CMO deler, hvordan AI kan bruges som en lærings- og eksperimenteringssløjfe

Lomit Patel er direktør inden for vækst og marketing og fungerer i øjeblikket som CMO hos TYB (Try Your Best). Han er også forfatter til Lean AI.

Vi talte med Lomit for at høre, hvordan han omdanner marketingdriften til et kontinuerligt lærings- og eksperimenteringsloop. Her er, hvad han sagde.

Marketing bliver redefineret

Jeg har brugt de seneste 20+ år på at hjælpe virksomheder som Roku, IMVU, TrustedID og Texture med at skalere. I øjeblikket er jeg CMO hos TYB (Try Your Best), hvor jeg leder en slank, men højtydende marketingorganisation, der bygger på én kerneoverbevisning: Fællesskab er ikke en kanal, men et system til markedsføring og lancering.

I hver af disse roller har jeg konsekvent opbygget systemer, der forbinder kundeindsigt med målbare forretningsresultater. Tidligt i min karriere var vækst i høj grad kanalstyret. Man optimerede kampagner, testede kreativt materiale og skalerede det, der virkede. Men selv dengang fokuserede jeg på noget dybere: hvordan man bruger data og eksperimentering til at fjerne gætterier og øge beslutningshastigheden på tværs af hele tragten.

Den tankegang udviklede sig til et bredere perspektiv, som jeg udforskede i min bog, Lean AI, hvor jeg ikke kun fokuserede på at bruge AI til effektivisering, men også på at gentænke, hvordan vækstsystemer fungerer.

Hos IMVU gik vi for eksempel fra manuel optimering til AI-drevet orkestrering af brugerrejser, test af kreativt materiale og livscyklusengagement. Mit mål var altid det samme: at øge hastigheden og kvaliteten af læringen og samtidig forbedre fastholdelse og LTV.

I dag, som CMO hos TYB, er denne udvikling accelereret fuldt ud. AI er ikke længere bare et værktøj i stakken; det er ved at blive det operationelle lag for moderne marketing. Vi bevæger os fra kampagnetænkning til systemtænkning, hvor signaler, automatisering og kreativ intelligens løbende interagerer i realtid.

Det, der begejstrer mig mest, er, at marketing bliver grundlæggende redefineret. Vi bevæger os fra at være kanaloperatører og historiefortællere til at være arkitekter for intelligente vækstsystemer, der lærer, tilpasser sig og skalerer effekten på tværs af erhvervelse, engagement og indtjening.

Sådan har AI forvandlet marketing til et lærende system i realtid

AI har udfordret tre store antagelser inden for marketing:

1. I et AI-understøttet miljø bliver kanaleffektivitet i højere grad et udgangspunkt end en flaskehals. Det er systemet omkring den, der differentierer resultaterne – hvor hurtigt kan du registrere intentioner, fortolke adfærd, generere hypoteser og tilpasse budskaber eller produktopplevelser som reaktion?
2. AI viste os, at segmenter ikke er stabile nok til at danne grundlag for marketingstrategier. Traditionelle segmenteringsmodeller antager relativt faste brugergrupper med henblik på ensartede budskaber. Med AI kan vi nu se, at brugeradfærd er langt mere flydende. Intentioner ændrer sig hurtigt, og statiske segmenter halter ofte efter virkeligheden. Det førte os hen imod dynamisk, løbende opdateret klyngedannelse baseret på adfærd.
3. Kampagner er ikke længere den centrale enhed i marketingeksekveringen. Kampagner forudsætter en start, en slutning og en evalueringscyklus. AI skubbede os hen imod altid aktive systemer, hvor eksperimenter kører kontinuerligt, læringen sker trinvist, og optimeringen er konstant frem for episodisk.

Med andre ord er marketing et lærende system i realtid, hvor fortolknings- og tilpasningshastighed betyder mere end statisk planlægning eller perfekt målretning.

Sådan omformer AI marketingprocesser

Så vi er gået fra statisk kampagneplanlægning til altid aktiv, signalstyret eksperimentering på tværs af hele marketingsystemet.

Historisk set planlagde vi kampagner i cyklusser. Vi definerede budskaber, udviklede sæt af kreativt materiale, lancerede dem og analyserede derefter resultaterne efter en betydelig forsinkelse. Den model er for langsom i et AI-født miljø, fordi brugeradfærd og intentionssignaler udvikler sig hurtigt.

Vi introducerede en AI-assisteret vækstworkflow, der løbende omdanner adfærdssignaler i realtid til igangsatte eksperimenter og adaptiv kommunikation på tværs af livscyklus-, indholds- og resultatkanaler. I stedet for at vente på, at en kampagne afsluttes, betragter vi nu alle meningsfulde brugersignaler, onboardingadfærd, fællesskabsdeltagelse og skaberaktivitet som input, der straks informerer om den næstbedste handling.

I praksis har dette ændret den måde, teams arbejder på. Kreativ iteration går hurtigere, fordi AI hjælper med løbende at generere og teste variationer. Livscyklusmarkedsføring er mere dynamisk, fordi kommunikationen ikke længere er knyttet til faste segmenter, men til adfærdsklynger i udvikling. Og hensigtssignaler i produktet informerer i stigende grad resultatmarkedsføring, ikke kun målretning på platformniveau.

Den større ændring er dog kulturel. Markedsføring er ikke længere organiseret omkring kampagner. Den er organiseret omkring en kontinuerlig læringssløjfe, hvor AI hjælper os med at opdage signaler, generere hypoteser og skalere det, der virker, næsten i realtid.

En AI-assisteret vækst-arbejdsgang

Lomit deler

I stedet for at stole på statiske personaer eller faste livscyklusstadier bruger vi AI til at identificere mønstre som “høj hensigt, men lav aktivering,” “aktive deltagere med lav fastholdelsesrisiko,” eller “nye brugere, der udviser tidlig fortalervirksomhed.”

Her er arbejdsgangen:

1. Det starter med adfærdssignaler i realtid inde i produktet og fællesskabslaget. Vi sporer handlinger som fremdrift i onboarding, deltagelsesdybde, skaberaktivitet og engagementsmønstre. Det afgørende skift er, at disse signaler ikke længere kun er analyseoversigter; de er strukturerede input til vores markedsføringssystem. Værktøjer: Segment til indsamling og videresendelse af hændelser, Amplitude til adfærdsanalyse og Snowflake som fundamentet for datalageret.
2. Dernæst hjælper AI os med at klynge og fortolke disse signaler i dynamiske hensigtssegmenter. I stedet for at stole på statiske personaer eller faste livscyklusstadier bruger vi AI til at identificere mønstre som “høj hensigt, men lav aktivering”, “aktive deltagere med lav fastholdelsesrisiko” eller “nye brugere, der udviser tidlig fortalervirksomhed”. Disse segmenter udvikler sig løbende baseret på realtidsadfærd. Værktøjer: BigQuery og Python/ML-modeller til at opbygge adfærdsfunktioner samt OpenAI (GPT) til at mærke og fortolke nye hensigtsmønstre.
3. Efter at have dannet disse klynger hjælper AI os med at generere hypoteser og kreativ retning. For hvert segment identificerer vi det budskab, der mest sandsynligt vil påvirke adfærden, og AI hjælper med at generere variationer på tværs af tekst, indledninger og indholdsvinkler. Dette er ikke et fuldt automatiseret resultat, men det øger markant hastigheden, hvormed vi kan udforske kommunikationsveje. Værktøjer: ChatGPT og Claude til at generere kommunikationsvinkler, indledninger og positioneringsvariationer samt Notion AI til at organisere og vedligeholde et levende kreativt bibliotek.
4. Derefter fører vi disse resultater ind i løbende eksperimenter på tværs af livscyklus-, betalte og fællesskabsbaserede kontaktpunkter. I stedet for at køre isolerede kampagner udsender vi konstant små, iterative tests og justerer kommunikation, kreativt indhold og timing baseret på præstationssignaler i realtid. Værktøjer: Braze til livscykluseksperimenter, Optimizely til A/B-test af produkt og web samt LaunchDarkly til funktionsflag og kontrollerede udrulninger.
5. Endelig, og vigtigst af alt, lukker systemet sløjfen med AI-assisteret syntese af læring. Vi analyserer ikke bare, hvad der klarede sig bedre; vi bruger AI til at afdække, hvorfor bestemte budskaber eller brugerrejser virkede for specifikke segmenter. Disse indsigter informerer derefter direkte opdateret segmenteringslogik, kommunikationsrammer og produktinformerede markedsføringsbeslutninger. Værktøjer: Amplitude til adfærdsindsigter, Looker til struktureret rapportering og Claude til at sammenfatte læring i fortællende rammer og beslutningsrammer.

Hvordan AI's gennemgribende ændringer gavner markedsførere

På den positive side har AI's største indvirkning været hastigheden og gennemløbet i eksperimenteringen. Vi har øget antallet af kreative eksperimenter og livscykluseksperimenter, vi kan køre i en given periode, markant, fordi AI mindsker friktionen ved generering af varianter, test af kommunikation og iteration baseret på tidlige præstationssignaler. Det har ført til hurtigere læringscyklusser på tværs af både programmer for kundeanskaffelse og fastholdelse.

Vi har også set forbedringer i konverteringseffektiviteten drevet af bedre brug af signaler. Ved at forbinde adfærd i produktet og fællesskabet med markedsføringsaktivering reagerer vi langt tidligere på intentioner i brugerrejsen. Det har forbedret kvaliteten af trafikkens vej til aktivering og styrket fastholdelsen længere nede i processen, fordi brugerne modtager mere kontekstuelt relevante kontaktpunkter.

En anden tydelig fordel er den reducerede afhængighed af rigide segmenteringer og manuel analyse. AI-drevet klyngedannelse og generering af indsigter gør det muligt for os at bevæge os hen imod dynamiske målgruppedefinitioner, som bedre afspejler, hvordan brugerne opfører sig, frem for hvordan vi historisk har opdelt dem i grupper.

Risikoen ved at handle hurtigt på AI-indsigter

På den mere nuancerede side har vi også været nødt til at justere forventningerne til signalstøj og overdreven automatisering.

I begyndelsen havde vi en tendens til at handle for hurtigt på for mange AI-genererede indsigter, hvilket skabte fragmentering i budskaberne og en overbelastning af eksperimenter. Vi måtte træde et skridt tilbage og indføre stærkere menneskelige filtre for prioritering og narrativ konsistens.

Vi undervurderede også behovet for disciplin i forbindelse med at definere succesmålinger på forhånd. AI gør det meget let at iterere hurtigt, men hvis man ikke forankrer eksperimenter i klare adfærdsmæssige eller omsætningsmæssige resultater, kan man ende med at optimere for engagement inden for en snæver del af systemet i stedet for reel forretningsmæssig effekt.

Hvis jeg havde forstået det tidligere, ville jeg have brugt mindre tid på at skalere mængden af eksperimenter og mere tid på at designe driftsmodellen omkring AI-drevne beslutninger, herunder mere stringente hypoteserammer, tydeligere ejerskab for beslutninger og stærkere sammenhæng mellem markedsføringssignaler og forretningsresultater.

Hvad AI håndterer, og hvor mennesker bevarer kontrollen

Vi trækker en klar grænse mellem det, AI informerer om, og det, mennesker har ansvaret for, og forskellen afhænger af ét spørgsmål: Handler det om optimering og mønstergenkendelse, eller handler det om dømmekraft, kontekst og sans for kvalitet?

Vi stoler i stigende grad på AI til at håndtere signalbehandling, segmentering og eksperimenter i stor skala. Det omfatter identifikation af adfærdsmønstre på tværs af aktiviteter i fællesskabet og produktet, gruppering af brugere i dynamiske segmenter baseret på handlinger i realtid samt generering og videreudvikling af variationer i kreativt materiale og budskaber. AI analyserer også i høj grad resultatdata på tværs af kanaler og identificerer ikke-indlysende indsigter hurtigere, end manuel gennemgang nogensinde ville kunne.

AI er særligt effektiv til at forkorte løkken mellem signal og handling. Den kan for eksempel registrere ændringer i engagementsadfærd i produktet eller fællesskabet, foreslå hypoteser og endda generere kreative variationer eller livscyklusvarianter, der kan testes. Det gør det muligt for os at gennemføre langt flere eksperimenter, end en traditionel teamstruktur ville kunne understøtte.

Mennesker har ansvaret for positionering, narrativ og kreativ retning. AI kan generere variationer, men den kan ikke definere, hvad vi står for, eller hvordan vi ønsker at fremstå på markedet. Det kræver kontekst om brandet, målgruppens psykologi og langsigtet differentiering, som rækker ud over mønstergenkendelse.

Lomit deler

At AI kan identificere dusinvis af muligheder, betyder ikke, at vi bør handle på dem alle. Det er stadig et dybt menneskeligt ansvar at beslutte, hvad vi ikke skal gøre, og hvad der stemmer overens med den bredere vækststrategi.

I fællesskabsdrevne miljøer har AI specifikt ikke erstattet autentisk menneskelig interaktion og opbygning af tillid. Den kan hjælpe med at skalere engagement og identificere mønstre, men den kan ikke genskabe den troværdighed, der kommer fra reel deltagelse, synligt lederskab og menneskelig dømmekraft i fællesskabets øjeblikke.

Mennesker har også ansvaret for prioritering og strategiske afvejninger. Som jeg sagde tidligere, betyder det ikke, at vi bør handle på alle muligheder, blot fordi AI kan identificere dusinvis af dem. Det er stadig et dybt menneskeligt ansvar at beslutte, hvad vi ikke skal gøre, og hvad der stemmer overens med den bredere vækststrategi.

Endelig har mennesker ansvaret for at fortolke betydningen. AI kan fortælle os, hvad der sker, men mennesker har ansvaret for at forstå, hvorfor det er vigtigt, og hvordan det bør ændre strategien.

Sådan bør CMO'er gribe AI-transformation an

Jeg vil dele fire råd:

1. Lad være med at betragte AI som et sæt værktøjer, der skal kobles på din eksisterende marketingmaskine. Betragt det i stedet som en grund til at redesigne selve maskinen. For det handler ikke om produktivitet; det virkelige skift sker, når du går fra kampagnebaserede driftsmodeller til kontinuerlige, signalstyrede vækstsystemer, hvor AI er integreret i måden, du registrerer hensigt, træffer beslutninger og lærer i realtid.
2. Gentænk, hvad “skalering” betyder. Tidligere handlede skalering om kanaler og budgeteffektivitet. I en AI-drevet verden handler skalering om læringshastighed. De teams, der vinder, bliver ikke dem, der kører flest kampagner, men dem, der kan omsætte signaler til eksperimenter og eksperimenter til beslutninger hurtigere end alle andre.
3. Vær meget bevidst om, hvor mennesker fortsat skal være en del af processen. Efterhånden som AI overtager mere eksekvering og analyse, bliver menneskets fordel skarpere, ikke svagere. Ledere skal fokusere endnu mere på narrativ, positionering og prioritering. Hvis alt kan måles og optimeres, bliver dømmekraft den primære differentiator.
4. Investér i systemtænkning frem for kanaltænkning. AI nedbryder siloerne mellem performance, livscyklus, produkt og community. Muligheden ligger i at designe et samlet vækstsystem, hvor signaler flyder på tværs af dem alle, frem for at optimere hver enkelt isoleret.

Følg med

Du kan følge med hos Lomit Patel på LinkedIn og på hans personlige blog. Og læs hans bog, Lean AI.

Der kommer flere ekspertinterviews i CMO-klubben!