CMO zegt dat de meeste marketingteams met AI sneller middelmatig werk produceren

Samantha Leal is de CMO van Aliwell, waar ze AI-workflows implementeert, sommige succesvoller dan andere.

We interviewden Samantha om te ontdekken wat werkte, wat niet werkte en waarom. Dit vertelde ze ons.

Van nul naar schaalgrootte

Hoi! Ik ben Samantha Leal. De afgelopen 10+ jaar heb ik startups geholpen om van nul naar schaalgrootte te gaan. Meestal stap ik in wanneer de groei er aan de oppervlakte goed uitziet, maar onder druk bezwijkt.

Ik werk aan het volledige groeisysteem, van positionering en boodschap tot acquisitie, conversie en de klantreis. Ik werk nauw samen met oprichters om structuur te brengen in de manier waarop beslissingen worden genomen en groei zich opstapelt.

Momenteel ben ik CMO bij Aliwell, waar ik de marketingafdeling aanstuur binnen een groeimotor met meerdere kanalen, gericht op het werven en activeren van orthodontisten. We zijn actief op het gebied van betaalde media, educatie, evenementen, content en salesondersteuning, maar richten ons voornamelijk op activatie en omzet.

We richten ons op een klinisch publiek, dus de uitdaging draait niet alleen om aandacht; het gaat om vertrouwen, educatie en gedragsverandering. Daardoor is het systeem complexer. Een betere afstemming met sales, product en klantervaring is cruciaal.

De focus verleggen naar AI

Wat er onlangs voor mij is veranderd, is de manier waarop ik dit alles met AI aanpak.

Ik denk niet langer in marketingrollen, maar in workflows. Het meeste dat groei stimuleert — testen, creatieve iteratie, rapportage, leadkwalificatie enzovoort — is herhaalbaar, maar nog steeds handmatig en versnipperd.

AI is de hefboom om die workflows opnieuw vorm te geven, feedbacklussen te versnellen en met meer duidelijkheid betere beslissingen te nemen. Daar richt ik me nu op.

Hoe AI verandert wat marketingleiders met beperkte middelen kunnen bouwen

In het afgelopen jaar heb ik AI ingezet voor enkele grote klussen:

• Ik ontwierp een volledige CRM-migratie waarvoor normaal gesproken een adviesopdracht nodig zou zijn.
• Ik ontwierp vanaf nul een educatieprogramma met meerdere niveaus.
• Ik bouwde een klantactivatiesysteem op basis van kwalitatief onderzoek — interviews, enquêtes en gedragsgegevens — dat aan het licht bracht waarom sommige klanten na hun eerste aankoop niet verder komen.

Dit zijn geen taken die ik heb versneld; het zijn strategische systemen die een klein team normaal gesproken niet zou kunnen opleveren. AI heeft veranderd wat een marketingleider met beperkte middelen kan bouwen.

Hoe AI kan worden gebruikt voor rapportages voor belanghebbenden

Ik gebruik AI om een wekelijks rapport te genereren — een oplevering die de beslissingen van het bedrijf voor die week stuurt.

De input bestaat uit vergaderverslagen van de voorgaande week (afkomstig uit Granola), CSV-bestanden met prestatiegegevens van Meta Ads, ERP-productiegegevens, analyses van sociale media en updates van de CRM-pijplijn. Deze vijf bronnen communiceren niet met elkaar.

Dit is de workflow:

1. Ik voer de onbewerkte transcripten in Claude in en haal beslissingen, blokkades en actiepunten per afdeling eruit.
2. Ik upload de advertentieprestatiegegevens en vraag om een analyse van week-op-week- en maand-op-maandveranderingen, waarbij afwijkingen worden gemarkeerd.
3. Ik analyseer de productiecijfers — regionaal geproduceerde cases, afgezet tegen de maandelijkse doelstellingen, waarbij afwijkingen worden uitgelicht.
4. Ik breng dit allemaal samen in één gestructureerd rapport met één sectie per functie, belangrijke statistieken met context en — het allerbelangrijkst — bovenaan een sectie met de titel 'beslissingen nodig'.

De output is een opgemaakt document dat het managementteam in vijf minuten kan doornemen en waar het onmiddellijk naar kan handelen. Het bevat geen onbewerkte gegevens of 'dit is wat er is gebeurd'. Elk getal heeft een benchmark, relevante context en een aanbeveling.

Waar mensen het eigenaarschap moeten behouden

Ik vertrouw dus op AI voor alles wat baat heeft bij snelheid, patroonherkenning en het samenbrengen van inzichten uit grote hoeveelheden input.

Daarbij gaat het onder meer om het analyseren van klantgegevens uit verschillende bronnen, het clusteren van feedback uit verkoopgesprekken en interviews, het genereren en herhalen van creatieve invalshoeken en het sneller identificeren van patronen in campagneprestaties dan een mens zou kunnen.

Het is ook een essentieel onderdeel geworden van de manier waarop ik workflows structureer, van leadkwalificatie en follow-ups tot rapportage. AI helpt handmatig werk te verminderen en brengt inzichten eerder aan het licht, zodat we niet werken met achterlopende informatie.

Waar ik niet op AI vertrouw, is het bepalen van de strategie, positionering en wat er werkelijk toe doet.

Beslissingen zoals wat we zeggen, voor wie we er zijn, welke compromissen we sluiten en waarop we ons richten, blijven mensenwerk. Daarvoor zijn context, gevoel voor kwaliteit en beoordelingsvermogen nodig, vooral in complexe markten waarin het juiste antwoord niet vanzelfsprekend is.

AI kan je opties geven, maar niet zeggen wat de moeite waard is om te doen.

Samantha deelt

AI kan je opties geven, maar niet zeggen wat de moeite waard is om te doen.

Waarom AI het knelpunt verlegt van uitvoering naar oordeelsvorming

De grootste winst zit in snelheid en reikwijdte. We hebben de tijd die we besteden aan analyse en het samenbrengen van inzichten met ongeveer 60–70% verminderd. Dingen zoals het clusteren van klantfeedback, het halen van inzichten uit gesprekken en het genereren van creatieve invalshoeken die kunnen worden getest — en die vroeger allemaal weken duurden — gebeuren nu in dagen.

Dat heeft geleid tot meer tests en snellere feedbacklussen. We kunnen veel sneller itereren op berichtgeving en campagnes, wat de besluitvorming heeft verbeterd en verspilling van budget aan ideeën die niet werken, heeft verminderd.

Ook aan de operationele kant hebben we systemen kunnen bouwen, zoals CRM-workflows, onboardingtrajecten en rapportagelagen, waarvoor normaal gesproken een groter team of externe ondersteuning nodig zou zijn.

Maar er zijn ook echte nadelen. AI kan bijvoorbeeld een vals gevoel van vertrouwen creëren. Het is erg goed in het produceren van resultaten die er goed uitzien, maar niet op de werkelijkheid zijn gebaseerd. Als je AI niet verankert in echte klantgegevens, krijg je generieke berichtgeving en slechte beslissingen, alleen sneller.

Er is ook meer oordeelsvermogen voor nodig, niet minder. Het knelpunt verschuift van uitvoering naar beslissen wat de moeite waard is om te doen. Teams die die helderheid missen, kunnen uiteindelijk veel ruis produceren.

Waarom AI-creatie een risico vormt in gespecialiseerde markten

Ik ben teleurgesteld over de impact van AI op creativiteit. Ik verwachtte dat AI de manier waarop we visuele content produceren zou transformeren — bijvoorbeeld advertenties, berichten op sociale media en merkmateriaal. Dat is niet gebeurd. Zelfs bij lange na niet.

Elke door AI gegenereerde afbeelding ziet er nog steeds uit als een door AI gegenereerde afbeelding. Voor een merk dat aan specialisten verkoopt — in ons geval orthodontisten die hoogopgeleid en diep sceptisch zijn — schaadt alles wat generiek of synthetisch aanvoelt onmiddellijk het vertrouwen.

We hebben door AI gegenereerde beelden getest voor advertenties en content op sociale media. De prestaties daalden onmiddellijk. Ons publiek merkte het kwaliteitsverschil op tussen die beelden en wat een menselijke ontwerper maakt met echte klinische fotografie.

Waarom de verfijning van de contentworkflow moet aansluiten bij de capaciteiten

In het begin gebruikte ik AI om een systeem voor contentactiviteiten te ontwerpen — redactionele kalenders, goedkeuringsworkflows en contentbriefings met gedetailleerde raamwerken.

Het systeem was strategisch doordacht en prachtig gestructureerd, maar het had een probleem.

Ik gaf een geavanceerd systeem aan een teamlid dat niet op dat niveau presteerde. In plaats van haar output te verhogen, creëerde het systeem een kloof. Ze kon er niet mee werken.

Ik verspilde weken aan het beheren van de kloof tussen de eisen van het systeem en de capaciteiten van die persoon.

Nu vraag ik: "Wie voert dit maandag uit?" voordat ik iets bouw.

Hoe je ervoor zorgt dat AI-boodschappen geen belemmering vormen

AI lost slechte systemen niet op; het versterkt ze. Meer output, dezelfde problemen. AI werkt het beste met sterke input, een duidelijk inzicht in de klant, echte gegevens en scherp denkwerk.

De vraag is dus niet: ‘hoe gebruiken we AI?’ Het is: ‘op welk systeem sluiten we het aan?’

Een goed voorbeeld zijn boodschappen. Tijdens mijn eerste pilot gingen we snel, maar we baseerden ons onvoldoende op echte klantgegevens. De output zag er sterk uit, maar was generiek. Het leverde geen conversies op.

Los de input dus op voordat je AI gebruikt. Dat betekent dat je gegevens uit het CRM-systeem, verkoop en klantinteracties — waaronder verkoopgesprekken, bezwaren en interviews — samenvoegt om de exacte pijnpunten, taal en momenten te identificeren die beslissingen sturen.

Daarna bepaal ik duidelijke invalshoeken en onze kernboodschap. Zodra die goed staat, voeg ik AI toe. Het helpt om die invalshoeken snel uit te breiden, te testen en verder te verfijnen.

Vanaf dat moment moet het een continue cyclus zijn. Je haalt voortdurend input op uit verkoop, feedback van klanten en prestaties, en verfijnt alles in realtime.

Waarom werkprocessen moeten worden opgesplitst en aangevuld

Als je het goed doet, is smaak niet langer iets wat je wel of niet hebt, of waarvoor je iemand moet aannemen.

Je kunt smaak via een proces ontwikkelen. Met de juiste input, beperkingen en iteratie kun je de kwaliteit van het denkwerk en de output systematisch verbeteren.

Boodschappen, creatief werk, onderzoek, zelfs strategie. Het zijn allemaal werkprocessen die kunnen worden opgesplitst. Elke stap kan vervolgens worden aangevuld.

Samantha deelt

Los de input op voordat je AI gebruikt… Zodra die goed staat, voeg ik AI toe. Het helpt om die invalshoeken snel uit te breiden, te testen en verder te verfijnen. Als je het goed doet, is smaak niet langer iets wat je wel of niet hebt, of waarvoor je iemand moet aannemen.

Waarom Claude onmisbaar is voor marketeers

Claude is zonder twijfel mijn favoriete hulpmiddel. Het is een laag die alles met elkaar verbindt en fungeert als een geweldige denk- en sparringpartner.

Ik ben vooral enthousiast over Claude Code en Claude Cowork, omdat ze verder gaan dan chatten en werkomgevingen ontsluiten voor zaken als programmeren, bestandsbeheer en taakautomatisering.

Ik heb Claude Code nog niet met Cursor geprobeerd, maar dat staat als volgende op de planning!

Hoe AI teams verandert

Wat de teamstructuur betreft, vertrouwen we minder op gespecialiseerde medewerkers met een nauw afgebakend vakgebied en meer op mensen die over het hele systeem kunnen nadenken. Mensen die de klant begrijpen, problemen goed kunnen formuleren en weten hoe ze AI kunnen gebruiken om dingen uit te voeren.

Het uitvoerende werk — productie, analyse en iteratie — vormt niet langer het knelpunt, dus verschuift de waarde. Nu zoek ik naar beoordelingsvermogen, smaak en het vermogen om werkprocessen te ontwerpen. Naar mensen die snel van inzicht naar actie kunnen gaan, in plaats van alleen verantwoordelijkheid te dragen voor één functie.

Het heeft ook veranderd hoe we samenwerken. De grenzen tussen rollen zijn minder rigide. Marketing, verkoop en klantervaring zijn meer met elkaar verbonden, omdat ze werkprocessen delen.

Waarom CMO's zich op duidelijkheid moeten richten

De meeste marketingteams die AI gebruiken, produceren sneller meer middelmatig werk.

Dit is dus mijn advies: richt je op data-input en strategische duidelijkheid.

Wanneer AI in marketing wordt gebruikt zonder sterke data-input en strategische duidelijkheid, is het slechts een machine die contentvervuiling produceert.

Volg haar ontwikkeling

Je kunt Samantha's ontwikkeling volgen op LinkedIn!

Blijf ook op de hoogte van meer interviews met experts van The CMO Club!