AI advertenties maken: waarom de tool niet je probleem is

Als ondernemers mij vragen hoe ze AI advertenties kunnen maken, bedoelen ze bijna altijd hetzelfde: kan ik ads draaien zonder er veel tijd in te steken? Ze verwachten een naam van de tool. Midjourney, een videogenerator, een GPT die advertentieteksten uitpoept.

Dat is de verkeerde vraag, en het is de reden dat de meeste AI-experimenten met advertenties binnen twee maanden stilvallen. Niet omdat de output slecht is — de output is inmiddels prima — maar omdat er geen systeem omheen zit dat bepaalt wát er gemaakt moet worden en hoe je weet of het werkt.

Ik keek onlangs een sessie van Rohit Ajmani, CEO van Idea Clan, een bureau dat naar eigen zeggen meer dan $100 miljoen aan advertentiebudget heeft beheerd. Hij liet zijn volledige productieproces zien: van onderzoek tot 450 videovarianten tot analyse. Wat mij opviel was niet de AI. Het was hoe weinig van het proces daadwerkelijk AI is, en hoeveel ervan structuur is.

In dit artikel loop ik dat systeem na, met de cijfers erbij, en vertaal ik het naar wat een Nederlandse ondernemer met een reëel budget hier daadwerkelijk mee kan. Inclusief de delen die ik niet zou overnemen.

Vooraf één ding: alle prestatiecijfers hieronder komen uit zijn eigen presentatie. Ze zijn niet onafhankelijk geverifieerd. Ik gebruik ze omdat de verhoudingen leerzaam zijn, niet omdat ik ze als bewijs presenteer.

Wat “AI advertenties maken” in de praktijk betekent

Het proces valt uiteen in drie fasen, en AI speelt in elke fase een andere — en beperktere — rol dan mensen aannemen:

• Onderzoek. Welke boodschap raakt iets bij je doelgroep? Hier is AI vrijwel nutteloos. Dit is testen met echt geld.
• Productie. Hoe zet je een bewezen boodschap om in tientallen bruikbare varianten? Hier verdient AI zijn geld.
• Analyse. Welke variant werkt, en welk onderdeel daarvan is verantwoordelijk? Hier is AI nuttig als patroonherkenner, niet als beslisser.

De volgorde is niet onderhandelbaar. Wie bij fase 2 begint — en dat doet praktisch iedereen die met AI aan de slag gaat — produceert honderd varianten van een boodschap waarvan niemand heeft vastgesteld dat die überhaupt aanslaat. Dat is geen schaalvergroting. Dat is duurder falen.

Fase 1: eerst de boodschap testen, dan pas de creatie

Het interessantste deel van het systeem is ook het goedkoopste, en het deel dat vrijwel niemand doet.

Voordat er ook maar één advertentie wordt ontworpen, verzamelt het team invalshoeken uit nieuwsberichten, Quora, social media en branchrapporten. Ze filteren op wat aantoonbaar aandacht trekt: likes, shares, views. Dat levert een lijst mogelijke boodschappen op — pijnpunten, claims, hoeken.

Vervolgens testen ze die lijst plat. In hun voorbeeld: 50 boodschappen, elk uitgeserveerd in 5 kleurvarianten, wat neerkomt op 250 advertenties. De kleurvariatie zit erin omdat verschillende mensen op verschillende kleuren reageren; ze willen niet dat een goede boodschap sneuvelt omdat de vormgeving toevallig een deel van het publiek afstoot. Budget: ongeveer $5 per ad set. Doelstelling: link clicks, niet conversies.

Dat laatste is de kern. Je koopt geen resultaat, je koopt een signaal. Boodschappen die 20+ clicks trekken gaan door; boodschappen die op 2 of 5 clicks blijven steken vallen af. Uit 50 boodschappen blijven er zeven of acht over. Het principe telt, niet de naam die zij eraan geven: valideer de boodschap voordat je een euro aan productie uitgeeft.

Waarom dit werkt: een advertentievideo maken kost tijd, geld en creatieve energie. Een tekstblok op een achtergrondkleur kost vijf minuten. Als je vooraf weet welke acht boodschappen aandacht trekken, is je hele productiebudget gericht op materiaal waarvan het fundament al staat.

Wat hiervan realistisch is bij een Nederlands budget

De schaal is niet één op één overdraagbaar. 250 advertenties à $5 is ruwweg €1.100 aan puur onderzoek, in een Amerikaanse markt met een enorme populatie. In Nederland loop je tegen twee grenzen aan:

• Publieksomvang. Bij een Nederlandse doelgroep van, zeg, 400.000 mensen kun je geen 250 ad sets naast elkaar draaien zonder dat ze elkaar wegconcurreren. Meta gaat dan zelf optimaliseren en verdeelt het budget ongelijk, waardoor je test besmet raakt.
• Kosten per klik. Nederlandse CPC’s liggen in veel branches hoger dan de Amerikaanse leadgen-tarieven waar dit systeem op gebouwd is. Voor €5 koop je hier soms drie klikken.

Praktische vertaling: test 10 tot 15 boodschappen, één visuele variant per boodschap, €10 tot €15 per set, één campagne met link clicks als doel. Kosten ongeveer €150 tot €225. Je zoekt geen statistische significantie — die krijg je hier niet — maar uitschieters. Als één boodschap drie keer zoveel klikken trekt als de rest, is dat bruikbare informatie. Als het verschil tussen nummer 1 en nummer 5 klein is, heb je geen winnaar gevonden en moet je dat ook niet doen alsof.

Fase 2: het framework is belangrijker dan de tool

Hier komt AI voor het eerst in beeld, en meteen op een manier die de meeste mensen niet verwachten.

Idea Clan verzamelt advertenties die aantoonbaar lang draaien — via spy tools als Foreplay, PiPiADS, BigSpy, AdSpy en Adbeat, plus hun eigen historische data. Advertenties die maanden achtereen actief blijven, worden vrijwel zeker betaald door hun resultaat. Dat is de aanname, en die is redelijk.

Vervolgens halen ze het script uit die video’s en ontleden ze de structuur. Niet het onderwerp — de structuur. Wat gebeurt er in welke volgorde, en welke psychologische knop wordt op welk moment ingedrukt.

Eén voorbeeld uit hun analyse, een Amerikaanse autoverzekeringsadvertentie, viel uiteen in zes stappen:

1. Personalisatie — een specifiek gedefinieerde groep aanspreken
2. Autoriteit — verwijzen naar een nieuwe regel of instantie
3. Sociale bewijskracht — anderen doen dit al, inclusief de verteller
4. Eenvoud — één simpele voorwaarde om in aanmerking te komen
5. Procesduidelijkheid — zo makkelijk vul je het formulier in
6. Afsluiting met urgentie — doe het nu, voordat het verandert

Doe dit voor twintig advertenties in dezelfde branche en er ontstaat een patroon. Dat patroon is het bruikbare deel: een vaste volgorde van opening, probleem, oplossing met autoriteit, voordeel, betrouwbaarheid en afsluiting.

De rol van AI is hier bescheiden en concreet: ze hebben een custom GPT getraind op honderden scripts en marketingliteratuur, die van een aangeleverd transcript automatisch de structuur teruggeeft. Dat is geen creativiteit. Dat is classificatiewerk dat een mens vijftien minuten per video kost en een model in tien seconden doet. Precies het soort taak waar deze technologie goed in is.

Je kunt dit vandaag zelf opzetten. Neem twintig advertenties uit jouw markt die al maanden draaien, haal de transcripten eruit, en laat een model ze ontleden volgens een vaste structuur die je zelf definieert. De waarde zit in het feit dat je hem dwingt in jouw stramien te labelen, niet in het model zelf.

Van framework naar 450 varianten: de modulaire rekensom

Dit is het onderdeel waar de economie van AI-advertenties daadwerkelijk kantelt, en het heeft niets met generatieve modellen te maken.

In plaats van complete video’s te maken, produceren ze de onderdelen apart: 15 openingen, 10 middenstukken en 3 afsluitingen. Dat zijn 28 geproduceerde assets. Via geautomatiseerde montage combineren ze die tot 15 × 10 × 3 = 450 videovarianten.

Laat die verhouding even bezinken. De productiekosten schalen lineair — je maakt 28 stukjes. Het testoppervlak schaalt multiplicatief — je test 450 combinaties. Dat is de hele truc. Niet “AI maakt mijn advertentie”, maar “modulaire productie plus automatische assemblage maakt mijn testvolume betaalbaar”.

De onderdelen zelf zijn ingedeeld in types, wat de variatie systematisch houdt in plaats van willekeurig:

• Openingen: hebzucht, relevantie, emotie, demografie (een groep expliciet benoemen), cliffhanger
• Middenstukken: testimonial, b-roll/explainer, tutorial/demo
• Afsluitingen: schaarste, directe oproep, verhalende oproep

Doordat elk onderdeel een type heeft, weet je na afloop niet alleen welke video won, maar welk type onderdeel won. Dat is het verschil tussen een toevallige winnaar en herbruikbare kennis.

Voor een Nederlandse ondernemer is de rekensom kleiner maar het principe identiek. 5 openingen × 3 middenstukken × 2 afsluitingen = 30 varianten uit 10 geproduceerde stukjes. Dat is haalbaar in één productiedag. En het is een fundamenteel andere manier van werken dan drie complete video’s laten maken en hopen dat er één aanslaat.

Fase 3: meten wat het onderdeel doet, niet wat de video doet

De derde fase is waar de meeste MKB-campagnes stranden, want hier moet je van “de campagne draait goed” naar “ik weet waarom”.

Vijf metrics staan centraal: de hook rate (engagement in de eerste seconden), de hold rate (retentie over de hele video), de click-through rate, de kosten per klik, en de click-through rate op de landingspagina.

De naamgeving is het meetsysteem

Voordat de metrics iets waard zijn, moet je één ding goed hebben, en het is het saaiste onderdeel van het hele proces: de bestandsnaamgeving.

Elke geproduceerde variant krijgt een vaste code — datum, nummer van de opening, nummer van het middenstuk, nummer van de afsluiting, campagne-id. Elke rij in het dashboard is daardoor niet zomaar “video 47”, maar een expliciete combinatie van drie identificeerbare onderdelen.

Dat maakt de volgende stap mogelijk, en die is de kern van het hele systeem. Je middelt de prestaties per onderdeel, over alle combinaties waarin dat onderdeel voorkomt.

De conclusie is niet “video X is de winnaar”, maar “opening 1 en middenstuk 2 zijn de winnaars, ongeacht waar ze in zaten”. Dat is een fundamenteel ander type kennis. Een winnende video is één resultaat dat je hooguit kunt kopiëren. Een winnende opening is een bouwsteen die je in elke volgende combinatie opnieuw kunt inzetten — en je weet nu welke van je overgebleven onderdelen als eerste vervangen moet worden.

Het is ook het antwoord op een bezwaar dat ik zelf had. Bij 450 individueel beoordeelde varianten met een beperkt budget krijgt geen enkele variant genoeg data voor een betrouwbaar oordeel. Maar zo wordt het niet beoordeeld: bij 15 × 10 × 3 komt elke afzonderlijke opening in 30 combinaties voor. Alle vertoningen van die 30 combinaties tellen mee in het gemiddelde van die ene opening. Het aantal datapunten per beslissing is daarmee vijftien keer hoger dan het aantal per video.

Wie modulair produceert en niet consequent labelt, gooit precies dit weg. Dan heb je 450 video’s en geen enkele conclusie.

Drempelwaarden en vervolgacties

Wat hun aanpak vervolgens bruikbaar maakt, zijn de conditionele regels die aan elke metric hangen. Elke metric heeft een drempel en een bijbehorende actie.

Dit is geen AI. Dit is een beslisboom. Maar het is wel precies wat ontbreekt bij de meeste adverteerders, die naar één samengesteld getal kijken (kosten per lead) en daaruit onmogelijk kunnen afleiden welk onderdeel gerepareerd moet worden.

Twee ingrepen uit hun lijst zijn direct bruikbaar en zie ik in Nederland zelden toegepast.

De stille afsluiting. In plaats van de call-to-action aan het einde te plaatsen, zetten ze die vroeg in beeld als tekst, zonder dat de voice-over hem uitspreekt. De kijker die al overtuigd is kan meteen weg; de rest kijkt door zonder onderbroken te worden. Bij een lage hold rate is dit hun standaardingreep, samen met openen op een vraag in plaats van een claim.

Landingspagina-synchronisatie. Als de advertentie een specifiek persoon of autoriteitsfiguur noemt, zetten ze diezelfde persoon of hetzelfde beeld op de landingspagina. Het klinkt triviaal, maar het adresseert het moment waarop de meeste conversie weglekt: de kijker klikt met een bepaald beeld in zijn hoofd en landt op iets wat er niet op lijkt. Wie klikken wel binnenhaalt maar niet converteert, moet hier eerst kijken — niet bij het formulier.

De cijfers, en wat er níet gezegd wordt

De click-through rate stijgt met ruim 65%, de kosten per klik dalen met 20%. Dat is een fors verschil. Twee kanttekeningen die ik erbij maak.

In de toelichting wordt de daling van de kosten per klik mondeling op “bijna 30%” gesteld. De cijfers geven $1,47 naar $1,18, wat neerkomt op 19,7%. Het verschil is niet dramatisch en waarschijnlijk onbedoeld, maar het illustreert hoe snel een resultaat in de vertelling groter wordt dan in de data. Reken cijfers uit een presentatie altijd zelf na — ook die van mij.

Belangrijker: kijk naar de gemiddelde kijktijd, want die wordt in de presentatie niet toegelicht. Die daalt van 7,36 naar 4,3 seconden. Bijna 42% korter. De hold rate blijft vrijwel gelijk.

De meest waarschijnlijke verklaring is dat de video’s simpelweg korter werden en de call-to-action eerder kwam. Dat is een legitieme optimalisatie — maar het is een andere conclusie dan “de creatives werden beter”. Het is: “mensen die geïnteresseerd waren, kregen sneller de kans om te klikken.”

Dat onderscheid is relevant voor jou als ondernemer, want het bepaalt of dit resultaat overdraagbaar is. Bij een impulsproduct met een lage drempel werkt sneller klikken. Bij een dienst waar iemand eerst vertrouwen moet opbouwen, kan een kortere video met een vroegere call-to-action je juist slechtere leads opleveren tegen een betere click-through rate. De metric verbetert, het bedrijfsresultaat niet.

Dat is een terugkerend patroon in dit vak: geoptimaliseerd op wat gemeten wordt, niet op wat verdiend wordt.

Story-style creatives: meeliften op wat organisch al wint

Het onderdeel dat hij zelf zijn favoriet noemt, staat het verst af van alles hierboven — en is voor Nederlandse ondernemers waarschijnlijk het interessantst, omdat het niet om budget draait maar om productiewerk.

De werkwijze: kijk op YouTube, TikTok en Facebook wat er de afgelopen 30 dagen organisch trending is. Niet advertenties — gewone virale video’s. Neem de opzet daarvan over, en weef daar je eigen boodschap in.

Twee voorbeelden uit de sessie. Een virale video van een taxichauffeur diende als basis voor een advertentie waarin een passagier tijdens de rit vertelt dat hij zijn auto moet verkopen omdat zijn verzekeringspremie is verdrievoudigd; de chauffeur pakt zijn telefoon, laat hem een vergelijkingssite zien, en de premie zakt. In een tweede geval gebruikten ze een virale video van een bezorger die door een hond wordt achtervolgd, en pivoteerden ze naar een boodschap over levensverzekeringen: je leven is onvoorspelbaar. Op de eerste advertentie is naar eigen zeggen meer dan een half miljoen dollar uitgegeven met een positieve ROI.

De redenering waarom dit werkt, bestaat uit twee delen. Het eerste is bekend: het materiaal oogt organisch, wordt daardoor niet direct als advertentie herkend, en levert lagere klikprijzen op. Er zit een concreet mechanisme achter dat de moeite waard is om te begrijpen — dit soort advertenties krijgt aanzienlijk meer reacties en interactie, en advertentieplatforms belonen engagement met lagere kosten per duizend vertoningen. Je betaalt dus minder per vertoning en per klik, om dezelfde onderliggende reden.

Het tweede deel is interessanter, want het is een uitspraak over concurrentie: dit soort creatives kost veel meer werk dan een standaardadvertentie vanachter je bureau, en juist die instapdrempel zorgt ervoor dat weinig adverteerders het doen. Het rendement zit deels in de moeite.

De structuur verdwijnt daarbij niet. De elementen worden er alleen ingeweven zonder de organische vorm te breken: de passagier die noemt wat hij nu betaalt is een testimonial, de verwijzing naar een kennis bij de instantie is autoriteit, en de call-to-action komt aan het eind. Niet alle elementen — alleen wat past zonder dat het geheel als advertentie gaat aanvoelen.

Wat je hier als ondernemer uit haalt: je hoeft geen productiebudget te hebben om dit toe te passen, wel productietijd. En je moet bereid zijn iets te maken dat er níet uitziet als je merk. Dat laatste is voor veel MKB-bedrijven een grotere drempel dan het budget.

Er is nog een reden waarom dit voor de Nederlandse markt aantrekkelijker is dan voor hen. Deze creatives raken volgens hun ervaring minder snel uitgeput en zijn over meerdere platforms en formats inzetbaar. Bij een doelgroep van een paar honderdduizend mensen — de realiteit voor de meeste Nederlandse adverteerders — is advertentiemoeheid je grootste kostenpost: je publiek heeft je video na drie weken gezien en je klikprijs loopt op. Een creatief die twee keer zo lang meegaat, halveert effectief je productiebehoefte. Dat argument weegt hier zwaarder dan in een markt met driehonderd miljoen inwoners.

Beeldanalyse: waarom een ongetraind model verkeerd adviseert

Voor statische advertenties gebruiken ze een tweede custom GPT, getraind op marketingliteratuur, kleur- en klikgedrag, en hun eigen database van winnende statics. Die geeft een beeld een score tegen hun bestaande hoog-scorende voorbeelden en levert concrete aanpassingen: kleuren, randen, lettertypen, verzadiging, helderheid, plaatsing van de call-to-action. In dezelfde workflow laten ze het model vervolgens een prompt schrijven voor een beeldgenerator, plus bijpassende bijschriften — analyse en productie in één keten.

De opmerking die daarbij hoort is het waardevolste inzicht uit dit hele deel. Een ongetraind taalmodel geeft in hun ervaring systematisch verkeerd advies over advertentiemateriaal — het zou hun best presterende creatives afkeuren. In hun markt werken “lelijke” advertenties beter: felle kleuren, rommelige beelden, niets wat een ontwerper zou goedkeuren.

Dat is logisch als je bedenkt waar een model zijn oordeel vandaan haalt. Het is getraind op wat mensen mooi vinden en op wat als goed ontwerp geldt, niet op wat klikt. Esthetisch oordeel en conversieprestatie zijn twee verschillende dingen, en het model kent alleen het eerste.

De praktische regel die daaruit volgt: vraag een model nooit of je advertentie goed is. Voed het met jouw eigen prestatiedata en vraag welke kenmerken de winnaars delen. En vraag er standaard bij waaróp een aanbeveling is gebaseerd — op jouw data of op algemene kennis. Dat is één extra zin in je prompt en het scheidt de bruikbare adviezen van de plausibel klinkende.

De cijfers die ze bij dit onderdeel tonen zijn opvallend groot. Ik zou daar geen verwachting op baseren, om drie redenen.

Het betreft één beeld, zonder informatie over looptijd of volume, en het is precies het soort casevoorbeeld dat wordt geselecteerd ómdat het uitzonderlijk is.

Daarnaast is de context specifiek: het gaat om search arbitrage rond een gezondheidsonderwerp, met een advertentie in de trant van “dit ene ingrediënt zou je klachten kunnen verlichten”. Dat is een verticaal die in Nederland onder gezondheidsclaimregelgeving valt en waar je met deze formulering niet mag adverteren, los van wat het rendement zou zijn. De cijfers komen dus uit een spel dat je hier niet kunt spelen.

En kijk naar het advies zelf, want daar zit een onderscheid in dat je moet kunnen zien. Het model raadde onder meer aan: gebruik groen, voeg randen toe, vermijd zwart en rood, zet er een call-to-action bij. Bij de randen en de kleurenafraders wordt expliciet vermeld dat die uit hun eigen historische prestatiedata komen — advertenties met randen deden het aantoonbaar beter. Dat is een legitieme, empirisch gefundeerde aanbeveling.

De groen-aanbeveling is van een andere orde: groen omdat die kleur voor het onderwerp zou staan. Dat is een thematische associatie, geen uit data afgeleide regel.

Beide staan in hetzelfde lijstje, in dezelfde toon, zonder onderscheid. Dat is het reële risico bij dit soort tooling: een model mengt moeiteloos wat het uit jouw data heeft geleerd met wat het uit algemene associaties opdiept, en presenteert het als één set adviezen. Wie dat onderscheid niet zelf maakt, implementeert het ene met evenveel vertrouwen als het andere.

Daar komt bij dat alle wijzigingen tegelijk zijn doorgevoerd. Welke ingreep het verschil maakte, weet niemand. Dat is precies waarom de component-attributie uit de vorige sectie zo belangrijk is: zonder die opzet weet je wel dát iets beter werd, maar niet waardoor — en dus ook niet wat je de volgende keer moet herhalen.

En als je de twee beelden naast elkaar legt, valt er iets op wat in de toelichting onbenoemd blijft. De oorspronkelijke advertentie was een witte kaart met een regel zwarte tekst. Geen knop, geen call-to-action, niets wat aangaf dat je ergens op kon klikken. De nieuwe versie heeft een gele knop. De meest waarschijnlijke verklaring voor een click-through rate die ruim verdubbelt, is niet de kleurpsychologie — het is dat er voor het eerst een zichtbare klikknop in de advertentie staat.

Dat is geen kritiek op de methode, maar wel op hoe het resultaat wordt gepresenteerd. Het model corrigeerde hier in de eerste plaats een elementaire omissie. Dat is nuttig, en precies daarom is dit voorbeeld voor jou relevant: voordat je AI inzet om je advertenties te verfijnen, loop eerst de basis na. Staat er een call-to-action in? Is er contrast? Is de tekst leesbaar op een telefoon? Dat soort winst haal je zonder tooling, en het is groter dan wat verfijning je daarna oplevert.

Wat ik niet zou overnemen

Vier dingen, expliciet.

Het hergebruiken van andermans video’s. Bij de story-style creatives valt de opmerking dat ze soms exact dezelfde video gebruiken, en soms inspiratie ontlenen. Dat verschil is juridisch alles. Een virale video letterlijk overnemen en er een commerciële boodschap aan vastplakken raakt aan auteursrecht en, als er herkenbare personen in beeld zijn, aan portretrecht. In de Nederlandse en Europese context is dat geen grijs gebied waar je met een disclaimer uitkomt. Het format naspelen met eigen opnames en eigen acteurs is een andere zaak en volledig legitiem. Neem dus de opzet over, niet de beelden.

De agressieve invalshoeken. Een deel van de getoonde winnende advertenties leunt op formuleringen als “de politie wil niet dat je dit weet” of “bekijk dit voordat het offline gehaald wordt”. Dat komt uit Amerikaanse affiliate-leadgen, een markt met andere normen en ander toezicht. In Nederland loop je hier tegen drie muren: de Reclamecode, het handhavingsbeleid van Meta, en — belangrijker — je eigen reputatie in een markt waar je klanten elkaar kennen. De structuur is bruikbaar. Deze specifieke openingen niet.

Testvolume zonder component-attributie. Dit is een genuanceerder punt dan ik aanvankelijk dacht. Zoals hierboven beschreven, lost het middelen per onderdeel het grootste deel van het statistische bezwaar op: elke opening verzamelt data uit dertig combinaties. Maar dat werkt alleen als je labelt, als je de gemiddelden per onderdeel daadwerkelijk uitrekent, en als er genoeg totaalvolume in het systeem zit. Wie 450 varianten lanceert, ze individueel beoordeelt en de best presterende video als winnaar aanwijst, kiest alsnog ruis. Het volume is niet het bewijs — de attributiestructuur is dat.

Er hoort nog een kostenkant bij die zelden benoemd wordt. In het dashboard dat tijdens de sessie in beeld komt, staat over de getoonde testperiode een negatieve ROI. Dat is precies wat je verwacht: de ontdekkingsfase kost geld, en de winst zit in wat je erna met de gevonden onderdelen doet. Reserveer daar budget voor in plaats van te verwachten dat de testfase zichzelf terugverdient.

De aanname dat AI het creatieve werk doet. In dit hele systeem doet AI drie dingen: scripts classificeren, patronen herkennen in prestatiedata, en varianten assembleren. De invalshoek komt uit onderzoek onder echte mensen. De structuur komt uit analyse van bestaande advertenties. Het oordeel komt van de marketeer. Wie AI inzet om die drie stappen over te slaan, produceert alleen sneller middelmatig werk.

Concreet: hoe je hier morgen mee begint

Voor een ondernemer met €1.500 tot €5.000 per maand aan advertentiebudget, in deze volgorde:

1. Verzamel 10 tot 15 invalshoeken uit klantgesprekken, supporttickets, reviews en branchediscussies. Niet uit een brainstorm — uit wat klanten daadwerkelijk zeggen.
2. Test ze plat als simpele tekstadvertenties op link clicks. Budget €150 tot €225, looptijd 5 tot 7 dagen. Je zoekt uitschieters, geen significantie.
3. Ontleed 15 tot 20 langlopende advertenties uit jouw markt via de Meta Ad Library. Label ze in een vaste structuur — een model kan dit labelwerk voor je doen zodra je het stramien hebt vastgelegd.
4. Bouw modulair. 5 openingen, 3 middenstukken, 2 afsluitingen uit de winnende invalshoeken. Elk onderdeel een gelabeld type.
5. Leg de naamgeving vast vóór de eerste upload. Zonder dit kun je stap 6 niet uitvoeren, en achteraf reconstrueren lukt niet.
6. Meet per onderdeel. Hook rate, hold rate, click-through rate, kosten per klik, landingspagina-CTR — en middel die per onderdeel over alle combinaties. Koppel aan elke metric één vaste vervolgactie, zodat de analyse niet elke maand opnieuw een discussie wordt.
7. Itereer op onderdelen, niet op video’s. Vervang de opening, houd het middenstuk. Dat is waar de modulaire opzet zich terugbetaalt.
8. Maak één story-style variant per kwartaal. Bekijk wat er in jouw markt organisch trending is, speel het format na met eigen opnames, en weef er één structuurelement in. Dit is het onderdeel met de hoogste productiedrempel en daardoor de minste concurrentie.

Loop je hierop vast, of wil je dit doorlopen met iemand die het vaker heeft opgezet? Dat is wat we in de Cut The Crap-sessie doen: drie uur bij jou op kantoor, marketing en processen tegelijk.
Eén regel die overal geldt: laat een AI-model nooit beoordelen of een advertentie goed is. Laat het classificeren, samenvatten en patronen zoeken in data die jij aanlevert. Het oordeel blijft bij jou, want het model kent wel esthetiek en geen conversie.

De kern

AI advertenties maken is geen tooling-vraagstuk. De technologie verlaagt de kosten van productie en analyse, en dat is niet niks — het maakt testvolume betaalbaar dat vijf jaar geleden alleen voor bureaus met miljoenenbudgetten haalbaar was.

Maar AI verlaagt de kosten van een slechte invalshoek niet. Als niemand geïnteresseerd is in wat je zegt, levert 450 varianten van diezelfde boodschap je 450 keer hetzelfde antwoord op.

De volgorde is: eerst weten wat werkt, dan pas schalen. Alles daartussen is productiecapaciteit.

Hoe je advertenties inpast in een breder verhaal lees je in ons artikel over het ontwikkelen van een contentstrategie die converteert.

Bron van het casemateriaal: een sessie van Rohit Ajmani (CEO Idea Clan) over AI-gedreven advertentieframeworks. De prestatiecijfers zijn afkomstig uit die presentatie en niet onafhankelijk geverifieerd. De analyse, de vertaalslag naar de Nederlandse markt en de conclusies in dit artikel zijn van Ecoteers; het materiaal van Idea Clan dient ter illustratie.