Technologisch onderlegde marketingdirecteur deelt hoe marketingbudgetten en teams moeten worden geherstructureerd voor AI

Simone Morellato is een technisch marketingleider en hoofd Marketing bij vCluster. In een eerdere functie begon hij al vroeg met experimenteren met AI en inmiddels gebruikt hij het als krachtvermenigvuldiger binnen zijn marketingteam.

We spraken met hem om te begrijpen hoe AI zijn marketingworkflows en die van zijn teams verandert. Hij vertelde ons over de nieuwe functies en budgetposten die onmisbaar zijn.

AI gebruiken als krachtvermenigvuldiger voor marketing

Ik ben een marketingleider die zijn carrière heeft opgebouwd op het snijvlak van diepgaande technische kennis van technologieproducten en de uitvoering van hun marktintroductie, voornamelijk op het gebied van infrastructuur, cloud en ontwikkelaarsplatforms. Mijn loopbaan begon aan de engineeringkant, waar ik elektronica en computerwetenschappen studeerde en als software-engineer werkte aan opslag- en netwerksystemen. Die basis hielp me bij het vermarkten van technische producten, omdat ik altijd begreep hoe ze werken en niet alleen hoe ik ze moest positioneren.

Na verloop van tijd maakte ik de overstap van engineering naar technische productmarketing bij Cisco en vervolgens naar leidinggevende functies bij startups en ondernemingen, waaronder Riverbed, Cloudian en Apcera. Mijn tijd bij VMware was een belangrijk keerpunt in mijn carrière en ik heb bijna tien jaar besteed aan het opschalen van de Tanzu Kubernetes-activiteiten. Ik bouwde en leidde een wereldwijd team voor productmarketing, ontwikkelaarsmarketing en oplossingenmarketing en hielp het portfolio uit te breiden van één opensourceproject tot een reeks van meer dan 20 producten. Daar experimenteerde ik al vroeg met door AI aangestuurde workflows en bouwde ik interne automatiseringstools voor analistenrelaties die de doorlooptijd aanzienlijk verkortten en de efficiëntie verbeterden.

Nu geef ik leiding aan marketing bij vCluster en bouw ik een volledige marktintroductiemotor op voor groei, productmarketing, community en merk. We verbeterden de efficiëntie door leadgeneratie opnieuw te benaderen, de bekendheid op te schalen van tienduizenden naar miljoenen vertoningen en de kostenefficiëntie en conversie in de trechter aanzienlijk te verbeteren. Een belangrijk aandachtspunt was het ontwikkelen van verhalen die ontwikkelaars centraal stellen en door de community gestuurde groeilussen, met name op het gebied van Kubernetes en AI-infrastructuur.

Alles waaraan ik heb gewerkt komt op dit moment samen in de transformatie door AI. AI verandert nu fundamenteel zowel de manier waarop software wordt gebouwd als de manier waarop deze op de markt wordt gebracht. Als marketingleider richt ik me erop bedrijven te helpen overstappen van versnipperde productboodschappen naar eenduidige platformverhalen, waarbij AI niet alleen als onderwerp in het verhaal wordt gebruikt, maar ook als krachtvermenigvuldiger in de uitvoering van marketing.

Vertrouwen van ontwikkelaars in balans brengen met de vraag vanuit ondernemingen

Bij vCluster houd ik toezicht op een volledige marktintroductiefunctie voor groei, productmarketing, merk, community en evenementen. Het team werkt zowel met opensource- als ondernemingsbenaderingen en heeft daarmee een tweeledige opdracht: brede acceptatie onder ontwikkelaars op schaal stimuleren en die betrokkenheid tegelijkertijd omzetten in een gestructureerde ondernemingspijplijn.

Organisatorisch werkt de functie als een geïntegreerd systeem in plaats van als geïsoleerde disciplines. Productmarketing en ontwikkelaarsrelaties werken nauw samen om het verhaal vorm te geven en technische geloofwaardigheid op te bouwen, terwijl groei en content zich richten op schaalbare werving en distributie via kanalen zoals sociale media, SEO, betaalde media en communitygestuurde programma's. Merk en evenementen vergroten dat bereik naar betrokkenheid binnen het ecosysteem, vooral binnen de Kubernetes- en cloud-nativegemeenschappen.

De complexiteit komt voort uit de dynamiek van het publiek en het ecosysteem. We richten onze marketing op zeer technische doelgroepen, voornamelijk DevOps- en platformengineers, en beïnvloeden tegelijkertijd besluitvormers binnen ondernemingen. Dat vereist een balans tussen technische geloofwaardigheid en een duidelijke uiteenzetting van de bedrijfswaarde. Tegelijkertijd zijn we actief in een snel veranderend, door AI beïnvloed infrastructuurdomein waarin categorieën nog steeds vorm krijgen. Daardoor bestaat een aanzienlijk deel van de rol uit het vormgeven van het verhaal, niet alleen uit het versterken ervan.

Het model is effectief omdat een geïntegreerde lus van werving naar activering naar betrokkenheid alles met elkaar verbindt, ondersteund door een sterke datagedreven benadering van prestaties en snelle experimenten.

Waar AI ophoudt en het oordeel begint

Ik gebruik AI voornamelijk ter ondersteuning van besluitvorming en om werk te versnellen op gebieden met grote volumes en veel patronen, of op gebieden waar grote hoeveelheden ongestructureerde informatie snel moeten worden samengevat. Tegelijkertijd bewaak ik een duidelijke grens waar menselijk oordeel essentieel blijft, vooral voor context, verantwoordelijkheid en de gevolgen voor het merk op lange termijn.

Ik vertrouw sterk op AI voor drie gebieden:

• Ten eerste: narratieve ontwikkeling en verkenning van boodschappen. Bij het vormgeven van positionering of campagnethema's gebruik ik AI om snel variaties te testen, hiaten in boodschappen te identificeren en de duidelijkheid te toetsen bij persona's zoals ontwikkelaars, platformengineers en leidinggevenden. Hierdoor wordt een proces dat vroeger meerdere iteraties vereiste, teruggebracht tot een veel snellere cyclus.
• Ten tweede: opschaling van content en campagnes. AI vormt nu de basis voor de eerste versie van de meeste contentmiddelen, waaronder socialmedia-content, blogstructuren en campagnevarianten. Het past technische input ook aan naar persona-specifieke taal. Dat is vooral belangrijk in marketing voor infrastructuur en AI-platforms, waar hetzelfde concept op verschillende manieren moet aanslaan bij verschillende doelgroepen.
• Ten derde: synthese van prestaties. Ik gebruik AI om signalen over campagneprestaties over verschillende kanalen te analyseren en patronen zichtbaar te maken die anders mogelijk over het hoofd zouden worden gezien, vooral bij versnipperde gegevens uit organische, betaalde en communitykanalen.

Expliciet menselijke taken omvatten strategische afwegingen en verantwoordelijkheid. Beslissingen over positionering, categoriedefinitie en de architectuur van kernboodschappen blijven volledig in menselijke handen, omdat ze een diepgaand begrip vereisen van markttiming, concurrentiedynamiek en de ambities van het bedrijf. Hetzelfde geldt voor het uiteindelijke creatieve oordeel over merkstem en campagnes met een grote zichtbaarheid.

Ik zorg er ook voor dat menselijke verantwoordelijkheid behouden blijft bij beslissingen over prioriteiten. AI kan opties en inzichten aandragen, maar bepalen wat we níét doen blijft een verantwoordelijkheid van het leiderschap, vooral in snel veranderende categorieën zoals AI-infrastructuur, waar het gemakkelijk is om te sterk op signalen te reageren.

AI vergroot dus effectief het oppervlak voor denken en uitvoeren, maar draagt geen verantwoordelijkheid voor de resultaten. Marketingleiders nemen nog steeds de uiteindelijke beslissingen waarin snelheid, samenhang en de langetermijnwaarde van het merk tegen elkaar worden afgewogen.

Hoe één structurele verschuiving vertoningen van duizenden naar miljoenen bracht

Ik heb ons marketingmodel verschoven van mensgerichte contentproductie naar AI-ondersteunde narratieve ontwikkeling en het genereren van middelen. Mensen richten zich nu op richting, validatie en distributie in plaats van alles vanaf nul te creëren.

In de praktijk heb ik een AI-gestuurd contentsysteem geïntroduceerd. We gebruiken op LLM gebaseerde workflows om één technische input — zoals een productrelease, een demo, een klantinzicht of een technisch verhaal — om te zetten in meerdere daaropvolgende marketingmiddelen. Dit omvat ontwikkelaarsgerichte posts, long-formcontent, socialmedia-varianten, campagnemessaging en zelfs eerste versies van positionering. In plaats van voor elk middel afzonderlijk content te schrijven, genereert, verfijnt en stroomlijnt nu een gedeelde prompt- en structuurlaag alle middelen.

Simone deelt

In plaats van voor elk middel afzonderlijk content te schrijven, genereert, verfijnt en stroomlijnt nu een gedeelde prompt- en structuurlaag alle middelen.

AI genereert deze middelen parallel op het niveau van een sterke eerste versie, niet opeenvolgend vanaf nul. Vervolgens voegen we menselijke beoordeling en verfijning toe, waarbij productmarketing de narratieve integriteit waarborgt, growth de distributie optimaliseert en het merkteam de merkstem en consistentie bewaakt.

Daarnaast zijn we overgestapt van een campagnegebaseerde productiecyclus naar een continu contentsysteem. De meeste marketingorganisaties werken nog steeds vanuit een traditionele campagnementaliteit: je definieert een campagne, maakt een reeks middelen, lanceert die en gaat vervolgens verder. Dat model is ontwikkeld voor een wereld waarin contentproductie duur en traag was. Nu werken we met parallelle generatie- en iteratiecycli. Hierdoor wordt de doorlooptijd korter en kunnen we veel sneller reageren op product- en marktsignalen.

Hoe AI de productie-efficiëntie en narratieve consistentie verbetert

Aan de positieve kant is de meest directe impact van AI schaal en efficiëntie geweest. Door AI te introduceren in workflows voor content- en campagneproductie nam de output aanzienlijk toe zonder het personeelsbestand uit te breiden. Bij vCluster vertaalde dit zich in een opschaling van ongeveer 36K naar circa 7M maandelijkse vertoningen, terwijl de CPM ook daalde van ongeveer $5.58 naar $0.29. Hoewel meerdere factoren hieraan bijdroegen, was een belangrijke drijvende kracht het veel sneller en consistenter produceren en itereren van content via verschillende kanalen.

We verbeterden ook de uitvoeringssnelheid. Contentcycli die eerder weken in beslag namen — vooral voor cross-functionele middelen waarbij productmarketing, merk en groei betrokken waren — werden teruggebracht tot dagen. Hierdoor konden we vrijwel in realtime reageren op productreleases en marktsignalen, wat cruciaal is in een snel bewegend AI-ecosysteem.

Een ander positief resultaat was consistentie in de verhaallijn. AI hielp standaardiseren hoe we technische input vertalen naar boodschappen via verschillende kanalen, waardoor de versnippering tussen content voor ontwikkelaars, sales enablement en campagnes voor vraaggeneratie afnam. Deze afstemming verbeterde zowel de kwaliteit van de interactie als de prestaties verderop in de funnel.

Kwalitatief gezien was een van de grootste veranderingen organisatorisch van aard. Het marketingteam verschoof van een functie die voornamelijk op uitvoering was gericht naar een rol die meer op orkestratie was gericht. Mensen besteden nu meer tijd aan richting, strategie en validatie, terwijl AI de eerste productie en variatie voor zijn rekening neemt. Dit heeft de focus van het team verbeterd en operationele knelpunten verminderd.

Simone deelt

Mensen besteden nu meer tijd aan richting, strategie en validatie, terwijl AI de eerste productie en variatie voor zijn rekening neemt.

Hoe AI tot overproductie kan leiden

Er deden zich ook uitdagingen voor. Al vroeg zagen we een neiging tot overproductie. AI produceerde te veel varianten zonder voldoende initiële begrenzing, wat ruis veroorzaakte en ons ertoe dwong sterkere lagen voor redactionele aansturing en promptbeheer op te bouwen. We beheersten ook actief het risico op verwatering van de boodschap en zorgden ervoor dat snelheid niet ten koste ging van een scherpe positionering of duidelijke afbakening van de categorie.

Een andere les was dat AI zowel goede als slechte input kan versterken. Wanneer de onderliggende verhaallijn of briefing zwak is, versterkt AI die zwakte snel. Dit dwong ons om meer te investeren in strategie vooraf en in een strakker ontwerp van de input voordat we op grote schaal iets genereerden.

Over het geheel genomen is het nettoresultaat duidelijk positief geweest, maar pas nadat we duidelijke waarborgen hadden ingesteld.

Waarom AI geen onderscheidend vermogen en positionering kan leveren

AI heeft ook niet voldaan aan de vroege verwachtingen rond strategisch onderscheidend vermogen en positionering.

Aanvankelijk gingen we ervan uit dat AI kon helpen om sterkere categorievertellingen te ontwikkelen of zelfs positioneringsinvalshoeken te identificeren waarmee we een voorsprong konden behalen. In de praktijk ontdekten we dat AI weliswaar uitblinkt in het combineren van bestaande marktpatronen, maar moeite heeft om werkelijk originele of verdedigbare positionering te ontwikkelen.

AI neigt naar het gemiddelde van wat al bestaat, en dat is precies het tegenovergestelde van wat je wilt wanneer je probeert op te vallen in een drukke markt voor infrastructuur of AI-platforms.

Waarom marketingleiders AI eerst moeten begrenzen

Een vroege AI-ondersteunde campagne die we uitvoerden om een technisch platform opnieuw te positioneren voor een breder publiek van DevOps- en platformengineeringprofessionals, geeft een duidelijk voorbeeld van waar AI tekortschiet in het bieden van strategisch onderscheidend vermogen.

We gebruikten AI om ons platform opnieuw te positioneren voor een Neoclouds-publiek. De output was snel en gaf ons meerdere richtingen: 'het vereenvoudigen van Kubernetes-beheer', 'het verbeteren van platformefficiëntie', 'het versnellen van de productiviteit van ontwikkelaars.'
Het klonk allemaal goed. Dat was precies het probleem.

Geen van deze invalshoeken onderscheidde ons echt. Toen we ze kritisch toetsten aan de markt, ontdekten we dat aanverwante tools ze al volop gebruikten in het Kubernetes- en cloud-native-ecosysteem. AI versterkte effectief de gangbare taal in de sector in plaats van ons te helpen daarvan los te komen. Als we waren doorgegaan met de gegenereerde voorstellen, zou de campagne zijn opgegaan in de categorie in plaats van deze vorm te geven.

We hebben de door mensen aangestuurde inputfase aanzienlijk aangescherpt. In plaats van te beginnen met brede prompts over productmogelijkheden, legden we scherpere beperkingen op in drie gebieden: ons unieke architecturale voordeel, de afwegingen waarvoor we publiekelijk verantwoordelijkheid wilden nemen en de publiekssegmenten waarmee we nadrukkelijk wilden beginnen, niet alleen opnemen.

Nadat we de input opnieuw hadden verankerd in die strategische keuzes, gebruikten we AI op een andere manier: niet om positionering te bedenken, maar om de duidelijkheid ervan kritisch te toetsen, de boodschap naar verschillende persona's te vertalen en variaties op uitvoeringsniveau te genereren voor content en campagnes.

Het resultaat was een veel scherpere verhaallijn rond een specifiekere en beter verdedigbare invalshoek: hoe platformteams opnieuw konden nadenken over infrastructuurabstractie voor moderne workloads, in plaats van zich te richten op generieke thema's als efficiëntie of productiviteit. Die verschuiving verbeterde de kwaliteit van de interactie en maakte de boodschap beter onthoudbaar in technische gemeenschappen, vooral onder Kubernetes-professionals, die zeer gevoelig zijn voor een te generieke positionering.

De bottleneck ligt dus niet langer bij productiekwaliteit of snelheid; het gaat om originaliteit en scherpte van denken. Om nu op te vallen zijn een veel duidelijker standpunt, een helderdere positionering en de bereidheid om expliciete afwegingen te maken nodig. Zonder dat heeft AI de neiging alles naar het marktgemiddelde toe te trekken.

Hoe AI de structuur van marketingteams verandert

AI heeft mijn marketingteam fundamenteel veranderd: van een team dat functioneel in silo’s was georganiseerd naar een vloeiender, crossfunctioneel uitvoeringsmodel.

Traditioneel scheidden we de rollen duidelijk van elkaar. Een contentmarketeer was verantwoordelijk voor het maken van content en droeg die vervolgens over aan distributiespecialisten voor aanpassing, terwijl productmarketing afzonderlijk messaging en positionering ontwikkelde die daarna naar campagnes moest worden vertaald. Elke stap bracht herwerk en vertaling tussen functies met zich mee.

Met AI in de workflow is de structuur aanzienlijk veranderd. Nu kan elk teamlid aan meerdere onderdelen van de content- en campagnelevenscyclus werken. Een contentmarketeer kan niet alleen de eerste versie van een artikel genereren, maar ook de eerste versies van varianten voor sociale media, e-mailteksten en zelfs positioneringsinvalshoeken. Een growthmarketeer kan dezelfde input nemen en direct campagnevarianten of testkaders genereren. Productmarketing kan overstappen van alles vanaf nul schrijven naar het verfijnen van het verhaal, het waarborgen van de nauwkeurigheid en het afstemmen van messaging op de strategie.

De belangrijkste verschuiving is dat we werk niet langer opeenvolgend vanaf nul creëren. AI genereert standaard een kwalitatief hoogwaardige conceptversie, waarna we die tussen functies laten rouleren voor verfijning, validatie en optimalisatie. Hierdoor is de frictie tussen teams aanzienlijk verminderd en zijn iteratiecycli korter geworden.

Daardoor richten marketeers zich nu meer op beoordeling, redactie en strategische richting dan op pure productie. Het team is kleiner wat betreft afhankelijkheid van handmatige uitvoering, maar heeft meer hefboomwerking wat betreft de outputcapaciteit.

AI heeft samenwerking bovendien dynamischer gemaakt. In plaats van rigide overdrachtsmomenten werken we nu meer als een gedeeld kennissysteem waarin we elke input kunnen omzetten in meerdere outputs voor verschillende kanalen, waarna de relevante specialist ze verfijnt.

Waarom marketingteams gedecentraliseerde AI-toolbudgetten nodig hebben

Als ik opnieuw zou beginnen, zou ik het marketingbudget in eerste instantie niet investeren in traditionele campagne-uitgaven of zelfs in extra personeel, maar in het geven van directe toegang aan elke marketeer tot een flexibel, gedecentraliseerd AI-toolbudget.

Ik zou budgetten per persoon toewijzen, zodat marketeers tools kunnen gebruiken en ermee kunnen experimenteren die hun dagelijkse productiviteit verbeteren, zonder te wachten op gecentraliseerde inkoop- of IT-goedkeuringscycli. Dit omvat AI-schrijftools, assistenten voor data-analyse, platforms voor creatieve generatie, automatiseringstools en gespecialiseerde hulpmiddelen die snel opkomen in het AI-ecosysteem.

De reden is eenvoudig. In een door AI aangedreven omgeving ontwikkelt de toolwereld zich sneller dan de inkoopcycli van ondernemingen. Gecentraliseerde toegang zorgt er onvermijdelijk voor dat teams met een verouderde stack werken, wat experimenteren vertraagt en een kloof creëert tussen wat mogelijk is en wat daadwerkelijk wordt gebruikt bij de uitvoering.

Ik heb dit uit eerste hand gezien toen ik AI introduceerde in marketingworkflows. De teams die de vrijheid hadden om tools vroeg te testen en te gebruiken, gingen aanzienlijk sneller vooruit bij contentproductie, campagne-iteratie en data-analyse. Teams die door gecentraliseerde goedkeuringsprocessen werden beperkt, vielen vaak terug op tragere, verouderde workflows, zelfs wanneer er betere tools beschikbaar waren.

Een gedistribueerd toolbudget creëert daarentegen een andere dynamiek. Het maakt van elke marketeer een uitvoerder die zijn eigen stack voortdurend kan optimaliseren. Het brengt innovatie ook organisch aan het licht, omdat de beste tools zich via gebruik vanzelf binnen het team verspreiden in plaats van door een mandaat.

Ten tweede zou ik prioriteit geven aan het opbouwen van een lichte ondersteuningslaag rond die vrijheid, met gedeelde best practices, promptbibliotheken en interne workflows om te voorkomen dat experimenteren tot versnippering leidt.

Centrale controle optimaliseert consistentie, maar gedistribueerde ondersteuning optimaliseert aanpassingsvermogen. En aanpassingsvermogen zorgt voor concurrentievoordeel in snel veranderende marketingomgevingen.

Hoe Claude Cowork echte hefboomwerking creëert

Ik ben bijzonder enthousiast over één AI-functie van Anthropic: Claude CoWork.

Het gaat verder dan de traditionele chatinterface en voelt als een echte werkomgeving voor kenniswerk. In plaats van geïsoleerde prompts maakt het meer gestructureerde, blijvende werkstromen mogelijk. Precies hier biedt AI echte meerwaarde.

Ik waardeer ook hoe snel Anthropic op basis van echt gebruikersgedrag blijft innoveren. Ze letten op wat de community bouwt en gebruikt en integreren die patronen vervolgens rechtstreeks in het kernproduct. Dit doet me denken aan hoe snel concepten uit projecten zoals OpenClaw hun weg vonden naar Claude CoWork. Die feedbacklus is belangrijk, omdat de tool zich ontwikkelt op basis van hoe mensen daadwerkelijk werken, en niet alleen op basis van hoe het productteam denkt dat ze zouden moeten werken.

In de praktijk vermindert dit ook de noodzaak om meerdere hulpmiddelen of uitbreidingen aan elkaar te koppelen. Ik hoef werkstromen niet opnieuw op te bouwen, nieuwe leveranciers niet te evalueren en me geen zorgen te maken over beveiliging en gegevensverwerking binnen een versnipperde technologiestack. Ik vertrouw Anthropic als bedrijf al, dus wanneer ze nieuwe mogelijkheden uitbrengen, kan ik die snel en vol vertrouwen benutten.

Waarom elk marketingteam een AI-ondersteuningsrol nodig heeft

Dat gezegd hebbende, is het grootste tekort dat ik bij de invoering van AI zie niet het beschikbare gereedschap. De meeste marketingteams hebben toegang tot AI-hulpmiddelen. Wat ze missen, is iemand wiens enige taak het is om bij te houden wat er verandert, de ruis eruit te filteren en dit om te zetten in werkstromen die het team daadwerkelijk kan gebruiken.

De meeste organisaties gaan ervan uit dat invoering vanzelf volgt wanneer teams toegang hebben tot AI-hulpmiddelen. In de praktijk zijn bewustzijn en synthese de beperkende factoren. Het AI-landschap verandert zo snel dat geen enkele marketeer realistisch kan bijblijven met nieuwe modellen, hulpmiddelen, werkstromen en beste werkwijzen, terwijl diegene tegelijkertijd de kerntaken uitvoert. Wanneer iedereen gedeeltelijk verantwoordelijk is om bij te blijven, is niemand er volledig verantwoordelijk voor.

In mijn ervaring werkt het veel beter om binnen de marketingorganisatie een speciale AI-ondersteuningsrol te creëren. Dit is niet zomaar een beheerder van hulpmiddelen of een promptspecialist; het is iemand die diep nieuwsgierig is naar AI, ontwikkelingen rond modellen en toepassingen actief volgt en die voortdurend vertaalt naar praktische werkstromen voor het team.

Deze persoon wordt in feite een interne informatielaag. Diegene beoordeelt nieuwe hulpmiddelen, test toepassingen, brengt in kaart wat nuttig is en wat ruis is en zet dit vervolgens om in herhaalbare werkstromen. Minstens zo belangrijk is dat deze persoon als tweerichtingsbrug fungeert. Teamleden kunnen problemen of inefficiënties voorleggen, AI-gebaseerde oplossingen verkennen en gestructureerde aanbevelingen terugbrengen naar het team.

Deze rol heeft vooral invloed op de focus. De cognitieve belasting van het “bijblijven met AI” wordt weggehaald bij individuele medewerkers en gecentraliseerd in één functie die als enige taak heeft om voorop te blijven lopen en die kennis effectief te verspreiden. Zonder deze rol raken teams versnipperd. Je krijgt een ongelijke invoering, inconsistente werkwijzen en dubbel uitgevoerde experimenten. Met deze rol creëer je een zichzelf versterkend effect waarbij het leren wordt gecentraliseerd, terwijl de uitvoering wordt verspreid.

Waarom marketeers AI moeten zien als een verschuiving van het bedrijfsmodel

Het belangrijkste advies dat ik marketingleiders zou geven, is om dit moment te zien als een verschuiving van het bedrijfsmodel, en niet als een verbetering van hulpmiddelen.

Het is gemakkelijk om je te laten meeslepen door het evalueren van hulpmiddelen, het testen van functies en het najagen van stapsgewijze productiviteitswinst. Dat is belangrijk, maar het levert niet het echte voordeel op. De werkelijke verschuiving zit in de manier waarop marketingwerk wordt uitgevoerd, hoe teams zijn ingericht en waar menselijke inspanning wordt ingezet.

Een aantal principes blijkt bijzonder belangrijk:

• Investeer ten eerste in de kwaliteit van invoer voordat je de schaal van uitvoer vergroot. AI genereert zoveel content als je vraagt, maar de kwaliteit van die content hangt volledig af van de helderheid van je positionering, doelgroepdefinitie en verhaal. Leiders die deze stap overslaan, schalen ruis op, zoals ik benadruk in "Marketingplan voor techstart-ups."
• Herontwerp ten tweede werkstromen, niet alleen taken. In plaats van te vragen hoe AI een bestaande stap sneller kan maken, kijk je naar het volledige systeem, van invoer tot resultaat, en denk je opnieuw na over de werking ervan in een wereld waarin concepten direct beschikbaar zijn en iteratie goedkoop is. Dat maakt verbeteringen van een geheel andere orde mogelijk.
• Creëer ten derde ruimte voor gericht AI-eigenaarschap. Of het nu om een speciale rol of een kleine groep gaat, iemand moet het landschap bijhouden, hulpmiddelen testen en dit vertalen naar praktische werkstromen. Zonder dat raken teams versnipperd en stokt de invoering.

Blijf op de hoogte

Je kunt Simone Morellato volgen op LinkedIn.

Er volgen nog meer interviews met experts op The CMO Club!