Google har introdusert en A/B-testfunksjon for sitt AI-drevne annonseverktøy, Performance Max (Pmax), som lar annonsører vurdere endringer som kreative ressurser og landingssider. Nyheten ble annonsert i slutten av oktober, og oppdateringen vil introdusere tilleggsressurser og dynamisk landingssideseksjon i en betaversjon i november. Noen annonsører har hatt tilgang til denne funksjonen gjennom et hvitelisteprogram i over en måned. Andy Goodwin fra Brainlabs bemerket at A/B-testing gir viktige innsikter, og motvirker Pmaxs tidligere kritiserte "black-box"-natur, som manglet transparens. Michelle Merklin fra Tinuiti uttrykte lignende bekymringer og sa at det var utfordrende å forstå kampanjens innvirkning. Den nye testingen viser effektene i sanntid, i motsetning til upålitelige før-og-etter metoder. Selv om de nye kontrollene er lagt til, stiller noen annonsører spørsmål ved resultatets pålitelighet. Google har svart på langvarige forespørsler om mer kontroll, tidligere antydet denne funksjonen for 18 måneder siden, men møtte forsinkelser.

Nå kan annonsører samtidig kjøre en grunn- og eksperimentell kampanje, og jevnt fordele trafikk på plattformer som søk og YouTube for å avgjøre hvilken som presterer bedre. Merklin rapporterte om nesten 10 kunder som ønsker tilgang for å teste strategier for kundeverving, smart budgivning, målretting mot målgruppe, og mer. Dette gir annonsører klarere innsikter som tar hensyn til variabler som sesongmessighet. Likevel er ikke alle entusiastiske for funksjonen. En navnløs markedføringsbyråleder sa at full adopsjon i byrået er treg på grunn av ønsket om kontroll over testelementene. I motsetning til tradisjonelle tester kan Pmax A/B-tester innen Pmax-kontoer komplisere isolering av endringspåvirkninger, og reise bekymringer over transparensen. Rain the Growth Agencys tidligere tester fant at Google-rapporter har en tendens til å overdrive ytelsen, med direktør Stacia Fulginiti skeptisk til å omfavne disse eksperimentene helt. En talsperson for Google klargjorde at annonsører kan definere eksperimentelle trafikkfordelinger, og sikre balanserte testforhold.