Automatyzacja AI kampanii reklamowych pozwoliła portalowi amor.pl skrócić czas przygotowania jednej kampanii z 9,4 godziny do 1,05 godziny — to redukcja o 89%. Trzyosobowy zespół marketingowy obsługuje dziś tyle kampanii, ile wcześniej wymagałoby dziewięciu specjalistów. Rozbieramy to wdrożenie na części: narzędzia, architektura, błędy i twarde liczby.
- Czas przygotowania kampanii spadł o 89% dzięki automatyzacji copywritingu, raportowania i zarządzania stawkami w jednym spójnym workflow.
- Trzyosobowy zespół amor.pl obsługuje dziś tyle kampanii, ile przed wdrożeniem AI wymagało dziewięcioosobowej obsady — bez wzrostu budżetu na etaty.
- Kluczem nie był jeden „magiczny” model AI, lecz integracja pięciu warstw automatyzacji: generowania copy, segmentacji odbiorców, optymalizacji stawek, raportowania i alertów anomalii.
- ROAS wzrósł z 4,2 do 6,8 w ciągu od wdrożenia — nie dlatego, że AI „wymyśla lepsze reklamy”, lecz dlatego, że testuje ich sześć razy więcej wariantów w tym samym czasie.
- Koszt pozyskania leada (CPL) obniżył się o 34% przy jednoczesnym wzroście jakości ruchu mierzonej współczynnikiem zaangażowania w GA4.
- Cały stack automatyzacji działa na narzędziach dostępnych bez kodu: Make.com, Google Ads Scripts i OpenAI API — bez własnego działu IT.
- Wdrożenie zajęło od audytu do pełnego uruchomienia produkcyjnego.
Jak wyglądała praca zespołu amor.pl przed wdrożeniem AI
Trzyosobowy zespół amor.pl przeznaczał średnio 9,4 godziny na jedną kampanię płatną — od briefu po kliknięcie „Uruchom”. Każdy etap: ręcznie. Raport? Raz w tygodniu, pięć dni opóźnienia wobec rzeczywistości aukcyjnej. To nie workflow — to gaśnica.
amor.pl to jeden z rozpoznawalnych polskich portali lifestyle’owych, z modelem opartym na subskrypcjach premium i lead generation. Na początku dział marketingu żonglował czterema aktywnymi kampaniami — dwie w Google Ads, jedna na Mecie, jedna retargetingowa. Brzmi skromnie? Problem nie leżał w liczbie kampanii, tylko w sposobie, w jaki je prowadzono.
Każde ogłoszenie tekstowe powstawało ręcznie. Copywriter pisał warianty nagłówków, zespół je omawiał na callach, brand manager akceptował — albo odrzucał i cykl zaczynał się od nowa — a specjalista wgrywał gotowe kreacje do panelu. Jedna edycja copy? Półtora do dwóch dni. Miesięcznie zespół testował trzy, góra cztery warianty tekstów. Przy standardach A/B testowania w performance marketingu to za mało, żeby wyciągnąć statystycznie istotne wnioski. Po prostu za mało.
Raportowanie wyglądało tak: co piątek jeden z marketingowców eksportował dane z Google Ads, Meta Business Suite i GA4, sklejał ręcznie tabelę zbiorczą w Excelu i wysyłał PDF do zarządu. Czas? 3,5 godziny. Tydzień w tydzień, bez wyjątku. To ponad 182 godziny rocznie jednej osoby na przeklejanie liczb między arkuszami. A 73% firm korzysta dziś z AI do tworzenia treści (McKinsey, 2025) — tymczasem tu czas zjadała praca, którą skrypt załatwiłby w minutę.
Optymalizacja stawek CPC? Raz, dwa razy w tygodniu, na czuja i na podstawie trendów z poprzedniego okresu. Zero alertów. Jeśli kampania zaczęła przepalać budżet o drugiej w nocy — nikt tego nie widział do rana. W jedna z kampanii lead generation straciła w ciągu jednego weekendu 4 200 zł przy ROAS poniżej 1 przez 48 godzin. Dało się temu zapobiec. Gdyby istniał system alertów działający w czasie rzeczywistym, ta strata nigdy by nie nastąpiła.
To był moment, w którym zarząd amor.pl powiedział „dość” i zaczął szukać rozwiązania, które zdejmie z zespołu robotę mechaniczną i da przestrzeń na myślenie strategiczne.
Architektura systemu: pięć warstw automatyzacji AI
System automatyzacji AI kampanii reklamowych dla amor.pl ma pięć warstw: generowanie copy, segmentacja odbiorców, optymalizacja stawek, raportowanie i alerty anomalii. Żadna nie zastępuje człowieka w decyzjach strategicznych. Każda likwiduje ręczną robotę, która nie wymaga ludzkiego osądu — i to jest kluczowe rozróżnienie.
Zanim przejdę do szczegółów — jedna rzecz, którą trzeba powiedzieć wprost: to nie jest wdrożenie jednego narzędzia AI, które „robi wszystko”. Takie produkty istnieją. I większość z nich daje przeciętne wyniki, bo traktuje każdego klienta jednakowo. Architektura, którą zbudowaliśmy, łączy pięć specjalizowanych komponentów przez Make.com — wizualną platformę automatyzacji workflow bez kodu — i działa na danych specyficznych dla amor.pl: ich głos marki, historyczne CTR-y, wzorce konwersji. Bez tego kontekstu nawet najlepszy model generuje generyczne copy.
Warstwa 1: Generowanie copy i wariantów reklam
GPT-4o z systemowym promptem opartym na brand voice amor.pl wypluwa 12 wariantów nagłówków i opisów w 4 minuty. Poprzedni proces z udziałem copywritera, brand managera i trzech rund poprawek? Półtora dnia. Różnica jest brutalna.
Samo AI to połowa sukcesu. Drugą połową jest jakość promptu systemowego. Spędziliśmy na nim — i to nie były dwa tygodnie wrzucania „napisz mi nagłówek”. Instrukcja zawiera: tone of voice marki z przykładami zaakceptowanych i odrzuconych tekstów, ograniczenia regulaminowe Google Ads i Meta, listę słów zablokowanych przez dział prawny, struktury nagłówków wynikające z historycznych CTR oraz trzy persony odbiorców z ich bolączkami i językiem. Bo 93% marketerów korzystających z AI i tak poddaje wynik ręcznej weryfikacji przed publikacją (Semrush, 2025) — prompt musi więc dawać materiał, który wymaga minimum poprawek, a nie przepisywania od zera.
Efekt? Copywriter przestał tworzyć warianty od zera. Teraz przegląda 12 propozycji AI, wybiera 6 najlepszych do testów, czasem edytuje dwa–trzy zdania. Czas? Z 90 minut na 15. A liczba testowanych wariantów miesięcznie skoczyła z 3–4 do ponad 24 — co bezpośrednio przekłada się na trafniejsze wnioski z testów A/B i wyższy CTR. Więcej prób, więcej danych, lepsze decyzje. Prosta matematyka.
Warstwa 2: Automatyczna optymalizacja stawek
Smart bidding w Google Ads (automatyczne strategie ustalania stawek oparte na ML Google) uzupełniliśmy własnym skryptem Google Ads Script. Monitoruje ROAS w oknach 2-godzinnych i uruchamia reguły awaryjne przy odchyleniu powyżej 30% od 14-dniowej średniej. Bez czekania na poniedziałek, żeby ktoś wreszcie zajrzał w panel.
Google Ads ma potężne natywne algorytmy smart biddingu. Problem? Działają jako czarna skrzynka. Nie wiemy, dlaczego stawki rosną nocą w sobotę — a kasa leci. Skrypt, który wdrożyliśmy, robi jedną prostą rzecz: sprawdza ROAS kampanii co dwie godziny. Jeśli spada poniżej progu ustalonego przez zespół (3,5 w przypadku amor.pl), wysyła alert na Slack i tnie budżet dzienny o 40% do czasu ręcznej weryfikacji. Prosty mechanizm. Ale właśnie prostota sprawia, że działa niezawodnie.
Koszt? Zero złotych narzędziowo — Google Ads Scripts to darmowa funkcja platformy. Napisanie i przetestowanie skryptu zajęło 6 godzin. Przy budżecie reklamowym amor.pl na poziomie 18 000 zł miesięcznie ta inwestycja zwróciła się przy pierwszej anomalii — dokładnie takiej jak weekendowa wpadka z , która kosztowała 4 200 zł.
Warstwa 3: Automatyczne raportowanie i alerty anomalii
Pipeline raportowy w Make.com ciągnie dane z Google Ads API, Meta Ads API i GA4 co 6 godzin, aktualizuje dashboard w Looker Studio i wrzuca skrócony brief na Slack. Automatycznie, bez jednego kliknięcia. Raport tygodniowy ląduje w skrzynce zarządu w niedzielę o 7:00 — a zespół śpi.
Budowa tego pipeline’u to pracy w Make.com — narzędziu dostępnym od 9 USD miesięcznie w planie podstawowym. Koszt połączeń API w skali miesiąca? Kilkanaście złotych przy synchronizacji co 6 godzin. Oszczędność po stronie zespołu: 182 godziny rocznie jednej osoby. Ponad miesiąc pracy etatowej odzyskany z niczego.
Do raportowania dorzuciliśmy jeszcze automatyczne wykrywanie anomalii. Reguły statystyczne, nic kosmicznego: jeśli CTR (Click-Through Rate — współczynnik klikalności reklamy) dowolnej kampanii spada w ciągu doby o więcej niż 25% względem 7-dniowej średniej, system flaguje ją na czerwono i wysyła alert z opisem, które zestawy reklam mają problem. Specjalista nie musi już codziennie przeglądać wszystkich kampanii w poszukiwaniu regresji. System informuje go wtedy — i tylko wtedy — gdy coś faktycznie wymaga uwagi. Reszta dzieje się w tle.
| Zadanie | Przed automatyzacją | Po automatyzacji | Redukcja |
|---|---|---|---|
| Przygotowanie wariantów copy | 90 min | 15 min | −83% |
| Raport tygodniowy | 210 min | 0 min (auto) | −100% |
| Optymalizacja stawek | 60 min / 2× tyg. | 10 min (weryfikacja alertów) | −92% |
| Segmentacja odbiorców | 45 min / kampania | 8 min (akceptacja reguł) | −82% |
| Łączny czas / kampania | 9,4 godz. | 1,05 godz. | −89% |
Automatyzacja AI skróciła czas kampanii o 89% — liczby i mechanizm
89% redukcji nie wzięło się z jednego narzędzia. Wzięło się z eliminacji ośmiu ręcznych punktów w procesie, które łącznie pożerały 8,35 godziny z każdego 9,4-godzinnego cyklu. Żaden z tych punktów nie wymagał ludzkiego osądu — tylko egzekucji reguły. A reguły automatyzuje się lepiej niż ludzi.
Skąd taka precyzja? Zmierzyliśmy to dokładnie. Przed wdrożeniem przez każdy członek zespołu logował czas pracy w Toggl Track, z podziałem na kategorie zadań. Przyjemne to nie było — nikt nie lubi odkryć, że 67% jego tygodnia to praca, którą mógłby wykonać skrypt. Ale bez tej diagnozy strzelalibyśmy w ciemno.
Po wdrożeniu w i stabilnej pracy systemu pomierzyliśmy czas ponownie. Wynik: 1,05 godziny na pełen cykl kampanii od briefu do uruchomienia. Na tę godzinę składa się: weryfikacja briefu w narzędziu (10 min), selekcja copy z propozycji AI (15 min), akceptacja segmentów odbiorców (8 min), konfiguracja w panelu (22 min) i finalna kontrola jakości (10 min). Reszta? Dzieje się sama.
A co z jakością decyzji? Przed automatyzacją zespół testował 3–4 warianty copy miesięcznie. Po wdrożeniu: 24–28 wariantów. Więcej testów to więcej danych. Więcej danych to lepsze decyzje optymalizacyjne. ROAS kampanii Google Ads wzrósł z 4,2 do 6,8 nie dlatego, że AI pisze cudowne teksty — lecz dlatego, że przy sześciokrotnie większej liczbie testowanych wariantów statystycznie trudniej pominąć wariant wygrywający. To nie magia. To skala testów.
„Do you all really want to stay the janitors of the web? This is our moment to really stand up and be something different.”
(pol. Czy chcecie pozostać dozorcami internetu? To nasz moment, by stać się czymś innym.)
King mówi o SEO, ale ten cytat pasuje do automatyzacji AI kampanii reklamowych jak ulał. Zespół amor.pl przestał być dozorcami arkuszy kalkulacyjnych — i zaczął robić rzeczy, na które wcześniej nie starczało tygodnia.
Oprócz czasu zmierzył się równie ważny wskaźnik: koszt pozyskania leada (CPL). Przed wdrożeniem: 38,40 zł. Po trzech miesiącach pracy systemu: 25,30 zł. Spadek o 34%. Przy miesięcznym budżecie 18 000 zł to różnica między 469 leadami a 711 leadami — 242 leady więcej bez podnoszenia budżetu. Te liczby powinny wystarczyć każdemu CFO.
Trzykrotna produktywność: co to oznacza w praktyce dla zespołu
Trzy osoby, 12 kampanii równolegle. Cztery razy więcej niż przed wdrożeniem, przy tych samych etatach. Odzyskany czas poszedł na strategię, analizę i testy — rzeczy, które wcześniej nie mieściły się w tygodniowym kalendarzu. Dlatego automatyzacja AI kampanii reklamowych to nie redukcja kosztów. To zmiana tego, na co wydaje się czas.
„Trzykrotna produktywność” brzmi jak slogan ze slajdu prezesa. Dlatego wymaga definicji. W przypadku amor.pl mierzyliśmy produktywność przez jedną metrykę: liczbę aktywnych kampanii prowadzonych jednocześnie na jednego specjalistę. Przed wdrożeniem: 1,3 kampanii na osobę (cztery kampanie, trójka ludzi). Po wdrożeniu: 4 kampanie na osobę. Wzrost o 207%. Trzykrotne przyspieszenie — nie szacowane, zmierzone.
Ale ważniejsze od liczby kampanii jest to, co te trzy osoby robią z odzyskanymi godzinami. Specjalista ds. Google Ads zaczął prowadzić regularne testy landing page’ów. Wcześniej nie było na to czasu — po prostu. W ciągu przetestował siedem wariantów strony docelowej i znalazł układ, który podniósł CVR (Conversion Rate — współczynnik konwersji) z 3,1% do 4,9%. Gdyby nadal spędzał popołudnia na przeklejaniu raportów — tego testu by nie było. A ta zmiana CVR jest warta więcej niż cała inwestycja w automatyzację.
Copywriter przestał być maszyną do nagłówków. Teraz pisze długoformowe treści na bloga, które wcześniej odkładano na „kiedyś”. I to „kiedyś” się wreszcie zmaterializowało. Content organiczny amor.pl w zwiększył ruch z wyszukiwania o 38% rok do roku. Dla kontekstu: organik odpowiada za 44,56% ruchu w polskim e-commerce — jest największym kanałem (Harbingers + Openfield, 2025). Amor.pl w końcu zaczął z niego poważnie korzystać, bo automatyzacja dała copywriterowi czas na tworzenie treści, które ten ruch budują.
„Don’t wait for the next AI innovation or algorithm update to tell you who you are. Be the signal, not the noise. The machines are learning from us. Let’s give them something worth learning.”
(pol. Nie czekaj, aż kolejna innowacja AI zdefiniuje, kim jesteś. Bądź sygnałem, nie szumem. Maszyny uczą się od nas — dajmy im coś wartego nauki.)
I dokładnie to się stało. Copywriter amor.pl przestał karmić Excele — i zaczął karmić Google treściami, od których warto się uczyć.
Trzecia osoba — specjalistka ds. Meta Ads — zajęła się rozbudową kampanii na nowych rynkach. Amor.pl uruchomił testy na rynku czeskim i słowackim w . Dwa miesiące później oba rynki notowały ROAS powyżej progu opłacalności i trafiły do stałego planu mediowego. Bez automatyzacji AI kampanii reklamowych ta ekspansja nie weszłaby w agendę jeszcze przez rok — bo nie byłoby zasobów, żeby ją obsłużyć. Tak prosto.
Jak przenieść ten model na własną organizację
Wdrożenie automatyzacji AI w kampaniach reklamowych zaczyna się od mapowania procesów — nie od wyboru narzędzi. Narzędzia dobiera się do zdiagnozowanych problemów, nie odwrotnie. Zespoły, które najpierw kupują platformę, a potem szukają jej zastosowania, notują niskie ROI. Widzimy to regularnie.
Model zbudowany dla amor.pl jest powtarzalny. Przetestowaliśmy go u czterech kolejnych klientów z różnych branż e-commerce — i za każdym razem trzy pierwsze kroki wyglądały identycznie: diagnoza, pomiar czasu zadań, priorytetyzacja automatyzacji według stosunku oszczędności do kosztu wdrożenia. Nuda? Może. Ale to ta nuda daje wyniki.
- Zmierz, zanim zaczniesz automatyzować. Przez dwa tygodnie każdy członek zespołu loguje czas w podziale na kategorie: generowanie treści, raportowanie, optymalizacja stawek, obsługa zapytań, planowanie. Bez twardych danych nie wiesz, gdzie naprawdę leży strata. A 67% marketerów deklaruje zauważalną poprawę jakości treści dzięki AI (Semrush, 2025) — więc potencjał jest, ale trzeba wiedzieć, gdzie go włożyć.
- Wybierz jeden proces do automatyzacji. Nie wszystkie naraz — to najczęstszy błąd. Zidentyfikuj zadanie z najwyższym tygodniowym czasem realizacji i najniższą złożonością decyzyjną. Raportowanie albo generowanie wariantów copy to w większości firm pierwsze, oczywiste kandydatury.
- Zbuduj prototyp w Make.com lub n8n. Tydzień, maksymalnie dwa. Jeśli nie da się postawić działającego prototypu w tym czasie, zadanie jest zbyt złożone na pierwszy krok albo wymaga innej architektury. Nie komplikuj — upraszczaj.
- Przez miesiąc prowadź stary i nowy proces równolegle. Weryfikuj jakość wyników automatycznego pipeline’u względem ręcznego. Szukaj przypadków, gdzie system się myli — i koduj reguły wyjątków zanim wyłączysz ręczną ścieżkę. Ten miesiąc jest nudny, ale chroni przed katastrofą.
- Mierz oszczędność czasu po wdrożeniu. Nie szacuj — mierz. Ponowne logowanie czasu po miesiącu pracy z systemem da twardą podstawę do decyzji o kolejnych automatyzacjach. Albo — co też się zdarza — pokaże, że wybrałeś zły proces i trzeba zmienić kierunek.
Stack narzędziowy z amor.pl zamknie się w 350–500 zł miesięcznie przy skali typowej dla polskiego sklepu internetowego lub portalu. Make.com, OpenAI API przy umiarkowanym użyciu, Looker Studio (darmowe) — to wystarcza do odwzorowania 80% funkcjonalności opisanych w tym artykule. Wdrożenia enterprise kosztują więcej, ale na tym etapie rzadko dają proporcjonalnie wyższy zwrot.
I jeszcze jedno — wniosek, który jest pomijany najczęściej, a waży najwięcej: automatyzacja AI to nie projekt IT. To projekt zmiany sposobu pracy. Największy opór napotykaliśmy nie przy konfiguracji technicznej — Make.com i GPT-4o API są dziś przyjazne nawet bez programisty — lecz przy przekonaniu specjalistów, że system AI nie „zabierze im pracy”. Bo 40% zespołów notuje natychmiastowy wzrost przychodów o 6–10% po połączeniu AI z marketingiem (SearchAtlas, 2025) — ale tylko wtedy, gdy ludzie chcą z tym systemem współpracować, a nie go sabotować ze strachu.
Jeśli prowadzisz sklep internetowy lub zarządzasz e-commerce i Twoje kampanie płatne w Google Ads lub Meta Ads wymagają regularnego ręcznego nadzoru — odpowiedz sobie na jedno pytanie: ile razy w tygodniu powtarzasz to samo zadanie, którego wynik mógłby wygenerować skrypt albo model AI? Jeśli odpowiedź brzmi „często” — masz plan na najbliższy miesiąc.
Dane z amor.pl pokazują jasno: automatyzacja AI kampanii reklamowych to nie jest przyszłość. To coś, co działa w polskich firmach od — tu i teraz. Pytanie nie brzmi, czy warto. Pytanie brzmi, ile czasu i budżetu Twój zespół przepala każdego tygodnia, odkładając tę decyzję.
Szczegółową analitykę internetową, która pozwala mierzyć zwrot z automatyzacji w czasie rzeczywistym, zbudowaliśmy na połączeniu GA4 z Looker Studio — darmowy stack, który dla większości polskich firm jest wystarczający na pierwszym etapie. Ale jeśli Twoje kampanie w Google Ads generują ruch, a Ty nie wiesz, które etapy lejka tracą leady — zanim zaczniesz automatyzować, napraw metryki bazowe. Bez wiarygodnych danych wejściowych AI nie poprawi wyników. Przemodeluje błędy szybciej i na większą skalę.
