Din automatisering kører, og ingen ved, hvordan den fungerer

Bed et marketingteam om at forklare, hvordan deres egne arbejdsgange til marketingautomatisering fungerer. Værsgo, jeg venter. Ikke versionen på højt niveau, hvor nogen beskriver, hvad de burde gøre, men mekanikken bag maskinen.

Kan du svare på, hvad der udløser denne sekvens? Eller hvem der oprettede denne routingsregel, og hvorfor? Hvad sker der, når en kontakt matcher to segmenter på én gang? Det er måske ikke overraskende at høre, at man oftere får tomme blikke end detaljerede svar. Kort sagt findes der en bedre måde. 

Andrea Tarrell, direktør for data- og teknologitjenester hos Trilliad, har brugt sin karriere i krydsfeltet mellem marketing og omsætningsteknologi, og hun har set dette udspille sig flere gange, end hun kan tælle. 

Tarrell arbejder med B2B-organisationer, der forsøger at få værdi ud af de platforme, de har investeret i. Når samtaler om migrering kommer op, er der en rød tråd blandt teamene. Hun fortæller, at det ikke er usædvanligt, at teamet i en migreringssituation kommenterer på funktionaliteten i de eksisterende automatiseringer.

Vi ved faktisk ikke rigtigt, hvordan det her fungerer. Det kørte bare i baggrunden, og ingen er rigtig sikre på, hvordan det blev oprettet, hvem der byggede det, eller hvad det gør.

Det er ikke et lille problem. Og med den accelererende anvendelse af AI er det på vej til at blive et meget større problem.

Spøgelset i maskinen

Hendes erfaring opsummerer den operationelle virkelighed i mange modne marketingorganisationer. Ikke fordi de teams, der driver dem, er forsømmelige, men snarere på grund af den måde, automatiseringer bliver bygget på. 

Logik, forgrenede sekvenser, undertrykkelseslister og regler for lead-routing ophobes på samme måde, som gamle huse ophober ledninger. Det fungerer for det meste, men forstås af færre mennesker, end nogen bryder sig om at indrømme. 

Marketingautomatisering har været udbredt i langt over et årti. De fleste modne B2B-marketingorganisationer har en version af en arbejdsgang eller et program til marketingautomatisering, som har kørt i årevis. 

Men når en modningssekvens fejler, opdager nogen før eller siden faldet i konverteringsraten, og så begynder de at undersøge sagen. Og nu ændrer AI de afledte effekter betydeligt.

Når organisationer begynder at lægge AI-drevet scoring, berigelse eller agentstyret opsøgende kontakt oven på disse systemer, tilføjer de ikke bare nye funktioner. 

De forstærker den logik, der allerede ligger nedenunder. Rene input, gennemtænkt segmentering og veldesignede routingsregler giver hurtigere og mere præcise resultater.

Fragmenterede data, nedarvede antagelser og glemt undertrykkelseslogik bliver også forstærket. Det er en opskrift på katastrofe. 

Omkostningerne ved at lade automatiseringer køre på autopilot

Der er en grund til, at de fleste teams ikke ved, hvordan deres marketingautomatisering fungerer. Det krævede en betydelig indsats at bygge den, og de mennesker, der byggede den, gik ofte videre. Den organisatoriske viden forsvandt ud ad døren, mens systemerne fortsatte med at køre. Ingen havde en tilstrækkeligt stærk grund til at gå tilbage og undersøge dem.

De reelle omkostninger er ikke synlige i kontrolpanelerne. De viser sig i migreringstidsplaner, der strækker sig fra tre måneder til næsten to år.

Tarrell bemærker, hvordan det bliver tydeligt, når et team har brug for at genopbygge en kvalificeringsarbejdsgang og opdager, at de ikke har en fælles definition af, hvad kvalificeret betyder. Det ses også i AI-pilotprojekter, der producerer imponerende demonstrationer, men ikke omsættes til salgstragt, fordi de underliggende data er upålidelige.

Dette problem forstærkes på tværs af teams. Trilliads undersøgelse af bæredygtig vækst fra 2025 viste, at 44 % af vækstlederne identificerer manglende koordinering mellem marketing, salg og kundesucces som deres største enkeltstående hindring. Den automatisering, der kører i baggrunden, skaber ikke den koordinering, teamene har brug for. Og i mange tilfælde forstærker den siloerne.

Dataproblemet går dybere end organisationsdiagrammer. Når data befinder sig i afkoblede systemer, kan de ikke bruges på tværs af hele kunderejsen til at skabe sammenhængende oplevelser eller understøtte koordinerede indsatser blandt vækstteamene.

Den samme undersøgelse viste, at 40 % af organisationerne stadig kun bruger deres data til kundeanskaffelse, hvilket betyder, at en betydelig andel slet ikke aktiverer dem på tværs af kundelivscyklussen.

For teams, der håber at bruge AI til at skabe skræddersyede oplevelser, afdække intelligente indsigter eller effektivisere driften fra ende til anden, er dette et betydeligt hul.

Især når 44% af B2B-organisationer angiver manglende koordinering på tværs af teams som deres primære væksthæmmer ifølge Trilliads egen undersøgelse. Og kun 22% siger, at de har opnået reel integration mellem Salg, Marketing og Kundesucces.

Tarrells team hos Trilliad gennemførte det, de kalder en audit af sælgeroplevelsen, hvor de evaluerede Salesforce fra en sælgers perspektiv i løbet af dennes faktiske arbejdsdag. Resultaterne overrasker ofte folk. 

"Hvordan ved de, hvor de skal kigge? Hvordan organiserer de deres dag? Understøtter skærmen mobil aktivitet?" spørger hun.

Det er grundlæggende spørgsmål om brugervenlighed, som ingen havde tænkt på at stille, fordi alle antog, at platformen fungerede efter hensigten.

Hvorfor anvendelsen af AI afslører dette hurtigere end noget andet

Der er en grund til, at AI-pilotprojekter mislykkes. Man kan ikke give modellerne skylden. Det skyldes ofte, at de systemer, som modellerne forbindes med, ikke er klar. Du kan give en sprogmodel fremragende instruktioner og stadig få dårlige resultater. Hvis CRM-dataene, der føder den, for eksempel er ufuldstændige, målgruppe-definitionerne er uklare, eller de signaler, den skal reagere på, er blevet konfigureret af en person, der forlod virksomheden for to år siden, er du ikke ligefrem godt rustet til succes. 

Det er det mønster, Tarrell ser igen og igen. Organisationer, der skynder sig mod agentisk AI, autonome arbejdsgange og AI-drevet opsøgende salg. Men de har endnu ikke taget fat på det grundlæggende arbejde med at forstå og rydde op i det, de allerede har. Særtilfælde begynder at dukke op, og teamet kan ikke diagnosticere problemerne, fordi de mangler et klart billede af, hvordan de underliggende systemer fungerer.

At bevise AI's ROI rækker længere end rapportering. Ofte skyldes problemet datainfrastrukturen. Trilliads undersøgelse af bæredygtig vækst fra 2025 viste, at 42% af respondenterne siger, at måling af deres indvirkning på omsætningen er deres største udfordring.

Så hvis vækstteams ikke kan bevise ROI for deres eksisterende kampagner, bliver det næsten umuligt at forbinde AI-udgifter med forretningsresultater uden de integrerede datasystemer, der skal understøtte det.

Målet er at sikre, at din AI fungerer på baggrund af solid og pålidelig information," sagde Tarrell. "Og det kræver tid og bevidst indsats.

At dokumentere arbejdsgange i et almindeligt sprog, kortlægge hvad hver automatisering skal gøre, og om den gør det, samt at kontrollere datakvaliteten, før nye værktøjer forbindes, er alt sammen kedelige opgaver, som ikke figurerer i en meddelelse om en AI-transformation. Men teams, der springer dem over, bygger på et usikkert grundlag, og det vil de før eller siden opdage.

De teams, der udfører arbejdet, og som investerer tid i at kortlægge deres lead-til-omsætningsproces trin for trin på almindeligt dansk, før de tager et nyt værktøj i brug, bevæger sig hurtigere, når de implementerer det.

Tarrells råd er klart – få arbejdsgangene dokumenteret på niveauet "hvad ønsker vi skal ske, og hvad gør mennesker i forhold til, hvad teknologien gør." Denne klarhed er forudsætningen for alt andet.

Den sværere samtale om ejerskab

Der er endnu et lag i dette problem. Når automatisering kører ubemærket i baggrunden længe nok, holder den op med at tilhøre nogen.

Din medarbejder inden for marketing operations har måske bygget den. Men så forlod den oprindelige marketingansvarlige virksomheden. Den nye person overtog den og lærte lige akkurat nok til at forhindre, at den gik i stykker. De nuværende personer, der bruger din marketingautomatisering, har for længst mistet forbindelsen til alle, der forstod den oprindelige logik. 

Ingen ønsker at røre ved den, fordi der er en risiko for at ødelægge noget, man ikke forstår. Alternativet er naturligvis at lade den være og lade som om, den fungerer.

Dette er lige så meget et ledelsesproblem som et teknisk problem. Og anvendelsen af AI tvinger spørgsmålet frem.

Du kan ikke ansvarligt forbinde en AI-agent med et system, du ikke forstår. Risikoprofilen ændrer sig markant. Data bliver behandlet, delt og brugt. Fejl holder op med blot at være noget i retning af "konverteringsraten var lidt lav i dette kvartal" og begynder at være noget mere alvorligt.

Tarrell beskriver løsningen med udgangspunkt i agilitet og nysgerrighed, de to færdigheder, hun siger, at alle marketingfolk har brug for nu. Agilitet til at se på, hvad der fungerer, og hurtigt skifte retning, når det ikke gør. Nysgerrighed til at blive ved med at spørge hvorfor noget er, som det er, i stedet for at acceptere nedarvet logik som uforanderlig.

"Hvis du ikke kender svaret, er det vigtigt at blive ved med at undersøge det, indtil du har klarhed over det," sagde hun. "Det bliver kun stadig vigtigere."

Et kig fremad på de næste 12 måneder

Hvis du står for markedsføringen i en B2B-organisation og planlægger at indføre AI i løbet af de næste tolv måneder, er der nogle ting, det er værd at gøre, før du begynder at evaluere værktøjer.

Få nogen til at kortlægge jeres nuværende arbejdsgang fra lead til omsætning i et enkelt sprog.

Ikke et systemdiagram, men skriv det i den enklest mulige form. Hvad sker der, når et lead kommer ind? Hvad udløser derefter en overdragelse til salg? Og hvad sker der, når leadet ikke svarer? Hvem har ansvaret for hvert trin i kunderejsen? Og hvor bryder processen oftest sammen?

Gå derefter et niveau dybere. For hvert af disse trin skal du finde ud af, om nogen på dit nuværende team rent faktisk forstår, hvordan det er konfigureret. Ikke i teorien. I praksis. Hvem ville løse problemet, hvis det gik i stykker i dag?

Svaret på det andet spørgsmål fortæller dig mere om din AI-parathed end nogen leverandørvurdering.

"Det rette fundament," sagde Tarrell, "er det, dit team rent faktisk vil bruge og bygge videre på."

Det lyder indlysende. De fleste organisationer opdager, som regel på det værst tænkelige tidspunkt, at deres fundament er nedarvet snarere end ejet, og at de ikke har undersøgt det grundigt nok til at vide, om det stadig fungerer.

Hvad er det næste?

Opret en gratis konto hos The CMO Club for at holde dig ajour med tendenser og få de seneste tips, ressourcer og vejledninger fra vores fællesskab af erfarne marketingledere direkte i din indbakke.