Et markedsføringsteam kjøper flere AI-verktøy. Hvert av dem kan lage tekst, bilder eller en rapport. Etter tre måneder vet imidlertid ingen hvor mye arbeid som faktisk har forsvunnet. Det finnes nye abonnementer, nye faner og en plikt til å kontrollere flere resultater.
Jeg kom til AI av motsatt grunn: Jeg ønsket å redusere repetitivt arbeid. I DreamROI-prosjektet arbeidet vi med personalisering og datadrevne prediksjoner, i tillegg til tekstgenerering. Denne erfaringen lærte meg å skille en attraktiv demonstrasjon fra en prosess som faktisk lønner seg økonomisk for en bedrift.
Tre typer bruk, tre ulike forutsetninger
Generering
En modell utarbeider tekst, bilder, en annonsevariant, en disposisjon eller et sammendrag. Implementeringen går raskt, men kostnadene skjuler seg ofte i instruksjoner, kontroll og korrigeringer. Gevinsten blir større når den arbeider med godkjent materiale og et repeterbart format.
Automatisering
Et system kobler sammen trinn: Det tar imot kildemateriale, lager et utkast, sender det til godkjenning, publiserer det og lagrer resultatet. Noe av dette trenger ikke bruke AI i det hele tatt. Verdien kommer fra å fjerne manuell overføring og venting.
Prediksjon og anbefaling
En modell anslår sannsynligheten for en respons, rangerer tilbud eller velger neste trinn. Den trenger kvalitetshistorikk, nok signaler og en måte å teste kontinuerlig på. For en liten bedrift kan en vanlig regel være billigere og enklere å forstå.
Slik kjenner du igjen en egnet prosess
Før du velger et verktøy, vurder oppgaven med seks spørsmål:
- Hvor ofte gjentar den seg? En time én gang i året er ikke en god kandidat for en kompleks integrasjon.
- Er inndataene like? En stabil mal egner seg bedre for automatisering enn et nytt strategisk problem hver gang.
- Kan vi kontrollere resultatet? Uten et kvalitetskriterium kan vi ikke se om det har blitt bedre.
- Hva koster en feil? En skrivefeil i en intern disposisjon og en feil kampanjepris innebærer ikke samme risiko.
- Har vi nødvendige data og tillatelser? En ødelagt CRM-post blir ikke reddet av en smartere modell.
- Hvem eier den? Noen må overvåke, oppdatere og kunne slå av arbeidsflyten.
Den beste kandidaten er hyppig, relativt stabil, enkel å måle og har lave feilkonsekvenser. Typiske eksempler er å utarbeide varianter fra godkjent materiale, kategorisere tilbakemeldinger eller lage et førsteutkast til en regelmessig rapport.
Der AI ofte hjelper i dag
- Innhold: disposisjoner, varianter, formatendringer, intervjusammendrag og redaksjonell kritikk. Uten førstehåndserfaring produserer den bare generaliseringer.
- E-postmarkedsføring: utkast fra godkjent innhold, segmentering og anbefalinger når dataene er tilstrekkelige. Mer omtales i AI i e-postmarkedsføring.
- PPC: kreative varianter og søkeordsanalyse. Et menneske må kontrollere budsjett, måling og grenser.
- Tilbakemeldinger fra kunder: sortering av store mengder svar og forslag til temaer. Sensitive data krever et godkjent miljø.
- Rapportering: kommentarer til klargjorte data og identifisering av avvik. En modell må ikke erstatte kildetabellen eller finne på manglende verdier.
- Intern kunnskap: søk i godkjent dokumentasjon. Gevinsten avhenger av oppdaterte dokumenter og tillatelser.
Fem kostnader en demo ikke viser
1. Klargjøring av data og kildemateriale
Et verktøy kan være billig, men det tar tid å rense en katalog, samordne kampanjenavn eller anonymisere dokumenter. Ta med denne kostnaden i piloten.
2. Menneskelig kontroll
Jo større konsekvensene av en feil er, desto mer erfaren må kontrolløren være. En time med en senior kan koste mer enn selve genereringen. Mål tiden frem til godkjenning, ikke tiden frem til førsteutkastet.
3. Integrasjon og vedlikehold
API-er endres, tillatelser utløper og inndataformater flyttes. En arbeidsflyt uten en ansvarlig slutter sakte å fungere eller begynner å produsere feil.
4. Avhengighet av leverandøren
Pris, begrensninger og tjenestevilkår kan endres. For en viktig prosess trenger du dataeksport og en plan for driftsstans eller avslutning av produktet.
5. Omdømme og personvern
Én oppdiktet kundehistorie eller ett lekket kundedokument kan veie tyngre enn måneder med små besparelser. Avgjør på forhånd hvilke data som ikke kan sendes til tjenesten, og hvordan innhold som krever ekspertgodkjenning, merkes.
Slik bygger du en pilot som beviser noe
- Velg én prosess. For eksempel å gjøre en ekspertartikkel om til et nyhetsbrev og to innlegg hver uke.
- Mål dagens situasjon. Tid, antall korrigeringer, feilrate og forretningsmålet.
- Sett grenser. Godkjente kilder, forbudte påstander, nødvendig kontroll og avslutning.
- Behold en sammenligning. Lag noen resultater med den opprinnelige metoden, eller sammenlign den samme perioden.
- Tell all tid. Instruksjoner, integrasjon, kontroll, korrigeringer og vedlikehold.
- Bestem deg etter en begrenset periode. Fortsett, juster eller avslutt piloten.
For flere år siden anslo jeg betydelige tidsbesparelser for enkelte oppgaver. I dag ville jeg ikke lovet en universell prosentandel. Besparelsene avhenger av kvaliteten på inndataene, hvor ofte oppgaven utføres, nødvendig nøyaktighet og kostnaden ved kontroll. En ærlig pilot er sterkere enn et imponerende estimat.
Når du bør la AI ligge
Ikke ta det i bruk bare fordi konkurrentene gjør det. Det gir ingen mening for en sjelden oppgave uten et tydelig resultat, en prosess med ødelagte data eller et sted der bedriften ikke kan plassere ansvaret for en feil. Jeg ville ikke delegert en strategisk beslutning om merkevareposisjonering, pris eller en sensitiv kunde til en modell.
Jeg ville også rettet opp målingen først. Uten grunnleggende informasjon om henvendelser kan du ikke vite om AI optimaliserer virksomheten eller bare skaper mer innhold.
Det første steget er ikke en lisens
Ta én gjentakende markedsføringsprosess og kartlegg trinnene. Skriv ned tid, inndata, resultat, feil og ansvarlig for hvert trinn. Først da bør du undersøke om en regel, integrasjon, generativ modell eller kombinasjon kan hjelpe.
Fortsett med arbeidsflyten for AI-basert tekstskaping i praktisk tekstarbeid. For innhold som også skal fungere i søk, kan du se Slik blir du en kilde for Google og AI-svar. Hvis du vil beregne en pilot for prosessen din, kan du ta kontakt via kontaktsiden.