget is beleértve, egyértelműen AI-generáltként kell megjelölni az első megjelenítés pontján, a Realize pedig arra kéri a hirdetőket, hogy jelentsék be az AI-generált szöveget egészségügyi, hírekkel, választásokkal, pénzügyekkel vagy más közérdekű témákkal kapcsolatban. Hogy egy könnyedén szerkesztett AI-címsor „jelentősen módosítottnak” számít-e, azt a nyilvános oldalak nem fejtik ki, ezért kérdezd meg a hálózatot. A joghatóságonkénti és hálózatonkénti szabályokért lásd kötelező-e felfedni az AI-hirdetéseket.
Ezek mindegyike emberi megfelelőségi ellenőrzést igényel az indítás előtt, ugyanazt a felülvizsgálatot, amit egy szabadúszó copywriter által beadott címsorokra is alkalmaznál. Egészségügyi, pénzügyi vagy más szabályozott állítások esetén vonj be valakit, aki jártas abban a területen; ebben az útmutatóban semmi nem jogi tanács. Lásd a hirdetési kreatív elemzést egy keretrendszerért, amely a címsor kampányát, szögét és állítását külön-külön pontozza, így minden dimenzió önmagában ellenőrizhető.
A ChatGPT használata osztályozásra, nem csak generálásra#
Egy másik felhasználás az osztályozás, nem a generálás. Gyűjts egy 20-30 rögzített címsorból álló tételt a vertikumodból, mindegyik mellett a megfigyelés dátumával (egy mentett lista vagy egy hirdetési archívumból származó export is elég), majd kérd meg a modellt, hogy címkézze meg mindegyiket egy rögzített értékelőlista alapján: kampány típusa, állítás kockázata és újdonság a tétel többi részéhez képest. Az elemek címkékbe sorolása könnyebben ellenőrizhető, mint valami újat a semmiből generálni: olvass el egy mintát a címkékből, és javítsd az értékelőlistát ott, ahol a modell nem ért egyet veled, mert ez az útmutató nem mutatja meg, hogy a ChatGPT ezen ellenőrzés nélkül megbízhatóan osztályozna. Az eredmény az adott tételben szereplő kampánytípusok összesítése. Ez az általad választott mintát írja le, nem a piaci részesedést, a telítettséget vagy a teljesítményt, és a számok változnak attól függően, hogyan választottad ki a tételt. Mégis segíthet eldönteni, mely szögeket érdemes tesztelni. A kampány vs. szög vs. állítás hasznos értékelőlista, amit átadhatsz a modellnek, mert három külön, ellenőrizhető dimenzióra bontja az osztályozást egy homályos „ez jó-e” ítélet helyett.
Címsorok lokalizálása új földrajzi területekre#
Ha megkérjük a ChatGPT-t, hogy adaptáljon egy meglévő címsort egy Tier-2 vagy Tier-3 területre, az időt takaríthat meg, de itt is csendben elromolhatnak a dolgok. Az idiómák és szuperlatívuszok egyenetlenül fordíthatók, egy határmentes állítás angolul túlzó állítássá válhat fordításban, ha egy szó konnotációja megváltozik, és az elfogadható egészségügyi vagy pénzügyi állítások is változnak joghatóságonként, függetlenül attól, mit mondott a forrás címsor. Kezelj minden AI által lokalizált címsort olyan első vázlatként, amelynek szüksége van anyanyelvi beszélő és megfelelőségi ellenőrzésre, ugyanúgy, mint a forrásnyelvi változatnak, ne pedig alacsonyabb kockázatú kimenetként, mert az "csak egy fordítás". Egyes hálózatok az AI-fordítást is AI-tartalomnak tekintik: a Realize AI-tartalomra vonatkozó útmutatása (2026. július 20.) az "AI által generált fordítás / szinkronizálás" példát is felsorolja az olyan tartalmak között, amelyeket az AI jelentősen szerkesztett vagy alakított át. Lásd új földrajzi területekre való skálázást és földrajzi szinteket a szélesebb körű megfontolásokért, amelyek a hazai piacon túli terjeszkedéssel járnak.
Egy munkafolyamat: kutatás, generálás, szűrés, tesztelés#
Egy ciklust könnyebb kézben tartani, mint az egyszeri generálást:
- Először kutatás. Gyűjts össze 5-10 összehasonlítható, rögzített kreatívat a vertikumodban, a rögzítésük dátumával együtt, mielőtt egyetlen promptot írnál. Hogyan találj natív hirdetési szögeket lefedi, mit kell keresni ebben a kutatási körben.
- Generálj egy tételt, például 15-20 változatot (szemléltető méret), a fenti korlátokkal a promptba építve.
- Szűrj manuálisan megfelelőség, márkaszólam és minden olyan dolog alapján, ami valami olyan dolog újrafeldolgozása, amit már kivontál. Ebben a lépésben alkalmazd az egyes hálózatok szabályzatát, beleértve bármilyen AI-nyilatkozatot vagy -címkét.
- Indíts egy kis, kontrollált tesztet, és a saját eredményeid alapján ítéld meg. Mielőtt elkezded, határozd meg a metrikát (például az akvizíciós költséget vagy a hirdetési megtérülést), a költségvetést és a minimális mintát. A korai kattintási arány önmagában nem mutat nyereséget. Az, hogy egy versenytárs hirdetését milyen régóta látni futni, nem bizonyíték arra, hogy nyereséges (lásd mit mutat és mit nem mutat a hirdetés hosszú élettartama), és a saját hirdetésed futási ideje sem eredmény: az eredmény a konverziói és a nyeresége.
- Tápláld vissza a kontrollverziót felülmúló változatokat a következő promptodba példaként, hogy a vázlatok azt tükrözzék, ami nálad működött, ne pedig azt, ami általánosan meggyőző.
Egy külső, rögzített hirdetéseket tartalmazó archívum szolgáltathatja a dátumozott példacímsorokat az 1. lépéshez és a 2. lépés promptjához. Az OpenAdLibrary natív hirdetés kém eszköze az egyik hely, ahol megtalálhatod őket: a könyvtár lefedi a Meta, TikTok, Google Ads és a natív hálózatokat. Az ingyenes fiókok a 20 legújabb Meta-, TikTok- és natív hirdetést látják, a kereséshez és a szűrőkhöz pedig a Founders csomag kell, havi $29.99. Egy rögzített címsor megmutatja, mit láttak futni és mikor. Azt nem mutatja meg, hogy a hirdetést egy hálózat jóváhagyta, nyereséges, telített vagy "nyertes" volt-e, ezért a példákat kutatási anyagként használd, nem bizonyítékként.
Amit egy chatmodell nem tud megadni neked#
Egy prompt önmagában nem tudja megmondani, mi telített egy adott hálózaton, mert ez olyan teljesítményadatoktól függ, amelyekkel a modell nem rendelkezik. Nem tudja ellenőrizni, hogy egy állítás a termékedről igaz-e. Ez az útmutató semmit nem mutat arról, hogy egy modell meg tudná jósolni a kattintási arányt, és a magabiztosan hangzó javaslat nem bizonyíték; csak a saját kontrollált teszted tud eredményeket mérni. És nem vállalhat felelősséget egy megfelelőségi szabálysértésért: a hirdetőnek kell alátámasztania az állításait, az USA-ban pedig az FTC szerint egy reklámügynökség is jogilag felelőssé tehető a megtévesztő állításokért, és az ajánlások létrehozásában vagy terjesztésében részt vevő közvetítők is felelősségre vonhatók (FTC Advertising FAQs; 16 CFR 255.1(f)). Ez általános tájékoztatás, nem jogi tanácsadás.
Egy rötti ellenőrzőlista, mielőtt bármely AI által vázolt címsor élő megy#
- Van-e minden állításnak valódi forrása, vagy átírták úgy, hogy eltávolítsák a hamis pontosságú nyelvet, amit a modell hozzáadhat?
- Adtál-e a modellnek valódi, dátumozott példacímsorokat, vagy az csak a promptod alapján dolgozik?
- Pontozott-e egy ember a tételt a kampány, szög és állítás kockázata alapján külön-külön, ahelyett, hogy az egész címsort megérzés alapján ítélné meg?
- Jelentősen különbözik-e ez a címsor az utoljára tesztelt tételtől, vagy csak valami már kivont dolog újrafogalmazása?
- Ha lokalizálják, megkapta-e a fordított változat a saját megfelelőségi ellenőrzését, nem csak egy nyelvi ellenőrzést?
- Megköveteli-e a hálózat, hogy az AI által generált tartalmat bejelentsék vagy megjelöljék, és megtetted-e?
- Úgy van-e beállítva a teszt, hogy a saját eredményeid döntsék el, mit skálázol, nem pedig a futási idő vagy a korai kattintások önmagukban?
Ha egy kutatás-alapú munkafolyamaton belül mennyiség és változatosság előállítására használják, a ChatGPT felgyorsíthatja az első vázlatokat; hogy ez időt takarít-e meg vagy javít-e az eredményeiden, azt mérni kell. Ha a saját piacod ismeretének helyettesítőjeként használják, nagyobb valószínűséggel olyan általános szöveget ad vissza, amit más, hasonló promptokat használó hirdetők is megkaphatnak.







