Adgangsbarrieren til at bygge AI-løsninger er faldet væk. For to år siden krævede en brugbar løsning en udvikler. I dag kræver den en person, der kan beskrive en proces præcist. Det flytter flaskehalsen fra teknisk kunnen til forretningsforståelse — evnen til at se sammenhænge, kende sine egne processer godt nok til at vide, hvor tiden og pengene forsvinder, og vurdere hvor en model rent faktisk løfter noget.
Det betyder også, at kvaliteten af AI-arbejdet afgøres længe før, man åbner et værktøj. Den dyreste fejl er ikke en dårlig prompt. Det er at bygge noget teknisk imponerende, som løser et problem, der ikke koster nok til at retfærdiggøre arbejdet.
Tre kategorier dækker stort set al værdiskabelse med AI
I marketing og e-commerce falder næsten alle anvendelser inden for tre områder: performance, ressourcereduktion og indsigter. De er ikke gensidigt udelukkende — de overlapper, og de bedste løsninger ligger typisk i snittet mellem to af dem.
Tre kategorier dækker stort set al værdiskabelse med AI
De overlapper, og de bedste løsninger ligger i snittet mellem to af dem. Vælg en kategori.
Klik en cirkel for at se, hvad kategorien måles på.
Performance forbedrer de beslutninger, der allerede tages i kunderejsen
Performance-sporet ændrer ikke hvad du gør, men hvor godt du gør det. Emnelinjer, segmentlogik, produktbeskrivelser, on-site søgning, anbefalingslogik, annoncetekster. Alt sammen ting, der allerede findes i jeres kunderejse, og hvor der er en målbar baseline.
Det er præcis derfor kategorien er nem at validere og svær at bluffe sig igennem. Hvis et sæt AI-genererede emnelinjer løfter åbningsraten på welcome-flowet fra 38 til 43 procent, og flowet sender 42.000 mails om året, så er det 2.100 ekstra åbninger. Med en konverteringsrate på 3,2 procent og en gennemsnitlig ordreværdi på 640 kroner bliver det 43.008 kroner i årlig merværdi. Tallene er modelbaserede, men strukturen er den rigtige: baseline, delta, volumen, kroner.
Faldgruben er, at performance-gevinster er de letteste at overdrive. Kræv altid en før-måling, før noget sættes i drift.
Ressourcereduktion har den mest forudsigelige payoff
Her handler det ikke om at gøre noget bedre, men om at gøre det samme med markant færre timer. Kandidaterne er standardiserede, tilbagevendende opgaver med lidt skøn: oversættelse af produkttekster til nye markeder, opsætning af kampagnestrukturer, kategorisering af kundeservicehenvendelser, udtræk og formatering af data til faste rapporter.
Metoden er enkel og undervurderet: mål hvor lang tid opgaven faktisk tager i dag, før du designer noget. Et realistisk eksempel — produkttekster til to nye markeder tager 14 timer om måneden inklusive korrektur. Med en oversættelsesløsning med fast glossary og et menneske kun på kontrolleddet falder det til 3 timer. Det er 11 timer om måneden og 132 timer om året. Selv hvis opsætningen koster 40 timer, er den tjent hjem inden for fire måneder.
Læg mærke til, at værdien ikke er, at opgaven forsvinder. Den er, at de 132 timer flytter et andet sted hen.
Indsigter er der, hvor AI overgår selv den dygtige analytiker
Man kan være erfaren analytiker og stadig blive slået på hastighed og mønstergenkendelse. Ikke fordi analysen er for kompliceret, men fordi antallet af kombinationer er for stort til, at et menneske orker at gennemgå dem. Hvilke produktkombinationer i første ordre forudsiger genkøb inden for 90 dage? Hvilke kundesegmenter har faldende frekvens, men stigende ordreværdi — og bliver derfor ved med at se sunde ud i toplinjen?
Den slags spørgsmål har konkrete svar i data, som AI kan finde på minutter. Værdien opstår dog først i oversættelsen. Hvis analysen viser, at kunder der starter med en bestemt kategori har 22 procentpoint højere genkøb inden for 90 dage, er den konkrete handling at flytte den kategori frem i anskaffelsen og i welcome-flowet. En indsigt uden en tilhørende ændring i marketingen er ikke en indsigt. Det er trivia.
Formen afhænger af, hvor ofte opgaven gentages, og hvor meget skøn den kræver
Den samme opgave kan løses i fire forskellige former med meget forskellige omkostninger. Valget mellem dem er ikke et teknisk spørgsmål, men et spørgsmål om frekvens og variation.
Jo oftere opgaven gentager sig, jo mere selvstændig må løsningen være
Den samme opgave kan løses i fire former med meget forskellige omkostninger. Vælg en form.
Klik et trin for at se, hvornår det er det rigtige valg.
Engangs-chat bruger du, når opgaven opstår én gang, og du selv sidder med i processen. Ingen opsætning, intet vedligehold. Fælden er at blive her for længe — mange bruger tre måneder på at løse den samme opgave i chat i stedet for to timer på at pakke den ind.
Projekt, custom GPT eller Gem er svaret, når opgaven gentages, men du stadig skal starte den og vurdere resultatet. Gevinsten er ikke tid, men konsistens. Kontekst, tone og regler ligger fast, så resultatet ikke afhænger af, hvor godt du formulerede dig den dag.
Automation giver mening, når opgaven har en fast trigger, et fast input og et fast output — altså når mennesket ikke bidrager med skøn, kun med klik. Det er her ressourcereduktionen for alvor realiseres, og det er også her de fleste virksomheder har mest uindfriet potentiale.
Agent vælger du kun, når målet er fast, men vejen derhen varierer, og løsningen derfor skal træffe beslutninger og vælge mellem værktøjer undervejs. Det er den dyreste form at bygge, teste og vedligeholde, og den kræver kontrolmekanismer. Byg aldrig en agent, hvor et flow ville være nok.
Prioritér på værdi og produktionslethed, ikke på hvor spændende teknologien er
Når I har en liste af kandidater, scores de på to akser: værdi fra 0 til 100 og produktionslethed fra 0 til 100, hvor 100 er lettest at producere. To tal, ingen vægtede modeller, ingen workshops.
To tal afgør rækkefølgen: værdi og produktionslethed
Begge scores fra 0 til 100, hvor 100 er lettest at producere. Ingen vægtede modeller, ingen workshops. Klik et initiativ i tabellen eller i arket.
| # | Initiativ | Værdi | Lethed |
|---|---|---|---|
| 1 | Emnelinje-varianter til welcome-flow i Klaviyo | 35 | 90 |
| 2 | Oversættelse af produkttekster til DE og NL med fast glossary | 60 | 80 |
| 3 | Automatiseret månedsrapport på omsætning, CAC og DB3 | 55 | 65 |
| 4 | Svarudkast til gentagne kundeservicehenvendelser | 70 | 55 |
| 5 | Mønsteranalyse af første-til-anden-ordre på ordredata | 85 | 35 |
| 6 | Agent der omallokerer mediebudget på tværs af kanaler dagligt | 90 | 15 |
| 7 | AI-genererede on-model produktbilleder til kategorisider | 40 | 25 |
Øverst til højre ligger det, I går i gang med i denne måned — høj værdi, lav friktion. Øverst til venstre ligger det, der skal planlægges og ressourcesættes, ikke improviseres. Nederst til højre ligger småtingene, der fylder huller i kalenderen uden at fortjene et projekt. Nederst til venstre ligger det, I skal have modet til at lade være med, uanset hvor meget det fylder i debatten.
Pointen med arket er ikke præcisionen i scoren. Den er, at det tvinger en samtale om værdi frem, før nogen har brugt 60 timer på at bygge noget.
Start med det I gentager, ikke med det der imponerer
AI’s værdi i jeres forretning afgøres ikke af modellens kvalitet. Den er den samme for jer som for jeres konkurrenter. Den afgøres af, hvor godt I kender jeres egne processer, og hvor disciplinerede I er i at vælge form efter opgavens frekvens og variation frem for efter teknologiens nyhedsværdi.
Konkret første skridt: tag de fem opgaver, I har brugt mest tid på den seneste måned. Sæt timer på hver af dem. Placer dem i de tre kategorier og på prioriteringsarket. Den øverste højre kvadrant er jeres næste projekt — og er den tom, har I ikke målt jeres timer grundigt nok.