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

Lomit Patel er en 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 markedsføringsdriften om til en kontinuerlig lærings- og eksperimenteringssløyfe. Her er det han sa.

Markedsføring blir redefinert

Jeg har brukt de siste 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, det er et system for å gå 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 kanalstyrt. Man optimaliserte kampanjer, testet kreativt innhold og skalerte det som fungerte. Men selv da fokuserte jeg på noe dypere: hvordan man kunne bruke data og eksperimentering til å fjerne gjetting og øke beslutningshastigheten gjennom hele trakten.

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

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

I dag, som CMO i TYB, har denne endringen skutt fart for fullt. AI er ikke lenger bare et verktøy i stakken; 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 grunnleggende 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.

Slik har AI gjort markedsføring til et læringssystem i sanntid

AI har utfordret tre store antakelser innen markedsføring:

1. I et AI-aktivert miljø blir kanaleffektivitet mer en grunnlinje enn en flaskehals. Det er systemet rundt som skiller resultatene – hvor raskt kan du oppdage intensjon, tolke atferd, generere hypoteser og tilpasse budskap eller produktopplevelser som svar.
2. AI viste oss at segmenter ikke er stabile nok til å danne grunnlaget for markedsføringsstrategier. Tradisjonelle segmenteringsmodeller antar relativt faste brukergrupper for konsistent kommunikasjon. Med AI ser vi nå at brukeratferd er langt mer flytende. Intensjonen 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 i markedsføringsgjennomføringen. Kampanjer forutsetter en start, en slutt og en evalueringssyklus. AI førte oss mot systemer som alltid er aktive, der eksperimenter kjører 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.

Slik omformer AI 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, bygget kreative sett, lanserte og analyserte deretter resultatene etter en betydelig forsinkelse. Denne modellen er for langsom i et AI-basert miljø, fordi brukeratferd og intensjonssignaler utvikler seg raskt.

Vi introduserte en AI-assistert arbeidsflyt for vekst som kontinuerlig omgjør atferdssignaler i sanntid til utløste eksperimenter og tilpassede budskap på tvers av livssyklus-, innholds- og resultatkanaler. I stedet for å vente på at en kampanje skal bli ferdig, behandler vi nå alle meningsfulle brukersignaler, all onboardingatferd, deltakelse i fellesskapet og skaperaktivitet som input for umiddelbart å informere om den beste neste handlingen.

I praksis har dette endret hvordan teamene arbeider. Kreativ iterasjon går raskere fordi AI bidrar til å generere og teste variasjoner kontinuerlig. Markedsføring gjennom livssyklusen er mer dynamisk fordi budskap ikke lenger er knyttet til faste segmenter, men til klynger basert på atferd som utvikler seg over tid. Og intensjonssignaler i produktet påvirker 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 vekst arbeidsflyt

Lomit deler

I stedet for å basere oss på statiske personaer 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 tidlig viser atferd som tyder på ambassadørskap.»

Slik fungerer arbeidsflyten:

1. Det starter med atferdssignaler i sanntid i produktet og fellesskapslaget. Vi sporer handlinger som fremdrift i onboarding, dybden på deltakelsen, skaperaktivitet og engasjementsmønstre. Det viktigste 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 grunnlaget for datavarehuset.
2. Deretter hjelper AI oss med å gruppere og tolke disse signalene i dynamiske intensjonssegmenter. I stedet for å basere oss på statiske personaer 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 tidlig viser atferd som tyder på ambassadørskap». Disse segmentene utvikler seg kontinuerlig basert på atferd i sanntid. Verktøy: BigQuery og Python/ML-modeller for å bygge atferdsfunksjoner, med OpenAI (GPT) brukt 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 bidrar til å generere variasjoner på tvers av tekst, innganger og innholdsvinkler. Dette er ikke et fullstendig automatisert resultat, men det øker hastigheten på utforskingen av ulike budskapsretninger betydelig. Verktøy: ChatGPT og Claude for å generere budskapsvinkler, innganger og variasjoner i posisjonering, med Notion AI for å organisere og vedlikeholde et levende kreativt bibliotek.
4. Deretter legger vi disse resultatene inn i kontinuerlige eksperimenter på tvers av kontaktpunkter for livssyklus, betalt markedsføring og fellesskap. I stedet for å kjøre isolerte kampanjer gjennomfører vi hele tiden små, iterative tester og justerer budskap, kreativt innhold og tidspunkt basert på resultatsignaler i sanntid. Verktøy: Braze for livssykluseksperimenter, 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 fungerte best; vi bruker AI til å avdekke hvorfor bestemte budskap eller brukerreiser fungerte for bestemte segmenter. Denne innsikten informerer deretter direkte oppdatert segmenteringslogikk, budskapsrammeverk og markedsføringsbeslutninger basert på produktdata. Verktøy: Amplitude for atferdsinnsikt, Looker for strukturert rapportering og Claude for å sammenfatte læringen til fortellende rammeverk og beslutningsrammeverk.

Hvordan AI-revolusjonen gagner markedsførere

På den positive siden har den største effekten av AI vært hastigheten og gjennomføringsevnen 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 resultatsignaler. Dette har ført til raskere læringssykluser på tvers av både programmer for kundeanskaffelse og -bevaring.

Vi har også sett forbedringer i konverteringseffektiviteten som følge av bedre signalbruk. Ved å koble atferd i produktet og fellesskapet til markedsføringsaktivering reagerer vi mye tidligere på intensjon i brukerreisen. Det har forbedret kvaliteten på trafikk-til-aktivering-flyten og styrket retensjonen lenger ned i trakten, fordi brukerne mottar mer kontekstuelt relevante kontaktpunkter.

En annen tydelig fordel er redusert avhengighet av rigid segmentering og manuell analyse. AI-drevet klyngedannelse og innsiktsgenerering 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 kategorisert dem.

Risikoen ved å gå 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 skapte fragmentering i budskapene og en overbelastning av eksperimenter. Vi måtte ta et skritt tilbake og innføre sterkere menneskelige filtre for prioritering og narrativ konsistens.

Vi undervurderte også behovet for disiplin i arbeidet med 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 snever del av systemet, i stedet for for 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 tilsynet

Vi trekker et tydelig skille mellom hva AI gir innsikt i, og hva mennesker har ansvar for, og forskjellen kommer ned til ett spørsmål: Handler dette om optimalisering og mønstergjenkjenning, eller handler det om vurderingsevne, kontekst og smak?

Vi stoler i stadig større grad på AI for å håndtere signalbehandling, segmentering og eksperimentering i stor skala. Det omfatter identifisering av atferdsmønstre på tvers av aktivitet i fellesskapet og produktet, gruppering av brukere i dynamiske segmenter basert på handlinger i sanntid, samt generering og videreutvikling av kreative varianter og budskapsvarianter. AI analyserer også i stor grad resultatdata på tvers av kanaler og avdekker ikke-åpenbare innsikter raskere enn manuell gjennomgang noen gang kunne gjort.

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

Mennesker har ansvar for posisjonering, narrativ og kreativ retning. AI kan generere varianter, 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

Bare fordi AI kan avdekke dusinvis av muligheter, betyr ikke det at vi bør handle på alle. Å avgjøre hva vi ikke skal gjøre, og hva som samsvarer med den overordnede vekststrategien, er fortsatt et dypt menneskelig ansvar.

I miljøer som drives av fellesskap, har AI spesielt ikke erstattet autentisk menneskelig samhandling og tillitsbygging. Den kan bidra til å skalere engasjement og identifisere mønstre, men kan ikke gjenskape troverdigheten som kommer fra reell deltakelse, tilstedeværende lederskap og menneskelig dømmekraft i situasjoner i fellesskapet.

Mennesker har også ansvar for prioritering og strategiske avveininger. Som jeg sa tidligere, betyr ikke det at vi bør handle på alle mulighetene, bare fordi AI kan avdekke dusinvis av dem. Å avgjøre hva vi ikke skal gjøre, og hva som samsvarer med den overordnede vekststrategien, er fortsatt et dypt menneskelig ansvar.

Til slutt har mennesker ansvar for å tolke 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 gå frem med AI-transformasjon

Jeg vil dele fire råd:

1. Ikke se på AI som et sett med verktøy som kan kobles til den eksisterende markedsføringsmaskinen din. Se på det som en grunn til å redesigne selve maskinen. Dette handler ikke om produktivitet, for det virkelige skiftet skjer når du går fra kampanjebaserte driftsmodeller til kontinuerlige, signalstyrte vekstsystemer der AI er innebygd i hvordan du oppdager intensjon, tar beslutninger og lærer i sanntid.
2. Tenk på nytt hva «skala» betyr. Tidligere handlet skala om kanaler og budsjetteffektivitet. I en AI-drevet verden handler skala om læringshastighet. Teamene som lykkes, vil ikke være de som kjører flest kampanjer, men de som kan omsette 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 AI tar over mer av utførelsen og analysen, blir menneskets fortrinn tydeligere, ikke svakere. Ledere må satse enda sterkere på narrativ, posisjonering og prioritering. Hvis alt kan måles og optimaliseres, blir dømmekraft den viktigste differensiatoren.
4. Invester i systemtenkning fremfor kanaltenkning. AI bryter ned siloene mellom resultat, kundelivssyklus, produkt og fellesskap. Muligheten ligger i å utforme et enhetlig vekstsystem der signaler flyter på tvers av alle disse områdene, i stedet for å optimalisere hvert enkelt område isolert.

Følg med

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

Flere ekspertintervjuer kommer på The CMO Club!