Hoe AI te gebruiken om concurrentadvertenties te analyseren (prompts en workflow)

De snelste manier om AI te gebruiken om concurrentadvertenties te analyseren is te stoppen met het vragen om "analyze" een enkele screenshot en te beginnen met een batch: haal 15 tot 30 live creatives van een concurrent of verticale, plak de koppen en een korte beschrijving van elke afbeelding in een LLM, en vraag het model om ze te groeperen op hook‑mechanisme, claimtype en doel‑emotie. Eén advertentie vertelt je bijna niets. Een batch laat zien wat een concurrent blijft herhalen, wat de structuur waard is om te kopiëren, niet de specifieke bewoording.

Waarom analyse van één advertentie faalt#

Mediabuyers die nieuw zijn met deze workflow maken meestal een screenshot van één concurrentadvertentie, plaatsen die in een chat‑tool en vragen "why does this work". Het model zal vol vertrouwen een verklaring verzinnen, want dat is wat LLM's doen wanneer ze één datapunt krijgen en om een patroon worden gevraagd. De oplossing is volume: patronen worden pas zichtbaar over een set advertenties, en het model is veel betrouwbaarder in het samenvatten van wat gemeenschappelijk is over twintig voorbeelden dan in het theoretiseren over één. Dit is hetzelfde principe achter analyzing winning native ad creatives: individuele advertenties zijn ruis, batches onthullen structuur.

De prompt‑workflow die daadwerkelijk werkt#

Hier is een reeks die standhoudt in health, finance, ecommerce en software verticale:

1. Collect. Haal een batch van live creatives op voor een concurrent, merk of verticale, bij voorkeur advertenties die al een tijdje draaien (longevity is een ruwe proxy voor "still working", behandeld in ad longevity as a winning signal). Noteer kop, afbeeldingsbeschrijving en verticale voor elk.
2. Classify. Prompt: "Here are 20 ad headlines from [vertical]. Group them by the core mechanism: curiosity gap, direct claim, social proof, fear/urgency, story format. For each group, note what percentage of the batch it represents." Dit verandert een muur van koppen in een verdeling waarop je kunt acteren.
3. Extract the claim structure. Prompt: "For each headline, extract the specific claim being made (not the wording, the underlying promise). Are the claims specific (a number, a body part, a named product) or vague?" Specifieke claims zijn de waardevollere; vage claims zijn meestal lage presteerders die de batch opvullen.
4. Compare against your own creative. Prompt: "Here are my current headlines and the batch of competitor headlines. Which mechanisms am I not using at all?" Dit brengt hiaten sneller aan het licht dan een handmatige side‑by‑side.
5. Generate variants from the gap, not from scratch. Zodra je weet welk mechanisme je mist, vraag het model om headline‑varianten te maken met dat specifieke mechanisme, verankerd aan je eigen product, niet een generieke template.

Wat je het model moet voeren (en wat niet)#

De kwaliteit van deze workflow hangt volledig af van de invoer. Screenshots van de advertentie‑eenheid alleen (afbeelding plus kop) zijn voldoende voor classificatie; je hebt de landingspagina nog niet nodig. Zodra je een paar structuren hebt geselecteerd die het waard zijn om dieper te onderzoeken, breid je dezelfde aanpak uit naar de landingspagina en reverse-engineer the full funnel van creative tot aanbod, want een kop die werkt kan nog falen als de landingspagina de specifieke claim niet waarmaakt.

Voer het model niet je volledige ruwe export in en vraag om "insights" zonder structuur. Vage prompts leveren vage, generieke output op, ongeacht hoe goed het onderliggende model is. Hoe specifieker de vraag (mechanisme, claimtype, emotionele register), hoe bruikbaarder de classificatie.

Waar de brondata vandaan komt#

Deze workflow is alleen zo goed als de advertentieset waarmee je start, en dat is het deel dat de meeste handleidingen overslaan. Handmatig screenshots maken van concurrentadvertenties uit een feed is traag en onvolledig, omdat native ads constant roteren en je alleen ziet wat je eigen apparaat toevallig te zien krijgt. Een competitive ad intelligence workflow gebouwd rond een watchlist en een doorzoekbaar archief, in plaats van handmatig screenshots, geeft de LLM een veel grotere en representatievere batch om mee te werken. Programmatic access is hier ook belangrijk: data via een API ophalen in plaats van screenshots kopiëren/plakken betekent dat je de "collect"‑stap volledig kunt automatiseren en een verse batch in je analyse‑prompt kunt voeren volgens een schema, precies wat de native ad data API doet. Voor teams die al in een LLM‑workflow werken, is er ook een directe route: de native ad library MCP laat je de live creative‑corpus queryen vanuit Claude of ChatGPT in plaats van eerst iets te exporteren.

Een uitgewerkt voorbeeldstructuur#

Stel je onderzoekt een concurrent in de hoortoestel‑markt. Een batch‑pull kan koppen opleveren zoals "Struggling to Hear Clearly? Discover a Device Transforming Lives" en meerdere varianten op dezelfde curiosity‑plus‑claim structuur. Het classificeren van zo'n batch brengt meestal twee of drie dominante mechanismen aan het licht (een health curiosity gap, een device‑focused direct claim, en af en toe een story format), en je kunt snel zien op welk mechanisme een concurrent het zwaarst leunt op basis van volume, niet door te gokken op één advertentie. Die verdeling, niet één enkele kop, is de bruikbare output.

Veelgemaakte fouten met deze workflow#

• Het modeloutput behandelen als feit in plaats van hypothese. LLM's zijn goed in het samenvatten van patronen die je ze geeft, maar slecht in het weten of een patroon daadwerkelijk correleert met prestaties. Controleer elk patroon dat het model naar voren brengt tegen echte longevity‑ of spend‑signalen voordat je een campagne erop baseert.
• Te kleine batch analyseren. Vijf advertenties vormen geen patroon, het is ruis. Twintig tot dertig brengt je naar iets reëels.
• De landingspagina overslaan. Een sterke hook‑analyse betekent niets als je niet controleert wat de funnel met de klik doet, waar pre‑lander formats meestal bepalen of de klik converteert.
• Geo‑ en verticale verschillen negeren. Een claimstructuur die domineert in US health creative vertaalt zich niet automatisch naar een andere geo of een software‑aanbod; herhaal de classificatie per verticale in plaats van aan te nemen dat één patroon algemeen geldt.

AI gebruiken om veranderingen over tijd te volgen, niet alleen een momentopname#

Een eenmalige analyse vertelt je wat een concurrent deze week doet. De nuttigere versie van deze workflow draait volgens een schema: haal elke paar dagen een verse batch op, voer dezelfde classificatie‑prompt in, en vergelijk de output met die van vorige week. Een verschuiving in mechanisme‑verdeling (bijvoorbeeld een concurrent die van curiosity‑gap naar direct‑claim koppen gaat) betekent meestal dat ze iets hebben gevonden dat beter converteert en daarop inzetten. Die verschuiving vroegtijdig oppikken is meer waard dan een enkele diepe analyse, en dat is het verschil tussen building a competitor watchlist die je creatieve kalender echt voedt en één die slechts een map met oude screenshots is die niemand meer bekijkt.

Dit is ook waar de "vague prompt"‑foutmodus duur wordt op schaal. Als je deze classificatie wekelijks uitvoert voor meerdere concurrenten, maken kleine inconsistenties in hoe je de prompt formuleert week‑over‑week vergelijkingen onbetrouwbaar. Vergrendel de prompt‑template zodra deze bruikbare groeperingen oplevert, en wijzig alleen de invoer‑batch, niet de instructies, zodat je trend‑lijnen echt vergelijkbaar blijven.

Wat deze workflow je niet zal vertellen#

Wees realistisch over de grenzen. Een LLM kan mechanisme en claimstructuur betrouwbaar classificeren; hij kan je niet vertellen wat de daadwerkelijke conversieratio van een concurrent is, hun echte uitgaven, of of een advertentie nog actief is omdat hij winstgevend is versus een autopilot‑campagne. Longevity is een proxy, geen bewijs, en zelfs een goed gestructureerde prompt vat alleen samen wat je hebt ingevoerd. Beschouw de output als een sterke hypothesegenerator die je helpt te bepalen wat je vervolgens moet testen, niet als een definitief oordeel over wat voor jouw aanbod zal werken.

Analyse omzetten in actie#

Het doel van dit hele proces is geen rapport, maar een shortlist van twee of drie claimstructuren die je nog niet gebruikt, getest tegen je eigen product. Zodra je die shortlist hebt, verschuift de taak van de AI van analyse naar generatie: maak headline‑varianten in het ontbrekende mechanisme, houd de claim specifiek, en lanceer klein. Als je liever de collectie‑pipeline zelf niet bouwt, biedt een doorzoekbaar, continu‑bijgewerkt archief van live creatives binnen OpenAdLibrary's ad intelligence platform je de batch om te analyseren zonder handmatig een enkele advertentie te screenshotten.