ChatGPT Ads in der Schweiz: Kontext wird zum neuen Targeting

Der vielleicht grösste Unterschied zu klassischer Search-Werbung liegt darin, wie Nutzer:innen ihre Absicht ausdrücken – und welche technischen Signale für die Anzeigenauswahl relevant werden.

Wer heute bei Google nach einer Autoversicherung sucht, verwendet möglicherweise Suchbegriffe wie «Autoversicherung Schweiz», «Vollkasko Elektroauto» oder «Autoversicherung vergleichen».

In ChatGPT kann dieselbe Suche wesentlich ausführlicher aussehen:

«Ich kaufe mein erstes Elektroauto für rund CHF 45’000, fahre etwa 15’000 Kilometer im Jahr und möchte Vollkasko. Mir sind ein guter Schutz bei Parkschäden und eine unkomplizierte Schadenabwicklung wichtig. Welche Versicherung könnte zu mir passen?»

Für Werbetreibende macht das einen grossen Unterschied. Denn hinter dieser Anfrage stecken nicht nur einzelne Begriffe, sondern eine ganze Entscheidungssituation: Fahrzeugtyp, Budget, Nutzung, gewünschter Versicherungsschutz und konkrete Anforderungen.

Genau hier setzt die Werbelogik von ChatGPT Ads an. OpenAI berücksichtigt bei der Auswahl einer Anzeige unter anderem Kontext und Absicht der aktuellen Unterhaltung sowie Informationen zur Anzeige, Landingpage, Targeting-Auswahl und sogenannte Context Hints des Werbetreibenden. Passende Anzeigen können anschliessend unterhalb einer ChatGPT-Antwort ausgespielt werden.

Entscheidend ist damit nicht allein, ob ein bestimmtes Keyword vorkommt, sondern ob das beworbene Produkt oder die Dienstleistung zum erkennbaren Bedarf und zur jeweiligen Situation passt.

Für Unternehmen wird deshalb wichtiger, sehr genau zu verstehen: Was verkaufen wir eigentlich? Für wen ist unser Angebot besonders relevant? In welchen Situationen entsteht der Bedarf? Welche Fragen stellen potenzielle Kund:innen? Und wie beschreiben sie ihr Problem oder ihre Anforderungen?

Je präziser Unternehmen diese Zusammenhänge kennen und beschreiben können, desto besser können sie die Voraussetzungen dafür schaffen, in einem relevanten Dialog überhaupt berücksichtigt zu werden.

Aus Keyword-Targeting wird damit zunehmend Context Targeting.

Diese Logik verändert auch, was gutes Targeting bedeutet.

In klassischen Performance-Setups war Skalierung häufig eng mit Reichweite, Suchvolumen, Klicks oder zusätzlichen Signalen verbunden. In einem dialogbasierten Umfeld reicht es jedoch nicht, möglichst häufig ausgespielt zu werden.

Entscheidend ist, möglichst passend ausgespielt zu werden.

Eine Anzeige, die in zehn hochrelevanten Entscheidungssituationen erscheint, kann wertvoller sein als hundert Ausspielungen in einem nur grob passenden Umfeld.

Oder anders gesagt: Qualität wird zur neuen Quantität.

Dabei geht es nicht nur um die Qualität der Anzeige selbst. Es geht auch um die Qualität der Informationen, die ein Unternehmen über seine Produkte, Dienstleistungen und relevanten Nutzungskontexte zur Verfügung stellen kann.

Wer beispielsweise nur beschreibt, dass er eine Autoversicherung anbietet, liefert vergleichsweise wenig Kontext. Wer zusätzlich präzise erklären kann, für welche Fahrzeugtypen, Risikoprofile, Bedürfnisse oder Lebenssituationen bestimmte Leistungen relevant sind, schafft eine deutlich bessere Grundlage für kontextuelle Zuordnung.

Damit gewinnt eine Form von First-Party Knowledge an Bedeutung, die über klassische CRM-Daten hinausgeht: das eigene Produkt- und Servicewissen so strukturiert aufzubereiten, dass Menschen und KI-Systeme verstehen können, wann ein Angebot relevant ist – und warum.

Zum Start stehen vor allem textbasierte und feed-basierte Formate im Fokus.

Textbasierte Anzeigen können passend zum Gesprächskontext innerhalb des ChatGPT-Umfelds ausgespielt werden. Sie greifen damit genau jene Situationen auf, in denen Nutzer:innen bereits ein konkretes Problem, Bedürfnis oder Ziel beschrieben haben.

Feed-basierte Shopping Ads bauen stärker auf strukturierten Produktdaten auf. Bei kommerzieller Absicht können so passende Produkte mit zusätzlichen Informationen wie Bild, Preis oder Shop-Link eingebunden werden.

Gerade bei diesen Formaten zeigt sich, wie wichtig die Datenbasis wird. Produktfeeds müssen nicht nur technisch sauber sein, sondern Produkte auch so beschreiben, dass ihre Relevanz für unterschiedliche Such- und Entscheidungssituationen nachvollziehbar wird.

Bei weiteren Formaten, etwa Multimedia- oder Bewegtbildanzeigen, bestehen aktuell noch offene Fragen. Dass sich die Plattform in diese Richtung weiterentwickeln könnte, ist plausibel – gesicherte Aussagen dazu sollten zum jetzigen Zeitpunkt jedoch mit Vorsicht behandelt werden.

So interessant die neue Werbelogik ist: ChatGPT Ads sollten nicht mit der Erwartung gestartet werden, sofort einen etablierten Lower-Funnel-Kanal zu ersetzen.

Die Plattform befindet sich noch in einer frühen Phase. Reporting und Steuerungsmöglichkeiten sind aktuell deutlich weniger ausgereift als bei langjährig etablierten Werbeplattformen.

Zur Verfügung stehen zunächst vor allem grundlegende Kennzahlen wie Klicks, Spend, CTR, durchschnittlicher CPC, durchschnittlicher CPM und Conversions. Weiterführende Competitive Metrics wie Auction Insights, Impression Share oder Einblicke in Anzeigen von Wettbewerbern fehlen bislang beziehungsweise werden nicht geteilt.

Das erschwert sowohl Benchmarking als auch Optimierung.

Hinzu kommt: Nicht jedes Angebot eignet sich gleich gut für einen dialogbasierten Werbekontext. Besonders spannend dürfte ChatGPT Ads zunächst dort sein, wo Menschen vor einer Entscheidung intensiv recherchieren, vergleichen oder Beratung benötigen – etwa bei komplexeren B2B-Lösungen, höherpreisigen Produkten, Versicherungen, Finanzdienstleistungen oder beratungsintensiven Services.

Unsere Einschätzung ist deshalb: testen ja, aber nicht blind Budget verschieben.

Gerade weil sich Plattform, Zugang und Best Practices noch entwickeln, besteht der eigentliche First-Mover-Vorteil aus unserer Sicht nicht darin, wenige Tage früher live zu gehen.

Er besteht darin, besser vorbereitet zu sein, wenn skalierbares Testen möglich wird.

Dafür können Unternehmen bereits heute wichtige Grundlagen schaffen:

Produkt- und Servicedaten vollständig und sauber strukturieren.

Klar definieren, für welche Zielgruppen und Nutzungssituationen einzelne Angebote relevant sind.

Typische Fragen, Bedürfnisse, Anforderungen und Entscheidungssituationen der Kund:innen sammeln und beschreiben.

Produktwissen aus Sales, Beratung, CRM und Produktmanagement systematisch verfügbar machen.

Feeds und Content so aufbauen, dass nicht nur Produkteigenschaften, sondern auch ihr konkreter Nutzen verständlich wird.

Vorab definieren, welche Interaktionen und Conversions tatsächlich als Erfolg gelten sollen.

Wir haben bereits Erfahrungen aus Märkten gesammelt, in denen ChatGPT Ads früher verfügbar waren, und werten diese Learnings nun auch für den Schweizer Markt aus. Erste Ergebnisse aus der US-Early-Access-Phase liefern zusätzliche Hinweise auf das Potenzial des neuen Werbeumfelds. So berichtet Criteo beispielsweise von bis zu 1,5-fach höheren Conversion-Rates gegenüber klassischen Referral-Kanälen. Solche frühen Benchmarks sollten jedoch mit Vorsicht interpretiert werden: Sie hängen stark von Branche, Angebot und Kampagnensetup ab und lassen sich nicht eins zu eins auf die Schweiz übertragen.

Umso wichtiger wird es sein, eigene Tests sauber aufzusetzen und daraus belastbare Learnings für die jeweilige Marke zu gewinnen.

Denn beim Einstieg in ChatGPT Ads dürfte nicht entscheidend sein, wer zuerst Budget ausgibt.

Sondern wer am besten verstanden hat, wann das eigene Angebot für wen wirklich relevant ist – und dieses Wissen so aufbereitet, dass auch das System damit arbeiten kann.