På vårt nylige Agents in Action-arrangement kom Daniel Hulme (Chief AI Officer @ WPP) – som har brukt 25 år på å bygge og distribuere AI-systemer i stor skala – med en observasjon som ble sittende fast. «Vi blir begeistret for teknologi», sa han, «og så har vi en tendens til å bruke den teknologien til å løse feil problem.»
Det er et mønster som spiller seg ut på tvers av markedsføringsorganisasjoner i alle størrelser. Ikke fordi team mangler ambisjoner eller ressurser, men fordi den virkelige disiplinen rundt agentdistribusjon (det harde, lite glamorøse arbeidet med å identifisere de riktige problemene, teste grundig og bygge styring før du trenger det) sjelden er med i lanseringsmeldingen.
Nedenfor finner du 6 feil vi ser markedsføringsteam gjøre når de introduserer AI-agenter. Noen er hentet fra Daniels foredrag, mens andre kommer fra det bredere mønsteret av hvordan organisasjoner faktisk navigerer i denne overgangen.
De gode nyhetene? Alle disse kan unngås.
-
Starter med verktøyet, ikke problemet
Dette er det grunnleggende, og det skjer på alle seniornivåer. En ny agentkapasitet blir demonstrert, noe klikker, og spørsmålet blir umiddelbart: hvor kan vi bruke dette? Problemet er at det å jobbe bakover fra et verktøy nesten alltid fører deg til feil destinasjon.
Alternativet er ikke tregt eller overdrevent forsiktig – det er bare et annet utgangspunkt. Hva er friksjonen som faktisk koster deg? Hvor er øyeblikkene du går glipp av, kampanjene du ikke kan kjøre i det tempoet du ønsker, innholdsvariantene du ikke kan teste? Start der. Spør deretter om en agent virkelig er den riktige løsningen, og om du har dataene og kapasiteten til å distribuere den godt.
"Start med problemet og jobb bakover. Spør deg selv: har vi riktig kapasitet, kunnskap og data til å løse det?" Daniel Hulme, Chief AI Officer @ WPP
Team som snur dette – som starter med et tydelig navngitt problem og bygger mot en løsning – har en tendens til å oppdage at agentene deres har bedre definerte input og output, er lettere å evaluere, og har langt større sannsynlighet for å levere noe målbart. -
Behandle distribusjon som en lansering, ikke en utgivelsessyklus
I tradisjonell programvareutvikling går rundt 80 % av den totale innsatsen til testing. Ikke bygging – testing. Dette forholdet endres ikke når du distribuerer AI-agenter. Det som endres er at de fleste team ikke er klar over det.
Det er en tendens til å behandle agentdistribusjon slik du ville behandlet en innholdslansering: planlegge, bygge, sende, gå videre. Men agenter som opererer innenfor markedsføringsarbeidsflyter – tilpasse innhold, rute briefinger, gi anbefalinger – er nærmere programvareutgivelser enn kampanjeressurser. De må testes, overvåkes og itereres kontinuerlig.
Daniel var direkte om risikoen: «Bedrifter vil distribuere AI-agenter, og de kommer ikke til å teste dem. De kommer ikke til å innse hvor mye innsats som kreves for å sørge for at de er trygge og ansvarlige.» Teamene som får dette til, bygger ikke bare agenter. De bygger styringslaget rundt seg; strukturen som lar dem bevege seg raskt med selvtillit i stedet for bare å bevege seg raskt.
-
Planlegger bare for fiasko, og ikke for suksess
Team utfører kvalitetssikring. De definerer hvordan fiasko ser ut og bygger inn sikkerhetstiltak. Det de sjelden gjør, er å modellere hva som skjer når en agent presterer nøyaktig som tiltenkt – og forårsaker et problem uansett.
Daniel kaller dette «går veldig riktig»-problemet, og det er en av de mer undervurderte risikoene ved AI-distribusjon. Eksemplet hans er verdt å ta med seg: en agent som optimaliserer målretting av markedsføringskampanjer med perfekt presisjon, kan over tid skape en verden av lik målretting – målgrupper som er så tett definert at de begynner å forsterke skjevheter og kollapse det kreative spekteret i markedsføringen din.
"Du må tenke på konsekvensene av at AI går helt riktig" Daniel Hulme, Chief AI Officer @ WPP
Dette er ikke et argument for å begrense agentens kapasitet. Det er et argument for å sette grenser for det. Suksessmålinger for agenter trenger et tak, ikke bare et gulv. Hvordan ser "for optimalisert" ut? Hvilke resultater vil fortelle deg at agenten jobber på en måte som skaper nedstrømsrisiko – selv om overskriftstallene ser bra ut? -
Ansettelse for AI-spesialisering når bredde er multiplikatoren
Instinktet når du bygger AI-kapasitet i organisasjonen din, er å se etter spesialister; folk som kjenner verktøyene, forstår modellene, snakker språket. Det er ikke feil, akkurat.
... men Daniels observasjon fra 25 år med utplasseringsarbeid peker på en mindre åpenbar sannhet: de som får mest ut av AI-agenter er ikke alltid de mest teknisk flytende. De er de mest kontekstuelt rike.
"Folk som har et bredt sett med ferdigheter eller kunnskap er i stand til å forbedre bruken av AI", sa han. Noen med bakgrunn i kunsthistorie, antropologi eller geopolitikk kan avdekke referanser, innramminger og kulturelle resonanser som en snevert utdannet spesialist kanskje overser helt – fordi AI allerede hadde den kunnskapen, er menneskets jobb å vite hvor de skal lete etter den.
For markedsføringsteam har dette en praktisk implikasjon: personen du setter i spissen for å orkestrere agentarbeidsflytene dine kan være din mest generalistiske, mest kreativt promiskuøse tenker ... ikke din mest teknisk ansatt. Begge deler er viktig, men ikke forveksle det ene med det andre. -
Måling av effekt i «sparet tid» i stedet for frigjort arbeid
Sparet tid er en fin målestokk (og en vi alle elsker). Den er enkel å rapportere, enkel å visualisere i en forretningsplan, men ofte misvisende som et mål på agentverdi i en markedsføringskontekst.
Som Julia Maguire bemerket under økten: i markedsføring er det aldri mangel på arbeid. Effektivitetsgevinster gir ikke slapphet – de gir kapasitet til mer ambisjon.
Spørsmålet bør ikke bare være «hvor mange timer sparte dette?», men mer «hva gjorde vi som vi ikke kunne gjøre før?».
Som Daniel sa: «Det er millioner av øyeblikk akkurat nå som blir oversett der merkevarer ikke klarer å presentere produktene sine for de riktige menneskene». Det virkelige argumentet for AI-agenter i markedsføring er ikke driftseffektivitet, det er dekning; kampanjene som ikke ble kjørt, innholdsvariantene som ikke ble testet, målgruppene som ikke ble nådd. Mål for disse, og verdiforslaget endres fullstendig. -
Å vente til noe går galt med å bygge styring
Styring har et imageproblem. Det kan leses som en brems, snarere enn en akselerator, også kjent som noe du setter på plass etter at advokatene blir involvert eller etter at en hendelse tvinger frem samtalen.
I praksis er det motsatte sant: team med klare styringsstrukturer distribueres raskere, ikke saktere, fordi de allerede har tenkt gjennom spørsmålene som ellers ville stoppet dem.
Daniel skisserer fire spørsmål han stiller før enhver AI-distribusjon hos WPP:
✅ Er intensjonen passende?
✅ Er algoritmene forklarlige?
✅ Har agentene blitt riktig verifisert og testet?
✅ Og (tilbake til feil nr. 3), hva skjer hvis dette går helt riktig?
Disse er ikke samsvarsavkrysningsbokser. De er et tenkende rammeverk som gjør distribusjonsbeslutninger renere.
Frykt ikke, markedsførere. Dette krever ikke en dedikert AI-etikkkomité. I stedet trenger det bare en kort liste med spørsmål som stilles konsekvent ... før agenten går live, ikke etter at det første går i stykker.
Kort historie: Teamene som får dette til er ikke de med de beste verktøyene
Det er de som behandlet agentdistribusjon som en disiplin, med:
- Fullstendig definerte problemer
- Ekte testsykluser
- Styring bygget før det var nødvendig
- Suksessmålinger som fanger opp hva som ble gjort mulig ... ikke bare raskere
- AI-aktivering og opplæring (hei, Opal U | AI Marketing University)
Teknologien er ikke lenger den vanskelige delen. Den vanskelige delen er alt rundt den: tankegangen, strukturen, den ærlige vurderingen av hva du faktisk prøver å gjøre eller hva arbeidsflyten din trenger. Få det riktig, og agentene følger etter.
Sjekk ut AI-håndboken: En moderne markedsførers guide til agentorkestrering