Din automatisering körs och ingen vet hur den fungerar
Förstå arbetsflöden: Många marknadsföringsteam har svårt att förklara sina automatiserade arbetsflöden, vilket leder till ineffektivitet och förvirring.
AI:s påverkan: Automatisering som man inte förstår ordentligt riskerar att förstärka fel när användningen av AI ökar, vilket gör marknadsföringsresultaten mer svårhanterliga.
Migrationsproblem: Brist på dokumentation inom automatisering kan leda till utdragna migrationsprocesser och att teamen använder olika definitioner.
Styrningsutmaningen: Automatisering som saknar en ansvarig medför styrningsrisker, särskilt när AI-system integreras i befintliga arbetsflöden.
Förberedande steg: Dokumentera processen från lead till intäkt innan ni börjar använda AI och se till att teammedlemmarna förstår de befintliga konfigurationerna.
Be ett marknadsteam förklara hur deras egna arbetsflöden för marknadsföringsautomatisering fungerar. Varsågod, jag väntar. Inte den övergripande versionen, där någon beskriver vad de förväntas göra, utan mekaniken bakom maskinen.
Kan ni svara på vad som utlöser den här sekvensen? Eller vem som skapade den här dirigeringsregeln och varför? Hur är det med vad som händer när en kontakt matchar två segment samtidigt? Det är kanske inte förvånande att höra att man oftare möts av tomma blickar än detaljerade svar. Enkelt uttryckt finns det ett bättre sätt.
Andrea Tarrell, chef för data- och tekniktjänster på Trilliad, har ägnat sin karriär åt gränslandet mellan marknadsföring och intäktsteknik, och hon har sett detta utspela sig fler gånger än hon kan räkna.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Tarrell arbetar med B2B-organisationer som försöker få ut värde av de plattformar de har investerat i. När samtal om migrering kommer på tal finns det en gemensam nämnare bland teamen. Hon berättar att det inte är ovanligt att teamet i en migreringssituation kommenterar funktionaliteten i befintliga automatiseringar.
Vi vet faktiskt inte ens riktigt hur det här fungerar. Det kördes bara i bakgrunden, och ingen är riktigt säker på hur det skapades, vem som byggde det eller vad det gör.
Det här är inte ett litet problem. Och i takt med att användningen av AI accelererar är det på väg att bli ett mycket större problem.
Spöket i maskinen
Hennes erfarenhet sammanfattar den operativa verkligheten i många mogna marknadsföringsorganisationer. Inte för att teamen som driver dem är försumliga, utan snarare på grund av hur automatiseringar byggs.
Logik, förgrenade sekvenser, exkluderingslistor och regler för dirigering av leads samlas på samma sätt som gamla hus samlar på sig ledningar. Funktionellt, för det mesta, men förstått av färre personer än någon gärna vill erkänna.
Marknadsföringsautomatisering har varit etablerad i långt över ett decennium. De flesta mogna B2B-marknadsföringsorganisationer har någon variant av ett arbetsflöde eller program för marknadsföringsautomatisering som har körts i flera år.
Men om en sekvens för bearbetning av leads går fel upptäcker någon så småningom att konverteringsgraden sjunker och börjar undersöka saken. Och nu förändrar AI följdeffekterna avsevärt.
När organisationer börjar lägga AI-drivna poängsättningar, berikning eller agentstyrd uppsökande kontakt ovanpå dessa system lägger de inte bara till nya funktioner.
De förstärker all logik som redan finns underliggande. Rena indata, genomtänkt segmentering och väl utformade dirigeringsregler ger snabbare och mer precisa resultat.
Fragmenterade data, ärvda antaganden och bortglömd exkluderingslogik förstärks också. Det här är ett recept på katastrof.
”Om indata är vaga, om briefen är oklar, positioneringen rörig eller bevisen saknas, kan AI inte rädda det.
Kostnaden för att köra automatiseringar på autopilot
Det finns en anledning till att de flesta team inte vet hur deras marknadsföringsautomatisering fungerar. Det krävdes stora insatser att bygga den, och personerna som byggde den gick ofta vidare. Den institutionella kunskapen försvann när de slutade, medan systemen fortsatte att köra. Ingen hade tillräckligt starka skäl att gå tillbaka och granska dem.
Den verkliga kostnaden syns inte i instrumentpanelerna. Den visar sig i migreringstidsplaner som sträcker sig från tre månader till nästan två år.
Tarrell noterar att det blir tydligt när ett team behöver bygga om ett arbetsflöde för kvalificering och inser att de saknar en gemensam definition av vad kvalificerad innebär. Det märks också i AI-piloter som ger imponerande demonstrationer men inte leder till någon pipeline, eftersom de underliggande uppgifterna är otillförlitliga.
Det här problemet förvärras mellan teamen. Trilliads studie om hållbar tillväxt 2025 visade att 44 % av tillväxtledarna identifierar bristen på samordning mellan marknadsföring, försäljning och kundframgång som sitt enskilt största hinder. Automatiseringen som körs i bakgrunden skapar inte den samordning som teamen behöver. Och i många fall förstärker den stuprören.
Dataproblemet går djupare än organisationsscheman. När data finns i frånkopplade system kan den inte användas genom hela kundresan för att skapa sammanhängande upplevelser eller driva samordnade insatser mellan tillväxtteam.
Samma studie visade att 40 % av organisationerna fortfarande endast använder sina data för kundanskaffning, vilket innebär att en betydande andel inte aktiverar dem genom hela livscykeln överhuvudtaget.
För team som hoppas kunna använda AI för att skapa skräddarsydda upplevelser, ta fram intelligenta insikter eller effektivisera verksamheten från början till slut är detta ett betydande gap.
Särskilt när 44 % av B2B-organisationerna anger bristande samordning mellan team som sitt främsta tillväxthinder, enligt Trilliads egen undersökning. Och endast 22 % säger att de har uppnått verklig integration mellan försäljning, marknadsföring och kundframgång.
Tarrells team på Trilliad genomförde vad de kallar en granskning av säljarupplevelsen, där de utvärderade Salesforce ur perspektivet hos en säljare som går igenom sin faktiska arbetsdag. Resultaten brukar överraska människor.
Var vet de var de ska leta? Hur organiserar de sin dag? Stöder skärmen mobilt arbete?
"Var vet de var de ska leta? Hur organiserar de sin dag? Stöder skärmen mobilt arbete?" frågar hon.
Det här är grundläggande frågor om användbarhet som ingen hade tänkt på att ställa, eftersom alla antog att plattformen fungerade som avsett.
Varför införandet av AI avslöjar detta snabbare än något annat
Det finns en anledning till att AI-piloter misslyckas. Man kan inte skylla på modellerna. Ofta är det systemen som de kopplas till som inte är redo. Du kan ge en språkmodell utmärkta instruktioner och ändå få dåliga resultat. Om exempelvis CRM-data som matar den är ofullständig, målgruppsdefinitionerna är otydliga eller signalerna som den ska agera på har konfigurerats av någon som slutade för två år sedan – då är du knappast rustad för framgång.
Det här är ett mönster Tarrell ser om och om igen. Organisationer skyndar mot agentisk AI, autonoma arbetsflöden och AI-driven uppsökande verksamhet. Men de har ännu inte tagit itu med det grundläggande arbetet med att förstå och rensa det de redan har. Kantfall börjar dyka upp, och teamet kan inte diagnostisera problemen eftersom de saknar en tydlig bild av hur de underliggande systemen fungerar.
Att bevisa AI:s avkastning på investeringen sträcker sig längre än rapportering. Ofta beror problemet på datainfrastrukturen. Trilliads studie av hållbar tillväxt från 2025 visade att 42 % av de svarande uppger att det är deras största utmaning att mäta sin påverkan på intäkterna.
Om tillväxtteam alltså inte kan bevisa avkastningen på investeringen för sina befintliga kampanjer blir det nästan omöjligt att koppla AI-utgifter till affärsresultat utan de integrerade datasystem som krävs för att stödja det.
Målet är att se till att AI:n arbetar utifrån solid och tillförlitlig information," sade Tarrell. "Och det kräver tid och målmedvetenhet.
Att dokumentera arbetsflöden på ett enkelt språk, kartlägga vad varje automatisering ska göra och om den faktiskt gör det, samt granska datakvaliteten innan nya verktyg kopplas in – allt detta är mödosamma uppgifter som inte syns i ett tillkännagivande om en AI-omvandling. Men team som hoppar över dem bygger på lös grund, och förr eller senare kommer de att märka det.
De team som gör jobbet och investerar tid i att steg för steg kartlägga sin lead-till-intäkt-process på enkel svenska innan de börjar använda ett nytt verktyg, rör sig snabbare när de väl implementerar det.
Tarrells råd är tydligt – dokumentera arbetsflödena på nivån "vad vill vi ska hända, och vad gör människor jämfört med vad tekniken gör". Denna tydlighet är förutsättningen för allt annat.
Det svårare samtalet om ansvar
Det finns ytterligare ett lager i det här problemet. När automatisering körs obemärkt i bakgrunden tillräckligt länge slutar den att tillhöra någon.
Personen som ansvarade för marknadsföringsverksamheten kan ha byggt den. Men sedan slutade den ursprungliga marknadschefen. Den nya personen tog över den och lärde sig precis tillräckligt för att hålla den från att gå sönder. De personer som använder er marknadsföringsautomatisering i dag har sedan länge ingen koppling till någon som förstod den ursprungliga logiken.
Ingen vill röra den eftersom det innebär en risk att ha sönder något man inte förstår. Alternativet är förstås att låta den vara och låtsas att den fungerar.
Det här är lika mycket ett styrningsproblem som ett tekniskt problem. Och införandet av AI tvingar fram frågan.
Du kan inte på ett ansvarsfullt sätt koppla en AI-agent till ett system som du inte förstår. Riskbilden förändras avsevärt. Data bearbetas, delas och används. Misstag handlar inte längre om att "konverteringsgraden var lite låg det här kvartalet" utan om något betydligt allvarligare.
Tarrell beskriver lösningen i termer av anpassningsförmåga och nyfikenhet, de två färdigheter som hon säger att alla marknadsförare behöver nu. Anpassningsförmåga för att se vad som fungerar och snabbt ändra kurs när det inte gör det. Nyfikenhet för att fortsätta fråga varför något är som det är, i stället för att acceptera ärvd logik som oföränderlig.
"Om du inte vet svaret, fortsätt att följa upp det tills du har fått klarhet i det", sa hon. "Det kommer bara att bli allt viktigare."
Framåtblick på de kommande 12 månaderna
Om du ansvarar för marknadsföringen i en B2B-organisation och planerar att införa AI under de kommande tolv månaderna finns det några saker som är värda att göra innan du börjar utvärdera verktyg.
Be någon kartlägga ert nuvarande arbetsflöde från lead till intäkt på ett enkelt språk.
Inte som ett systemdiagram, utan skriv det i enklast möjliga form. Vad händer när ett lead kommer in? Sedan, vad utlöser en överlämning till försäljningen? Och vad händer när leadet inte svarar? Vem ansvarar för varje steg i kundresan? Och var fallerar processen oftast?
Gå sedan ett steg djupare. Ta reda på om någon i ert nuvarande team faktiskt förstår hur vart och ett av dessa steg är konfigurerat. Inte i teorin. I praktiken. Vem skulle åtgärda det om det gick sönder idag?
Svaret på den andra frågan kommer att säga mer om er AI-beredskap än någon leverantörsutvärdering.
"Den rätta grunden", sa Tarrell, "är den som ert team faktiskt kommer att använda och bygga vidare på."
Det låter självklart. De flesta organisationer upptäcker, vanligtvis i det värsta tänkbara ögonblicket, att deras grund har ärvts snarare än ägts, och att de inte har granskat den tillräckligt tydligt för att veta om den fortfarande fungerar.
Vad händer härnäst?
Skapa ett kostnadsfritt konto hos The CMO Club för att hålla dig uppdaterad om trender och få de senaste tipsen, resurserna och guiderna från vår gemenskap av erfarna marknadsföringsledare direkt till din inkorg.
