Die Google-Ads-Blackbox: Warum die Shopping-Leistung bei zunehmender Größe nachlässt und Anreize eine Rolle spielen

In den meisten Strategien für digitale Werbung steckt eine unausgesprochene Annahme: Google möchte, dass Werbetreibende erfolgreich sind, denn ihr Erfolg bedeutet mehr Werbeausgaben und damit höhere Einnahmen für Google.

Bei kleineren Budgets trifft diese Annahme meist zu. Die Anreize stimmen überein. Sie optimieren Ihre Kampagnen, die Leistung verbessert sich, Sie geben mehr aus und alle profitieren.

Bei Budgets in Unternehmensgröße gerät diese Übereinstimmung ins Wanken.

Automatisierung verändert die Beziehung und nicht nur die eingesetzten Werkzeuge. Je mehr Budget über automatisierte Systeme läuft, desto weniger Einblick haben Werbetreibende in die Entscheidungsabläufe. Mit abnehmender Transparenz wird die Lücke zwischen den Optimierungszielen von Google und den tatsächlichen Bedürfnissen der Werbetreibenden schwerer erkennbar und noch schwerer zu schließen.

Dahinter steckt keine Verschwörung, sondern wirtschaftliche Logik. Wer versteht, wie Anreize bei großen Budgets auseinanderlaufen, kann bessere Entscheidungen in Systemen treffen, die sich nicht vollständig kontrollieren lassen.

Was die Blackbox tatsächlich bedeutet

Der Begriff „Blackbox“ wird in der Werbebranche oft ungenau verwendet. Deshalb lohnt es sich, genau zu beschreiben, was damit gemeint ist.

Blackbox bedeutet nicht, dass Sie keine Kontrolle haben. Sie können weiterhin Budgets festlegen, Zielgruppen definieren, Gebote anpassen und Platzierungen ausschließen. Diese Stellschrauben gibt es.

Blackbox bedeutet, dass Entscheidungen schwerer nachvollziehbar sind. An die Stelle sichtbarer Stellschrauben treten probabilistische Systeme. Sie sehen Eingaben und Ergebnisse, aber der Weg dazwischen bleibt undurchsichtig. Warum kostet diese Kampagne plötzlich 40 % mehr pro Conversion? Warum hat Performance Max das Budget von Shopping zu Discovery verschoben? Das System erklärt es nicht, sondern handelt einfach.

Dadurch entsteht ein konkretes Problem: Mit steigendem Budget verlangsamen sich die Rückkopplungsschleifen. Bei kleinen Budgets können Sie Tests durchführen, Variablen isolieren und schnell lernen. Bei hohen Budgets verschlechtert sich das Verhältnis von Signal zu Rauschen. Änderungen brauchen länger, bis sie Wirkung zeigen. Die Zuordnung von Ergebnissen wird unklarer. Das System verarbeitet Ihre Eingaben und liefert Resultate, die Ihre Absicht möglicherweise widerspiegeln, möglicherweise aber auch nicht.

Das ist kein Defekt. Das System funktioniert wie vorgesehen. Die Frage lautet: Für wen wurde es entwickelt?

Warum Googles Anreize bei großen Budgets stärker ins Gewicht fallen

Google ist ein börsennotiertes Unternehmen. Seine Einnahmen hängen davon ab, dass die Werbeausgaben steigen. Der Druck der Aktionäre belohnt vorhersehbare Quartalsergebnisse. Automatisierung erleichtert es, die Ausgaben auszuweiten, weil sie Hürden abbaut und weniger Fachwissen voraussetzt.

Das sind keine Vorwürfe, sondern strukturelle Gegebenheiten. Google hat einen Anreiz, seine Werbeeinnahmen zu steigern und zu stabilisieren. Jede Produktentscheidung, jedes Algorithmus-Update und jede neue Automatisierungsfunktion wird an diesem Ziel ausgerichtet.

Werbetreibende verfolgen ein anderes Ziel. Ihnen geht es um den zusätzlichen Gewinn, nicht um die Bruttoausgaben. Die Frage lautet nicht: „Wie viel können wir ausgeben?“, sondern: „Wie viel zusätzlicher Gewinn entsteht durch jeden weiteren Euro Werbeausgaben?“

Google optimiert auf einen funktionierenden Anzeigenmarkt und stabile Einnahmen. Werbetreibende optimieren auf zusätzlichen Gewinn. Das sind unterschiedliche Ziele.

Diese unterschiedlichen Interessen wurden auch im regulatorischen Zusammenhang untersucht. Das laufende Kartellverfahren des US-Justizministeriums zu Googles Werbepraktiken wirft strukturelle Fragen zur Funktionsweise der Plattform auf. Ohne dem Ausgang des Verfahrens vorzugreifen, zeigt es, dass übereinstimmende Anreize zwischen Plattformen und Werbetreibenden nicht selbstverständlich sind. Sie hängen von der Marktstruktur, dem Wettbewerb und der Regulierung ab.

Bei kleineren Budgets fallen diese Unterschiede kaum ins Gewicht. Wenn die Flut steigt, hebt sie alle Boote. Bei großen Unternehmen, wo der zusätzliche Ertrag abflacht und Effizienz wichtiger wird als Volumen, werden die Unterschiede relevant.

Wie sich das bei Google Shopping zeigt

Bei Shopping-Kampagnen wird dieser Zusammenhang besonders deutlich, weil die Rückkopplung direkt verläuft: Produkt, Preis, Verfügbarkeit, Gebot, Einblendung, Klick, Conversion. Die Kette ist kurz und die Datenlage umfangreich. Dennoch zeigen sich bei großen Budgets dieselben Muster.

Die Nachfrage ist schneller ausgeschöpft als erwartet. Smart-Bidding-Algorithmen sollen innerhalb der Budgetgrenzen möglichst viele Conversions erzielen. Sobald Sie sich der Grenze der verfügbaren Nachfrage nähern, stellt das System die Ausgaben nicht ein. Es weitet die Reichweite aus, oft auf Suchanfragen mit geringerer Kaufabsicht. Die Effizienz sinkt, während die Ausgaben stabil bleiben.

Performance Max bindet Budget, während die Diagnosemöglichkeiten begrenzt sind. Die kanalübergreifende Automatisierung hat einen Nachteil: Sie sehen weniger gut, welche Platzierungen, Zielgruppen und Werbemittel tatsächlich Ergebnisse bringen. Sinkt die Leistung, lässt sich die Ursache kaum eingrenzen. Sie können nur Eingaben anpassen und hoffen.

Änderungen am Produktfeed scheinen zunächst zu wirken, bis der zusätzliche Effekt nachlässt. Sie optimieren Titel, verbessern Bilder und ordnen Produktkategorien neu. Die Kennzahlen verbessern sich, dann stagnieren sie. Nun stellt sich die Frage, ob Sie neue Nachfrage erreicht oder vorhandene Nachfrage lediglich von einer Suchanfrage zu einer anderen verschoben haben. Ohne Messung zusätzlicher Effekte lässt sich das nicht wissen.

Das ist kein Defekt. Das System funktioniert genau wie vorgesehen. Das Problem liegt nicht in einer Fehlfunktion, sondern in den Erwartungen.

Warum Unternehmen diese Probleme zuerst spüren

Kleine und mittlere Unternehmen erleben diese Dynamik selten. Ihre Ausgaben sind so gering, dass eine Sättigung der Nachfrage meist keine Rolle spielt. Automatisierung hilft tatsächlich, den Verwaltungsaufwand zu senken. Zusätzliche Erträge sind noch möglich, weil die Nachfragegrenze nicht erreicht ist.

Große Unternehmen bewegen sich in einem anderen Umfeld. Oft haben sie die naheliegenden Verbesserungen bereits umgesetzt und nähern sich der Nachfragegrenze. Zusätzliche Verkäufe werden wichtiger als reine Effizienz: Die Frage lautet nicht mehr nur „Können wir wachsen?“, sondern „Ist dieses Wachstum real oder wird es von anderen Kanälen verlagert?“

Internes Vertrauen schwindet, wenn Systeme ihre Entscheidungen nicht erklären können. Fragt die Finanzleitung, warum die Shopping-Ausgaben um 25 % gestiegen sind, während der Umsatz nur um 8 % zunahm, reicht „Der Algorithmus hat es entschieden“ als Antwort nicht aus. Finanzteams brauchen Ursache und Wirkung statt bloßer Zusammenhänge. Sie müssen verstehen, was sich geändert hat und warum.

Automatisierte Systeme liefern diese Erklärung nicht. Sie liefern Ergebnisse. Menschen müssen sie interpretieren, obwohl ihnen oft der nötige Einblick fehlt.

Das eigentliche Risiko: Entscheidungen ohne gemeinsame Faktenbasis

Die Blackbox ist nicht allein deshalb gefährlich, weil sie existiert. Riskant ist, dass Teams darin weiterhin unumkehrbare Budgetentscheidungen treffen müssen.

Kanalteams streiten darüber, wem Conversions zuzurechnen sind. Shopping beansprucht Verkäufe, die womöglich ohnehin zustande gekommen wären. Brand-Kampagnen beanspruchen nicht messbare Bekanntheit. Retargeting beansprucht den letzten Klick auf Kaufreisen, die anderswo begonnen haben. Fehlt eine gemeinsame Faktenbasis, verteidigt jedes Team seinen Kanal mit Kennzahlen, die die eigene Sichtweise stützen.

Finanzteams hinterfragen Ausgaben, wenn die Klarheit fehlt. Weichen Dashboard-Zahlen von den Umsatzberichten ab, schwindet das Vertrauen. Die Budgetverteilung wird politisch statt analytisch. Dann setzt sich die lauteste Stimme oder die optimistischste Prognose durch, nicht die genaueste.

Führungskräfte verlieren das Vertrauen in Leistungsdaten. Stimmen Zahlen nicht überein, verfehlt die Prognose des Vormonats den Ist-Wert um 30 %, die Agentur macht den Algorithmus verantwortlich und der Algorithmus lässt sich nicht hinterfragen, schwindet das Vertrauen in den gesamten digitalen Kanal. Die Folge kann eine Überinvestition aus Hoffnung oder eine Unterinvestition aus Skepsis sein. Beides ist nicht ideal.

Optimierung wird zum Selbstzweck. Teams ändern etwas, nicht weil sie eine Verbesserung erwarten, sondern weil Untätigkeit unverantwortlich wirkt. Aktivität ersetzt Fortschritt. Dashboards werden aktualisiert, Besprechungen abgehalten und Präsentationen geteilt. Die Ergebnisse bleiben unverändert.

Was erfahrene Teams anders machen

Teams, die mit diesem Umfeld gut umgehen, haben einiges gemeinsam. Sie bekämpfen die Blackbox nicht, sondern richten ihre Arbeitsweise darauf aus.

Sie unterscheiden zwischen Effizienz und zusätzlichen Verkäufen. Kennzahlen wie ROAS und CPA zeigen, wie effizient Sie Ihr Budget einsetzen. Messwerte für zusätzliche Verkäufe zeigen, ob die Ausgaben tatsächlich neue Umsätze bringen oder lediglich Verkäufe für sich beanspruchen, die ohnehin erfolgt wären. Erfahrene Teams messen beides und richten Entscheidungen stärker an zusätzlichen Verkäufen aus.

Sie erwarten nicht mehr, dass ein einzelner Kanal das gesamte Wachstum antreibt. Google Shopping fängt vorhandene Nachfrage ab. Es nutzt eine bestehende Kaufabsicht, schafft aber keine neue Nachfrage. Teams, die das verstehen, erwarten von Shopping nichts Unmögliches und kombinieren Kanäle, die Nachfrage abfangen, mit solchen, die sie aufbauen.

Sie nutzen Diagnosen und nicht nur Optimierungen. Bei einer Optimierung geht es darum, etwas zu verbessern. Eine Diagnose soll klären, was tatsächlich passiert. Erfahrene Teams investieren in Messsysteme, die unabhängig von den Plattformberichten Einblicke liefern.

Sie akzeptieren die eingeschränkte Transparenz und planen dafür. Die Blackbox wird nicht verschwinden, und die Automatisierung wird weiter zunehmen. Statt dagegen anzukämpfen, entwickeln erfahrene Teams Entscheidungsregeln für Situationen mit Unsicherheit. Sie legen Schwellenwerte und Abbruchkriterien fest und richten Abläufe ein, die keine vollständigen Informationen voraussetzen.

Was sich ändert, wenn sich das Risikomodell ändert

Ein Grund dafür, dass Googles Werbemodell bei großen Budgets immer undurchsichtiger wirkt, ist einfach: Werbetreibende tragen fast das gesamte finanzielle Risiko.

Sie bezahlen den Traffic, auch wenn daraus kein Kauf entsteht. Sie tragen die Schwankungen und müssen sie der Finanzabteilung erklären. Das Modell ergab Sinn, als Optimierungshebel transparent und Nachfrage nicht begrenzt war. Bei großen Budgets und automatisierten Systemen entsteht dadurch Spannung.

Ein anderer Ansatz besteht darin, nicht länger zu versuchen, die Blackbox durch bessere Optimierung zu überlisten, sondern die Verantwortung für Ergebnisse anders zu verteilen.

RetailerBoost arbeitet nach diesem Prinzip. Statt Klicks abzurechnen, erhält RetailerBoost nur dann eine Vergütung, wenn Bestellungen zugeordnet werden. RetailerBoost finanziert und betreibt Google-Shopping-Kampagnen aus eigenem Kapital. Dafür gilt eine vorab vereinbarte feste Provision auf zugeordnete Bestellungen. Das verspricht weder einen Gewinn noch zusätzliche Verkäufe.

Der Kanal funktioniert weiterhin wie Google Shopping. Auch die Auktionen laufen gleich ab. Anders ist das Vergütungsmodell.

Sinkt die Leistung, können die Kampagnenausgaben das von RetailerBoost eingesetzte Kapital belasten. Verbessert sich die Effizienz, kann das beiden Seiten nutzen, ohne dass ein bestimmtes Ergebnis garantiert ist.

Dieses Modell beseitigt die Intransparenz nicht. Es verändert aber, wie Entscheidungen getroffen werden. Wenn beide Seiten unterschiedliche wirtschaftliche Interessen und Risiken haben, kann sich das Gespräch von „Warum ist das passiert?“ zu „Was tun wir als Nächstes?“ verlagern. Eine klare Zuordnung von Bestellungen hilft bei der Auswertung, garantiert aber keine gemeinsamen Ergebnisse.

Das Gespräch neu ausrichten

Die Frage lautet nicht: „Wie besiegen wir die Blackbox?“ Das geht nicht. Sie ist das Umfeld, kein Gegner.

Die Frage lautet: „Wie treffen wir fundierte Entscheidungen, wenn die Anreize nicht übereinstimmen?“

Dafür braucht es drei Dinge: Klarheit darüber, welches Ziel Sie tatsächlich optimieren, Messsysteme mit Einblicken unabhängig von Plattformberichten und wirtschaftliche Vereinbarungen, die die Interessen aller Beteiligten berücksichtigen.

Die ersten beiden Punkte sind interne Fähigkeiten. Der dritte betrifft die Wahl Ihrer Partner und die Gestaltung der Zusammenarbeit.

Für Unternehmen, die mit automatisierten Werbesystemen arbeiten, geht es nicht mehr vorrangig um den Zugang zu Werkzeugen, sondern um sichere Entscheidungsgrundlagen. Modelle mit passenden Anreizen beseitigen die Komplexität nicht, können aber helfen, mit ihr umzugehen.

Das macht oft den Unterschied zwischen steigenden Werbeausgaben und einer überzeugenden Begründung dafür.