AI-kunnig marknadschef berättar hur marknadsbudgetar och team måste omstruktureras för AI

Simone Morellato är en teknisk marknadsföringsledare och marknadschef på vCluster. Han började experimentera med AI tidigt i en tidigare roll och använder det nu som en kraftmultiplikator inom sitt marknadsföringsteam.

Vi satte oss ner med honom för att förstå hur AI förändrar hans arbetsflöden inom marknadsföring och hans team. Han berättade om de nya rollerna och budgetposterna som är oumbärliga.

Att använda AI som en kraftmultiplikator inom marknadsföring

Jag är en marknadsföringsledare som har byggt sin karriär i skärningspunkten mellan djup teknisk förståelse av teknikprodukter och deras genomförande på marknaden, främst inom infrastruktur, molntjänster och plattformar för utvecklare. Min resa började på ingenjörssidan, där jag studerade elektronik och datavetenskap och arbetade som programvaruingenjör med att bygga lagringsnätverkssystem. Den grunden hjälpte mig att marknadsföra tekniska produkter eftersom jag alltid förstod hur de fungerar, inte bara hur de skulle positioneras.

Med tiden gick jag från ingenjörsarbete till teknisk produktmarknadsföring på Cisco och därefter till ledarroller på nystartade företag och stora företag, däribland Riverbed, Cloudian och Apcera. Min tid på VMware blev en viktig vändpunkt i min karriär, och jag ägnade närmare ett decennium åt att skala upp Kubernetes-verksamheten Tanzu. Jag byggde och ledde ett globalt team som omfattade produkt-, utvecklar- och lösningsmarknadsföring och hjälpte till att utöka portföljen från ett enda projekt med öppen källkod till en uppsättning med fler än 20 produkter. Där experimenterade jag tidigt med AI-drivna arbetsflöden och byggde interna automatiseringsverktyg för analytikerrelationer som avsevärt minskade genomloppstiden och förbättrade effektiviteten.

Nu leder jag marknadsföringen på vCluster och bygger upp en komplett motor för marknadsintroduktion för tillväxt, produktmarknadsföring, community och varumärke. Vi förbättrade effektiviteten genom att tänka om kring efterfrågegenerering, skala upp kännedomen från tiotusentals till miljontals visningar och avsevärt förbättra kostnadseffektiviteten och konverteringen i tratten. Ett viktigt fokus har varit att bygga utvecklarorienterade berättelser och tillväxtloopar som drivs av communityn, särskilt inom Kubernetes och AI-infrastruktur.

Allt jag har arbetat med sammanstrålar i detta ögonblick av AI-transformation. AI förändrar nu grundläggande både hur programvara byggs och hur den marknadsförs. Som marknadsföringsledare fokuserar jag på att hjälpa företag att gå från fragmenterade produktbudskap till enhetliga plattformsberättelser, där AI inte bara används som ett ämne i berättelsen utan som en kraftmultiplikator i genomförandet av marknadsföringen.

Att balansera utvecklarnas förtroende med företagens efterfrågan

På vCluster ansvarar jag för en komplett funktion för marknadsintroduktion som omfattar tillväxt, produktmarknadsföring, varumärke, community och evenemang. Teamet arbetar både med initiativ inom öppen källkod och företagsinriktade initiativ, vilket skapar ett dubbelt uppdrag: att driva bred användning bland utvecklare i stor skala och samtidigt omvandla det engagemanget till ett strukturerat flöde för företagskunder.

Organisatoriskt fungerar funktionen som ett integrerat system snarare än som isolerade discipliner. Produktmarknadsföring och utvecklarrelationer samarbetar nära för att utforma berättelsen och bygga teknisk trovärdighet, medan tillväxt och innehåll fokuserar på skalbar anskaffning och distribution i kanaler som sociala medier, SEO, betalda medier och community-drivna program. Varumärke och evenemang utökar räckvidden till engagemang i ekosystemet, särskilt inom Kubernetes- och molnnativa communityn.

Komplexiteten kommer från målgruppen och ekosystemets dynamik. Vi marknadsför oss till mycket tekniskt kunniga målgrupper, främst DevOps- och plattformsingenjörer, samtidigt som vi påverkar beslutsfattare inom företag. Det kräver en balans mellan teknisk trovärdighet och en tydlig formulering av affärsvärdet. Samtidigt verkar vi inom ett snabbt föränderligt, AI-påverkat infrastrukturlandskap där kategorierna fortfarande håller på att formas. Därför handlar en betydande del av rollen om att forma berättelsen, inte bara förstärka den.

Modellen är effektiv eftersom en sammanhängande process från anskaffning till aktivering och engagemang knyter ihop allt, med stöd av ett starkt datadrivet arbetssätt för resultatmätning och snabba experiment.

Var AI slutar och omdömet börjar

Jag använder främst AI som beslutsstöd och för att påskynda arbetet inom områden med hög volym och mönsterdrivna uppgifter, eller inom områden som kräver snabb syntes av stora mängder ostrukturerad information. Samtidigt upprätthåller jag en tydlig gräns där mänskligt omdöme förblir avgörande, särskilt när det gäller sammanhang, ansvarsskyldighet och långsiktiga konsekvenser för varumärket.

Jag förlitar mig i hög grad på AI inom tre områden:

• För det första narrativ utveckling och utforskning av budskap. När jag utformar positionering eller kampanjteman använder jag AI för att snabbt testa variationer, identifiera luckor i budskapen och stresstesta tydligheten hos målgrupper som utvecklare, plattformsingenjörer och chefer. Det komprimerar det som tidigare krävde flera iterationer till en mycket snabbare loop.
• För det andra skalning av innehåll och kampanjer. AI driver nu det första utkastet till de flesta innehållstillgångar, inklusive innehåll för sociala medier, bloggstrukturer och kampanjvarianter. Det anpassar också tekniska underlag till personaspecifikt språk, vilket är särskilt viktigt inom marknadsföring av infrastruktur och AI-plattformar, där samma koncept behöver tilltala olika målgrupper på olika sätt.
• För det tredje resultatsyntes. Jag använder AI för att analysera signaler från kampanjresultat i olika kanaler och lyfta fram mönster som annars kanske skulle förbises, särskilt när man hanterar fragmenterade data från organiska, betalda och communitybaserade kanaler.

Uttalat mänskliga uppgifter innefattar strategiska avvägningar och ansvarsskyldighet. Beslut om positionering, kategoridefinition och den centrala budskapsarkitekturen leds fortfarande helt av människor eftersom de kräver en djup förståelse för marknadstajming, konkurrensdynamik och företagets ambitioner. Detsamma gäller den slutliga kreativa bedömningen av varumärkesröst och kampanjer med hög synlighet.

Jag ser också till att människor äger besluten om prioriteringar. AI kan lyfta fram alternativ och insikter, men att avgöra vad man inte ska göra förblir ett ledningsansvar, särskilt i snabbföränderliga kategorier som AI-infrastruktur, där det är lätt att överreagera på signaler.

AI utökar alltså effektivt omfattningen av tänkande och genomförande, men det bär inte ansvaret för resultaten. Marknadsledningen fattar fortfarande de slutliga besluten som balanserar snabbhet, samstämmighet och långsiktigt varumärkeskapital.

Hur en strukturell förändring ökade antalet visningar från tusentals till miljoner

Jag förändrade vår marknadsföringsmodell från människoförst produktion av innehåll till AI-assisterad utveckling av narrativ och innehållstillgångar. Människor fokuserar nu på riktning, validering och distribution i stället för att skapa från grunden.

Rent praktiskt införde jag ett AI-drivet innehållssystem. Vi använder LLM-baserade arbetsflöden för att omvandla ett enda tekniskt underlag – till exempel en produktlansering, en demo, en kundinsikt eller ett tekniskt narrativ – till flera efterföljande marknadsföringstillgångar. Det innefattar utvecklarfokuserade inlägg, långformatinnehåll, variationer för sociala medier, kampanjbudskap och till och med tidiga utkast till positionering. I stället för separata författare för varje del genererar, förfinar och samordnar nu ett gemensamt prompt- och strukturlager alla tillgångar.

Simone delar

I stället för separata författare för varje del genererar, förfinar och samordnar nu ett gemensamt prompt- och strukturlager alla tillgångar.

AI genererar dessa parallellt på en stark utkastnivå, inte sekventiellt från grunden. Därefter lägger vi till mänsklig granskning och förfining, där produktmarknadsföringen säkerställer narrativets integritet, tillväxtteamet optimerar distributionen och varumärkesteamet upprätthåller röst och konsekvens.

Vi gick också från en kampanjbaserad produktionscykel till ett kontinuerligt innehållssystem. De flesta marknadsföringsorganisationer arbetar fortfarande utifrån ett traditionellt kampanjtänkande: Man definierar en kampanj, skapar en uppsättning tillgångar, lanserar och går sedan vidare. Den modellen byggdes för en värld där innehållsproduktion var dyr och långsam. Nu kör vi parallella loopar för generering och iteration. Det minskar cykeltiden och gör att vi kan reagera mycket snabbare på produkt- och marknadssignaler.

Hur AI förbättrar produktionseffektiviteten och den narrativa konsekvensen

På den positiva sidan har AI:s mest omedelbara effekt varit skala och effektivitet. Genom att införa AI i arbetsflödena för innehålls- och kampanjproduktion ökade vi produktionen betydligt utan att utöka personalstyrkan. På vCluster innebar detta att vi kunde skala från ungefär 36K till cirka 7M månatliga visningar, samtidigt som CPM minskade från omkring $5.58 till $0.29. Även om flera faktorer bidrog var en viktig drivkraft att vi kunde producera och iterera innehåll mycket snabbare och mer konsekvent i flera kanaler.

Vi förbättrade också genomförandetakten. Innehållscykler som tidigare tog veckor — särskilt för tvärfunktionella material som involverade produktmarknadsföring, varumärke och tillväxt — komprimerades till dagar. Det gjorde det möjligt för oss att reagera på produktlanseringar och marknadssignaler nästan i realtid, vilket är avgörande i ett snabbt föränderligt AI-ekosystem.

Ett annat positivt resultat var enhetlighet i narrativet. AI hjälpte till att standardisera hur vi omvandlar tekniska underlag till budskap i olika kanaler, vilket minskade fragmenteringen mellan innehåll riktat till utvecklare, säljstöd och kampanjer för efterfrågegenerering. Denna samordning förbättrade både kvaliteten på engagemanget och resultatet längre ner i tratten.

Kvalitativt sett var en av de största förändringarna organisatorisk. Marknadsföringsteamet gick från att främst vara en genomförandeorienterad funktion till att fokusera mer på samordning. Människor ägnar nu mer tid åt riktning, strategi och validering, medan AI hanterar den första produktionsfasen och variationer. Detta har förbättrat teamets fokus och minskat operativa flaskhalsar.

Simone delar med sig

Människor ägnar nu mer tid åt riktning, strategi och validering, medan AI hanterar den första produktionsfasen och variationer.

Hur AI kan leda till överproduktion

Utmaningar uppstod också. Tidigt såg vi en tendens till överproduktion. AI genererade för många variationer utan tillräckliga inledande begränsningar, vilket skapade brus och krävde att vi byggde upp starkare lager för redaktionell styrning och styrning av prompter. Vi hanterade också aktivt risken för urvattnade budskap och såg till att snabbhet inte skedde på bekostnad av skarp positionering eller tydlighet i kategorin.

En annan lärdom var att AI kan förstärka både bra och dåliga indata. När det underliggande narrativet eller briefen är svag förstärker AI snabbt den svagheten. Detta tvingade oss att investera mer i den inledande strategin och i en mer genomarbetad utformning av indata innan vi genererade något i stor skala.

Överlag har nettoresultatet varit tydligt positivt, men först efter att vi etablerat tydliga skyddsräcken.

Varför AI inte kan leverera differentiering och positionering

AI har också presterat sämre än de tidiga förväntningarna när det gäller strategisk differentiering och positionering.

Inledningsvis antog vi att AI kunde hjälpa till att skapa starkare narrativ för kategorin eller till och med identifiera positioneringsvinklar som skulle ge oss ett övertag. I praktiken upptäckte vi att AI visserligen är skicklig på att omarbeta befintliga marknadsmönster, men har svårt att skapa verkligt originell eller försvarbar positionering.

AI tenderar att konvergera mot medianen av det som redan finns, vilket är motsatsen till vad man vill när man försöker sticka ut på en trång marknad för infrastruktur eller AI-plattformar.

Varför marknadsföringsledare först måste begränsa AI

En tidig AI-assisterad kampanj som vi genomförde för att ompositionera en teknisk plattform för en bredare målgrupp inom DevOps och plattformsteknik ger ett tydligt exempel på var AI inte lyckades bidra med strategisk differentiering.

Vi använde AI för att ompositionera vår plattform för en Neoclouds-målgrupp. Resultatet kom snabbt och gav oss flera riktningar: ”förenkla Kubernetes-driften”, ”förbättra plattformseffektiviteten” och ”påskynda utvecklarnas produktivitet”.
Allt lät rätt. Det var precis problemet.

Ingen av dessa vinklar differentierade oss på riktigt. När vi stresstestade dem mot marknaden upptäckte vi att närliggande verktyg redan använde dem flitigt i Kubernetes- och molnbaserade ekosystem. AI förstärkte i praktiken ett vanligt branschspråk i stället för att hjälpa oss att bryta oss loss från det. Om vi hade gått vidare med det genererade resultatet skulle kampanjen ha smält in i kategorin i stället för att forma den.

Vi skärpte den människostyrda indatafasen betydligt. I stället för att börja med breda prompter om produktens funktioner införde vi skarpare begränsningar inom tre områden: vår unika arkitektoniska fördel, de avvägningar vi var beredda att offentligt stå för och de målgruppssegment som vi uttryckligen ville leda med, inte bara inkludera.

När vi åter förankrade indata i dessa strategiska val använde vi AI på ett annat sätt: inte för att uppfinna en positionering, utan för att stresstesta tydligheten, anpassa budskapet till olika personatyper och generera variationer på genomförandenivå för innehåll och kampanjer.

Resultatet blev ett mycket skarpare narrativ med fokus på en mer specifik och försvarbar vinkel: hur plattformsteam kan tänka om kring infrastrukturabstraktion för moderna arbetslaster, snarare än generiska teman om effektivitet eller produktivitet. Denna förändring förbättrade kvaliteten på engagemanget och gjorde budskapet mer minnesvärt i tekniska gemenskaper, särskilt bland Kubernetes-användare, som är mycket känsliga för alltför generisk positionering.

Så flaskhalsen är inte längre produktionskvalitet eller snabbhet; den är originalitet och skärpa i tänkandet. Att sticka ut kräver nu ett mycket tydligare perspektiv, en klarare positionering och en vilja att göra uttryckliga avvägningar. Utan det tenderar AI att dra allt mot marknadens genomsnitt.

Hur AI förändrar marknadsteamens struktur

AI förändrade i grunden mitt marknadsteam från en funktionellt uppdelad organisation till en mer flexibel, tvärfunktionell genomförandemodell.

Traditionellt separerade vi rollerna tydligt. En innehållsmarknadsförare ansvarade för att skapa innehåll och lämnade sedan över det till distributionsspecialister för anpassning, medan produktmarknadsföringen separat utvecklade budskap och positionering som sedan behövde översättas till kampanjer. Varje steg innebar omarbete och översättning mellan funktionerna.

Med AI i arbetsflödet har strukturen förändrats avsevärt. Nu kan varje teammedlem arbeta över flera delar av innehålls- och kampanjlivscykeln. En innehållsmarknadsförare kan inte bara skapa det första utkastet till en artikel, utan även de första versionerna av varianter för sociala medier, e-posttexter och till och med olika positioneringsvinklar. En tillväxtmarknadsförare kan ta samma underlag och omedelbart skapa kampanjvarianter eller ramverk för testning. Produktmarknadsföringen kan gå från att skriva allt från grunden till att förfina berättelsen, säkerställa korrekthet och anpassa budskapen till strategin.

Den viktigaste förändringen är att vi inte längre skapar arbete sekventiellt från noll. AI genererar som standard ett utkast av hög kvalitet, som vi sedan lämnar över mellan funktionerna för förfining, validering och optimering. Detta har avsevärt minskat friktionen mellan teamen och förkortat iterationscyklerna.

Som ett resultat fokuserar marknadsförare nu mer på omdöme, redigering och strategisk riktning än på ren produktion. Teamet är mindre beroende av manuellt genomförande, men har större kapacitet att mångfaldiga resultaten.

AI har också gjort samarbetet mer dynamiskt. I stället för rigida överlämningar arbetar vi nu mer som ett gemensamt kunskapssystem där vi kan omvandla vilket underlag som helst till flera resultat i olika kanaler, varefter den relevanta specialisten förfinar dem.

Varför marknadsteam behöver decentraliserade budgetar för AI-verktyg

Om jag började om skulle jag först investera marknadsbudgeten, inte i traditionella kampanjutgifter eller ens fler anställda, utan i att ge varje marknadsförare direkt tillgång till en flexibel, decentraliserad budget för AI-verktyg.

Jag skulle tilldela individuella budgetar så att marknadsförare kan ta till sig och experimentera med verktyg som förbättrar deras dagliga produktivitet, utan att behöva vänta på centraliserade inköps- eller IT-godkännandeprocesser. Det omfattar AI-verktyg för skrivande, assistenter för dataanalys, plattformar för kreativt skapande, automatiseringsverktyg och nischade verktyg som snabbt växer fram i AI-ekosystemet.

Anledningen är enkel. I en AI-driven miljö överträffar utvecklingstakten för verktyg företagens inköpscykler. Centraliserad åtkomst standardiserar oundvikligen teamen kring en föråldrad verktygsuppsättning, vilket bromsar experimenterandet och skapar ett gap mellan vad som är möjligt och vad som faktiskt används i genomförandet.

Jag har sett detta på nära håll när jag infört AI i marknadsföringsarbetsflöden. De team som hade friheten att tidigt testa och ta till sig verktyg arbetade betydligt snabbare med innehållsproduktion, kampanjiteration och dataanalys. Team som begränsades av centraliserade godkännandeprocesser återgick ofta till långsammare, äldre arbetsflöden, även när bättre verktyg fanns tillgängliga.

En distribuerad verktygsbudget skapar däremot en annan dynamik. Den gör varje marknadsförare till en operatör som kontinuerligt kan optimera sin egen verktygsuppsättning. Den synliggör också innovation organiskt, eftersom de bästa verktygen naturligt sprids i teamet genom användning snarare än genom påbud.

För det andra skulle jag prioritera att bygga ett lättviktigt stödskikt kring denna frihet, med gemensamma bästa praxis, bibliotek med prompter och interna arbetsflöden för att förhindra att experimenterandet leder till fragmentering.

Central kontroll optimerar för konsekvens, medan distribuerat stöd optimerar för anpassning. Och det är anpassning som skapar konkurrensfördelar i snabbföränderliga marknadsmiljöer.

Hur Claude CoWork skapar verklig hävstång

Jag är särskilt entusiastisk över en AI-funktion från Anthropic: Claude CoWork.

Det går längre än det traditionella chattgränssnittet och känns som en verklig arbetsmiljö för kunskapsarbete. I stället för isolerade uppmaningar möjliggör det mer strukturerade och beständiga arbetsflöden. Det är precis här AI ger verklig hävstång.

Jag uppskattar också hur snabbt Anthropic itererar utifrån verkligt användarbeteende. De uppmärksammar vad communityn bygger och använder och integrerar sedan dessa mönster direkt i kärnprodukten. Det påminner mig om hur snabbt koncept från projekt som OpenClaw tog sig in i Claude CoWork. Den återkopplingsslingan är viktig eftersom verktyget utvecklas för att återspegla hur människor faktiskt arbetar, inte bara hur produktteamet föreställer sig att de borde arbeta.

Rent praktiskt minskar det också behovet av att sammanfoga flera verktyg eller tillägg. Jag behöver inte återskapa arbetsflöden, utvärdera nya leverantörer eller oroa mig för säkerhet och datahantering i en fragmenterad verktygsuppsättning. Jag litar redan på Anthropic som företag, så när de släpper nya funktioner kan jag snabbt och tryggt börja använda dem.

Varför varje marknadsteam behöver en AI-implementeringsroll

Med det sagt är det största gapet jag har sett i AI-användningen inte verktygen. De flesta marknadsteam har tillgång till AI-verktyg. Det som saknas är någon vars enda uppgift är att följa vad som förändras, sålla bort bruset och omvandla det till arbetsflöden som teamet faktiskt kan använda.

De flesta organisationer antar att användningen automatiskt kommer att följa om teamen har tillgång till AI-verktyg. I praktiken är medvetenhet och syntes de begränsande faktorerna. AI-landskapet förändras så snabbt att ingen enskild marknadsförare realistiskt kan hålla jämna steg med nya modeller, verktyg, arbetsflöden och bästa praxis samtidigt som de utför sina huvudsakliga arbetsuppgifter. När alla delvis ansvarar för att hålla sig uppdaterade är ingen fullt ansvarig för det.

Enligt min erfarenhet har det fungerat mycket bättre att skapa en särskild AI-implementeringsroll inom marknadsorganisationen. Det här är inte bara en administratör för verktyg eller en promptingenjör; det är någon som är djupt nyfiken på AI, aktivt följer utvecklingen inom modeller och tillämpningar och kontinuerligt översätter den till praktiska arbetsflöden för teamet.

Den här personen blir i praktiken ett internt intelligenslager. De utvärderar nya verktyg, testar användningsområden, sammanställer vad som är användbart respektive brus och omsätter det sedan i återanvändbara arbetsflöden. Lika viktigt är att de fungerar som en bro i båda riktningarna. Teammedlemmar kan ta med sig problem eller ineffektiviteter, utforska AI-baserade lösningar och få tillbaka strukturerade rekommendationer.

Den här rollen påverkar framför allt fokus. Den avlägsnar den kognitiva belastningen av att ”hålla sig uppdaterad om AI” från enskilda medarbetare och centraliserar den i en enda funktion vars enda uppgift är att ligga steget före och effektivt sprida den kunskapen. Utan detta tenderar team att fragmenteras. Resultatet blir ojämn användning, inkonsekventa arbetssätt och dubblerade experiment. Med detta skapar man en kumulativ effekt där lärandet centraliseras medan genomförandet fördelas.

Varför marknadsförare måste se AI som en förändring av verksamhetsmodellen

Det viktigaste rådet jag skulle ge marknadschefer är att se detta som en förändring av verksamhetsmodellen, inte som en uppgradering av verktygen.

Det är lätt att dras med i att utvärdera verktyg, testa funktioner och jaga stegvisa produktivitetsvinster. Det är viktigt, men det ger inte den verkliga fördelen. Den verkliga förändringen handlar om hur marknadsarbetet utförs, hur team struktureras och var mänskliga insatser används.

Några principer är särskilt viktiga:

• För det första: investera i kvaliteten på indata innan ni skalar upp utdata. AI genererar så mycket innehåll som ni ber det om, men kvaliteten på innehållet beror helt på tydligheten i er positionering, målgruppsdefinition och berättelse. Ledare som hoppar över detta steg skalar upp brus, vilket jag tar upp i ”Marknadsplan för teknikstartups”.
• För det andra: utforma om arbetsflöden, inte bara uppgifter. I stället för att fråga hur AI kan göra ett befintligt steg snabbare bör ni se på hela systemet från indata till resultat och tänka om kring hur det fungerar i en värld där utkast skapas direkt och iteration är billig. Det frigör förbättringar av en helt annan storleksordning.
• För det tredje: skapa utrymme för ett fokuserat AI-ansvar. Oavsett om det handlar om en särskild roll eller en liten grupp måste någon hålla sig uppdaterad om utvecklingen, testa verktyg och översätta detta till praktiska arbetsflöden. Utan det fragmenteras teamen och användningen stannar av.

Följ med

Du kan följa Simone Morellato på LinkedIn.

Fler expertintervjuer kommer på The CMO Club!