Teknologikyndig marketingchef fortæller, hvordan marketingbudgetter og -teams skal omstruktureres til AI

Simone Morellato er leder inden for teknisk markedsføring og marketingchef hos vCluster. Han begyndte tidligt at eksperimentere med AI i en tidligere rolle og bruger det nu som en forstærkende faktor i sit marketingteam.

Vi satte os ned med ham for at forstå, hvordan AI ændrer hans arbejdsgange inden for markedsføring og hans teams arbejdsgange. Han fortalte os om de nye roller og budgetposter, der er uundværlige.

Brug af AI som multiplikator for markedsføringen

Jeg er marketingleder og har opbygget min karriere i krydsfeltet mellem en dyb teknisk forståelse af teknologiprodukter og deres kommercielle lancering, primært inden for infrastruktur, cloud og udviklerplatforme. Min karriere begyndte på ingeniørsiden, hvor jeg studerede elektronik og datalogi og arbejdede som softwareingeniør med at udvikle lagringsnetværkssystemer. Dette fundament hjalp mig med at markedsføre tekniske produkter, fordi jeg altid forstod, hvordan de fungerer, og ikke kun hvordan de skulle positioneres.

Med tiden bevægede jeg mig fra ingeniørarbejde til teknisk produktmarkedsføring hos Cisco og derefter videre til lederroller i nystartede virksomheder og større virksomheder, herunder Riverbed, Cloudian og Apcera. Min tid hos VMware blev et vigtigt vendepunkt i min karriere, og jeg brugte næsten et årti på at skalere Tanzu Kubernetes-forretningen. Jeg opbyggede og ledede et globalt team på tværs af produkt-, udvikler- og løsningsmarkedsføring og hjalp med at udvide porteføljen fra et enkelt open source-projekt til en pakke med mere end 20 produkter. I den periode eksperimenterede jeg tidligt med AI-drevne arbejdsgange og byggede interne automatiseringsværktøjer til analytikerrelationer, som reducerede gennemløbstiden betydeligt og forbedrede effektiviteten.

Nu leder jeg marketing hos vCluster, hvor jeg opbygger en komplet markedsintroduktionsmotor på tværs af vækst, produktmarkedsføring, fællesskab og brand. Vi forbedrede effektiviteten ved at gentænke efterspørgselsgenereringen, skalere kendskabet fra titusindvis til millioner af eksponeringer og forbedre omkostningseffektiviteten og konverteringen i salgstragten betydeligt. Et centralt fokus har været at udvikle udviklerorienterede fortællinger og fællesskabsledede vækstloops, særligt inden for Kubernetes- og AI-infrastruktur.

Alt det, jeg har arbejdet med, mødes i dette øjeblik med AI-transformation. AI ændrer fundamentalt både, hvordan software udvikles, og hvordan den markedsføres. Som marketingleder fokuserer jeg på at hjælpe virksomheder med at bevæge sig fra fragmenterede produktbudskaber til samlede platformfortællinger og bruge AI ikke bare som et emne i fortællingen, men som en multiplikator for, hvordan markedsføringen udføres.

Balance mellem udviklernes tillid og efterspørgslen fra større virksomheder

Hos vCluster har jeg ansvaret for en komplet markedsintroduktionsfunktion, der spænder over vækst, produktmarkedsføring, brand, fællesskab og arrangementer. Teamet arbejder både med open source og større virksomheder og har derfor et dobbelt mandat: at skabe bred udvikleradoption i stor skala og samtidig konvertere dette engagement til en struktureret pipeline hos større virksomheder.

Organisatorisk fungerer funktionen som et integreret system snarere end som isolerede discipliner. Produktmarkedsføring og udviklerrelationer arbejder tæt sammen om at forme fortællingen og opbygge teknisk troværdighed, mens vækst og indhold fokuserer på skalerbar kundeanskaffelse og distribution på tværs af kanaler som sociale medier, SEO, betalte medier og fællesskabsledede programmer. Brand og arrangementer udvider denne rækkevidde til økosystemengagement, særligt i Kubernetes- og cloud native-fællesskaberne.

Kompleksiteten opstår på grund af målgruppen og dynamikkerne i økosystemet. Vi markedsfører os over for meget tekniske målgrupper, primært DevOps- og platformingeniører, samtidig med at vi påvirker beslutningstagere i større virksomheder. Det kræver en balance mellem teknisk troværdighed og en klar formulering af forretningsværdien. Samtidig opererer vi inden for et hurtigt udviklende, AI-præget infrastrukturrum, hvor kategorierne stadig er ved at tage form. Derfor handler en betydelig del af rollen om at forme fortællingen, ikke bare om at forstærke den.

Modellen er effektiv, fordi en samlet løkke fra kundeanskaffelse over aktivering til engagement binder det hele sammen, understøttet af en stærk datadrevet tilgang til resultater og hurtige eksperimenter.

Hvor AI slutter, og dømmekraften begynder

Jeg bruger primært AI til beslutningsstøtte og til at fremskynde arbejdet inden for områder med stor volumen og mønsterbaserede opgaver eller områder, der kræver hurtig syntese af store mængder ustruktureret information. Samtidig opretholder jeg en klar grænse, hvor menneskelig dømmekraft fortsat er afgørende, især når det gælder kontekst, ansvarlighed og langsigtede konsekvenser for brandet.

Jeg bruger i høj grad AI inden for tre områder:

• For det første udvikling af fortællinger og udforskning af budskaber. Når jeg udformer positionering eller kampagnetemaer, bruger jeg AI til hurtigt at teste variationer, identificere huller i budskaberne og stressteste tydeligheden på tværs af personaer som udviklere, platformingeniører og ledere. Det komprimerer det, der tidligere krævede flere iterationer, til en langt hurtigere proces.
• For det andet skalering af indhold og kampagner. AI driver nu det første udkast til de fleste indholdsaktiver, herunder indhold til sociale medier, blogstrukturer og kampagnevarianter. Den tilpasser også tekniske input til personaspecifikt sprog, hvilket er særligt vigtigt inden for markedsføring af infrastruktur og AI-platforme, hvor det samme koncept skal appellere forskelligt til forskellige målgrupper.
• For det tredje sammenfatning af resultater. Jeg bruger AI til at analysere signaler om kampagneresultater på tværs af kanaler og finde mønstre, som ellers kunne blive overset, især når man arbejder med fragmenterede data fra organiske, betalte og community-baserede kanaler.

Opgaver, der specifikt varetages af mennesker, omfatter strategiske afvejninger og ansvarlighed. Beslutninger om positionering, kategoridefinition og den grundlæggende budskabsarkitektur ledes fortsat fuldt ud af mennesker, fordi de kræver en dyb forståelse af markedstiming, konkurrencedynamik og virksomhedens ambitioner. Det samme gælder den endelige kreative vurdering af brandets stemme og kampagner med høj synlighed.

Jeg sørger også for, at mennesker har ejerskab over prioriteringsbeslutningerne. AI kan finde muligheder og indsigter, men det er fortsat ledelsens ansvar at beslutte, hvad der ikke skal gøres, især i hurtigt udviklende kategorier som AI-infrastruktur, hvor det er let at overreagere på signaler.

AI udvider således effektivt det område, vi kan tænke og eksekvere inden for, men den bærer ikke ansvaret for resultaterne. Marketingledelsen træffer stadig de endelige beslutninger, der afvejer hastighed, sammenhæng og langsigtet brandværdi.

Hvordan én strukturel ændring øgede eksponeringerne fra tusinder til millioner

Jeg ændrede vores marketingmodel fra menneskeførst-produktion af indhold til AI-understøttet udvikling af fortællinger og aktiver. Mennesker fokuserer nu på retning, validering og distribution i stedet for at skabe fra bunden.

I praksis introducerede jeg et AI-drevet indholdssystem. Vi bruger LLM-baserede arbejdsgange til at omdanne ét teknisk input — såsom en produktlancering, en demo, en kundeindsigt eller en teknisk fortælling — til flere efterfølgende marketingaktiver. Det omfatter opslag målrettet udviklere, langt indhold, variationer til sociale medier, kampagnebudskaber og endda tidlige udkast til positionering. I stedet for separat forfatterskab til hvert enkelt aktiv genererer, forfiner og samordner et fælles lag af instruktioner og struktur nu alle aktiver.

Simone deler

I stedet for separat forfatterskab til hvert enkelt aktiv genererer, forfiner og samordner et fælles lag af instruktioner og struktur nu alle aktiver.

AI genererer disse parallelt på et solidt udkastniveau i stedet for sekventielt fra bunden. Derefter tilføjer vi menneskelig gennemgang og forfinelse, hvor produktmarketing sikrer fortællingens integritet, vækstteamet optimerer distributionen, og brandteamet vedligeholder stemme og sammenhæng.

Og vi gik fra en kampagnebaseret produktionscyklus til et kontinuerligt indholdssystem. De fleste marketingorganisationer arbejder stadig ud fra en traditionel kampagnetankegang: Man definerer en kampagne, skaber en række aktiver, lancerer den og går derefter videre. Den model blev udviklet til en verden, hvor indholdsproduktion var dyr og langsom. Nu kører vi parallelle genererings- og iterationssløjfer. Det reducerer cyklustiden og gør det muligt for os at reagere langt hurtigere på produkt- og markedssignaler.

Hvordan AI forbedrer produktionseffektivitet og sammenhæng i fortællingen

På den positive side har AI's mest umiddelbare indvirkning været skala og effektivitet. Introduktionen af AI i arbejdsgangene for indholds- og kampagneproduktion øgede outputtet betydeligt uden at øge antallet af medarbejdere. Hos vCluster betød det en skalering fra cirka 36K til omkring 7M månedlige visninger, samtidig med at CPM blev reduceret fra omkring $5.58 til $0.29. Selvom flere faktorer bidrog, var en væsentlig drivkraft, at vi producerede og itererede indhold langt hurtigere og mere konsekvent på tværs af kanaler.

Vi forbedrede også eksekveringshastigheden. Indholdscyklusser, der tidligere tog uger — især for tværfunktionelle materialer, der involverede produktmarketing, brand og vækst — blev forkortet til dage. Det gjorde det muligt for os at reagere på produktudgivelser og markedssignaler næsten i realtid, hvilket er afgørende i et AI-økosystem i hastig udvikling.

Et andet positivt resultat var konsistens i fortællingen. AI hjalp med at standardisere, hvordan vi omsatte tekniske input til budskaber på tværs af kanaler, hvilket reducerede fragmenteringen mellem udviklerfokuseret indhold, salgsunderstøttelse og kampagner til efterspørgselsgenerering. Denne tilpasning forbedrede både kvaliteten af engagementet og den efterfølgende effektivitet i salgstragten.

Kvalitativt var en af de største ændringer organisatorisk. Marketingteamet bevægede sig fra primært at være en eksekveringstung funktion til at indtage en mere orkestreringsfokuseret rolle. Mennesker bruger nu mere tid på retning, strategi og validering, mens AI håndterer den første produktion og variationer. Det har forbedret teamets fokus og reduceret operationelle flaskehalse.

Simone deler

Mennesker bruger nu mere tid på retning, strategi og validering, mens AI håndterer den første produktion og variationer.

Hvordan AI kan føre til overproduktion

Der opstod også udfordringer. Tidligt så vi en tendens til overproduktion. AI genererede for mange variationer uden tilstrækkelige indledende begrænsninger, hvilket skabte støj og krævede, at vi opbyggede stærkere lag af redaktionel styring og promptstyring. Vi håndterede også aktivt risikoen for udvanding af budskabet og sikrede, at hastighed ikke skete på bekostning af en skarp positionering eller tydelighed i kategorien.

En anden læring var, at AI kan forstærke både gode og dårlige input. Når den underliggende fortælling eller brief er svag, forstærker AI hurtigt denne svaghed. Det tvang os til at investere mere i den indledende strategi og i et mere præcist inputdesign, før vi genererede noget i stor skala.

Samlet set har nettoresultatet været klart positivt, men først efter at vi havde etableret tydelige rammer.

Hvorfor AI ikke kan levere differentiering og positionering

AI har også leveret mindre end forventet, når det gælder strategisk differentiering og positionering.

Oprindeligt antog vi, at AI kunne hjælpe med at skabe stærkere fortællinger om kategorien eller endda identificere positioneringsvinkler, der kunne give os en fordel. I praksis fandt vi, at AI ganske vist er fremragende til at kombinere eksisterende markedsmønstre på nye måder, men har svært ved at skabe virkelig original eller forsvarlig positionering.

Den har en tendens til at konvergere mod gennemsnittet af det, der allerede findes, hvilket er det modsatte af det, man ønsker, når man forsøger at skille sig ud på et tætpakket marked for infrastruktur eller AI-platforme.

Hvorfor marketingledere først skal begrænse AI

En tidlig AI-understøttet kampagne, som vi kørte for at repositionere en teknisk platform til en bredere målgruppe inden for DevOps og platformsteknik, giver et tydeligt eksempel på, hvor AI kom til kort, når det gjaldt strategisk differentiering.

Vi brugte AI til at repositionere vores platform til en Neoclouds-målgruppe. Outputtet kom hurtigt og gav os flere retninger: 'forenkling af Kubernetes-drift', 'forbedring af platformseffektivitet', 'acceleration af udviklerproduktivitet.'
Det lød alt sammen rigtigt. Det var præcis problemet.

Ingen af disse vinkler differentierede os reelt. Da vi testede dem grundigt op imod markedet, fandt vi, at nært beslægtede værktøjer allerede brugte dem intensivt i Kubernetes- og cloud-native-økosystemet. AI forstærkede effektivt almindeligt industrisprog i stedet for at hjælpe os med at frigøre os fra det. Hvis vi var gået videre med dem, som de var genereret, ville kampagnen være gledet ind i kategorien i stedet for at forme den.

Vi strammede den menneskeledede inputfase betydeligt. I stedet for at begynde med brede prompts om produktets funktioner indførte vi skarpere begrænsninger på tre områder: vores unikke arkitektoniske fordel, de kompromiser vi var villige til offentligt at stå på mål for, og de målgruppesegmenter, vi udtrykkeligt ønskede at føre an med, ikke blot inkludere.

Da vi igen forankrede inputtene i disse strategiske valg, brugte vi AI anderledes — ikke til at opfinde positioneringen, men til at stressteste tydeligheden, oversætte budskabet på tværs af personaer og generere variationer på eksekveringsniveau til indhold og kampagner.

Resultatet var en langt skarpere fortælling, der centrerede sig om en mere specifik og forsvarlig vinkel: hvordan platformteams kunne gentænke infrastrukturabstraktion til moderne arbejdsbelastninger, i stedet for generiske temaer om effektivitet eller produktivitet. Dette skift forbedrede kvaliteten af engagementet og gjorde budskabet mere mindeværdigt i tekniske fællesskaber, især blandt Kubernetes-praktikere, som er meget følsomme over for alt for generisk positionering.

Så flaskehalsen er ikke længere produktionskvalitet eller hastighed; det er originalitet og skarphed i tænkningen. Det kræver nu et langt tydeligere standpunkt, en klarere positionering og vilje til at foretage eksplicitte fravalg for at skille sig ud. Uden det har AI en tendens til at trække alt hen imod markedsgennemsnittet.

Sådan ændrer AI marketingteamets struktur

AI ændrede grundlæggende mit marketingteam fra at være funktionelt opdelt i siloer til en mere fleksibel, tværfunktionel eksekveringsmodel.

Traditionelt adskilte vi rollerne tydeligt. En indholdsmarkedsfører havde ansvaret for at skabe indhold og gav det derefter videre til distributionsspecialister, som tilpassede det, mens produktmarketing separat udviklede budskaber og positionering, der derefter skulle oversættes til kampagner. Hvert trin indebar omarbejdning og oversættelse mellem funktionerne.

Med AI i arbejdsgangen har strukturen ændret sig markant. Nu kan hvert teammedlem arbejde på tværs af flere dele af indholds- og kampagnelivscyklussen. En indholdsmarkedsfører kan ikke kun generere det første udkast til en artikel, men også de første versioner af variationer til sociale medier, e-mailtekst og endda forskellige positioneringsvinkler. En vækstmarkedsfører kan tage det samme udgangspunkt og straks generere kampagnevarianter eller testrammer. Produktmarketing kan gå fra at skrive alt fra bunden til at finpudse fortællingen, sikre nøjagtigheden og tilpasse budskaberne til strategien.

Den vigtigste ændring er, at vi ikke længere skaber arbejde sekventielt fra bunden. AI genererer det som udgangspunkt frem til et udkast af høj kvalitet, hvorefter vi sender det på tværs af funktionerne til finpudsning, validering og optimering. Det har reduceret friktionen mellem teamene markant og forkortet iterationscyklusserne.

Som følge heraf fokuserer marketingfolk nu mere på dømmekraft, redigering og strategisk retning end på ren produktion. Teamet er mindre afhængigt af manuel udførelse, men har større kapacitet til at skabe resultater.

AI har også gjort samarbejdet mere dynamisk. I stedet for rigide overleveringer arbejder vi nu mere som et fælles videnssystem, hvor vi kan omdanne ethvert udgangspunkt til flere resultater på tværs af kanaler, hvorefter den relevante specialist finpudser dem.

Hvorfor marketingteams har brug for decentraliserede budgetter til AI-værktøjer

Hvis jeg skulle begynde forfra, ville jeg først investere marketingbudgettet ikke i traditionelle kampagneudgifter eller sågar flere medarbejdere, men i at give hver marketingmedarbejder direkte adgang til et fleksibelt, decentraliseret budget til AI-værktøjer.

Jeg ville afsætte individuelle budgetter, så marketingmedarbejdere kunne tage værktøjer i brug og eksperimentere med dem for at forbedre deres daglige produktivitet uden at vente på centraliserede indkøb eller IT-godkendelsesprocesser. Det omfatter AI-skriveværktøjer, assistenter til dataanalyse, platforme til kreativ generering, automatiseringsværktøjer og specialiserede hjælpeværktøjer, der hurtigt dukker op i AI-økosystemet.

Årsagen er enkel. I et AI-drevet miljø overgår udviklingen af værktøjer tempoet i virksomheders indkøbsprocesser. Centraliseret adgang standardiserer uundgåeligt teamene omkring en forældet værktøjspakke, hvilket bremser eksperimenter og skaber en kløft mellem det mulige og det, der faktisk anvendes i eksekveringen.

Jeg har selv oplevet dette, da jeg introducerede AI i marketingarbejdsgange. De teams, der havde frihed til tidligt at afprøve og tage værktøjer i brug, arbejdede betydeligt hurtigere med indholdsproduktion, kampagneiteration og dataanalyse. Teams, der var begrænset af centraliserede godkendelsesprocesser, vendte ofte tilbage til langsommere, ældre arbejdsgange, selv når der var bedre værktøjer til rådighed.

Et distribueret værktøjsbudget skaber derimod en anden dynamik. Det gør hver marketingmedarbejder til en person, der selv kan optimere sin værktøjspakke løbende. Det får også innovation til at opstå organisk, fordi de bedste værktøjer naturligt spreder sig i teamet gennem brug i stedet for gennem påbud.

For det andet ville jeg prioritere at opbygge et let understøttende lag omkring denne frihed, herunder fælles bedste praksis, promptbiblioteker og interne arbejdsgange, så eksperimentering ikke udvikler sig til fragmentering.

Central styring optimerer for ensartethed, mens distribueret understøttelse optimerer for tilpasning. Og det er tilpasning, der skaber konkurrencefordele i marketingmiljøer i hastig udvikling.

Sådan skaber Claude Cowork reel løftestangseffekt

Jeg er særligt begejstret for en AI-funktion fra Anthropic: Claude CoWork.

Det bevæger sig ud over den traditionelle chatgrænseflade og føles som et ægte arbejdsmiljø til vidensarbejde. I stedet for isolerede prompts muliggør det mere strukturerede og vedvarende arbejdsgange. Det er præcis her, AI giver en reel løftestang.

Jeg sætter også pris på, hvor hurtigt Anthropic tilpasser sig på baggrund af virkelige brugeres adfærd. De er opmærksomme på, hvad fællesskabet bygger og bruger, og integrerer derefter disse mønstre direkte i kerneproduktet. Det minder mig om, hvor hurtigt koncepter fra projekter som OpenClaw fandt vej ind i Claude CoWork. Denne feedbacksløjfe er vigtig, fordi værktøjet udvikler sig, så det afspejler, hvordan folk faktisk arbejder, og ikke kun hvordan produktteamet forestiller sig, at de bør arbejde.

I praksis reducerer det også behovet for at sammensætte flere værktøjer eller udvidelser. Jeg behøver ikke genskabe arbejdsgange, evaluere nye leverandører eller bekymre mig om sikkerhed og datahåndtering på tværs af en fragmenteret teknologistak. Jeg har allerede tillid til Anthropic som virksomhed, så når de udgiver nye funktioner, kan jeg hurtigt og trygt tage dem i brug.

Hvorfor ethvert marketingteam har brug for en rolle inden for AI-understøttelse

Når det er sagt, er den største mangel, jeg har set i forbindelse med udbredelsen af AI, ikke værktøjer. De fleste marketingteams har adgang til AI-værktøjer. Det, de mangler, er en person, hvis eneste opgave er at følge med i, hvad der ændrer sig, sortere støjen fra og omsætte det til arbejdsgange, som teamet rent faktisk kan bruge.

De fleste organisationer antager, at hvis teams har adgang til AI-værktøjer, vil brugen af dem naturligt følge efter. I praksis er bevidsthed og syntese de begrænsende faktorer. AI-landskabet udvikler sig så hurtigt, at ingen enkelt marketingmedarbejder realistisk kan følge med i nye modeller, værktøjer, arbejdsgange og bedste praksis, samtidig med at vedkommende udfører sine kerneopgaver. Når alle kun delvist er ansvarlige for at holde sig opdaterede, er ingen fuldt ansvarlig for det.

Efter min erfaring har det fungeret langt bedre at oprette en dedikeret AI-understøttelsesrolle i marketingorganisationen. Det er ikke blot en administrator af værktøjer eller en promptingeniør; det er en person, der er dybt nysgerrig på AI, aktivt følger udviklingen inden for modeller og anvendelser og løbende omsætter den til praktiske arbejdsgange for teamet.

Denne person bliver i praksis et internt intelligenslag. Vedkommende evaluerer nye værktøjer, tester anvendelsesområder, sammenfatter, hvad der er nyttigt, og hvad der blot er støj, og gør det derefter operationelt som gentagelige arbejdsgange. Lige så vigtigt fungerer personen som en bro i begge retninger. Teammedlemmer kan komme til vedkommende med problemer eller ineffektiviteter, undersøge AI-baserede løsninger og få strukturerede anbefalinger med tilbage.

Denne rolle påvirker først og fremmest fokus. Den fjerner den kognitive belastning ved at “følge med i AI” fra de enkelte medarbejdere og centraliserer den i en enkelt funktion, hvis eneste opgave er at være på forkant med udviklingen og effektivt distribuere denne viden. Uden dette har teams en tendens til at fragmentere. Man får ujævn anvendelse, inkonsekvent praksis og dobbeltarbejde i eksperimenteringen. Med det skaber man en kumulativ effekt, hvor læringen centraliseres, mens udførelsen distribueres.

Hvorfor marketingmedarbejdere skal betragte AI som et skift i driftsmodellen

Det vigtigste råd, jeg vil give marketingledere, er at betragte dette øjeblik som et skift i driftsmodellen, ikke som en opgradering af værktøjer.

Det er let at blive opslugt af at evaluere værktøjer, teste funktioner og jagte trinvise produktivitetsgevinster. Det er vigtigt, men det giver ikke den reelle fordel. Det egentlige skift handler om, hvordan marketingarbejde udføres, hvordan teams struktureres, og hvor den menneskelige indsats anvendes.

Et par principper viser sig at være særligt vigtige:

• For det første skal du investere i kvaliteten af input, før du skalerer output. AI genererer lige så meget indhold, som du beder den om, men kvaliteten af dette indhold afhænger fuldstændigt af tydeligheden i din positionering, din målgruppebeskrivelse og din fortælling. Ledere, der springer dette trin over, skalerer støj, som jeg fremhæver i “Marketingplan for tech-startups”.
• For det andet skal du redesigne arbejdsgange, ikke kun opgaver. I stedet for at spørge, hvordan AI kan gøre et eksisterende trin hurtigere, skal du se på hele systemet fra input til resultat og gentænke dets funktion i en verden, hvor udkast er øjeblikkelige, og iteration er billig. Det frigør forbedringer på en helt anden størrelsesorden.
• For det tredje skal du skabe plads til et fokuseret AI-ejerskab. Uanset om det er en dedikeret rolle eller en lille gruppe, skal nogen holde sig ajour med landskabet, teste værktøjer og omsætte det til praktiske arbejdsgange. Uden det fragmenterer teams, og udbredelsen går i stå.

Følg med

Du kan følge Simone Morellato på LinkedIn.

Der kommer flere ekspertinterviews på The CMO Club!