CMO delar med sig av hur AI kan användas som en lärande- och experimenteringsloop

Lomit Patel är en tillväxt- och marknadsföringschef som för närvarande är CMO på TYB (Try Your Best). Han är också författare till Lean AI.

Vi pratade med Lomit för att få veta hur han omvandlar marknadsföringsverksamheten till en kontinuerlig loop för lärande och experimenterande. Så här sa han.

Marknadsföring omdefinieras

Jag har ägnat de senaste 20+ åren åt att hjälpa företag som Roku, IMVU, TrustedID och Texture att växa. För närvarande är jag CMO på TYB (Try Your Best), där jag leder en slimmad men högpresterande marknadsföringsorganisation som bygger på en central övertygelse: Community är inte en kanal, utan ett system för marknadsintroduktion.

I alla dessa roller har jag konsekvent byggt system som kopplar kundinsikter till mätbara affärsresultat. Tidigt i min karriär var tillväxt i stor utsträckning kanaldriven. Man optimerade kampanjer, testade kreativt material och skalade upp det som fungerade. Men redan då fokuserade jag på något djupare: hur man använder data och experimenterande för att eliminera gissningar och öka beslutstempot genom hela tratten.

Det tänkandet utvecklades till ett bredare perspektiv som jag utforskade i min bok Lean AI, där jag inte bara fokuserade på att använda AI för effektivitet, utan på att omforma hur tillväxtsystem fungerar.

På IMVU gick vi till exempel från manuell optimering till AI-driven samordning av användarresor, kreativa tester och livscykelengagemang. Mitt mål var alltid detsamma: att öka hastigheten och kvaliteten på lärandet, samtidigt som retention och LTV förbättrades.

I dag, som CMO på TYB, har den förändringen accelererat fullt ut. AI är inte längre bara ett verktyg i teknikstacken; det håller på att bli det operativa lagret för modern marknadsföring. Vi går från kampanjtänkande till systemtänkande, där signaler, automatisering och kreativ intelligens kontinuerligt samverkar i realtid.

Det som entusiasmerar mig mest är att marknadsföring håller på att omdefinieras i grunden. Vi går från att vara kanaloperatörer och historieberättare till arkitekter för intelligenta tillväxtsystem som lär sig, anpassar sig och skalar upp effekten inom kundanskaffning, engagemang och intäktsgenerering.

Hur AI har omvandlat marknadsföring till ett lärande system i realtid

AI har utmanat tre stora antaganden inom marknadsföring:

1. I en AI-aktiverad miljö blir kanaleffektivitet mer av en grundnivå än en flaskhals. Det är systemet runt omkring som skiljer resultaten åt – hur snabbt kan du upptäcka avsikter, tolka beteenden, generera hypoteser och anpassa budskap eller produktupplevelser som svar.
2. AI visade oss att segment inte är tillräckligt stabila för att utgöra grunden för marknadsföringsstrategier. Traditionella segmenteringsmodeller utgår från relativt fasta användargrupper för konsekvent kommunikation. Med AI ser vi nu att användarbeteendet är betydligt mer föränderligt. Avsikter skiftar snabbt och statiska segment släpar ofta efter verkligheten. Detta ledde oss mot dynamisk, kontinuerligt uppdaterad klustring baserad på beteende.
3. Kampanjer är inte längre den centrala enheten för marknadsföringsgenomförande. Kampanjer förutsätter en start, ett slut och en utvärderingscykel. AI drev oss mot system som alltid är aktiva, där experiment körs kontinuerligt, lärandet sker stegvis och optimeringen är konstant snarare än periodisk.

Med andra ord är marknadsföring ett lärande system i realtid, där tolknings- och anpassningshastighet är viktigare än statisk planering eller perfekt målgruppsinriktning.

Hur AI omformar marknadsföringsprocesser

Så vi har gått från statisk kampanjplanering till ständigt pågående, signaldrivet experimenterande genom hela marknadsföringssystemet.

Historiskt sett planerade vi kampanjer i cykler. Vi definierade budskap, skapade uppsättningar med kreativt material, lanserade och analyserade sedan resultaten efter en betydande fördröjning. Den modellen är för långsam i en AI-infödd miljö eftersom användarbeteende och avsiktssignaler utvecklas snabbt.

Vi introducerade ett AI-assisterat tillväxtarbetsflöde som kontinuerligt omvandlar beteendesignaler i realtid till utlösta experiment och anpassade budskap i livscykel-, innehålls- och prestationskanaler. I stället för att vänta på att en kampanj ska slutföras betraktar vi nu varje meningsfull användarsignal, onboardingbeteende, deltagande i communityn och aktivitet från innehållsskapare som underlag för att omedelbart informera om nästa bästa åtgärd.

I praktiken har detta förändrat hur team arbetar. Kreativ iteration går snabbare eftersom AI hjälper till att kontinuerligt generera och testa variationer. Livscykelmarknadsföringen är mer dynamisk eftersom budskapen inte längre är knutna till fasta segment, utan till beteendekluster som utvecklas över tid. Och avsiktssignaler i produkten informerar i allt högre grad prestationsmarknadsföringen, inte bara målgruppsinriktningen på plattformsnivå.

Den större förändringen är dock kulturell. Marknadsföringen organiseras inte längre kring kampanjer. Den organiseras kring en kontinuerlig inlärningsloop där AI hjälper oss att upptäcka signaler, formulera hypoteser och skala upp det som fungerar i nära realtid.

Ett AI-assisterat tillväxtarbetsflöde

Lomit delar med sig

I stället för att förlita oss på statiska personas eller fasta livscykelstadier använder vi AI för att identifiera mönster som ”hög avsikt men låg aktivering,” ”aktiva deltagare med låg risk för att sluta använda tjänsten,” eller ”nyanvändare som tidigt visar förespråkarbeteende.”

Så här ser arbetsflödet ut:

1. Det börjar med beteendesignaler i realtid i produkten och communitylagret. Vi följer åtgärder som framsteg i onboarding, deltagandets djup, aktivitet från innehållsskapare och engagemangsmönster. Den viktigaste förändringen är att dessa signaler inte längre bara är analysinstrument i instrumentpaneler; de är strukturerade indata i vårt marknadsföringssystem. Verktyg: Segment för insamling och dirigering av händelser, Amplitude för beteendeanalys och Snowflake som grund för datalagret.
2. Därefter hjälper AI oss att gruppera och tolka dessa signaler till dynamiska avsiktssegment. I stället för att förlita oss på statiska personas eller fasta livscykelstadier använder vi AI för att identifiera mönster som ”hög avsikt men låg aktivering”, ”aktiva deltagare med låg risk för att sluta använda tjänsten” eller ”nyanvändare som tidigt visar förespråkarbeteende”. Dessa segment utvecklas ständigt utifrån aktuellt beteende. Verktyg: BigQuery och Python/ML-modeller för att skapa beteendefunktioner, med OpenAI (GPT) för att märka och tolka framväxande avsiktsmönster.
3. När dessa kluster har skapats hjälper AI oss att formulera hypoteser och ta fram kreativa riktlinjer. För varje segment identifierar vi det budskap som sannolikt påverkar beteendet mest, och AI hjälper till att skapa variationer av text, krokar och innehållsvinklar. Det här är inte helt automatiserade resultat, men det ökar drastiskt hastigheten när vi utforskar olika budskapsvägar. Verktyg: ChatGPT och Claude för att ta fram budskapsvinklar, krokar och positioneringsvariationer, samt Notion AI för att organisera och underhålla ett levande kreativt bibliotek.
4. Därefter matar vi in resultaten i ständigt pågående experiment inom livscykel-, betalda och communitybaserade kontaktpunkter. I stället för att genomföra isolerade kampanjer lanserar vi kontinuerligt små, iterativa tester och justerar budskap, kreativt material och tidpunkt utifrån prestationssignaler i realtid. Verktyg: Braze för livscykel­experiment, Optimizely för A/B-tester av produkt och webb samt LaunchDarkly för funktionsflaggning och kontrollerade lanseringar.
5. Slutligen, och viktigast av allt, sluter systemet loopen med AI-assisterad syntes av lärdomar. Vi analyserar inte bara vad som presterade bättre; vi använder AI för att synliggöra varför vissa budskap eller kundresor fungerade för specifika segment. Dessa insikter informerar sedan direkt uppdaterad segmenteringslogik, budskapsramverk och marknadsföringsbeslut som tar hänsyn till produkten. Verktyg: Amplitude för beteendeinsikter, Looker för strukturerad rapportering och Claude för att sammanfatta lärdomar till berättande beslutsramverk.

Så förändrar AI marknadsförarnas arbete till det bättre

På den positiva sidan har AI:s största effekt varit experimentens hastighet och genomströmning. Vi har väsentligt ökat antalet kreativa experiment och livscykel­experiment som vi kan genomföra under en viss period, eftersom AI minskar friktionen när vi genererar varianter, testar budskap och itererar utifrån hur tidiga signaler presterar. Detta har lett till snabbare inlärningscykler inom både förvärvs- och bibehållandeprogram.

Vi har också sett förbättringar i konverteringseffektiviteten, drivna av bättre signalanvändning. Genom att koppla beteenden i produkten och communityn till marknadsföringsaktivering reagerar vi mycket tidigare på avsikter i användarresan. Det har förbättrat kvaliteten i flödet från trafik till aktivering och stärkt retentionen längre fram, eftersom användarna får mer kontextuellt relevanta kontaktpunkter.

En annan tydlig fördel är minskat beroende av rigida segmenteringar och manuella analyser. AI-drivna klustringar och insiktsgenerering gör att vi kan gå mot dynamiska målgruppsdefinitioner, som bättre speglar hur användarna faktiskt beter sig i stället för hur vi historiskt har grupperat dem.

Risken med att agera för snabbt på AI-insikter

På den mer nyanserade sidan har vi också behövt justera våra förväntningar kring signalbrus och överautomatisering.

Tidigt hade vi en tendens att agera på för många AI-genererade insikter för snabbt, vilket skapade fragmentering i budskapen och en överbelastning av experiment. Vi behövde ta ett steg tillbaka och införa starkare mänskliga filter för prioritering och narrativ konsekvens.

Vi underskattade också behovet av disciplin när det gäller att definiera framgångsmått på förhand. AI gör det mycket enkelt att iterera snabbt, men om du inte förankrar experimenten i tydliga beteende- eller intäktsresultat kan du hamna i att optimera för engagemang inom en smal del av systemet i stället för för meningsfull affärspåverkan.

Om jag hade förstått det tidigare skulle jag ha lagt mindre tid på att skala upp experimentvolymen och mer tid på att utforma verksamhetsmodellen kring AI-drivna beslut, inklusive striktare hypotesramverk, tydligare ansvar för beslut och bättre samordning mellan marknadsföringssignaler och affärsresultat.

Vad AI hanterar och var människor behåller översikten

Vi drar en tydlig gräns mellan vad AI bidrar med insikter om och vad människor ansvarar för, och skillnaden kan sammanfattas i en fråga: handlar detta om optimering och mönsterigenkänning, eller handlar det om omdöme, kontext och känsla?

Vi förlitar oss allt mer på AI för att hantera signalbearbetning, segmentering och experimentering i stor skala. Det omfattar att identifiera beteendemönster i community- och produktaktivitet, gruppera användare i dynamiska segment baserat på handlingar i realtid samt generera och iterera olika kreativa varianter och budskapsvarianter. AI analyserar också resultatdata från olika kanaler i stor omfattning och lyfter fram icke-uppenbara insikter snabbare än vad en manuell granskning någonsin skulle kunna göra.

AI är särskilt kraftfullt när det gäller att förkorta steget från signal till handling. Det kan till exempel upptäcka förändringar i engagemangsbeteendet i produkten eller communityn, föreslå hypoteser och till och med generera testbara kreativa varianter eller livscykelvarianter. Det gör att vi kan genomföra betydligt fler experiment än vad en traditionell teamstruktur skulle klara av.

Människor ansvarar för positionering, narrativ och kreativ riktning. AI kan generera varianter, men kan inte definiera vad vi står för eller hur vi vill framträda på marknaden. Det kräver en förståelse för varumärket, målgruppens psykologi och långsiktig differentiering som går bortom mönsterigenkänning.

Lomit delar med sig

Bara för att AI kan lyfta fram dussintals möjligheter betyder det inte att vi bör agera på alla. Att avgöra vad vi inte ska göra och vad som ligger i linje med den övergripande tillväxttesen är fortfarande ett djupt mänskligt ansvar.

I communitydrivna miljöer har AI i synnerhet inte ersatt autentisk mänsklig interaktion och förtroendeskapande. Det kan bidra till att skala upp engagemang och identifiera mönster, men kan inte återskapa den trovärdighet som kommer från verkligt deltagande, närvaro i ledarskapet och mänskligt omdöme i communityögonblick.

Människor ansvarar också för prioritering och strategiska avvägningar. Som jag sa tidigare betyder det inte att vi bör agera på alla möjligheter bara för att AI kan lyfta fram dussintals av dem. Att avgöra vad vi inte ska göra och vad som ligger i linje med den övergripande tillväxttesen är fortfarande ett djupt mänskligt ansvar.

Slutligen ansvarar människor för att tolka innebörden. AI kan tala om för oss vad som händer, men människor ansvarar för att förstå varför det är viktigt och hur det bör förändra strategin.

Hur CMO:er bör närma sig AI-transformation

Jag vill dela med mig av fyra råd:

1. Behandla inte AI som en uppsättning verktyg som kan kopplas in i din befintliga marknadsföringsmaskin. Se det som en anledning att bygga om själva maskinen. Eftersom det här inte handlar om produktivitet sker den verkliga förändringen när du går från kampanjbaserade verksamhetsmodeller till kontinuerliga, signalstyrda tillväxtsystem där AI är integrerat i hur du upptäcker avsikter, fattar beslut och lär dig i realtid.
2. Tänk om kring vad ”skalning” innebär. Tidigare handlade skalning om kanaler och budgeteffektivitet. I en AI-driven värld handlar skalning om inlärningshastighet. De team som lyckas kommer inte att vara de som genomför flest kampanjer, utan de som kan omvandla signaler till experiment och experiment till beslut snabbare än alla andra.
3. Var mycket medveten om var människor ska fortsätta vara delaktiga. När AI tar över mer av genomförandet och analysen blir människans fördel tydligare, inte svagare. Ledare behöver fokusera ännu mer på berättande, positionering och prioritering. Om allt går att mäta och optimera blir omdömet den främsta särskiljande faktorn.
4. Investera i systemtänkande snarare än kanaltänkande. AI bryter ner silorna mellan resultat, kundlivscykel, produkt och community. Möjligheten ligger i att utforma ett enhetligt tillväxtsystem där signaler flödar genom alla dessa områden, i stället för att optimera varje område isolerat.

Följ med

Du kan följa Lomit Patel på LinkedIn och hans personliga blogg. Läs också hans bok Lean AI.

Fler expertintervjuer kommer på The CMO Club!