Teknologikyndig markedsdirektør deler hvordan markedsføringsbudsjetter og team må omstruktureres for AI

Simone Morellato er en leder innen teknologisk markedsføring og markedssjef i vCluster. Han begynte å eksperimentere med AI tidlig i en tidligere rolle og bruker det nå som en forsterkende faktor i markedsføringsteamet sitt.

Vi satte oss ned med ham for å forstå hvordan AI endrer arbeidsflytene i markedsføringen hans og teamene hans. Han fortalte oss om de nye rollene og budsjettpostene som er helt nødvendige.

Å bruke AI som en multiplikator for markedsføring

Jeg er en markedsføringsleder som har bygget karrieren sin i skjæringspunktet mellom dyp teknisk forståelse av teknologiprodukter og gjennomføringen av deres markedsintroduksjon, hovedsakelig innen infrastruktur, sky og utviklerplattformer. Reisen min begynte på ingeniørsiden, der jeg studerte elektronikk og informatikk og jobbet som programvareingeniør med å utvikle nettverkssystemer for lagring. Dette grunnlaget hjalp meg med å markedsføre tekniske produkter fordi jeg alltid forsto hvordan de fungerer, ikke bare hvordan de skulle posisjoneres.

Med tiden gikk jeg fra ingeniørarbeid til teknisk produktmarkedsføring i Cisco, og deretter til lederroller i oppstartsbedrifter og større selskaper, blant annet Riverbed, Cloudian og Apcera. Tiden min i VMware ble et viktig vendepunkt i karrieren, og jeg brukte nesten et tiår på å skalere Tanzu Kubernetes-virksomheten. Jeg bygget opp og ledet et globalt team på tvers av produkt-, utvikler- og løsningsmarkedsføring, og bidro til å utvide porteføljen fra ett enkelt prosjekt med åpen kildekode til en serie på mer enn 20 produkter. Der eksperimenterte jeg tidlig med AI-drevne arbeidsflyter og bygget interne automatiseringsverktøy for analytikerrelasjoner som reduserte gjennomføringstiden betydelig og forbedret effektiviteten.

Nå leder jeg markedsføringen i vCluster, der jeg bygger en komplett markedsintroduksjonsmotor på tvers av vekst, produktmarkedsføring, fellesskap og merkevare. Vi forbedret effektiviteten ved å tenke nytt rundt etterspørselsgenerering, skalere kjennskapen fra titusenvis til millioner av visninger og forbedre kostnadseffektiviteten og konverteringen i salgstrakten betydelig. Et viktig fokus har vært å utvikle fortellinger med utviklere i første rekke og vekstsløyfer drevet av fellesskapet, særlig innen Kubernetes og AI-infrastruktur.

Alt jeg har arbeidet med, møtes i dette øyeblikket med AI-transformasjon. AI endrer nå fundamentalt både hvordan programvare utvikles og hvordan den markedsføres. Som markedsføringsleder fokuserer jeg på å hjelpe selskaper med å gå fra fragmentert produktkommunikasjon til enhetlige plattformfortellinger, der AI ikke bare brukes som et tema i fortellingen, men som en multiplikator i gjennomføringen av markedsføringen.

Å balansere utviklernes tillit med etterspørsel fra virksomheter

I vCluster har jeg ansvar for en komplett markedsintroduksjonsfunksjon som omfatter vekst, produktmarkedsføring, merkevare, fellesskap og arrangementer. Teamet arbeider både med prosesser for åpen kildekode og virksomhetsmarkedet, noe som skaper et todelt mandat: Drive bred adopsjon blant utviklere i stor skala, samtidig som dette engasjementet konverteres til en strukturert salgstrakt for virksomhetsmarkedet.

Organisatorisk fungerer denne funksjonen som et integrert system snarere enn som isolerte fagområder. Produktmarkedsføring og utviklerrelasjoner samarbeider tett om å forme fortellingen og bygge teknisk troverdighet, mens vekst og innhold fokuserer på skalerbar kundeanskaffelse og distribusjon på tvers av kanaler som sosiale medier, SEO, betalte medier og programmer ledet av fellesskapet. Merkevare og arrangementer utvider denne rekkevidden til engasjement i økosystemet, særlig i Kubernetes- og skybaserte miljøer.

Kompleksiteten skyldes målgruppene og dynamikken i økosystemet. Vi markedsfører oss mot svært tekniske målgrupper, hovedsakelig DevOps- og plattformingeniører, samtidig som vi påvirker beslutningstakere i virksomheter. Det krever en balansering av teknisk troverdighet og en tydelig forklaring av forretningsverdien. Samtidig opererer vi innenfor et raskt utviklende, AI-påvirket infrastrukturområde der kategoridefinisjonene fortsatt er under utvikling. Derfor handler en betydelig del av rollen om å forme fortellingen, ikke bare forsterke den.

Modellen er effektiv fordi en samlet sløyfe fra kundeanskaffelse via aktivering til engasjement knytter alt sammen, støttet av en sterk datadrevet tilnærming til resultater og raske eksperimenter.

Der AI slutter og vurderingsevnen begynner

Jeg bruker først og fremst AI til beslutningsstøtte og for å få fart på arbeidet innen områder med stort volum og mønsterstyrte oppgaver, eller innen områder som krever rask sammenstilling av store mengder ustrukturert informasjon. Samtidig opprettholder jeg en tydelig grense der menneskelig vurderingsevne fortsatt er avgjørende, særlig når det gjelder kontekst, ansvarlighet og langsiktige konsekvenser for merkevaren.

Jeg baserer meg i stor grad på AI innen tre områder:

• For det første, utvikling av narrativer og utforskning av budskap. Når jeg utformer posisjonering eller kampanjetemaer, bruker jeg AI til raskt å teste variasjoner, identifisere mangler i budskapet og stressteste tydeligheten på tvers av personaer som utviklere, plattformingeniører og ledere. Det komprimerer det som tidligere krevde flere iterasjoner, til en langt raskere sløyfe.
• For det andre, skalering av innhold og kampanjer. AI driver nå det første utkastet til de fleste innholdsressursene, inkludert innhold for sosiale medier, bloggstrukturer og kampanjevarianter. Den tilpasser også tekniske innspill til personaspesifikt språk, noe som er spesielt viktig innen markedsføring av infrastruktur og AI-plattformer, der det samme konseptet må treffe ulike målgrupper på forskjellige måter.
• For det tredje, sammenstilling av resultater. Jeg bruker AI til å analysere signaler fra kampanjer på tvers av kanaler og avdekke mønstre som ellers kunne blitt oversett, særlig når jeg håndterer fragmenterte data fra organiske, betalte og fellesskapsbaserte kanaler.

Oppgaver som uttrykkelig utføres av mennesker, omfatter strategiske avveininger og ansvarlighet. Beslutninger om posisjonering, kategoridefinisjon og den grunnleggende budskapsarkitekturen forblir fullt ut menneskestyrt, fordi de krever en dyp forståelse av markedstiming, konkurransedynamikk og selskapets ambisjoner. Det samme gjelder den endelige kreative vurderingen av merkevarens stemme og kampanjer med høy synlighet.

Jeg sørger også for at mennesker beholder eierskapet til prioriteringsbeslutningene. AI kan avdekke alternativer og innsikter, men det å avgjøre hva man ikke skal gjøre, forblir et lederansvar, særlig i raskt utviklende kategorier som AI-infrastruktur, der det er lett å overreagere på signaler.

AI utvider altså i praksis omfanget av tenkning og gjennomføring, men har ikke ansvar for resultatene. Markedsføringsledelsen tar fortsatt de endelige beslutningene som balanserer hurtighet, helhet og langsiktig merkevareverdi.

Hvordan én strukturell endring økte antall visninger fra tusenvis til millioner

Jeg endret markedsføringsmodellen vår fra menneskeførst-produksjon av innhold til AI-assistert utvikling av narrativer og ressurser. Mennesker fokuserer nå på retning, validering og distribusjon i stedet for å skape alt fra grunnen av.

I praksis innførte jeg et AI-drevet innholdssystem. Vi bruker arbeidsflyter basert på LLM til å gjøre ett enkelt teknisk innspill – for eksempel en produktlansering, en demonstrasjon, en kundeinnsikt eller en teknisk fortelling – om til flere underliggende markedsføringsressurser. Dette omfatter utviklerrettede innlegg, innhold i langformat, variasjoner for sosiale medier, kampanjebudskap og til og med posisjoneringsutkast på et tidlig stadium. I stedet for at hver ressurs har en egen forfatter, genererer, videreutvikler og samordner nå et felles lag med instruksjoner og struktur alle ressursene.

Simone deler

I stedet for at hver ressurs har en egen forfatter, genererer, videreutvikler og samordner nå et felles lag med instruksjoner og struktur alle ressursene.

AI genererer disse parallelt på et godt utkastnivå, ikke sekvensielt fra grunnen av. Deretter legger vi til menneskelig gjennomgang og videreutvikling, der produktmarkedsføringen sikrer narrativ integritet, vekstteamet optimaliserer distribusjonen, og merkevareteamet ivaretar stemme og konsistens.

Vi gikk også fra en kampanjebasert produksjonssyklus til et kontinuerlig innholdssystem. De fleste markedsføringsorganisasjoner arbeider fortsatt med en tradisjonell kampanjetankegang: Man definerer en kampanje, lager et sett med ressurser, lanserer den og går så videre. Denne modellen ble utviklet for en verden der innholdsproduksjon var dyrt og tidkrevende. Nå kjører vi parallelle sløyfer for generering og iterasjon. Dette reduserer syklustiden og gjør det mulig for oss å reagere langt raskere på signaler fra produktet og markedet.

Hvordan AI gir bedre produksjonseffektivitet og konsistens i narrativet

På den positive siden har den mest umiddelbare effekten av KI vært skala og effektivitet. Innføringen av KI i arbeidsflyter for innholds- og kampanjeproduksjon økte produksjonen betydelig uten at bemanningen økte. Hos vCluster innebar dette en skalering fra omtrent 36K til rundt 7M månedlige visninger, samtidig som CPM ble redusert fra rundt $5.58 til $0.29. Selv om flere faktorer bidro, var en viktig drivkraft at vi produserte og itererte innhold langt raskere og mer konsekvent på tvers av kanaler.

Vi forbedret også gjennomføringstempoet. Innholdssykluser som tidligere tok flere uker — særlig for tverrfunksjonelle ressurser som involverte produktmarkedsføring, merkevare og vekst — ble komprimert til dager. Dette gjorde det mulig for oss å reagere på produktlanseringer og markedssignaler nesten i sanntid, noe som er avgjørende i et KI-økosystem i rask utvikling.

Et annet positivt resultat var konsistens i narrativet. KI hjalp oss med å standardisere hvordan vi omsetter tekniske innspill til budskap på tvers av kanaler, og reduserte fragmenteringen mellom utviklerfokusert innhold, salgsstøtte og kampanjer for etterspørselsgenerering. Denne samordningen forbedret både kvaliteten på engasjementet og resultatene lenger ned i salgstrakten.

Kvalitativt sett var en av de største endringene organisatorisk. Markedsføringsteamet gikk fra å være primært gjennomføringsorientert til å ha en mer orkestrerende rolle. Mennesker bruker nå mer tid på retning, strategi og validering, mens KI håndterer førsteutkast og variasjoner. Dette har forbedret teamets fokus og redusert operasjonelle flaskehalser.

Simone deler

Mennesker bruker nå mer tid på retning, strategi og validering, mens KI håndterer førsteutkast og variasjoner.

Hvordan KI kan føre til overproduksjon

Det oppsto også utfordringer. Tidlig så vi en tendens til overproduksjon. KI produserte for mange variasjoner uten tilstrekkelige innledende begrensninger, noe som skapte støy og krevde at vi bygget sterkere redaksjonelle retningslinjer og lag for styring av instruksjoner. Vi håndterte også aktivt risikoen for utvanning av budskapet og sørget for at tempo ikke gikk på bekostning av tydelig posisjonering eller klarhet i kategorien.

En annen lærdom var at KI kan forsterke både gode og dårlige innspill. Når det underliggende narrativet eller sammendraget er svakt, forsterker KI raskt denne svakheten. Dette tvang oss til å investere mer i innledende strategi og mer presis utforming av innspillene før vi genererte noe i stor skala.

Samlet sett har nettoresultatet vært klart positivt, men først etter at vi etablerte tydelige sikkerhetsnett.

Hvorfor KI ikke kan skape differensiering og posisjonering

KI har også levert svakere enn forventet når det gjelder strategisk differensiering og posisjonering.

I utgangspunktet antok vi at KI kunne bidra til å utvikle sterkere kategorinarrativer eller til og med identifisere posisjoneringsvinkler som kunne gi oss et fortrinn. I praksis oppdaget vi at KI, selv om den er svært god til å kombinere eksisterende markedsmønstre på nye måter, har problemer med å skape virkelig original eller forsvarlig posisjonering.

Den har en tendens til å konvergere mot medianen av det som allerede finnes, noe som er det motsatte av det du ønsker når du prøver å skille deg ut i et overfylt marked for infrastruktur eller KI-plattformer.

Hvorfor markedsføringsledere først må begrense KI

En tidlig KI-assistert kampanje vi gjennomførte for å reposisjonere en teknisk plattform for et bredere publikum innen DevOps og plattformteknikk, gir et tydelig eksempel på hvor KI kom til kort når det gjaldt strategisk differensiering.

Vi brukte KI til å reposisjonere plattformen vår for et Neoclouds-publikum. Resultatet kom raskt og ga oss flere retninger: «forenkling av Kubernetes-drift», «forbedring av plattformeffektivitet» og «akselerering av utviklerproduktivitet».
Alt hørtes riktig ut. Det var nettopp problemet.

Ingen av disse vinklingene differensierte oss i praksis. Da vi stresstestet dem mot markedet, oppdaget vi at tilgrensende verktøy allerede brukte dem intensivt i Kubernetes- og skybaserte økosystemer. KI forsterket i praksis vanlig bransjespråk i stedet for å hjelpe oss med å bryte ut av det. Hvis vi hadde gått videre med dem slik de var generert, ville kampanjen ha glidd inn i kategorien i stedet for å forme den.

Vi strammet betydelig inn den menneskeledede innspillsfasen. I stedet for å starte med brede instruksjoner om produktets funksjonalitet, innførte vi tydeligere begrensninger på tre områder: vårt unike arkitektoniske fortrinn, avveiningene vi var villige til å ta eierskap til offentlig, og målgruppesegmentene vi eksplisitt ønsket å lede med, ikke bare inkludere.

Da vi igjen forankret innspillene i disse strategiske valgene, brukte vi KI på en annen måte: ikke til å finne opp posisjoneringen, men til å stressteste tydeligheten, tilpasse budskapet til ulike målgruppeprofiler og generere variasjoner på gjennomføringsnivå for innhold og kampanjer.

Resultatet var et langt skarpere narrativ, sentrert rundt en mer spesifikk og forsvarlig vinkling: hvordan plattformteam kunne tenke nytt om infrastrukturabstraksjon for moderne arbeidslaster, i stedet for generiske temaer som effektivitet eller produktivitet. Denne endringen forbedret kvaliteten på engasjementet og gjorde budskapet mer minneverdig i tekniske miljøer, særlig blant Kubernetes-praktikere, som er svært følsomme for altfor generisk posisjonering.

Så flaskehalsen er ikke lenger produksjonskvalitet eller hastighet; den er originalitet og skarphet i tankegangen. Å skille seg ut krever nå et langt tydeligere ståsted, klarere posisjonering og vilje til å ta eksplisitte avveininger. Uten dette har AI en tendens til å trekke alt mot markedsgjennomsnittet.

Slik endrer AI strukturen i markedsføringsteam

AI har grunnleggende endret markedsføringsteamet mitt fra å være funksjonelt oppdelt i siloer til å bli en mer smidig, tverrfunksjonell gjennomføringsmodell.

Tradisjonelt skilte vi rollene tydelig fra hverandre. En innholdsmarkedsfører hadde ansvar for å lage innhold, og sendte det deretter videre til distribusjonsspesialister for tilpasning, mens produktmarkedsføring utviklet budskap og posisjonering separat, noe som deretter måtte oversettes til kampanjer. Hvert trinn innebar omarbeiding og oversettelse mellom funksjonene.

Med AI i arbeidsflyten har strukturen endret seg betydelig. Nå kan hvert teammedlem arbeide på tvers av flere deler av innholds- og kampanjelivssyklusen. En innholdsmarkedsfører kan generere ikke bare det første utkastet til en artikkel, men også de første versjonene av variasjoner for sosiale medier, e-posttekster og til og med ulike posisjoneringsvinkler. En vekstmarkedsfører kan ta det samme utgangspunktet og umiddelbart generere kampanjevarianter eller rammeverk for testing. Produktmarkedsføring kan gå fra å skrive alt fra grunnen av til å videreutvikle fortellingen, sikre nøyaktighet og samordne budskapet med strategien.

Det viktigste skiftet er at vi ikke lenger lager arbeid sekvensielt fra grunnen av. AI genererer det som standard frem til et utkast av høy kvalitet, og deretter sender vi det mellom funksjonene for videreutvikling, validering og optimalisering. Dette har redusert friksjonen mellom teamene betydelig og forkortet iterasjonssyklusene.

Som et resultat fokuserer markedsførere nå mer på vurderinger, redigering og strategisk retning enn på ren produksjon. Teamet er mindre avhengig av manuell gjennomføring, men har større kapasitet til å skape resultater.

AI har også gjort samarbeidet mer dynamisk. I stedet for rigide overleveringer arbeider vi nå mer som et delt kunnskapssystem, der vi kan omforme ethvert utgangspunkt til flere resultater på tvers av kanaler, før den relevante spesialisten videreutvikler dem.

Hvorfor markedsføringsteam trenger desentraliserte budsjetter for AI-verktøy

Hvis jeg skulle startet på nytt, ville jeg først investert markedsføringsbudsjettet, ikke i tradisjonelle kampanjeutgifter eller engang i flere ansatte, men i å gi alle markedsførere direkte tilgang til et fleksibelt, desentralisert budsjett for AI-verktøy.

Jeg ville satt av individuelle budsjetter slik at markedsførere kunne ta i bruk og eksperimentere med verktøy som forbedrer produktiviteten i det daglige, uten å måtte vente på sentraliserte innkjøpsprosesser eller godkjenningsrunder hos IT. Dette omfatter AI-verktøy for skriving, assistenter for dataanalyse, plattformer for kreativ innholdsproduksjon, automatiseringsverktøy og nisjeverktøy som raskt dukker opp i AI-økosystemet.

Grunnen er enkel. I et AI-drevet miljø går utviklingen av verktøy raskere enn virksomhetenes innkjøpssykluser. Sentralisert tilgang standardiserer uunngåelig teamene på en utdatert verktøystakk, noe som bremser eksperimentering og skaper et gap mellom det som er mulig, og det som faktisk brukes i gjennomføringen.

Jeg har sett dette på nært hold da jeg innførte AI i arbeidsflytene for markedsføring. Teamene som hadde frihet til å teste og ta i bruk verktøy tidlig, beveget seg betydelig raskere innen innholdsproduksjon, kampanjeiterasjon og dataanalyse. Team som var begrenset av sentraliserte godkjenningsprosesser, gikk ofte tilbake til langsommere, eldre arbeidsflyter, selv når bedre verktøy var tilgjengelige.

Et distribuert verktøybudsjett skaper derimot en annen dynamikk. Det gjør hver markedsfører til en aktør som kontinuerlig kan optimalisere sin egen verktøystakk. Det synliggjør også innovasjon på en organisk måte, fordi de beste verktøyene naturlig sprer seg i teamet gjennom bruk, i stedet for gjennom pålegg.

For det andre ville jeg prioritert å bygge et lett tilgjengelig støtteapparat rundt denne friheten, med blant annet deling av beste praksis, bibliotek med instruksjoner og interne arbeidsflyter for å hindre at eksperimentering utvikler seg til fragmentering.

Sentral kontroll optimaliserer for konsistens, mens distribuert tilrettelegging optimaliserer for tilpasning. Og det er tilpasning som skaper konkurransefortrinn i markedsføringsmiljøer i rask endring.

Slik skaper Claude Cowork reell utnyttelse

Jeg er spesielt begeistret for én AI-funksjon fra Anthropic: Claude CoWork.

Det går utover det tradisjonelle chatgrensesnittet og føles som et ekte arbeidsmiljø for kunnskapsarbeid. I stedet for isolerte instruksjoner muliggjør det mer strukturerte og vedvarende arbeidsflyter. Det er nettopp her AI gir reell innflytelse.

Jeg setter også pris på hvor raskt Anthropic videreutvikler tjenesten basert på reell brukeradferd. De følger med på hva fellesskapet bygger og bruker, og integrerer deretter disse mønstrene direkte i kjerneproduktet. Dette minner meg om hvor raskt konsepter fra prosjekter som OpenClaw fant veien inn i Claude CoWork. Denne tilbakemeldingssløyfen er viktig fordi verktøyet utvikler seg i tråd med hvordan folk faktisk arbeider, ikke bare slik produktteamet forestiller seg at de bør arbeide.

I praksis reduserer det også behovet for å sette sammen flere verktøy eller utvidelser. Jeg trenger ikke å gjenskape arbeidsflyter, vurdere nye leverandører eller bekymre meg for sikkerhet og datahåndtering på tvers av en fragmentert verktøystakk. Jeg stoler allerede på Anthropic som selskap, så når de lanserer nye funksjoner, kan jeg ta dem i bruk raskt og med trygghet.

Hvorfor alle markedsføringsteam trenger en rolle for AI-tilrettelegging

Når det er sagt, er det største gapet jeg har sett i AI-adopsjon, ikke verktøyene. De fleste markedsføringsteam har tilgang til AI-verktøy. Det de mangler, er noen hvis eneste oppgave er å følge med på hva som endrer seg, sile bort støyen og omgjøre det til arbeidsflyter teamet faktisk kan bruke.

De fleste organisasjoner antar at adopsjon naturlig vil følge dersom teamene har tilgang til AI-verktøy. I praksis er bevissthet og sammenstilling de begrensende faktorene. AI-landskapet beveger seg så raskt at ingen enkeltmarkedsfører realistisk kan holde tritt med nye modeller, verktøy, arbeidsflyter og beste praksis samtidig som vedkommende utfører sine kjerneoppgaver. Når alle har et delansvar for å holde seg oppdatert, har ingen fullt ansvar for det.

Etter min erfaring har det fungert mye bedre å opprette en dedikert rolle for AI-tilrettelegging i markedsføringsorganisasjonen. Dette er ikke bare en administrator for verktøy eller en instruksjonsingeniør; det er en person som er dypt nysgjerrig på AI, følger aktivt med på utviklingen innen modeller og applikasjoner og kontinuerlig omsetter dette til praktiske arbeidsflyter for teamet.

Denne personen blir i praksis et internt intelligenslag. Vedkommende vurderer nye verktøy, tester bruksområder, sammenstiller det som er nyttig kontra støy, og gjør det deretter om til repeterbare arbeidsflyter. Like viktig er det at personen fungerer som en bro i begge retninger. Teammedlemmer kan komme med problemer eller ineffektivitet, utforske AI-baserte løsninger og få strukturerte anbefalinger tilbake.

Denne rollen påvirker først og fremst fokuset. Den fjerner den kognitive belastningen ved å «holde tritt med AI» fra de enkelte medarbeiderne og samler den i én funksjon som har som eneste oppgave å ligge i forkant av utviklingen og distribuere denne kunnskapen effektivt. Uten dette har team en tendens til å bli fragmenterte. Man får ujevn adopsjon, inkonsekvent praksis og overlappende eksperimentering. Med dette skaper man en forsterkende effekt der læringen sentraliseres, mens gjennomføringen distribueres.

Hvorfor markedsførere må behandle AI som en endring i driftsmodellen

Det viktigste rådet jeg vil gi markedsføringsledere, er å behandle dette øyeblikket som en endring i driftsmodellen, ikke som en oppgradering av verktøy.

Det er lett å bli trukket inn i vurdering av verktøy, testing av funksjoner og jakten på trinnvise produktivitetsgevinster. Det er viktig, men gir ikke det reelle fortrinnet. Den egentlige endringen ligger i hvordan markedsføringsarbeid utføres, hvordan team organiseres og hvor menneskelig innsats settes inn.

Noen prinsipper viser seg å være spesielt viktige:

• For det første: Invester i kvaliteten på inndata før du skalerer utdata. AI genererer så mye innhold som du ber om, men kvaliteten på innholdet avhenger fullt og helt av hvor tydelig posisjoneringen, målgruppebeskrivelsen og fortellingen din er. Ledere som hopper over dette trinnet, skalerer støy, slik jeg fremhever i «Markedsføringsplan for teknologistartups».
• For det andre: Utform arbeidsflyter på nytt, ikke bare oppgaver. I stedet for å spørre hvordan AI kan gjøre et eksisterende trinn raskere, bør du se på hele systemet fra inndata til resultat og tenke gjennom hvordan det fungerer i en verden der utkast blir til umiddelbart og iterasjon er billig. Det åpner for forbedringer på en helt annen størrelsesorden.
• For det tredje: Skap rom for et tydelig AI-eierskap. Enten det er en dedikert rolle eller en liten gruppe, må noen holde seg oppdatert på utviklingen, teste verktøy og omsette dette til praktiske arbeidsflyter. Uten det blir team fragmenterte og adopsjonen stopper opp.

Følg med

Du kan følge Simone Morellato på LinkedIn.

Flere ekspertintervjuer kommer på The CMO Club!