PPC Tanpa Buka Google Ads? Begini Cara AI Agent Mengubah Workflow Iklan

AI agent untuk Google Ads mulai mengubah cara praktisi PPC bekerja. Alih-alih membuka dashboard Google Ads, mengekspor laporan, mencari campaign bermasalah, lalu mengubah setting satu per satu, marketer dapat meminta agent membaca data lintas akun, menjelaskan anomali, dan—jika connector mengizinkan—menjalankan action secara langsung.

Perubahan ini dibahas dalam artikel Search Engine Journal tentang apa yang terjadi ketika PPC tidak lagi dikelola melalui interface Google Ads. Frederick Vallaeys menggambarkan workflow di mana seorang praktisi meminta Claude mengecek spend beberapa akun, menemukan account yang melenceng dari pacing, lalu melakukan follow-up action tanpa membuka Google Ads UI.

Teknologi yang memungkinkan pola kerja tersebut adalah Model Context Protocol atau MCP. Namun artikel sumber justru memberi peringatan penting: memindahkan pekerjaan PPC dari interface ke AI agent bukan hanya masalah efisiensi. Ia memindahkan sumber risiko dari “salah klik” menjadi “agent salah memahami struktur, state, atau intent”.

Apa Itu MCP dalam Pengelolaan PPC?

MCP atau Model Context Protocol adalah cara standar bagi AI assistant untuk terhubung ke tool atau sistem eksternal, membaca data, dan menjalankan capability yang memang diberikan oleh connector.

Secara konsep, MCP mirip API untuk agent. Sebuah AI model tidak mendapatkan akses bebas ke seluruh sistem. Ia hanya melihat tool, data, dan action yang disediakan connector.

Alurnya dapat digambarkan seperti ini:

User
  ↓
AI Agent
  ↓
MCP Connector
  ↓
Google Ads / CRM / Analytics
  ↓
Data atau Action

Dalam konteks pay-per-click advertising, MCP memungkinkan pekerjaan seperti reporting, analysis, anomaly detection, dan potentially campaign changes dilakukan melalui conversation atau agent workflow.

Apa Tiga Cara Kerja PPC yang Dibahas SEJ?

Artikel membagi workflow PPC modern menjadi tiga pola utama.

Perubahan terbesar terjadi pada mode ketiga. User tidak lagi belajar interface. Mereka menyatakan outcome, lalu agent mencoba mencapainya.

Kenapa Manual UI Masih Punya Nilai?

Interface memiliki satu keuntungan yang sulit digantikan: state terlihat secara default.

Ketika menambah keyword, pengguna melihat keyword tersebut muncul di table. Ketika campaign aktif, statusnya terlihat. Ketika ingin memeriksa setting dua minggu kemudian, tempat melihatnya tetap sama.

Menurut Vallaeys, UI memberi “ground truth”. Semua orang dapat melihat layar yang sama dan memahami kondisi account saat itu.

Kelemahannya adalah kecepatan dan scale. Praktisi harus tahu di mana tombol berada dan mengulangi banyak action secara manual.

Apa Bedanya AI di Dalam Interface?

AI yang hidup di dalam sebuah product interface memiliki boundary yang lebih jelas.

SEJ memberi contoh Google Ads Advisor dan Sidekick dari Optmyzr. Disclosure penting: penulis artikel adalah co-founder Optmyzr.

Keuntungan pendekatan ini adalah agent tidak dapat “menciptakan tombol baru”. Ia bekerja berdasarkan capability yang memang ada di aplikasi.

Dengan kata lain:

AI dalam UI
=
capability dibatasi product surface

Ini tidak membuat sistem bebas risiko, tetapi blast radius lebih mudah dipahami.

Apa yang Berubah ketika AI Bekerja di Luar Interface?

Ketika agent seperti Claude, ChatGPT, atau Gemini terhubung melalui connector, ia dapat bekerja tanpa menjadikan Google Ads UI sebagai pusat workflow.

Agent dapat meminta data, menganalisisnya, lalu berkomunikasi dengan tool lain.

Contohnya:

Google Ads data
      ↓
AI Agent
      ↓
Analisis overspend
      ↓
Pause entity tertentu
      ↓
Draft email ke client

Nilainya sangat besar karena satu conversation dapat menyatukan beberapa sistem.

Namun boundary juga menjadi lebih sulit terlihat.

Apakah Google Punya MCP Server Resmi untuk Google Ads?

Ya. Menurut artikel SEJ, Google menyediakan MCP server resmi untuk Google Ads API.

Namun versi yang dibahas penulis bersifat read-only.

Ia menyediakan tiga tool utama:

• listing accounts;
• menjalankan GAQL queries;
• mendeskripsikan resources.

Server resmi Google belum dapat mengubah bid atau pause campaign pada release yang dibahas.

Artikel mencatat spesifikasi Google menyebut mode “read-only (current release)”, yang menunjukkan write capability belum tersedia pada saat sumber diterbitkan.

Kenapa Third-Party Connector Berbeda?

Connector pihak ketiga dapat menyediakan capability yang lebih luas daripada MCP resmi Google.

Dalam contoh penulis, connector Optmyzr dapat menggabungkan:

• Google Ads data;
• GA4 behavior;
• competitor overlap;
• vertical benchmark;
• account change history.

Connector tertentu juga bisa memiliki write access.

Ini memberi konteks lebih banyak kepada agent, tetapi otomatis memperbesar risiko jika permission dan guardrail tidak dirancang dengan benar.

Apa Risiko Pertama: AI Bisa Salah Memahami Struktur?

Hallucination biasanya dipahami sebagai model memberikan fakta yang salah. Dalam workflow API, ada jenis error lain: model salah memahami shape atau struktur data.

API membutuhkan syntax dan hierarchy yang ketat.

Jika agent salah membedakan:

• campaign;
• ad group;
• keyword;
• asset group;

hasilnya bisa jauh lebih serius daripada jawaban teks yang salah.

SEJ memberi contoh hipotetis: agent yang mengira user meminta ad group baru bisa saja membuat banyak campaign baru jika struktur entity disalahpahami.

Ketika hanya membaca data, error seperti itu merepotkan. Ketika sudah memiliki write access, error menjadi mahal.

Apa Risiko Kedua: State Hilang di Conversation?

Dalam UI, state memiliki tempat tetap. Dalam chat, state bisa terkubur di transcript.

Misalnya seorang marketer meminta:

"Tambahkan keyword X ke ad group Y."

Dua minggu kemudian, jawaban atas pertanyaan “apa yang pernah diubah?” mungkin tersebar di beberapa conversation.

Vallaeys memperingatkan bahwa business state tidak boleh bergantung pada scrolling chat transcript.

Agent workflow membutuhkan sumber data persisten di luar conversation.

Apa Risiko Ketiga: Automation yang Terlupakan?

Scheduled agent, recurring routine, dan task otomatis dapat tetap hidup setelah conversation awal selesai.

Contoh dari artikel:

Scheduled task:
cek search term yang merugi

Jika ditemukan:
kirim follow-up email

Masalahnya muncul ketika salah satu connector gagal.

Analisis mungkin tetap berjalan tetapi email tidak terkirim. Atau sebaliknya.

Partial failure seperti ini sering lebih sulit ditemukan daripada total crash.

Apa Risiko Keempat: Silent Failure?

Penulis menggunakan pengalaman dari era Google Ads Scripts.

Ia pernah membuat script untuk merekam account-level Quality Score. Pada account kecil script bekerja, tetapi pada account besar proses mencapai batas eksekusi dan berhenti.

Email mingguan kemudian tidak datang.

Masalahnya: orang sering cepat sadar ketika mendapat error notification. Mereka tidak selalu sadar ketika notification justru tidak pernah datang.

Penulis merangkum problem ini dengan ide penting:

Report bisa dijalankan ulang.
Yesterday tidak bisa dijalankan ulang.

Jika data point-in-time tidak dicatat, data tersebut bisa hilang permanen.

Apa Pelajaran dari Era Google Ads Scripts?

Google Ads Scripts mulai tersedia secara terbatas pada Juni 2012 dan diluncurkan secara global beberapa bulan kemudian.

Menurut pengalaman penulis dengan agency, scripts kemudian berkembang cepat.

Orang menyalin script dari blog, memasangnya, tetapi tidak selalu mendokumentasikan:

• apa fungsinya;
• siapa owner-nya;
• di account mana berjalan;
• apa yang terjadi jika gagal.

Kemudian orang yang memasang script pindah perusahaan.

Script tetap berjalan bertahun-tahun atau justru berhenti tanpa diketahui.

Governance akhirnya muncul belakangan melalui script registry, version control, dan failure alerting.

Kenapa Agent Lebih Berbahaya daripada Script yang Rusak?

Script yang salah biasanya melakukan kesalahan yang sama secara konsisten.

Agent memiliki kemampuan improvisasi.

Karena itu:

Broken script:
salah secara konsisten

Hallucinating agent:
bisa salah secara kreatif

Ini bukan berarti agent selalu lebih buruk. Tetapi monitoring dan auditability harus lebih kuat.

Langkah 1: Kenapa Harus Mulai dari Read-Only?

SEJ menyarankan memulai dengan akses read-only.

Gunakan agent untuk:

• reporting;
• analysis;
• pull data;
• finding anomalies;
• comparing accounts.

Tujuannya bukan sekadar “berhati-hati”. Tim sedang mempelajari di mana agent sering bingung sementara biaya kesalahan masih rendah.

MCP resmi Google yang read-only menjadi salah satu tempat yang masuk akal untuk eksperimen seperti ini.

Langkah 2: Audit Capability Connector

Jangan menganggap connector aman hanya karena bisa dipasang ke agent.

Artikel mengutip peringatan Anthropic bahwa mereka tidak mengontrol tool yang dibuat developer dan tidak dapat menjamin tool tersebut selalu bekerja sesuai harapan.

Sebelum menggunakan connector, audit:

• tool apa yang tersedia;
• mana yang read-only;
• mana yang write;
• seberapa besar perubahan satu call;
• scope account;
• failure behavior.

Langkah 3: Kenapa Guardrail Harus Ada di Connector Layer?

Salah satu argumen paling kuat dalam artikel adalah bahwa prompt bukan security boundary.

Instruksi seperti:

"Jangan spend lebih dari US$500."

hanya sebuah instruction kepada model.

Guardrail yang sebenarnya harus diterapkan di tempat action dieksekusi.

Contohnya:

• batasi account yang dapat diakses;
• gunakan login dengan permission minimum;
• buat write function hanya untuk action tertentu;
• batasi jumlah entity yang dapat diubah;
• buat query escape hatch read-only;
• terapkan row cap.

Blast radius harus menjadi property sistem, bukan kalimat yang diharapkan model ingat.

Langkah 4: Kenapa Memory Harus Bertahan Lebih Lama dari Chat?

Client rule, account context, dan keputusan masa lalu tidak boleh hilang ketika conversation dihapus atau dipadatkan.

Artikel memberi contoh penggunaan memory pada beberapa level:

• account-level instructions;
• specific ad-account instructions;
• individual user preference.

Penulis juga menyebut file seperti CLAUDE.md sebagai salah satu cara menyimpan logic penting dalam environment tertentu.

Prinsipnya lebih luas:

Business memory
harus hidup di system of record,
bukan hanya di model context.

Langkah 5: Minta Plan Sebelum Action

Sebelum memberi agent write access penuh, minta preview perubahan.

Preview ideal berisi:

• account;
• entity;
• current value;
• proposed value;
• data yang mendukung keputusan.

Dengan cara ini, human reviewer dapat memeriksa perubahan sebelum dieksekusi.

Ini lebih kuat daripada sekadar menanyakan “are you sure?” setelah action terjadi.

Langkah 6: Apa Bedanya Change Log dan Decision Log?

Google Ads memiliki change history, tetapi change history merekam apa yang berubah.

Ia tidak selalu menjelaskan kenapa perubahan dilakukan.

Vallaeys menyarankan mencatat:

• apa yang dipertimbangkan;
• data pendukung;
• apa yang dipilih agent;
• apa yang sengaja tidak dilakukan;
• siapa atau sistem apa yang mengeksekusi.

Decision log harus berada di tempat yang bertahan lebih lama dari transcript chat.

Langkah 7: Kenapa Tetap Harus Buka Google Ads UI?

Meskipun workflow sudah agentic, artikel menyarankan tetap melakukan verification periodik di UI.

Alasannya bukan karena semua agent harus dianggap tidak dipercaya.

UI dapat menunjukkan hal yang tidak pernah disebut oleh agent.

Agent hanya menjawab berdasarkan apa yang ditanyakan atau apa yang ditemukan dalam workflow tertentu.

Interface memberi broader visual state.

Apakah Ini Berarti Era Google Ads UI Akan Berakhir?

Artikel menggunakan framing “the end of the interface era”, tetapi maknanya lebih ke penurunan ketergantungan pada manual button-pushing.

UI tidak otomatis hilang.

Ia tetap memiliki fungsi sebagai:

• ground truth;
• verification surface;
• state inspection;
• debugging tool;
• human control layer.

Yang kemungkinan berkurang adalah kebutuhan menggunakan UI untuk setiap action rutin.

Apa Dampaknya untuk Role PPC Manager?

Role praktisi PPC bergeser dari operator interface menjadi supervisor automation.

Dulu skill penting:

• mengetahui letak setting;
• menguasai Editor;
• mengekspor laporan;
• menjalankan bulk edit.

Dalam workflow agentic, skill baru mencakup:

• mendefinisikan objective;
• mendesain guardrail;
• memeriksa plan agent;
• memahami capability connector;
• mengelola decision log;
• mendeteksi silent failure;
• menentukan blast radius.

Apa Dampaknya untuk Agency?

Agency yang mengelola banyak account mendapatkan potensi scale paling besar, tetapi juga risiko governance paling besar.

Satu agent dapat bekerja lintas-account.

Karena itu agency perlu memiliki registry yang menjawab:

Agent apa yang aktif?
Connector apa yang dipakai?
Account mana yang bisa diakses?
Apa permission-nya?
Task apa yang terjadwal?
Siapa owner-nya?
Bagaimana kalau gagal?

Apakah Agent Sebaiknya Langsung Diberi Write Access?

Tidak menurut framework sumber.

Urutan yang lebih aman:

Read-only
→ observe behavior
→ add narrow write capability
→ require preview
→ monitor
→ expand only if justified

Ini membuat trust dibangun dari evidence, bukan asumsi.

Apa Hubungannya dengan Generative AI?

Perubahan ini menunjukkan evolusi Generative AI dari answer system menjadi action system.

Chatbot tradisional:

"Campaign mana yang boros?"

Agentic system:

"Cari campaign yang boros,
jelaskan penyebabnya,
pause jika memenuhi rule,
dan draft email client."

Perbedaan utama berada pada eksekusi.

Jika tim Anda sebelumnya membahas WebMCP, MCP, AI agent, atau agentic workflow, artikel internal Protokol AI Baru Tidak Akan Menyelamatkan SEO Tanpa Knowledge Architecture dapat digunakan sebagai internal link silo setelah URL artikel sebelumnya diverifikasi.

Checklist Governance AI Agent untuk Google Ads

1. Mulai read-only.
2. Audit capability connector.
3. Gunakan least-privilege account.
4. Enforce guardrail di connector layer.
5. Persist account context.
6. Minta preview sebelum perubahan.
7. Simpan decision log.
8. Monitor scheduled task.
9. Buat failure alerting.
10. Verifikasi periodik di UI.

Apa yang Tidak Boleh Disimpulkan dari Artikel Ini?

Ada beberapa kesimpulan yang terlalu jauh.

• Artikel tidak membuktikan Google Ads UI akan benar-benar dihapus.
• Google MCP yang dibahas belum memiliki write access.
• Third-party connector tidak otomatis aman hanya karena mendukung MCP.
• AI agent tidak otomatis lebih baik daripada workflow manual.
• Automation tidak menghapus kebutuhan accountability manusia.

Sumber justru berargumen bahwa semakin banyak action dipindahkan ke agent, semakin penting supervision.

FAQ tentang AI Agent untuk Google Ads

Bisakah AI agent mengelola Google Ads tanpa membuka dashboard?

Ya untuk beberapa workflow. Dengan MCP atau connector, agent dapat membaca data dan, pada connector tertentu yang memiliki write access, mengambil action tanpa menggunakan UI secara langsung.

Apakah MCP resmi Google bisa pause campaign?

Pada versi yang dibahas SEJ, belum. MCP server resmi Google untuk Google Ads bersifat read-only dan menyediakan listing account, GAQL query, serta resource description.

Kenapa harus mulai read-only?

Read-only memberi kesempatan untuk mempelajari pola error dan kebingungan agent tanpa membuat perubahan yang berdampak finansial.

Apakah prompt cukup untuk membatasi spend?

Tidak. Artikel menekankan guardrail harus diterapkan di connector atau permission layer, bukan hanya lewat instruction prompt.

Apa itu decision log?

Decision log mencatat alasan perubahan: evidence yang dipakai, pilihan yang dipertimbangkan, action yang dilakukan, dan action yang sengaja tidak dilakukan.

Apakah PPC manager masih diperlukan?

Ya. Role-nya bergeser dari button-pushing menuju supervision, governance, analysis, dan review terhadap automation serta AI agent.

Kesimpulan

AI agent untuk Google Ads membuat workflow PPC mulai bergerak keluar dari interface. Dengan MCP dan connector, marketer dapat membaca data, menganalisis account, menggabungkan context dari sistem lain, dan pada tool tertentu menjalankan perubahan langsung.

Namun Search Engine Journal memperlihatkan bahwa masalah terbesarnya bukan kemampuan agent. Masalahnya adalah governance. Agent dapat salah memahami struktur API, state dapat hilang di chat, scheduled automation dapat terlupakan, dan partial failure dapat berlangsung tanpa diketahui.

Pelajaran dari era Google Ads Scripts masih relevan: capability biasanya muncul sebelum governance. Kali ini risikonya lebih besar karena agent dapat berimprovisasi.

Karena itu, workflow yang lebih aman dimulai dari read-only, permission minimum, guardrail di connector layer, persistent memory, preview sebelum perubahan, decision log, failure alerting, dan verifikasi berkala melalui interface.

Jika bisnis Anda ingin membangun AI agent, MCP integration, marketing automation, PPC monitoring, atau governance layer untuk workflow Generative AI yang terhubung ke sistem bisnis, Anda dapat diskusikan kebutuhan teknologi bisnis kamu bersama tim teknis.