AI i marketing: Fra hurtige udkast til bedre arbejde
AI kan hjælpe marketing med research, produktdata og udkast. Værdien afhænger af jeres kilder, arbejdsflow og kontrol. Her er en konkret måde at begynde på.
Partner & CTO hos Adtention
Begynd med arbejdet, ikke værktøjet
AI i marketing er mest interessant, når det forbedrer en konkret opgave. Det kan være at strukturere et leverandørark, forberede en kampagne eller lave et første tekstudkast. Mere indhold er ikke i sig selv et bedre resultat. En hurtig tekst, der kræver en time med rettelser, er heller ikke nødvendigvis en gevinst.
Vælg derfor en tilbagevendende opgave, hvor I kender udgangspunktet og kan genkende et godt resultat. Brug AI som en del af arbejdsgangen med tydelige kilder, ansvar og kvalitetskrav. På den måde kan I vurdere, hvad teknologien faktisk bidrager med.
Fem relevante opgaver for marketingteamet
Eksemplerne her er mulige anvendelser. De er ikke løfter om en bestemt effekt eller beskrivelser af fem kundeløsninger i drift.
| Opgave | AI kan hjælpe med | Det skal et menneske vurdere |
|---|---|---|
| Research og brief | Strukturere godkendt materiale og pege på ubesvarede spørgsmål. | Kildernes kvalitet, aktualitet og de vigtigste indsigter. |
| Produktdata | Foreslå kategorier, struktur og beskrivelser ud fra tilgængelige oplysninger. | Specifikationer, variantforskelle og manglende fakta. |
| Kampagneudkast | Udarbejde forskellige budskabsvinkler ud fra et fælles brief. | Relevans for målgruppen, brand og dokumentation for udsagn. |
| Genbrug af indhold | Omsætte et godkendt fagligt materiale til nye formater. | Om kontekst og forbehold stadig er med. |
| Opsamling på arbejdet | Sammenfatte observationer og opstille spørgsmål til næste test. | Datagrundlag, årsager og de beslutninger, der følger. |
Den rigtige opgave ligger ofte tæt på noget, teamet allerede gør godt. Det giver et bedre grundlag for feedback end at bede en model opfinde en hel strategi uden indsigt i virksomheden.
Et konkret workflow: Fra produktark til produkttekst
Forestil jer en webshop, der modtager leverandørark og skal oprette varer. Et muligt flow kan se sådan ud:
- Saml de godkendte kilder. Produktark, variantoversigt og virksomhedens skrivevejledning. Aftal, hvilken kilde der har forrang, hvis oplysningerne er forskellige.
- Udtræk fakta før formulering. Bed AI opstille et struktureret datasæt med kildehenvisninger og markere manglende oplysninger. Undgå at lade en velskrevet tekst skjule huller.
- Kontrollér de afgørende felter. Materiale, mål, kompatibilitet og andre egenskaber skal sammenholdes med kilden. Uoverensstemmelser skal afklares.
- Skriv udkastet fra de kontrollerede fakta. Giv målgruppe, formål, tone og format. Bed om et udkast uden nye produktløfter.
- Godkend før publicering. En ansvarlig kontrollerer både fakta og den samlede kommunikation. Først derefter flyttes indholdet videre til webshoppen.
Det afgørende er adskillelsen mellem at finde oplysninger og at formulere dem. Hvis de to opgaver blandes, bliver det sværere at se, hvor en påstand kommer fra. Læs også vores guide til AI og produktdata.
Et lille eksempel på et bedre input
Uklart: “Skriv en god salgstekst til vores nye termokop.” Modellen mangler både fakta, målgruppe og regler for, hvad den må påstå.
Mere brugbart: “Brug kun oplysningerne i det vedhæftede, godkendte produktark. Start med en tabel over dokumenterede egenskaber og manglende oplysninger. Skriv derefter et kort produktudkast til pendlere i vores nøgterne tone. Tilføj ingen temperaturtider, miljøudsagn eller garantier, hvis de ikke står i materialet.”
Eksemplet er en arbejdsmetode, ikke en garanti mod fejl. Kilden og udkastet skal stadig kontrolleres. Brug vores promptskabelon som hjælp til at gøre opgaven tydelig.
Hvad kan vi lære af Kirppu og Dymak?
I Kirppu-casen behandlede Adtentions AI-løsning over 500.000 varebilleder og foreslog blandt andet kategori, titel, beskrivelse og søgeord. Usikre varer blev sendt videre til menneskelig vurdering. Det interessante for marketing er forbindelsen mellem råt materiale, brugbare produktoplysninger og kontrol.
Dymak-casen handler om en prototype til at understøtte arbejdet med produktdata og PIM. Den skal læses som en afprøvning af et muligt flow, ikke som dokumentation for en løsning i drift eller en realiseret gevinst.
Begge eksempler peger på samme faglige spørgsmål: Hvilke oplysninger har vi, hvordan skal de bruges, og hvor skal mennesker vurdere resultatet? Det er mere konkret end ambitionen om blot at “bruge mere AI i marketing”.
AI-martech: Værktøjer skal passe ind i arbejdsgangen
Et nyt AI-værktøj kan være fint til en afgrænset opgave. Men hvis medarbejderne skal kopiere oplysninger mellem fem systemer for at bruge det, kan der opstå nye flaskehalse. Se derfor på, hvor data kommer fra, hvem der ejer dem, og hvor et godkendt resultat skal ende.
Skeln mellem tre behov: Et team skal lære at bruge et eksisterende værktøj. En arbejdsgang skal forbindes på tværs af systemer. Eller virksomheden mangler en funktion, der skal udvikles. De behov kræver forskellige forløb og budgetter.
Everydai rådgiver uvildigt om værktøjsvalg. Vi vurderer opgaven før platformen og kan kombinere AI-oplæring, integration og udvikling, når det er nødvendigt. En enklere proces kan også være det rigtige svar.
Sådan vælger I det første marketingprojekt
Vælg én opgave og beskriv, hvordan den løses i dag. Det behøver ikke være avanceret. Notér eksempelvis tiden fra modtaget produktark til godkendt indhold, antallet af rettelser og de oplysninger, I ofte mangler.
- Gentagelse: Forekommer opgaven ofte nok til, at en ny arbejdsform er umagen værd?
- Kilder: Har I materiale, som må bruges, og som en medarbejder kan kontrollere resultatet imod?
- Kvalitet: Kan I beskrive, hvad et acceptabelt resultat er?
- Ansvar: Er der en opgaveejer, som kan teste og ændre arbejdsgangen?
- Afgrænsning: Kan I prøve løsningen i lille skala uden at publicere ukontrolleret indhold?
Sammenlign derefter hele forløbet med den nuværende metode. Medregn forberedelse, kvalitetstjek og rettelser. Aftal på forhånd, hvilke observationer der skal få jer til at fortsætte, ændre forsøget eller stoppe. Vores guide til en AI-business case hjælper med den vurdering.
Tre spørgsmål, vi ofte møder
Kan AI overtage vores indholdsproduktion?
AI kan understøtte dele af arbejdet, men nogen skal stadig eje målgruppe, budskab, fakta og publicering. Start med afgrænsede opgaver og vurder, hvor meget redaktionelt arbejde der reelt er tilbage. Automatisér først videre, når kvaliteten og håndteringen af undtagelser er forstået.
Hvordan bevarer vi vores tone?
Giv konkrete eksempler på godkendt indhold, forklar modtager og formål, og beskriv de formuleringer og påstande, I vil undgå. Sammenlign flere udkast og ret instruktionen. En tonevejledning hjælper, men den erstatter ikke redaktionel dømmekraft.
Har vi brug for et kursus eller en integration?
Hvis udfordringen er usikre instruktioner og ujævn kvalitet, så begynd med oplæring. Hvis medarbejderne allerede løser opgaven godt, men flytter de samme oplysninger manuelt, kan integration være næste skridt. Er selve målet uklart, er en AI-workshop ofte et bedre sted at starte.
Gør næste skridt konkret
Everydai er et AI-bureau og en del af Adtention. Vi arbejder i krydsfeltet mellem marketing, forretning og udvikling. Det giver os mulighed for både at drøfte den kommercielle hensigt og arbejde med de data og systemer, der skal understøtte den.
Vil I finde en relevant første anvendelse, så begynd med AI-rådgivning. Arbejder I med varer og produktoplysninger, kan I se vores tilgang til AI til webshop. Eller fortæl os om den marketingopgave, I gerne vil forbedre.
