So würde ich das Self-Learning-System bauen. Heute generiert Supamoe Ads — aber vergisst sofort, welche funktioniert haben. Die Idee: Performance fließt zurück in die nächste Generierung, damit jeder Batch besser wird als der letzte. Das hier ist mein Denkmodell, kein fixer Plan — wir gleichen es gegen deine Wünsche ab.
Supamoe macht alles richtig — bis auf den letzten Schritt. Die Ergebnisse der laufenden Ads (ROAS, Hook-Rate) fließen nirgends zurück. Jeder neue Angle, jedes neue Creative startet bei null, blind für das, was bei dieser Brand schon konvertiert hat.
Welcher Angle 3× ROAS gemacht hat, weiß die nächste Generierung nicht. Das Wissen verpufft.
Gewinner-Vorlagen werden per Zufall ausgewählt — nicht nach dem, was tatsächlich performt hat.
Ad #100 ist nicht klüger als Ad #1. Kein Compounding, kein Daten-Vorsprung.
Jeder ausgegebene Euro hinterlässt eine Spur. Wir sammeln diese Spuren pro Brand und lenken die nächste Generierung auf das, was bei genau dieser Zielgruppe nachweislich konvertiert.
Das ist der einzige echte Daten-Moat: Ein generisches KI-Tool kann das nicht — es kennt deine ROAS-Daten nicht. Supamoe schon. Mit jedem Monat Spend wird der Vorsprung größer.
Sechs Schritte. Grün = läuft heute schon. Orange = das fehlende Stück, das den Kreis schließt.
Performance kommt täglich rein — Spend, ROAS, Hook-Rate, Hold-Rate. Die Daten sind da.
Welcher Angle? Welcher Hook? Welche Awareness-Stufe? Welcher Visual-Stil? Heute steht das nur als loser Text dran — ohne saubere Verknüpfung zur Performance. Das ist das eine fehlende Puzzleteil, an dem alles hängt.
Ein nächtlicher Job rechnet pro Etikett-Kombi den ROAS aus — spend-gewichtet (eine Ad mit 2.000 € zählt mehr als eine mit 50 €) und fair verglichen (nur gegen Ads in derselben Zielgruppe).
Das Ergebnis landet in einem wachsenden Gedächtnis pro Brand: „Bei dieser Brand schlägt Angle X mit Hook Y — bewiesen über echtes Geld." Nie überschrieben, immer dazugelernt.
Die nächste Angle- und Creative-Generierung bekommt das bewiesene Muster als Vorschlag mit. Gewinner werden bevorzugt, Verlierer aussortiert — aber immer mit etwas Raum für Neues.
… und erzeugen wieder Performance-Daten. Der Kreis dreht sich — und wird mit jeder Runde schärfer.
Schritt 6 füttert wieder Schritt 1. Was heute eine Einbahnstraße ist, wird ein Schwungrad: Je länger es läuft, desto besser die Ads.
Kein Buzzword — im Kern eine simple Tabelle pro Brand. Jede Zeile sagt: „Diese Zutat-Kombination performt so." Ein Beispiel, wie es für eine Supplement-Brand aussehen könnte:
Die Generierung liest diese Tabelle und denkt: „Mehr Schmerz-Angles mit Frage-Hooks für Problem-aware — den Biohacker-Closeup nicht weiter testen." Genau so lernt das System.
Der größte Fehler wäre, naiv eine „Bestenliste" zu bauen. Eine Ad kann gut aussehen, weil sie auf die beste Zielgruppe lief — nicht weil der Angle gut war. Drei Schutzmechanismen halten das System ehrlich:
Wir vergleichen Angles nur innerhalb derselben Zielgruppe & Budget. Sonst hält man eine Lucky-Audience für ein gutes Creative.
Eine Ad mit 30 € Spend ist kein Beweis. Erst ab einer Spend-Schwelle zählt ein Muster — kleine Stichproben werden vorsichtig behandelt.
Ein fester Teil bleibt Exploration. Sonst dreht sich das System im Kreis und findet nie den nächsten großen Gewinner.
Jede Phase liefert für sich schon Wert. Wir müssen nicht alles auf einmal bauen — und nach jeder Phase kannst du nachjustieren.
Jede gelaunchte Ad sauber mit Angle/Hook/Awareness verknüpfen (das fehlende Puzzleteil). Plus zwei Sofort-Fixes, die unabhängig vom Loop jede Ad heute schon besser machen: das VoC-Leck schließen (deine besten Kundenzitate landen wieder in der Copy) und die echten Ad-Kommentare deiner Kunden speichern statt wegwerfen.
Die Gedächtnis-Tabelle anlegen und den nächtlichen Job bauen, der spend-gewichtet & fair rechnet. Ab hier hat Supamoe zum ersten Mal echtes, strukturiertes Wissen über die eigene Performance.
Angle-Gen und Creative-Gen bekommen das bewiesene Muster als Vorschlag. Gewinner-Reuse nach echtem ROAS statt Zufall. Und die heute leere „AI-Analyse" im Running-Ads-Tab wird endlich echt befüllt.
Das System mottet schwache Angles selbst ein und legt morgens einen Vorschlag bereit: „Pausiere X, skaliere Y, klone Gewinner Z." Erst sinnvoll, wenn A–C vertrauenswürdig laufen.
Statt bei null zu starten, baut jeder Batch auf dem auf, was schon konvertiert hat.
Entscheidungen fußen auf spend-gewichteten Zahlen, nicht auf „fühlt sich gut an".
Kein generisches Tool kann das nachbauen — es kennt deine ROAS-Daten nicht.
Verlierer-Muster werden früh erkannt und nicht wieder und wieder getestet.
Hier weiß ich, dass du oft mehr Kontext hast, wofür was gedacht ist. Das sind die Stellen, an denen dein Input den Bauweg bestimmt:
Angle-Tagging in einem Adset (billig, gut genug) — oder echte Test-Matrix mit getrennten Adsets (sauberste Zahlen, greift aber in deine Budget-Steuerung ein)? Mein Tipp: erstmal Tagging.
Soll es Angles selbst auf „failed" setzen — oder nur vorschlagen und du/der Agent bestätigt? Frage des Vertrauens, kein technisches Problem.
Du sagtest nc_revenue ist legacy — welche Spalte/welches Meta-Feld ist heute die echte Umsatz-/ROAS-Quelle, auf die der Score fußen soll? Hier baue ich nichts, bis das geklärt ist — sonst lernt der Loop auf Müll.
Roh speichern (mit Zugriffsschutz) — oder nur anonymisierte Zitate extrahieren, damit gar keine persönlichen Daten liegen bleiben?