Obeznany z technologią dyrektor marketingu wyjaśnia, jak należy przeorganizować budżety i zespoły marketingowe na potrzeby AI

Simone Morellato jest liderem marketingu technicznego i dyrektorem marketingu w vCluster. Na wcześniejszym stanowisku zaczął eksperymentować ze sztuczną inteligencją na wczesnym etapie, a obecnie wykorzystuje ją jako mnożnik siły swojego zespołu marketingowego.

Spotkaliśmy się z nim, aby zrozumieć, jak sztuczna inteligencja zmienia jego przepływy pracy w marketingu oraz pracę jego zespołów. Opowiedział nam o nowych rolach i pozycjach budżetowych, które są niezbędne.

Wykorzystywanie sztucznej inteligencji jako mnożnika siły marketingu

Jestem liderem marketingu, który zbudował swoją karierę na styku dogłębnego zrozumienia technicznego produktów technologicznych i ich wprowadzania na rynek, przede wszystkim w obszarach infrastruktury, chmury i platform dla deweloperów. Swoją drogę rozpocząłem po stronie inżynierii, studiując elektronikę i informatykę oraz pracując jako inżynier oprogramowania przy tworzeniu systemów sieciowej pamięci masowej. Ta podstawa pomogła mi w marketingu produktów technicznych, ponieważ zawsze rozumiałem, jak działają, a nie tylko jak je pozycjonować.

Z czasem przeszedłem od inżynierii do technicznego marketingu produktów w Cisco, a następnie objąłem stanowiska kierownicze w startupach i firmach korporacyjnych, w tym w Riverbed, Cloudian i Apcera. Praca w VMware była przełomowym momentem w mojej karierze, a przez blisko dekadę zajmowałem się rozwijaniem działalności Tanzu Kubernetes. Zbudowałem i kierowałem globalnym zespołem obejmującym marketing produktów, deweloperów i rozwiązań, a także pomogłem rozszerzyć portfolio z pojedynczego projektu otwartego oprogramowania do zestawu ponad 20 produktów. W tym czasie wcześnie eksperymentowałem z przepływami pracy opartymi na AI, tworząc wewnętrzne narzędzia automatyzacji dla relacji z analitykami, które znacząco skróciły czas realizacji i poprawiły wydajność.

Obecnie kieruję marketingiem w vCluster, budując kompletny silnik wprowadzania na rynek obejmujący rozwój, marketing produktów, społeczność i markę. Poprawiliśmy wydajność, na nowo opracowując generowanie popytu, zwiększając świadomość marki z dziesiątek tysięcy do milionów wyświetleń oraz znacząco poprawiając efektywność kosztową i konwersję w lejku. Kluczowym elementem było budowanie narracji stawiających deweloperów na pierwszym miejscu oraz pętli wzrostu napędzanych przez społeczność, szczególnie w obszarze Kubernetes i infrastruktury AI.

Wszystko, nad czym pracowałem, zbiega się w tym momencie transformacji AI. Sztuczna inteligencja fundamentalnie zmienia obecnie zarówno sposób tworzenia oprogramowania, jak i jego marketing. Jako lider marketingu koncentruję się na pomaganiu firmom w przechodzeniu od rozproszonych komunikatów dotyczących produktów do spójnych narracji platformowych, wykorzystując AI nie tylko jako temat opowieści, lecz także jako mnożnik siły w realizacji działań marketingowych.

Równoważenie zaufania deweloperów z popytem ze strony przedsiębiorstw

W vCluster nadzoruję kompleksową funkcję wprowadzania na rynek, obejmującą rozwój, marketing produktów, markę, społeczność i wydarzenia. Zespół działa zarówno w obszarze otwartego oprogramowania, jak i przedsiębiorstw, realizując podwójny cel: zwiększać powszechne wdrożenie wśród deweloperów na dużą skalę, a jednocześnie przekształcać to zaangażowanie w uporządkowany lejek sprzedażowy dla przedsiębiorstw.

Organizacyjnie ta funkcja działa jako zintegrowany system, a nie zbiór odizolowanych dziedzin. Marketing produktów i relacje z deweloperami ściśle współpracują nad kształtowaniem narracji i budowaniem wiarygodności technicznej, podczas gdy zespoły ds. rozwoju i treści koncentrują się na skalowalnym pozyskiwaniu i dystrybucji w kanałach takich jak media społecznościowe, SEO, płatne media i programy prowadzone przez społeczność. Marka i wydarzenia poszerzają ten zasięg o zaangażowanie w ekosystem, szczególnie w społecznościach Kubernetes i technologii natywnych dla chmury.

Złożoność wynika z dynamiki odbiorców i ekosystemu. Kierujemy marketing do wysoce technicznych grup, przede wszystkim inżynierów DevOps i inżynierów platform, jednocześnie wpływając na osoby podejmujące decyzje w przedsiębiorstwach. Wymaga to równoważenia wiarygodności technicznej z jasnym przedstawieniem wartości biznesowej. Jednocześnie działamy w szybko zmieniającej się, kształtowanej przez AI przestrzeni infrastrukturalnej, w której definicje kategorii wciąż się formują. W rezultacie istotną częścią tej roli jest kształtowanie narracji, a nie tylko jej wzmacnianie.

Model jest skuteczny, ponieważ spójna pętla pozyskiwania, aktywacji i zaangażowania łączy wszystko w całość, wspierana przez silne, oparte na danych podejście do wyników i szybkiego eksperymentowania.

Gdzie kończy się AI, a zaczyna osąd

Wykorzystuję AI przede wszystkim do wspierania podejmowania decyzji i przyspieszania pracy w obszarach o dużej liczbie zadań, opartych na wzorcach lub wymagających szybkiej syntezy dużych ilości nieustrukturyzowanych informacji. Jednocześnie wyraźnie wyznaczam granicę, za którą ludzki osąd pozostaje niezbędny, szczególnie w odniesieniu do kontekstu, odpowiedzialności i długoterminowych konsekwencji dla marki.

W dużym stopniu polegam na AI w trzech obszarach:

• Po pierwsze, rozwój narracji i analiza przekazu. Przy kształtowaniu pozycjonowania lub tematów kampanii używam AI do szybkiego testowania wariantów, identyfikowania luk w przekazie i weryfikowania jego klarowności w odniesieniu do person, takich jak deweloperzy, inżynierowie platform i kadra kierownicza. Dzięki temu proces, który wcześniej wymagał wielu iteracji, przebiega znacznie szybciej.
• Po drugie, skalowanie treści i kampanii. AI odpowiada obecnie za przygotowanie pierwszej wersji większości materiałów, w tym treści do mediów społecznościowych, struktur wpisów na blogu i wariantów kampanii. Dostosowuje również dane techniczne do języka właściwego dla poszczególnych person, co ma szczególne znaczenie w marketingu infrastruktury i platform AI, gdzie ten sam koncept musi przemawiać do różnych odbiorców na różne sposoby.
• Po trzecie, synteza wyników. Używam AI do analizowania sygnałów dotyczących skuteczności kampanii w różnych kanałach i identyfikowania wzorców, które w przeciwnym razie mogłyby zostać przeoczone, zwłaszcza w przypadku rozproszonych danych pochodzących z kanałów organicznych, płatnych i społecznościowych.

Zadania wykonywane wyłącznie przez ludzi obejmują strategiczne kompromisy i odpowiedzialność. Decyzje dotyczące pozycjonowania, definiowania kategorii i architektury kluczowego przekazu pozostają w pełni domeną ludzi, ponieważ wymagają dogłębnego zrozumienia momentu rynkowego, dynamiki konkurencji i ambicji firmy. To samo dotyczy ostatecznej oceny kreatywnej głosu marki i kampanii o wysokiej widoczności.

Zachowuję również ludzką kontrolę nad decyzjami dotyczącymi priorytetów. AI może przedstawiać opcje i spostrzeżenia, ale decyzja o tym, czego nie robić, pozostaje odpowiedzialnością liderów, szczególnie w szybko zmieniających się kategoriach, takich jak infrastruktura AI, gdzie łatwo przesadnie reagować na sygnały.

AI skutecznie poszerza więc zakres myślenia i realizacji, ale nie ponosi odpowiedzialności za rezultaty. Liderzy marketingu nadal podejmują ostateczne decyzje, równoważąc szybkość, spójność i długoterminową wartość marki.

Jak jedna zmiana strukturalna zwiększyła liczbę wyświetleń z tysięcy do milionów

Zmieniłem nasz model marketingowy z produkcji treści stawiającej ludzi na pierwszym miejscu na wspomagane przez AI tworzenie narracji i materiałów. Ludzie koncentrują się teraz na wyznaczaniu kierunku, walidacji i dystrybucji zamiast na tworzeniu wszystkiego od podstaw.

W praktyce wprowadziłem system tworzenia treści oparty na AI. Korzystamy z przepływów pracy opartych na LLM, aby przekształcić pojedyncze dane techniczne — takie jak wydanie produktu, demonstracja, spostrzeżenie klienta lub narracja inżynierska — w wiele kolejnych materiałów marketingowych. Obejmuje to wpisy skierowane do deweloperów, długie formy treści, warianty treści do mediów społecznościowych, przekazy kampanii, a nawet wstępne projekty pozycjonowania. Zamiast oddzielnego autorstwa każdego materiału wspólna warstwa promptów i struktury generuje, udoskonala i synchronizuje wszystkie materiały.

Simone dzieli się spostrzeżeniami

Zamiast oddzielnego autorstwa każdego materiału wspólna warstwa promptów i struktury generuje, udoskonala i synchronizuje wszystkie materiały.

AI generuje je równolegle na wysokim poziomie pierwszej wersji, a nie sekwencyjnie od podstaw. Następnie dodajemy ludzką weryfikację i udoskonalenie: marketing produktu dba o spójność narracji, zespół ds. wzrostu optymalizuje dystrybucję, a marka zachowuje swój głos i spójność.

Przeszliśmy również z cyklu produkcji opartego na kampaniach na ciągły system tworzenia treści. Większość organizacji marketingowych nadal działa w tradycyjnym modelu kampanijnym: definiujesz kampanię, tworzysz zestaw materiałów, uruchamiasz ją, a następnie przechodzisz dalej. Ten model powstał w świecie, w którym produkcja treści była kosztowna i powolna. Teraz prowadzimy równoległe pętle generowania i iteracji. Skraca to czas realizacji i pozwala nam znacznie szybciej reagować na sygnały płynące z produktu i rynku.

Jak AI zwiększa efektywność produkcji i spójność narracji

Z pozytywnej strony najbardziej bezpośrednim wpływem AI były skala i efektywność. Wprowadzenie AI do procesów tworzenia treści i kampanii znacząco zwiększyło wydajność bez zwiększania zatrudnienia. W vCluster przełożyło się to na wzrost z około 36 tys. do około 7 mln miesięcznych wyświetleń, a jednocześnie na obniżenie CPM z około $5.58 do $0.29. Choć przyczyniło się do tego wiele czynników, istotnym elementem było znacznie szybsze i bardziej konsekwentne tworzenie oraz iterowanie treści we wszystkich kanałach.

Poprawiliśmy również szybkość realizacji. Cykle tworzenia treści, które wcześniej trwały tygodniami — zwłaszcza w przypadku materiałów międzyfunkcyjnych angażujących marketing produktu, markę i zespół growth — zostały skrócone do dni. Pozwoliło nam to reagować na premiery produktów i sygnały rynkowe niemal w czasie rzeczywistym, co ma kluczowe znaczenie w szybko zmieniającym się ekosystemie AI.

Kolejnym pozytywnym rezultatem była spójność narracji. AI pomogło ustandaryzować sposób, w jaki przekładamy informacje techniczne na komunikaty w różnych kanałach, ograniczając rozbieżności między treściami kierowanymi do deweloperów, materiałami wspierającymi sprzedaż a kampaniami generowania popytu. Ta spójność poprawiła zarówno jakość zaangażowania, jak i wyniki dalszych etapów lejka.

Jakościowo jedną z największych zmian była zmiana organizacyjna. Zespół marketingowy przeszedł od funkcji skupionej przede wszystkim na realizacji do roli bardziej skoncentrowanej na koordynacji. Ludzie poświęcają teraz więcej czasu na wyznaczanie kierunku, strategię i walidację, podczas gdy AI zajmuje się pierwszą wersją produkcji i tworzeniem wariantów. Poprawiło to koncentrację zespołu i ograniczyło wąskie gardła operacyjne.

Simone dzieli się

Ludzie poświęcają teraz więcej czasu na wyznaczanie kierunku, strategię i walidację, podczas gdy AI zajmuje się pierwszą wersją produkcji i tworzeniem wariantów.

Jak AI może prowadzić do nadprodukcji

Pojawiły się również wyzwania. Na początku zaobserwowaliśmy tendencję do nadprodukcji. AI tworzyło zbyt wiele wariantów bez wystarczających ograniczeń na początkowym etapie, generując szum i zmuszając nas do zbudowania silniejszych warstw zarządzania redakcyjnego oraz zarządzania promptami. Aktywnie zarządzaliśmy również ryzykiem rozmycia przekazu, dbając o to, aby szybkość nie odbywała się kosztem wyrazistego pozycjonowania ani klarowności kategorii.

Kolejną lekcją było to, że AI może wzmacniać zarówno dobre, jak i złe dane wejściowe. Gdy leżąca u podstaw narracja lub brief są słabe, AI szybko wzmacnia tę słabość. Zmusiło nas to do większych inwestycji w strategię opracowywaną z wyprzedzeniem oraz dokładniejsze projektowanie danych wejściowych przed rozpoczęciem generowania na dużą skalę.

Ogólny bilans jest wyraźnie pozytywny, ale dopiero po ustanowieniu jasnych zabezpieczeń.

Dlaczego AI nie zapewnia wyróżnienia i pozycjonowania

AI nie spełniło również początkowych oczekiwań dotyczących strategicznego wyróżnienia i pozycjonowania.

Początkowo zakładaliśmy, że AI pomoże tworzyć silniejsze narracje kategorii, a nawet identyfikować kąty pozycjonowania, które dadzą nam przewagę. W praktyce odkryliśmy, że choć AI doskonale sprawdza się w łączeniu istniejących wzorców rynkowych, ma trudności z tworzeniem naprawdę oryginalnego lub możliwego do obrony pozycjonowania.

AI ma tendencję do zbliżania się do mediany tego, co już istnieje, czyli dokładnie odwrotnie niż tego, czego potrzebujesz, próbując wyróżnić się na zatłoczonym rynku infrastruktury lub platform AI.

Dlaczego liderzy marketingu muszą najpierw ograniczyć AI

Wczesna kampania wspomagana przez AI, którą przeprowadziliśmy, aby repozycjonować platformę techniczną dla szerszej grupy odbiorców związanych z DevOps i inżynierią platform, stanowi wyraźny przykład sytuacji, w której AI nie zapewniło strategicznego wyróżnienia.

Wykorzystaliśmy AI do repozycjonowania naszej platformy dla odbiorców Neoclouds. Wynik powstał szybko i dał nam kilka kierunków: „upraszczanie operacji Kubernetes”, „zwiększanie efektywności platformy”, „przyspieszanie produktywności deweloperów”.
Wszystko brzmiało właściwie. I właśnie na tym polegał problem.

Żaden z tych kierunków tak naprawdę nas nie wyróżniał. Kiedy poddaliśmy je próbie na tle rynku, odkryliśmy, że powiązane narzędzia już intensywnie wykorzystywały je w ekosystemie Kubernetes i cloud-native. AI skutecznie wzmocniło powszechny język branżowy, zamiast pomóc nam się od niego odciąć. Gdybyśmy poszli dalej z takim rezultatem, kampania wtopiłaby się w kategorię zamiast ją kształtować.

Znacząco zaostrzyliśmy etap danych wejściowych prowadzony przez ludzi. Zamiast zaczynać od ogólnych promptów dotyczących możliwości produktu, narzuciliśmy bardziej precyzyjne ograniczenia w trzech obszarach: naszej unikalnej przewadze architektonicznej, kompromisach, za które byliśmy gotowi publicznie wziąć odpowiedzialność, oraz segmentach odbiorców, z którymi wyraźnie chcieliśmy zaczynać, a nie tylko je uwzględniać.

Gdy ponownie zakotwiczyliśmy dane wejściowe w tych strategicznych wyborach, zaczęliśmy wykorzystywać AI w inny sposób — nie do wymyślania pozycjonowania, lecz do testowania klarowności, tłumaczenia przekazu na potrzeby różnych person oraz generowania wariantów na poziomie realizacji treści i kampanii.

Rezultatem była znacznie wyrazistsza narracja, skupiona na bardziej konkretnym i możliwym do obrony kierunku: na tym, jak zespoły platformowe mogą na nowo przemyśleć abstrakcję infrastruktury dla nowoczesnych obciążeń, zamiast opierać się na ogólnych motywach efektywności czy produktywności. Ta zmiana poprawiła jakość zaangażowania i sprawiła, że przekaz stał się bardziej zapadający w pamięć w społecznościach technicznych, szczególnie wśród praktyków Kubernetes, którzy są bardzo wyczuleni na zbyt ogólne pozycjonowanie.

Zatem wąskim gardłem nie są już jakość ani szybkość produkcji, lecz oryginalność i ostrość myślenia. Wyróżnienie się wymaga teraz znacznie wyrazistszego punktu widzenia, klarowniejszego pozycjonowania i gotowości do podejmowania jednoznacznych kompromisów. Bez tego sztuczna inteligencja ma tendencję do sprowadzania wszystkiego do rynkowej średniej.

Jak sztuczna inteligencja zmienia strukturę zespołów marketingowych

Sztuczna inteligencja zasadniczo zmieniła mój zespół marketingowy z funkcjonalnie podzielonego na bardziej elastyczny, międzyfunkcyjny model realizacji.

Tradycyjnie wyraźnie rozdzielaliśmy role. Marketer zajmujący się treściami odpowiadał za ich tworzenie, a następnie przekazywał je specjalistom ds. dystrybucji w celu adaptacji, podczas gdy marketing produktowy niezależnie opracowywał komunikaty i pozycjonowanie, które następnie trzeba było przełożyć na kampanie. Każdy etap wiązał się z ponowną pracą i przekładem między poszczególnymi obszarami.

Wraz z włączeniem sztucznej inteligencji do przepływu pracy struktura znacząco się zmieniła. Teraz każdy członek zespołu może działać w wielu obszarach cyklu życia treści i kampanii. Marketer zajmujący się treściami może wygenerować nie tylko pierwszy szkic artykułu, lecz także pierwsze wersje jego wariantów do mediów społecznościowych, treści e-maili, a nawet różnych sposobów pozycjonowania. Marketer ds. wzrostu może wykorzystać te same dane wejściowe i natychmiast wygenerować warianty kampanii lub ramy testów. Marketing produktowy może odejść od pisania wszystkiego od zera i skupić się na dopracowywaniu narracji, zapewnianiu poprawności oraz dostosowywaniu komunikatów do strategii.

Kluczowa zmiana polega na tym, że nie tworzymy już pracy sekwencyjnie od zera. Sztuczna inteligencja domyślnie generuje ją na etapie wysokiej jakości szkicu, a następnie przekazujemy ją między obszarami w celu dopracowania, weryfikacji i optymalizacji. Znacząco zmniejszyło to tarcia między zespołami i skróciło cykle iteracji.

W rezultacie marketerzy koncentrują się teraz bardziej na ocenie, edycji i kierunku strategicznym niż na samej produkcji. Zespół jest mniejszy pod względem zależności od ręcznego wykonywania zadań, ale ma większe możliwości pod względem skali rezultatów.

Sztuczna inteligencja sprawiła również, że współpraca stała się bardziej dynamiczna. Zamiast sztywnych przekazań między zespołami działamy teraz bardziej jak wspólny system wiedzy, w którym możemy przekształcić dowolne dane wejściowe w wiele rezultatów dla różnych kanałów, a następnie odpowiedni specjalista je dopracowuje.

Dlaczego zespoły marketingowe potrzebują zdecentralizowanych budżetów na narzędzia sztucznej inteligencji

Gdybym zaczynał od nowa, w pierwszej kolejności przeznaczyłbym budżet marketingowy nie na tradycyjne wydatki na kampanie ani nawet na zwiększanie zatrudnienia, lecz na zapewnienie każdemu marketerowi bezpośredniego dostępu do elastycznego, zdecentralizowanego budżetu na narzędzia sztucznej inteligencji.

Przydzieliłbym marketerom budżety na osobę, aby mogli wdrażać i testować narzędzia zwiększające ich codzienną produktywność, bez czekania na scentralizowane zakupy lub cykle zatwierdzania przez dział IT. Obejmuje to narzędzia do pisania oparte na sztucznej inteligencji, asystentów analizy danych, platformy do generowania treści kreatywnych, narzędzia automatyzacji oraz wyspecjalizowane rozwiązania, które szybko pojawiają się w ekosystemie sztucznej inteligencji.

Powód jest prosty. W środowisku opartym na sztucznej inteligencji tempo rozwoju narzędzi wyprzedza cykle zakupowe przedsiębiorstw. Scentralizowany dostęp nieuchronnie ujednolica stos narzędzi zespołów wokół przestarzałych rozwiązań, co spowalnia eksperymentowanie i tworzy lukę między tym, co jest możliwe, a tym, co faktycznie wykorzystuje się w realizacji zadań.

Przekonałem się o tym osobiście podczas wdrażania sztucznej inteligencji do przepływów pracy marketingowej. Zespoły, które miały swobodę wczesnego testowania i wdrażania narzędzi, znacznie szybciej tworzyły treści, iterowały kampanie i analizowały dane. Zespoły ograniczone przez scentralizowane procesy zatwierdzania często wracały do wolniejszych, starszych przepływów pracy, nawet gdy dostępne były lepsze narzędzia.

Dla porównania, rozproszony budżet na narzędzia tworzy inną dynamikę. Zmienia każdego marketera w operatora, który może stale optymalizować własny zestaw narzędzi. Umożliwia także naturalne ujawnianie się innowacji, ponieważ najlepsze narzędzia rozprzestrzeniają się w zespole dzięki praktycznemu wykorzystaniu, a nie odgórnym nakazom.

Po drugie, nadałbym priorytet stworzeniu lekkiej warstwy wsparcia wokół tej swobody, obejmującej wspólne dobre praktyki, biblioteki promptów oraz wewnętrzne przepływy pracy, aby eksperymentowanie nie przerodziło się we fragmentację.

Scentralizowana kontrola optymalizuje spójność, ale zdecentralizowane wsparcie optymalizuje zdolność adaptacji. To właśnie zdolność adaptacji tworzy przewagę konkurencyjną w szybko zmieniającym się środowisku marketingowym.

Jak Claude Cowork zapewnia rzeczywistą dźwignię

Szczególnie interesuje mnie jedna funkcja sztucznej inteligencji firmy Anthropic: Claude CoWork.

Wykracza poza tradycyjny interfejs czatu i sprawia wrażenie prawdziwego środowiska pracy przeznaczonego do pracy z wiedzą. Zamiast odizolowanych promptów umożliwia tworzenie bardziej uporządkowanych, trwałych procesów pracy. To właśnie tutaj AI zapewnia realną przewagę.

Doceniam również to, jak szybko Anthropic wprowadza zmiany na podstawie rzeczywistych zachowań użytkowników. Zwracają uwagę na to, co społeczność tworzy i wykorzystuje, a następnie bezpośrednio integrują te wzorce z podstawowym produktem. Przypomina mi to, jak szybko koncepcje z projektów takich jak OpenClaw trafiły do Claude CoWork. Ta pętla informacji zwrotnej ma znaczenie, ponieważ narzędzie ewoluuje tak, aby odzwierciedlać sposób, w jaki ludzie faktycznie pracują, a nie tylko to, jak zespół produktowy wyobraża sobie, że powinni pracować.

W praktyce ogranicza to również potrzebę łączenia wielu narzędzi lub rozszerzeń. Nie muszę odtwarzać procesów pracy, oceniać nowych dostawców ani martwić się o bezpieczeństwo i przetwarzanie danych w rozproszonym zestawie narzędzi. Już teraz ufam firmie Anthropic, więc gdy wprowadza nowe możliwości, mogę szybko i z przekonaniem zacząć z nich korzystać.

Dlaczego każdy zespół marketingowy potrzebuje stanowiska ds. wdrażania AI

To powiedziawszy, największa luka, jaką dostrzegam we wdrażaniu AI, nie dotyczy narzędzi. Większość zespołów marketingowych ma dostęp do narzędzi AI. Brakuje im natomiast osoby, której jedynym zadaniem jest śledzenie zmian, odfiltrowywanie szumu informacyjnego i przekształcanie ich w procesy pracy, z których zespół może rzeczywiście korzystać.

Większość organizacji zakłada, że jeśli zespoły mają dostęp do narzędzi AI, ich wdrażanie nastąpi naturalnie. W praktyce świadomość i synteza informacji są czynnikami ograniczającymi. Świat AI zmienia się tak szybko, że żaden marketer nie jest w stanie realistycznie nadążać za nowymi modelami, narzędziami, procesami pracy i najlepszymi praktykami, jednocześnie realizując swoje podstawowe obowiązki. Kiedy każdy jest częściowo odpowiedzialny za bycie na bieżąco, nikt nie ponosi za to pełnej odpowiedzialności.

Z mojego doświadczenia wynika, że utworzenie dedykowanego stanowiska ds. wdrażania AI w strukturze marketingu sprawdza się znacznie lepiej. Nie chodzi wyłącznie o administratora narzędzi ani inżyniera promptów; jest to osoba głęboko zainteresowana AI, która aktywnie śledzi rozwój modeli i aplikacji, a następnie nieustannie przekłada go na praktyczne procesy pracy dla zespołu.

Osoba ta staje się w praktyce wewnętrzną warstwą analityczno-informacyjną. Ocenia nowe narzędzia, testuje przypadki użycia, podsumowuje, co jest przydatne, a co stanowi jedynie szum informacyjny, a następnie przekłada to na powtarzalne procesy pracy. Co równie ważne, pełni funkcję dwukierunkowego łącznika. Członkowie zespołu mogą zgłaszać jej problemy lub nieefektywności, analizować rozwiązania oparte na AI i otrzymywać uporządkowane rekomendacje.

Rola ta wpływa przede wszystkim na koncentrację zespołu. Zdejmuje z poszczególnych osób obciążenie poznawcze związane z „nadążaniem za AI” i centralizuje je w ramach jednej funkcji, której jedynym zadaniem jest wyprzedzanie zmian i skuteczne rozpowszechnianie tej wiedzy. Bez tego zespoły mają tendencję do rozpadania się na fragmenty. Pojawia się nierównomierne wdrażanie, niespójne praktyki i powielanie eksperymentów. Dzięki temu można osiągnąć efekt kumulacyjny, w którym uczenie się jest centralizowane, a realizacja zadań — rozproszona.

Dlaczego marketerzy muszą traktować AI jako zmianę modelu operacyjnego

Najważniejsza rada, jakiej udzieliłbym liderom marketingu, brzmi: należy traktować ten moment jako zmianę modelu operacyjnego, a nie aktualizację narzędzi.

Łatwo dać się wciągnąć w ocenianie narzędzi, testowanie funkcji i dążenie do stopniowego zwiększania produktywności. To ważne, ale nie zapewnia prawdziwej przewagi. Rzeczywista zmiana dotyczy sposobu wykonywania pracy marketingowej, struktury zespołów oraz tego, gdzie angażowany jest ludzki wysiłek.

Kilka zasad ma szczególne znaczenie:

• Po pierwsze, przed zwiększaniem skali produkcji należy inwestować w jakość danych wejściowych. AI wygeneruje tyle treści, ile się od niego zażąda, ale ich jakość zależy w całości od klarowności pozycjonowania, zdefiniowania odbiorców i narracji. Liderzy, którzy pomijają ten krok, zwiększają skalę szumu informacyjnego, co podkreślam w tekście „Plan marketingowy dla startupów technologicznych”.
• Po drugie, należy przeprojektowywać procesy pracy, a nie tylko zadania. Zamiast pytać, jak AI może przyspieszyć istniejący etap, warto spojrzeć na cały system — od danych wejściowych po rezultat — i przemyśleć jego działanie w świecie, w którym wersje robocze powstają natychmiast, a iterowanie jest tanie. To otwiera drogę do poprawy rzędu wielkości.
• Po trzecie, należy stworzyć przestrzeń dla skoncentrowanej odpowiedzialności za AI. Niezależnie od tego, czy będzie to dedykowane stanowisko, czy niewielka grupa, ktoś musi śledzić sytuację, testować narzędzia i przekładać zdobytą wiedzę na praktyczne procesy pracy. Bez tego zespoły ulegają fragmentacji, a wdrażanie zatrzymuje się.

Śledź dalsze informacje

Możesz śledzić Simone Morellato na platformie LinkedIn.

W The CMO Club pojawią się kolejne rozmowy z ekspertami!