kommuniverset

AI er alle steder, værdien er det ikke

Foto: Uriel SC på Unsplash

AI er ikke længere et eksperiment i danske marketingafdelinger, det er normen. 95 Pct. Af B2B-marketers oplyser, at deres organisation bruger AI-værktøjer, og content creation er det klart mest udbredte anvendelsesområde, skriver Braze. Men udbredelse er ikke værdi. Læser man fire stemmer ved siden af hinanden, to analytikere og to leverandører, tegner ét mønster sig: teams betaler for mere kompleksitet end opgaven kræver, lærer værktøjerne tilfældigt og gætter på, hvor AI skal møde kunden. Fællesnævneren er ikke teknologien, men fraværet af beslutningsdisciplin. Og det er en ledelsesopgave, ikke en værktøjsopgave.

Trin for trin

1. sæt alle use cases på kompleksitetstrappen

MarTech skelner mellem fire mekanismer med stigende omkostning og risiko: regelbaseret logik, predictive modeller, generativ AI og agentic systemer. Gennemgå din AI-roadmap use case for use case med ét spørgsmål: kan opgaven løses én trin lavere? Meget lead scoring og trigger-arbejde kan håndteres af de predictive modeller, der allerede sidder i din marketingautomation. At nedgradere en agentic drøm til en regelbaseret automation er ofte årets bedste ROI-beslutning. Har du først valgt kompleksitetstrin, gælder valgmatricen fra vores gennemgang af indlejret kontra selvvalgt AI.

2. beregn tco med mennesker indregnet

De indledende løfter om en AI-løsning ignorerer typisk de langsigtede omkostninger, den menneskelige overvågning og fejltilstandene, påpeger MarTech. Tilføj en erfaring fra virkeligheden: den person, der godkender indkøbet, er sjældent den, der skal drive systemet hver dag. Krav til enhver AI-businesscase: en selvstændig post til overvågning, fejlhåndtering og exit. Er posten tom, er casen ikke færdig.

3. erstat trial and error med organisatorisk læring

I MarTechs analyse af adoptionsbarrierer spurgte man medarbejdere, inklusive topledelser, hvordan de havde lært at bruge AI. Svarene var enslydende: trial and error, en artikel her og der. Konsekvensen er, at alle bruger AI til egne formål, og taktikken løber fra strategien. Handlingen er ledelsesmæssig: udpeg tre til fem godkendte use cases, fastlæg fælles prompt- og kvalitetsstandarder, og evaluer kvartalsvist. Det bygger videre på governance-fundamentet fra Agentic AI i kundeoplevelsen: reglerne sættes, før udrulningen sker, ikke efter den første fejl.

4. test placeringen af chat, antag den ikke

Amplitude testede deres AI-chat surface by surface hos både nye og eksisterende brugere, skriver teamet bag Global Agent. Det interessante fund: nye brugere var slet ikke klar til en chat-først onboarding. Vejledte stier gav dem mere værdi end en tom chatboks. Lektionen generaliserer til ethvert website og produkt: en chatboks er ikke en strategi, placeringen er. A/B-test hvor AI-berøringsfladen skal sidde, i onboarding, i support, på landingssider eller inde i produktet. Resultatet overrasker ofte, fordi interne antagelser om brugermodenhed sjældent stemmer.

5. fasthold arbejdsdelingen mellem maskine og menneske

Braze formulerer arbejdsdelingen præcist: AI udkaster, foreslår og sorterer, mens mennesket beslutter, hvad indholdet skal bruges til, om det er korrekt, og om det lyder som brandet. Med 89 pct., der bruger AI til content creation, er produktionskapaciteten stor, men værdien opstår først i aktivering: det rette indhold, til det rette menneske, på det rette tidspunkt. Sæt på skrift, hvilke led i content lifecycle der altid kræver menneskelig dømmekraft.

Faldgruber

• Gaflertruck til en kaffekop. Ingen ville købe en gaffeltruck for at flytte en kop kaffe, skriver MarTech, men det er præcis, hvad der sker, når agentic systemer sættes på opgaver, en regel kunne klare.
• Fejl, der ser rigtige ud. Regelbaserede systemer fejler åbent og synligt. Generative systemer fejler flydende, i hele sætninger, uden fejlkode. Jo højere på kompleksitetstrappen, jo dyrere er fejlen, og jo sværere er den at opdage.
• Indkøbs- og driftskløften. Beslutning og drift sidder i forskellige teams. Uden TCO-disciplin betaler driftsteamet regningen i årevis, mens den oprindelige businesscase for længst er glemt.
• Chat som strategi. At have en chatboks er ikke et konkurrenceargument. Amplitudes tests viser, at placering og kontekst afgør, om den overhovedet skaber værdi.
• Træningsvakuum. Uden et fælles læringslag bliver AI til individuelle vaner, som ledelsen hverken kan styre eller måle. I ligner da “i gang med AI”, men er reelt blot dybere i pilotsyge.

Spørgsmålet til det næste ledelsesmøde er derfor ikke, hvilke AI-værktøjer I mangler. Det er, hvilke tre use cases I gør til standard inden kvartalets udløb. Pilotsyge er i sig selv en omkostningspost, og den vokser for hver måned uden prioritering.

Læs også

• AI som driftskanal: Tre infrastrukturlag din marketing skal bygge nu
• AI-middelbarhed: Når agenten bliver kundens første kontakt
• SEO lever – men AI-svaret vinder køberen før klikket