CMO berättar hur man använder AI som en loop för lärande och experimenterande

Lomit Patel är chef inom tillväxt och marknadsföring och arbetar för närvarande som CMO på TYB (Try Your Best). Han är också författare till Lean AI.

Vi pratade med Lomit för att ta reda på hur han omvandlar marknadsföringsverksamheten till en kontinuerlig loop för lärande och experimenterande. Här är vad han sa.

Marknadsföring omdefinieras

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

I var och en av dessa roller har jag konsekvent byggt system som kopplar kundinsikter till mätbara affärsresultat. Tidigt i min karriär drevs tillväxt till stor del av kanaler. 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 tankesättet 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 koordinering av användarresor, kreativa tester och livscykelengagemang. Mitt mål var alltid detsamma: att öka hastigheten och kvaliteten på lärandet, samtidigt som vi förbättrade retention och LTV.

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 kanalansvariga och historieberättare till att bli arkitekter för intelligenta tillväxtsystem som lär sig, anpassar sig och skalar upp effekten inom förvärv, engagemang och intäktsgenerering.

Hur AI har gjort marknadsföring till ett lärandesystem i realtid

AI har utmanat tre stora antaganden inom marknadsföring:

1. I en AI-aktiverad miljö blir kanaleffektivitet mer av en baslinje än en flaskhals. Det är systemet runt omkring som differentierar resultaten – hur snabbt kan du upptäcka avsikt, tolka beteende, skapa 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. Avsikten skiftar snabbt och statiska segment släpar ofta efter verkligheten. Detta drev oss mot dynamisk, kontinuerligt uppdaterad och beteendebaserad klustring.
3. Kampanjer är inte längre den centrala enheten för genomförandet av marknadsföring. Kampanjer förutsätter en start, ett slut och en utvärderingscykel. AI drev oss mot ständigt aktiva system där experiment körs kontinuerligt, lärandet sker stegvis och optimeringen är konstant i stället för periodisk.

Med andra ord är marknadsföring ett lärandesystem i realtid där tolknings- och anpassningshastighet är viktigare än statisk planering eller perfekt målgruppsanpassning.

Hur AI omformar marknadsföringsprocesser

Så vi har gått från statisk kampanjplanering till ständigt aktiva, signaldrivna experiment genom hela marknadsföringssystemet.

Historiskt sett planerade vi kampanjer i cykler. Vi definierade budskap, byggde kreativa uppsättningar, 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 adaptiva budskap över livscykel-, innehålls- och prestationskanaler. I stället för att vänta på att en kampanj ska avslutas ser vi nu varje meningsfull användarsignal, onboardingbeteende, communitydeltagande och kreatörsaktivitet som input för att omedelbart informera om nästa bästa åtgärd.

Rent praktiskt har detta förändrat hur team arbetar. Kreativ iteration går snabbare eftersom AI hjälper till att generera och testa variationer kontinuerligt. Livscykelmarknadsföringen är mer dynamisk eftersom budskapen inte längre är knutna till fasta segment utan till föränderliga beteendekluster. 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, generera hypoteser och skala upp det som fungerar nästan i realtid.

Ett AI-assisterat tillväxt Arbetsflöde

Lomit delar

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 kvarhållning,” eller ”n nya användare som visar tidigt förespråkarbeteende.”

Så här ser arbetsflödet ut:

1. Det börjar med beteendesignaler i realtid inuti produkten och communitylagret. Vi följer åtgärder som framsteg i onboarding, deltagandets djup, kreatörsaktivitet och engagemangsmönster. Den viktiga 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 datalagrets grund.
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 kvarhållning” eller ”nya användare som visar tidigt förespråkarbeteende”. Dessa segment utvecklas ständigt baserat på aktuellt beteende. Verktyg: BigQuery och Python/ML-modeller för att bygga beteendefunktioner, med OpenAI (GPT) för att märka och tolka nya avsiktsmönster.
3. Efter att ha format dessa kluster hjälper AI oss att generera hypoteser och kreativ riktning. För varje segment identifierar vi det budskap som sannolikt påverkar beteendet mest, och AI hjälper till att generera variationer av text, krokar och innehållsvinklar. Detta är inte helt automatiserade resultat, men det ökar dramatiskt hastigheten i utforskandet av olika budskapsvägar. Verktyg: ChatGPT och Claude för att generera budskapsvinklar, krokar och positioneringsvariationer, samt Notion AI för att organisera och underhålla ett levande kreativt bibliotek.
4. Vi matar sedan in dessa resultat i kontinuerliga experiment över livscykel-, betalda och communitybaserade kontaktpunkter. I stället för att genomföra isolerade kampanjer lanserar vi hela tiden små, iterativa tester och justerar budskap, kreativt material och timing baserat på prestationssignaler i realtid. Verktyg: Braze för livscykeltester, Optimizely för A/B-tester av produkter och webben samt LaunchDarkly för funktionsflaggning och kontrollerade utrullningar.
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 resor fungerade för specifika segment. Dessa insikter informerar sedan direkt uppdaterad segmenteringslogik, budskapsramverk och produktinformerade marknadsföringsbeslut. Verktyg: Amplitude för beteendeinsikter, Looker för strukturerad rapportering och Claude för att sammanfatta lärdomar till berättande format och beslutsramverk.

Hur AI:s genomgripande förändringar gynnar marknadsförare

På den positiva sidan har AI:s största påverkan varit experimentens hastighet och genomströmning. Vi har ökat antalet kreativa experiment och livscykeltester som vi kan genomföra under en viss period på ett betydande sätt, eftersom AI minskar friktionen när vi genererar varianter, testar budskap och itererar baserat på tidiga prestationssignaler. Detta har lett till snabbare inlärningscykler inom både program för kundanskaffning och kundkvarhållning.

Vi har också sett förbättringar i konverteringseffektiviteten, drivna av bättre signalanvändning. Genom att koppla beteenden i produkten och communityn till marknadsaktivering 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 stelbent segmentering och manuell analys. AI-drivna klustringar och insiktsgenerering gör att vi kan gå mot dynamiska målgruppsdefinitioner, som bättre återspeglar hur användarna beter sig snarare än hur vi historiskt har grupperat dem.

Risken med att agera snabbt på AI-insikter

På den mer nyanserade sidan har vi också behövt justera förväntningarna 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 var tvungna att 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 man inte förankrar experimenten i tydliga beteende- eller intäktsresultat kan man börja 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 marknadssignaler och affärsresultat.

Vad AI hanterar och var människor behåller tillsynen

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

Vi förlitar oss allt mer på AI för att hantera signalbearbetning, segmentering och experiment i stor skala. Det omfattar att identifiera beteendemönster i community- och produktaktivitet, gruppera användare i dynamiska segment baserat på handlingar i realtid samt skapa och iterera olika kreativa varianter och budskapsvarianter. AI analyserar också prestationsdata 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 skapa 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 inriktning. AI kan generera varianter, men kan inte definiera vad vi står för eller hur vi vill framträda på marknaden. Det kräver kontext om varumärket, målgruppens psykologi och långsiktig differentiering som går utöver mönsterigenkänning.

Lomit delar

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

I communitydrivna miljöer har AI i synnerhet inte ersatt äkta mänsklig interaktion och förtroendeskapande. Det kan hjälpa till att skala upp engagemang och identifiera mönster, men kan inte återskapa den trovärdighet som kommer från verkligt deltagande, närvarande ledarskap och mänskligt omdöme i communitysituationer.

Människor ansvarar också för prioriteringar och strategiska avvägningar. Som jag nämnde tidigare betyder det inte att vi bör agera på alla möjligheter bara för att AI kan synliggöra dussintals av dem. Att avgöra vad vi inte ska göra och vad som överensstämmer med den övergripande tillväxttesen är fortfarande ett djupt mänskligt ansvar.

Slutligen ansvarar människor för att tolka innebörden. AI kan berätta vad som händer, men människor ansvarar för att förstå varför det spelar roll och hur det bör förändra strategin.

Hur CMOs bör förhålla sig till AI-transformation

Jag vill dela med mig av fyra råd:

1. Behandla inte AI som en uppsättning verktyg som du kopplar in i din befintliga marknadsföringsmaskin. Se det som en anledning att göra om själva maskinen. Eftersom det här inte handlar om produktivitet sker den verkliga förändringen när du går från kampanjbaserade verksamhetsmodeller till kontinuerliga, signaldrivna tillväxtsystem där AI är inbyggt i hur du upptäcker avsikter, fattar beslut och lär dig i realtid.
2. Tänk om kring vad ”skala” innebär. Tidigare handlade skala om kanaler och budgeteffektivitet. I en AI-driven värld handlar skala 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 förbli involverade. När AI tar över mer av genomförandet och analysen blir människans fördel tydligare, inte svagare. Ledare behöver fokusera ännu mer på berättelse, 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 silos mellan resultat, kundlivscykel, produkt och community. Möjligheten ligger i att utforma ett enhetligt tillväxtsystem där signaler flödar mellan alla dessa områden, i stället för att optimera vart och ett isolerat.

Följ med

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

Fler expertintervjuer kommer på The CMO Club!