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 schaal

Hoi! Ik ben Samantha Leal. Ik help startups al meer dan 10 jaar om van nul naar schaal te groeien. Meestal stap ik in wanneer de groei er aan de oppervlakte goed uitziet, maar onder druk begint te wankelen.

Ik werk aan het volledige groeisysteem, van positionering en berichtgeving tot acquisitie, conversie en de klantreis. Ik werk nauw samen met oprichters om structuur aan 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 ook om vertrouwen, educatie en gedragsverandering. Dat maakt het systeem complexer. Een betere afstemming met sales, product en klantervaring is cruciaal.

De focus verschuiven naar AI

Wat er voor mij onlangs 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 aandrijft — testen, creatieve iteratie, rapportage, leadkwalificatie enzovoort — is herhaalbaar, maar nog steeds handmatig en gefragmenteerd.

AI is de hefboom om die workflows opnieuw vorm te geven, feedbackcycli te versnellen en met meer duidelijkheid betere beslissingen te nemen. Dat is de verschuiving waarop ik me nu richt.

Hoe AI verandert wat marketingleiders met beperkte middelen kunnen bouwen

In het afgelopen jaar heb ik AI ingezet voor een aantal omvangrijke taken:

• Ik heb een volledige CRM-migratie ontworpen waarvoor normaal gesproken een adviesopdracht nodig zou zijn.
• Ik heb vanaf nul een educatieprogramma met meerdere niveaus ontworpen.
• Ik heb een klantactivatiesysteem gebouwd op basis van kwalitatief onderzoek — interviews, enquêtes en gedragsgegevens — waaruit bleek waarom sommige klanten na hun eerste aankoop vastlopen.

Dit zijn geen taken die ik alleen sneller heb uitgevoerd; 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 ingezet voor rapportages aan belanghebbenden

Ik gebruik AI om een wekelijks rapport te genereren — een oplevering die de bedrijfsbeslissingen voor de komende week aanstuurt.

De input bestaat uit vergadertranscripten van de vorige week (uit Granola), CSV-bestanden met de prestaties van Meta Ads, productiegegevens uit het ERP, 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 week-op-week- en maand-op-maandanalyse, waarbij afwijkingen worden gemarkeerd.
3. Ik analyseer de productieaantallen — regionaal vervaardigde cases, vergeleken met de maandelijkse doelstellingen, waarbij afwijkingen worden uitgelicht.
4. Ik verwerk dit alles in één gestructureerd rapport met één sectie per functie, belangrijke statistieken met context en — het allerbelangrijkste — bovenaan een sectie met de titel "benodigde beslissingen".

De output is een opgemaakt document dat het leiderschapsteam in vijf minuten kan scannen en waar het onmiddellijk actie op kan ondernemen. 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 om het analyseren van klantgegevens uit verschillende bronnen, het clusteren van feedback uit verkoopgesprekken en interviews, het genereren en verfijnen van creatieve invalshoeken en het sneller herkennen van patronen in campagneprestaties dan een mens dat zou kunnen.

Het is ook een kernonderdeel geworden van de manier waarop ik workflows structureer, van leadkwalificatie en opvolging 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 bij het bepalen van strategie, positionering en wat er werkelijk toe doet.

Beslissingen zoals wat we zeggen, voor wie we er zijn, welke afwegingen we maken 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 kan je niet vertellen wat de moeite waard is om te doen.

Samantha deelt

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

Waarom AI het knelpunt verschuift van uitvoering naar beoordelingsvermogen

De grootste voordelen zijn snelheid en reikwijdte geweest. We hebben de tijd voor 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 getest kunnen worden — die vroeger allemaal weken kostten — gebeuren nu in dagen.

Dat heeft geleid tot meer tests en snellere feedbackcycli. 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 op operationeel vlak hebben we systemen kunnen bouwen, zoals CRM-workflows, inwerktrajecten en rapportagelagen, waarvoor normaal gesproken een groter team of externe ondersteuning nodig zou zijn.

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

Het vereist ook méér beoordelingsvermogen, niet minder. Het knelpunt verschuift van uitvoering naar bepalen wat de moeite waard is om te doen. Teams die die duidelijkheid missen, kunnen uiteindelijk veel ruis produceren.

Waarom creatieve AI-content een risico vormt in gespecialiseerde markten

Ik ben teleurgesteld door de impact van AI op creatief werk. Ik verwachtte dat AI de manier waarop we visuele content produceren zou transformeren — bijvoorbeeld advertenties, socialmediaberichten en merkmateriaal. Dat is niet gebeurd. Zelfs niet een beetje.

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 — wekt alles wat generiek of synthetisch aanvoelt onmiddellijk wantrouwen.

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

Waarom de verfijning van een contentworkflow moet aansluiten bij de capaciteiten

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

Het systeem was strategisch sterk 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 managen van de kloof tussen de eisen van het systeem en de capaciteiten van die persoon.

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

Hoe je ervoor zorgt dat AI-boodschappen geen belemmering vormen

AI repareert slechte systemen niet; het versterkt ze. Meer output, dezelfde problemen. AI werkt het best met sterke invoer, een duidelijk begrip van 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 is het ontwikkelen van boodschappen. In mijn eerste pilot gingen we snel te werk, maar we baseerden ons onvoldoende op echte klantgegevens. De output zag er sterk uit, maar was generiek. Het leverde geen conversies op.

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

Vervolgens bepaal ik duidelijke invalshoeken en onze kernboodschap. Zodra die goed staat, leg ik AI erbovenop. Het helpt om die invalshoeken snel uit te breiden, te testen en verder te ontwikkelen.

Vanaf daar moet het een continue lus worden. Je haalt voortdurend invoer op uit verkoop, feedback van klanten en prestaties, en verbetert in real time.

Waarom werkprocessen moeten worden opgesplitst en aangevuld

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

Je kunt het vormgeven via een proces. Met de juiste invoer, beperkingen en iteraties kun je de kwaliteit van het denkwerk en de output systematisch verbeteren.

Het ontwikkelen van boodschappen, creatief werk, onderzoek, zelfs strategie. Het zijn allemaal werkprocessen die je kunt opsplitsen. Vervolgens kun je elke stap aanvullen.

Samantha deelt

Repareer de invoer voordat je AI gebruikt… Zodra die goed staat, leg ik AI erbovenop. Het helpt om die invalshoeken snel uit te breiden, te testen en verder te ontwikkelen. Als je het goed doet, is smaak niet langer iets wat je óf hebt óf 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 chat en zich richten op werkomgevingen zoals coderen, 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 mensen met een nauw afgebakend takenpakket 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 moeten gebruiken om werk 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. Mensen die snel van inzicht naar actie kunnen gaan, in plaats van alleen verantwoordelijk te zijn voor één functie.

Het heeft ook veranderd hoe we samenwerken. De grenzen tussen rollen zijn minder strikt. 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.

Dus is mijn advies: richt je op gegevensinvoer en strategische duidelijkheid.

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

Volg haar verhaal

Je kunt Samantha's reis volgen op LinkedIn!

En houd ons in de gaten voor meer interviews met experts op The CMO Club!