De fleste virksomheder bruger i dag sprogmodeller til at skrive emailtekst hurtigere. Det er en reel produktivitetsgevinst, men den er begrænset: en mail, der er skrevet på ti minutter i stedet for en time, præsterer præcis lige så godt som før. Gevinsten ligger i omkostningssiden, ikke i toplinjen.
Den interessante anvendelse ligger et andet sted. Email er den eneste kanal, hvor afsenderen har fuld kontrol over, hvad den enkelte modtager ser, og hvor marginalomkostningen ved at vise noget forskelligt til to modtagere er nul. Det er den kombination, der gør email til det sted, hvor AI betaler sig først. Ikke fordi teksten bliver bedre, men fordi beslutningen om hvilken tekst, hvilket billede og hvilket tidspunkt kan træffes én gang pr. modtager i stedet for én gang pr. kampagne.
I automation er gevinsten størst, fordi hver udsendelse allerede har en kendt kontekst
En kampagnemail rammer en liste. En automationsmail rammer én person på baggrund af én konkret handling, og den handling er i sig selv information. Det gør automation til det oplagte sted at begynde.
Anatomien i en typisk abandoned cart-mail ser ens ud i de fleste opsætninger. Emnefeltet er statisk. Preheaderen er statisk. Herobilledet er et brandbillede valgt for et halvt år siden. Brødteksten er statisk. Kun produktmodulet er dynamisk. Fem elementer, hvoraf ét tilpasser sig modtageren.
Samme kurv, to versioner
Samme kurv, to versioner — fem ud af fem elementer flytter sig
Mette, 34 år, tre tidligere ordrer, købte vandrestøvler for syv måneder siden, åbner typisk mellem 20 og 22. Forladt kurv: regnjakke i størrelse M og løbesokker. Det er første november.
Et test på browse abandonment: klikraten steg 87 procent
ClimbWise har kørt opsætningen i praksis på et browse abandonment-flow — det flow, der udløses, når en besøgende ser på et produkt uden at lægge det i kurven. Det er bevidst det svageste intentionssignal i hele automationsporteføljen. Hvis personalisering kan flytte noget her, kan den flytte noget overalt.
Klikraten steg 87 procent, købsraten 26 — åbningsraten knap nok
Relativ ændring på et browse abandonment-flow, det svageste intentionssignal i hele porteføljen.
Åbningsraten flytter sig fem procent, og det er som forventet. Emnelinjen er det eneste element, modtageren ser før beslutningen om at åbne, og den konkurrerer med tyve andre emnelinjer i indbakken.
Klikraten stiger 87 procent. Gevinsten ligger ikke i emnelinjen. Den ligger i alt det, der kommer efter åbningen — og det er netop den del, de fleste opsætninger lader stå statisk, fordi den traditionelle flowbygger ikke kan andet.
Købsraten stiger 26 procent. Det er tallet, der betyder noget for bundlinjen, og det er opnået uden at ændre en eneste ting ved produktet, prisen, tilbuddet eller flowets timing-logik.
AI’en opfinder ikke noget — den henter fakta fra jeres egen hjemmeside
Den mest almindelige indvending mod generativ AI i kundekommunikation er, at modellen finder på. Den indvending er berettiget, hvis man beder modellen om at beskrive et produkt ud fra sin træningsdata. Den forsvinder, når man i stedet giver modellen materialet og beder den om at formulere.
Modellen skriver ikke frit — den samler jeres egne data efter jeres egne regler
Fire input, ét sæt beslutninger, én modtager. Klik en knude for at se, hvad den bidrager med.
Ingen af de fire kan undværes. Mangler ét af dem, falder det tilsvarende element i mailen tilbage til standardversionen — og så er den personaliseret alle steder undtagen dér.
Faktagrundlaget er produktbeskrivelsen fra jeres egen produktside, specifikationerne fra feedet, ordrehistorikken fra e-commerce-platformen og kurvens indhold fra sessionen. Det er de data, modellen har, og den har ikke andre. Da modellen i eksemplet skriver, at regnjakken har en vandsøjle på 20.000 millimeter, er det, fordi tallet står i feedet. Havde det ikke stået der, var sætningen ikke blevet skrevet.
Skrivereglerne er den anden komponent. Prompten definerer tone, længde, tiltaleform og hvilke argumenttyper der må bruges. Det er den samme brief, I ville give en tekstforfatter — bare skrevet ned én gang og anvendt konsekvent. Her ligger også de negative instruktioner, som i praksis er de vigtigste: nævn ikke leveringstid, lov ikke lagerbeholdning, opfind ikke rabatter, sammenlign ikke med konkurrenter.
Billedbanken er den tredje komponent, og den bliver typisk glemt. Skal modellen kunne vælge et herobillede, der passer til modtageren, skal billederne være tagget med produkt, kategori, sæson og stemning. Er de ikke det, falder personaliseringen tilbage til det samme brandbillede til alle — og så er fire ud af fem elementer tilpasset, men ikke det første modtageren ser.
Priser, lagerstatus, rabatkoder og leveringstider skal hentes deterministisk fra systemet og indsættes som variabler — ikke genereres som tekst. Forskellen er ikke teknisk sværhedsgrad, men konsekvens ved fejl: en kejtet formulering koster et klik, en forkert pris koster en kundeklage.
Endelig skal der være en fallback. Fejler API-kaldet, eller mangler dataen på den enkelte modtager, skal flowet sende den statiske standardversion frem for ingenting. En personaliseringsopsætning, der kan blokere en udsendelse, er en risiko, ikke et aktiv.
På kampagnesiden ligger gevinsten tre steder — og de er ikke lige modne
Kampagner har ikke automationens fordel: de rammer et segment, ikke en handling. Til gengæld er kampagner der, hvor timerne forsvinder. Gevinsten ligger derfor ikke primært i performance, men i at frigøre tid og hæve kvaliteten af de beslutninger, der træffes, før mailen overhovedet bliver bygget.
Kampagneplanen skal bygges på data, ikke på sidste års kalender
De fleste årshjul bliver til på samme måde: man tager sidste års plan, flytter datoerne og fylder hullerne ud med noget, der føles rigtigt. Beslutningen om, hvad der skal sendes i uge 37, træffes ud fra erindring, ikke ud fra hvad der virkede.
Al den nødvendige data findes allerede — den ligger bare i fire systemer og bliver aldrig set samlet. Produktsalg pr. uge og kategori over to til tre år. Åbnings- og klikrater pr. kampagne og tema. Trafik på artikler og guides. Lagerstatus og indkøb for den kommende sæson.
Fodrer man en model med de fire datasæt, får man et udkast, hvor hver udsendelse har en begrundelse knyttet til sig. Det kræver ikke avanceret modellering. Det kræver, at nogen sammenholder fire datasæt for tredive kampagner, og det er præcis den slags arbejde, der aldrig bliver gjort, fordi det tager for lang tid.
Planen er et udkast, ikke en facitliste. Der vil altid være kampagner, der skal ligge fast af andre grunde. Men forskellen på at rette i et databaseret udkast og at bygge en plan fra bunden er betydelig, både i tid og i kvalitet.
Oversættelse til lokalsprog
At oversætte sin webshop til modtagerens sprog løfter konverteringsraten. De fleste har gjort det på sitet. Færre har gjort det konsekvent på email, og grunden er banal: det er tidskrævende manuelt arbejde uden fagligt indhold.
Oversættelse er den mest oplagte automatisering overhovedet
Tidskrævende manuelt arbejde uden fagligt indhold — og det eneste, der skal blive tilbage, er korrekturen.
mindre tid på selve oversættelsesarbejdet, målt af ClimbWise.
om året på ren oversættelse ved tre sprogmarkeder og seks kampagner om måneden. Den tid forsvinder stort set.
Opsætningen er triviel at bygge. Templaten trækkes ud af emailsystemet via API, sendes til oversættelse med brandets egen tone og termliste i prompten, og skrives tilbage som en ny sprogversion. Tilbage står korrekturlæsningen, og den skal man holde fast i: en modersmålstalende, der bruger ti minutter på at godkende, er billigere end den mail, der går ud med en forkert produktbetegnelse i alle tre markeder.
Udkast til den enkelte mail er det sværeste
Her bliver det for alvor vanskeligt, og særligt for single brand-virksomheder. En multibrand-forhandler kan komme langt med produkter, priser og tilbud, og det er struktureret data. En single brand-virksomhed sender langt mindre produktkommunikation og langt mere storytelling: brandhistorie, råvarer, menneskene bag, baggrundsartikler. Det er blødt indhold, og det er dét, der giver mailen sin værdi.
Det kan stadig lade sig gøre, men kvaliteten afgøres af forberedelsen, ikke af modellen. Fire ting skal være på plads: et sæt godkendte templates, integration til produktdata, adgang til brandets egne artikler og tekster, og et billedbibliotek med brugbare tags. Oven på det lægges en simpel formular med fem-seks felter, hvor man angiver retningen for den enkelte mail. Med den opsætning producerer modellen et udkast, der er værd at rette i — ikke en færdig mail, men en, der sparer den tomme side.
Start med ét flow, mål det ordentligt, og byg opsætningen én gang
Rækkefølgen er vigtigere end værktøjsvalget. Begynd med det flow, der har flest udløsninger om måneden og mest data pr. modtager — for de fleste er det abandoned cart, derefter browse abandonment og post purchase. Mål en ordentlig baseline i mindst fire uger, før I ændrer noget. Personalisér derefter alle fem elementer på én gang frem for at teste dem enkeltvis; gevinsten ligger i sammenhængen, ikke i det enkelte element.
Det arbejde, I lægger i faktagrundlaget og prompten, er samtidig det, der gør de øvrige anvendelser mulige. Bygger man komponenterne én gang og ordentligt, falder omkostningen ved hver ny anvendelse markant.
Og hold fast i den vigtigste skelnen: I bygger ikke en model, der skriver jeres mails. I bygger en model, der samler jeres egne oplysninger efter jeres egne regler, én modtager ad gangen.