CMO deler hvordan AI kan brukes som en lærings- og eksperimenteringssløyfe

Lomit Patel er leder innen vekst og markedsføring, og fungerer for tiden som CMO i TYB (Try Your Best). Han er også forfatteren av Lean AI.

Vi tok en prat med Lomit for å lære hvordan han gjør markedsføringsoperasjoner om til en kontinuerlig lærings- og eksperimenteringssløyfe. Her er det han sa.

Markedsføring blir redefinert

Jeg har brukt de siste over 20 årene på å hjelpe selskaper som Roku, IMVU, TrustedID og Texture med å skalere. For tiden er jeg CMO i TYB (Try Your Best), der jeg leder en slank, men svært effektiv markedsføringsorganisasjon bygget rundt én grunnleggende overbevisning: Fellesskap er ikke en kanal, men et system for å ta produkter til markedet.

I hver av disse rollene bygget jeg konsekvent systemer som knytter kundeinnsikt til målbare forretningsresultater. Tidlig i karrieren var vekst i stor grad kanaldrevet. Du optimaliserte kampanjer, testet kreativt materiell og skalerte det som fungerte. Men selv da fokuserte jeg på noe dypere: hvordan man kan bruke data og eksperimentering til å fjerne gjetting og øke beslutningshastigheten gjennom hele salgstrakten.

Denne tankegangen utviklet seg til et bredere perspektiv som jeg utforsket i boken min, Lean AI, der jeg ikke bare fokuserte på å bruke KI for effektivitet, men på å redesigne hvordan vekstsystemer fungerer.

Hos IMVU gikk vi for eksempel fra manuell optimalisering til KI-drevet orkestrering av brukerreiser, kreativ testing og livssyklusengasjement. Målet mitt var alltid det samme: å øke hastigheten og kvaliteten på læringen, samtidig som vi forbedret retensjon og kundens livstidsverdi.

I dag, som CMO i TYB, har denne endringen skutt fart for fullt. KI er ikke lenger bare et verktøy i teknologistakken; det er i ferd med å bli driftslaget for moderne markedsføring. Vi går fra kampanjetenkning til systemtenkning, der signaler, automatisering og kreativ intelligens kontinuerlig samhandler i sanntid.

Det som begeistrer meg mest, er at markedsføring blir fundamentalt redefinert. Vi går fra å være kanaloperatører og historiefortellere til å bli arkitekter for intelligente vekstsystemer som lærer, tilpasser seg og skalerer effekten på tvers av kundeanskaffelse, engasjement og inntektsgenerering.

Hvordan KI har gjort markedsføring til et læringssystem i sanntid

KI har utfordret tre store antakelser innen markedsføring:

1. I et KI-aktivert miljø blir kanaleffektivitet mer et utgangspunkt enn en flaskehals. Det er systemet rundt som skiller resultatene fra hverandre – hvor raskt kan du oppdage intensjon, tolke atferd, generere hypoteser og tilpasse budskap eller produktopplevelser som svar.
2. KI viste oss at segmenter ikke er stabile nok til å danne grunnlaget for markedsføringsstrategier. Tradisjonelle segmenteringsmodeller antar relativt faste brukergrupper for konsistent kommunikasjon. Med KI ser vi nå at brukeradferd er langt mer flytende. Intensjoner endrer seg raskt, og statiske segmenter henger ofte etter virkeligheten. Dette førte oss mot dynamisk, kontinuerlig oppdatert klyngedannelse basert på atferd.
3. Kampanjer er ikke lenger den sentrale enheten for gjennomføring av markedsføring. Kampanjer forutsetter en start, en slutt og en evalueringssyklus. KI har ført oss mot systemer som alltid er aktive, der eksperimenter kjøres kontinuerlig, læringen skjer trinnvis, og optimaliseringen er konstant i stedet for episodisk.

Med andre ord er markedsføring et læringssystem i sanntid, der hastigheten på tolkning og tilpasning er viktigere enn statisk planlegging eller perfekt målretting.

Hvordan KI endrer markedsføringsprosesser

Så vi har gått fra statisk kampanjeplanlegging til kontinuerlig, signalstyrt eksperimentering på tvers av hele markedsføringssystemet.

Historisk sett planla vi kampanjer i sykluser. Vi definerte budskap, utviklet kreative sett, lanserte og analyserte deretter resultatene etter en betydelig forsinkelse. Denne modellen er for langsom i et KI-basert miljø, fordi brukeratferd og intensjonssignaler utvikler seg raskt.

Vi introduserte en AI-assistert vekstarbeidsflyt som kontinuerlig omdanner atferdssignaler i sanntid til utløste eksperimenter og adaptiv kommunikasjon på tvers av livssyklus-, innholds- og ytelseskanaler. I stedet for å vente til en kampanje er ferdig, behandler vi nå alle meningsfulle brukersignaler, all atferd under onboarding, deltakelse i fellesskapet og aktivitet fra skapere som input for umiddelbart å informere om den neste beste handlingen.

I praksis har dette endret hvordan teamene arbeider. Kreativ iterasjon går raskere fordi AI bidrar til å generere og teste variasjoner kontinuerlig. Livssyklusmarkedsføring er mer dynamisk fordi kommunikasjonen ikke lenger er knyttet til faste segmenter, men til klynger basert på atferd som er i utvikling. Og intensjonssignaler i produktet informerer i stadig større grad resultatmarkedsføringen, ikke bare målrettingen på plattformnivå.

Den største endringen er likevel kulturell. Markedsføring er ikke lenger organisert rundt kampanjer. Den er organisert rundt en kontinuerlig læringssløyfe der AI hjelper oss med å oppdage signaler, generere hypoteser og skalere det som fungerer, nesten i sanntid.

En AI-assistert vekstarbeidsflyt

Lomit deler

I stedet for å basere oss på statiske personas eller faste livssyklusfaser bruker vi AI til å identifisere mønstre som «høy intensjon, men lav aktivering,» «aktive deltakere med lav risiko for frafall,» eller «nye brukere som viser tidlig ambassadøratferd.»

Her er arbeidsflyten:

1. Det starter med atferdssignaler i sanntid inne i produktet og fellesskapslaget. Vi sporer handlinger som fremdrift i onboarding, dybde på deltakelse, aktivitet fra skapere og engasjementsmønstre. Det avgjørende skiftet er at disse signalene ikke lenger bare er analyseinstrumentbord; de er strukturerte input i markedsføringssystemet vårt. Verktøy: Segment for innsamling og ruting av hendelser, Amplitude for atferdsanalyse og Snowflake som grunnstammen i datavarehuset.
2. Deretter hjelper AI oss med å gruppere og tolke disse signalene i dynamiske intensjonssegmenter. I stedet for å basere oss på statiske personas eller faste livssyklusfaser bruker vi AI til å identifisere mønstre som «høy intensjon, men lav aktivering», «aktive deltakere med lav risiko for frafall» eller «nye brukere som viser tidlig ambassadøratferd». Disse segmentene utvikler seg kontinuerlig basert på atferd i sanntid. Verktøy: BigQuery og Python/ML-modeller for å bygge atferdsfunksjoner, med OpenAI (GPT) til å merke og tolke nye intensjonsmønstre.
3. Etter at vi har dannet disse klyngene, hjelper AI oss med å generere hypoteser og kreativ retning. For hvert segment identifiserer vi budskapet som mest sannsynlig vil påvirke atferden, og AI hjelper med å generere variasjoner på tvers av tekst, innledninger og innholdsvinkler. Dette er ikke fullt ut automatiserte resultater, men det øker hastigheten på utforskingen av ulike kommunikasjonsretninger dramatisk. Verktøy: ChatGPT og Claude for å generere kommunikasjonsvinkler, innledninger og variasjoner i posisjonering, med Notion AI til å organisere og vedlikeholde et levende kreativt bibliotek.
4. Deretter legger vi disse resultatene inn i kontinuerlige eksperimenter på tvers av livssyklus-, betalte og fellesskapsbaserte kontaktpunkter. I stedet for å kjøre isolerte kampanjer setter vi hele tiden i gang små, iterative tester og justerer kommunikasjon, kreativt innhold og tidspunkt basert på ytelsessignaler i sanntid. Verktøy: Braze for livssyklus-eksperimenter, Optimizely for A/B-testing av produkt og nettsted og LaunchDarkly for funksjonsflagging og kontrollerte utrullinger.
5. Til slutt, og viktigst av alt, lukker systemet sløyfen med AI-assistert sammenstilling av læring. Vi analyserer ikke bare hva som presterte bedre; vi bruker AI til å avdekke hvorfor bestemte budskap eller brukerreiser fungerte for bestemte segmenter. Denne innsikten informerer deretter direkte oppdatert segmenteringslogikk, kommunikasjonsrammeverk og markedsføringsbeslutninger basert på produktinnsikt. Verktøy: Amplitude for atferdsinnsikt, Looker for strukturert rapportering og Claude for å sammenfatte læringen til narrative rammeverk og beslutningsrammeverk.

Hvordan AI-revolusjonering kommer markedsførere til gode

På den positive siden har den største effekten av AI vært hastigheten og gjennomstrømningen i eksperimenteringen. Vi har økt antallet kreative eksperimenter og livssykluseksperimenter vi kan kjøre i løpet av en periode, betydelig, fordi AI reduserer friksjonen ved generering av varianter, testing av budskap og iterering basert på tidlige ytelsessignaler. Dette har ført til raskere læringssykluser på tvers av både programmer for brukeranskaffelse og brukerbevaring.

Vi har også sett forbedringer i konverteringseffektiviteten som følge av bedre signalbruk. Ved å koble atferd i produktet og fellesskapet til markedsføringsaktivering kan vi reagere på intensjon mye tidligere i brukerreisen. Det har forbedret kvaliteten på flyten fra trafikk til aktivering og styrket etterfølgende brukerbevaring, fordi brukerne får mer kontekstuelt relevante kontaktpunkter.

En annen tydelig fordel er redusert avhengighet av rigide segmenteringer og manuell analyse. AI-drevet klyngedannelse og generering av innsikt gjør det mulig for oss å bevege oss mot dynamiske målgruppedefinisjoner, som bedre gjenspeiler hvordan brukerne oppfører seg, i stedet for hvordan vi historisk har gruppert dem.

Risikoen ved å gå for raskt frem med AI-innsikt

På den mer nyanserte siden har vi også måttet justere forventningene rundt signalstøy og overautomatisering.

Tidlig hadde vi en tendens til å handle på for mange AI-genererte innsikter for raskt, noe som førte til fragmentering i budskapene og en overbelastning av eksperimenter. Vi måtte ta et skritt tilbake og innføre sterkere menneskelige filtre for prioritering og konsistens i fortellingen.

Vi undervurderte også behovet for disiplin når det gjelder å definere suksessmålinger på forhånd. AI gjør det svært enkelt å iterere raskt, men hvis du ikke forankrer eksperimentene i tydelige atferds- eller inntektsresultater, kan du ende opp med å optimalisere for engasjement innenfor en smal del av systemet, i stedet for å oppnå meningsfull forretningsmessig effekt.

Hvis jeg hadde forstått dette tidligere, ville jeg brukt mindre tid på å skalere volumet av eksperimenter og mer tid på å utforme driftsmodellen rundt AI-drevne beslutninger, inkludert strammere hypoteserammeverk, tydeligere eierskap til beslutninger og sterkere samsvar mellom markedsføringssignaler og forretningsresultater.

Hva AI håndterer, og hvor mennesker beholder oversikten

Vi trekker en tydelig grense mellom det AI gir innsikt i, og det mennesker har eierskap til, og forskjellen koker ned til ett spørsmål: Handler dette om optimalisering og mønstergjenkjenning, eller handler det om dømmekraft, kontekst og teft?

Vi stoler i stadig større grad på AI for å håndtere signalbehandling, segmentering og eksperimentering i stor skala. Det omfatter å identifisere atferdsmønstre på tvers av aktivitet i fellesskapet og produktet, gruppere brukere i dynamiske segmenter basert på handlinger i sanntid, samt generere og iterere på variasjoner av kreativt innhold og budskap. AI analyserer også ytelsesdata på tvers av kanaler i stor grad og avdekker ikke-opplagte innsikter raskere enn manuell gjennomgang noen gang ville klart.

AI er spesielt effektivt til å forkorte sløyfen mellom signal og handling. Det kan for eksempel oppdage endringer i engasjementsatferd i produktet eller fellesskapet, foreslå hypoteser og til og med generere kreative varianter eller varianter av brukerforløp som kan testes. Det gjør det mulig for oss å gjennomføre langt flere eksperimenter enn en tradisjonell teamstruktur ville ha støttet.

Mennesker har eierskap til posisjonering, fortelling og kreativ retning. AI kan generere variasjoner, men kan ikke definere hva vi står for, eller hvordan vi ønsker å fremstå i markedet. Det krever kontekst om merkevaren, målgruppens psykologi og langsiktig differensiering som går utover mønstergjenkjenning.

Lomit deler

At AI kan avdekke dusinvis av muligheter, betyr ikke at vi bør handle på alle. Å avgjøre hva vi ikke skal gjøre, og hva som er i tråd med den overordnede veksttesen, er fortsatt et dypt menneskelig ansvar.

I miljøer som er drevet av fellesskap, har AI spesielt ikke erstattet autentisk menneskelig interaksjon og tillitsbygging. Det kan bidra til å skalere engasjement og identifisere mønstre, men kan ikke gjenskape troverdigheten som kommer fra ekte deltakelse, synlig lederskap og menneskelig dømmekraft i situasjoner i fellesskapet.

Mennesker har også eierskap til prioritering og strategiske avveininger. Som jeg sa tidligere, betyr ikke det at AI kan avdekke dusinvis av muligheter, at vi bør handle på alle. Å avgjøre hva vi ikke skal gjøre, og hva som er i tråd med den overordnede veksttesen, er fortsatt et dypt menneskelig ansvar.

Til slutt har mennesker eierskap til tolkningen av betydning. AI kan fortelle oss hva som skjer, men mennesker har ansvaret for å forstå hvorfor det er viktig, og hvordan det bør endre strategien.

Hvordan CMO-er bør tilnærme seg AI-transformasjon

Jeg vil dele fire råd:

1. Ikke se på KI som et sett med verktøy som kan kobles til den eksisterende markedsføringsmaskinen. Se på det som en grunn til å redesigne selve maskinen. Dette handler ikke om produktivitet. Det virkelige skiftet skjer når du går fra kampanjebaserte driftsmodeller til kontinuerlige, signalstyrte vekstsystemer der KI er integrert i hvordan du oppdager intensjon, tar beslutninger og lærer i sanntid.
2. Revurder hva «skalering» betyr. Tidligere handlet skalering om kanaler og budsjetteffektivitet. I en KI-drevet verden handler skalering om læringshastighet. Teamene som lykkes, vil ikke være de som gjennomfører flest kampanjer, men de som kan omdanne signaler til eksperimenter og eksperimenter til beslutninger raskere enn alle andre.
3. Vær svært bevisst på hvor mennesker fortsatt skal være involvert. Etter hvert som KI tar over mer av gjennomføringen og analysen, blir menneskets fortrinn tydeligere, ikke svakere. Ledere må satse enda mer på narrativ, posisjonering og prioritering. Hvis alt kan måles og optimaliseres, blir dømmekraft den viktigste forskjellen.
4. Invester i systemtenkning fremfor kanaltenkning. KI bryter ned siloene mellom resultatmarkedsføring, kundelivssyklus, produkt og fellesskap. Muligheten ligger i å utforme et helhetlig vekstsystem der signaler flyter mellom alle disse områdene, i stedet for å optimalisere hvert område isolert.

Følg med

Du kan følge Lomit Patel på LinkedIn og på hans personlige blogg. Ta også en titt på boken hans, Lean AI.

Flere ekspertintervjuer kommer på The CMO Club!