Introduksjon

Ifølge McKinsey bruker 78 % av organisasjoner nå generativ AI i minst én forretningsfunksjon. Men etter hvert som adopsjonen (og den generelle overbelastningen av AI) øker, stiller vi oss alle tre viktige spørsmål:

Denne rapporten gir innsikt i hvordan Optimizely Opal brukes på tvers av kundebasen vår og hvilke fordeler disse kundene får. Med tre måneders bruksdata fra nesten 900 selskaper, innsikt fra tidlige brukere og den nyeste bransjeforskningen, utforsker vi hvordan AI faktisk brukes og hvilke fordeler brukerne får av bruken.

Finn ut hva som fungerer, hva som utvikler seg, og hvordan de beste markedsføringspraksisene for AI ser ut i dag.

Datakilder

Vår innsikt er hentet fra tre primære datakilder:

• Interne Optimizely Opal-data: Analyserte bruksdata på tvers av 47 000 Optimizely Opal-interaksjoner fra kunder som tok i bruk Optimizely Opal etter den offentlige lanseringen, som dekker funksjonsadopsjonsmønstre, brukeratferd og målbare ytelsesresultater.
• Kundehistorier fra tidlige brukere: Førstehåndsinnsikt fra nesten 900 Optimizely Opal-brukere, som fremhever deres implementeringserfaringer, utfordringer som er overvunnet og de konkrete effektene som er oppnådd.
• Bransjeundersøkelser: Tredjepartsundersøkelser og undersøkelser fra ledende firmaer som McKinsey og Gartner, som gir ekstern kontekst rundt bredere AI-adopsjonstrender og transformasjoner innen markedsføring.

Metode

For å sikre statistisk nøyaktighet og et rent, forståelig resultat, benyttet denne analysen en metode med noen få nøkkelkomponenter:

Forskjell-i-forskjeller

Vi brukte en forskjell-i-forskjeller-tilnærming for å måle Optimizely Opals innvirkning nøyaktig. Denne metoden sammenligner endringer i viktige ytelsesmål mellom to grupper:

• Optimizely Opal-brukere:Kunder som begynte å bruke Optimizely Opal 7. mai 2025 eller senere.
• Ikke-Optimizely Opal-brukere: En kontrollgruppe av alle kunder som aldri tok i bruk Optimizely Opal i løpet av samme tidsramme.

Tilsvarende tidsvinduer

For hver Optimizely Opal-kunde analyserer vi to perioder:

• Periode før Optimizely Opal:
  • Eksperimentering:Det samme kalendervinduet året før adopsjonen (f.eks. juni–august 2024 hvis adopsjonen var i juni 2025), for å ta hensyn til sesongmønstre i eksperimenteringshastigheten.
  • Innholdsmarkedsføringsplattform:The perioden rett før adopsjonen, matchet i lengde med deres vindu etter adopsjonen (f.eks. hvis adopsjonen var 15. mai 2025 med måling frem til 15. august, ville vinduet før adopsjonen være de foregående 90 dagene).
• Periode etter Optimizely Opal:Vinduet som starter på kundens første dag med å bruke Optimizely Opal og går frem til i dag.

For ikke-Optimizely Opal-brukere måles ytelsen over identiske før- og etterperioder matchet med hver Optimizely Opal-kundes tidslinje. Med andre ord sammenlignes hver Optimizely Opal-bruker med en gruppe av alle ikke-Optimizely Opal-brukere (kontrollgruppen) i perioden som nøyaktig samsvarer med Optimizely Opal-brukerens bruk, noe som sikrer direkte sammenlignbarhet.

Beregning av økningen

For hver Optimizely Opal-kunde beregnet vi:

Optimizely Opal-økning (nettopåvirkning) = Endring for Optimizely Opal-bruker − Endring for ikke-Optimizely Opal-brukere

Ved å trekke fra kontrollgruppens forbedring fjernes bakgrunnstrender – som produktforbedringer, sesongeffekter eller bredere markedsendringer – noe som gir et konservativt estimat av Optimizely Opals reelle bidrag.

Vektet gjennomsnittlig DiD-økning

For å produsere hovedbenchmarken for hver beregning, beregnet vi et vektet gjennomsnitt av alle Optimizely Opal-kunders DiD-økninger. Hver kundes økning ble vektet etter deres aktivitetsnivå før Optimizely Opal (f.eks. antall eksperimenter i forperioden). Dette forhindrer at «gjennomsnittet av gjennomsnitt» problemet og sikrer at kunder med mer omfattende basisdata har proporsjonal innflytelse på det endelige resultatet.

Denne tilnærmingen gir et robust og pålitelig mål på Optimizely Opals nettopåvirkning.

Viktige konklusjoner

Tilstanden til AI

• AI leverer målbare gevinster, med selskaper som rapporterer AI-drevne forbedringer fra 30 % til 91 %.
• Optimizely Opal brukes på tvers av innholdslivssyklusen, ledet av eksperimentering (58,7 %) og innholdsorkestrering (26,6 %).
• Adopsjon spenner over 50+ land, ledet av USA (41,1 %), Storbritannia (16,2 %) og Australia (7,6 %).
• Detaljhandel (17,4 %), programvare (11,8 %) og finansielle tjenester (9,6 %) leder adopsjonen, med økende bruk innen helsevesen (3,2 %) og utdanning. (3,6 %).
• Bedrifter med alle digitale modenhetsnivåer bruker Optimizely Opal – høy (51,2 %), middels (37,1 %) og lav (11,6 %).
• Bruk strekker seg utover spesialistteam, og når ut til ledere, markedsføring, merkevarebygging, kreativitet, produktmarkedsføring, kundesuksess og arrangementer.
• Den øverste 1 % av brukerne bruker Optimizely Opal nesten 200 ganger, oftest for testideer, eksperimentsammendrag og AI-generert tekst og bilder.

Fordelen med AI

• Optimizely Opal Experimentation-brukere oppnår større effekt, kjører 78,7 % flere eksperimenter, lanserer 24,1 % flere personaliseringskampanjer, øker seiersraten med 9,3 % og konklusjonsraten med 1,4 %.
• 10,9 % av eksperimentene starter med Optimizely Opal-genererte ideer, 6,8 % er oppsummert av Optimizely Opal, og 19,5 % er oppfølginger fra Optimizely Opal-innsikt.
• Optimizely Opal-brukere akselererer resultatene, og øker kampanjevolumet med 17,1 % og oppgavevolumet med 12,8 %. Det reduserer også fullføringstiden for kampanjer med 53,7 % og fullføringstiden for oppgaver med 15,4 %, samtidig som innholdsengasjementet forbedres med 7,4 %.
• Optimizely Opal-generert innhold ser høy adopsjon – 52,6 % av bildene og 89,5 % av teksten aksepteres av brukerne.
• Eksperimenthastighet og produktivitet for innholdsmarkedsføring skaleres lineært med bruksdager og forbrukte kreditter.

Bygge en kultur for AI

• AI-ledere utmerker seg ved å mestre rask konstruksjon, bygge inn AI i arbeidsflyter, optimalisere for GEO og spore AI-suksessmålinger.
• De beste programmene bruker rene data, tydelige merkevarebeskyttelser, menneskelig gjennomgang, tidlig juridisk engasjement og teamaktivering brukt innenfor en bevisst styringsmodell.
• Fremtiden for AI ligger i økosystemer for orkestrering med flere agenter og optimalisering av generativ opplevelse.

For å forstå Optimizely Opals virkelige innvirkning, analyserte vi ytelsesdata fra tidlige brukere ved hjelp av en Difference-in-Differences-metodikk. Resultatene viser tydelige ytelsesforbedringer som skaleres med både bruksfrekvens og engasjementsdybde på tvers av optimaliserings- og innholdsmarkedsføringsfunksjoner.

Digital optimalisering

Eksperimenteringsprogrammer drar fundamentalt nytte av enten flere eller bedre eksperimenter. DiD-analysen viste forbedringer på tvers av begge vektorene i de overordnede referansepunktene:

+ 78,66 % opprettede eksperimenter
+ 2,38 % avsluttede eksperimenter
+ 24,05 % opprettede personaliseringskampanjer
+ 11,97 % avsluttede personaliseringskampanjer
+ 9,26 % seiersrate
+ 1,38 % konklusjonsrate

Gapet mellom opprettelse og avsluttet økning kan stamme fra det begrensede rapporteringsvinduet eller fra tidlige brukere som bruker Optimizely Opal hovedsakelig for idégenerering, selv om videre analyse tyder på at større engasjement fører til flere avsluttede eksperimenter.

Seiersraten og konklusjonsraten øker også, noe som signaliserer beskjedne kvalitetsforbedringer. Gjennomsnittlig oppløfting synker litt – en naturlig effekt av høyere hastighet – men oppveies langt av volumøkningen.

Analyse av bruks- og salgstraktdata viser at de beste brukerne av eksperimentering bruker Optimizely Opal gjennom hele eksperimenteringssyklusen:

• 10,95 % av eksperimentene er laget fra ideer fra Optimizely Opal
• 6,80 % av eksperimentene er oppsummert ved hjelp av Optimizely Opal
• 19,54 % av eksperimentene er Optimizely Opal-drevne oppfølginger

• Jo flere team som bruker Optimizely Opal – målt både ved aktive bruksdager og forbrukte kreditter – desto flere eksperimenter oppretter og avslutter de, og skaleres lineært med økt engasjement.
• Den brattere økningsstigningen for avsluttede eksperimenter sammenlignet med opprettede eksperimenter antyder at økt bruk av Optimizely Opal ikke bare driver mer eksperimenteringsaktivitet, men også forbedrer teamenes evne til å bringe eksperimenter til et meningsfullt resultat.

Brukere kan beregne den nøyaktige anslåtte økningen av programmene sine ved hjelp av ligningene nedenfor, der ‘y’ (den avhengige variabelen) er den forventede økningen og ‘x&rsquo (den uavhengige variabelen) er aktive bruksdager eller kredittforbruk.

Kundehistorie: Låse opp eksperimentering i stor skala

Et Fortune 500-finansielt tjenesteselskap akselererte eksperimenteringsprogrammet sitt dramatisk etter å ha tatt i bruk Optimizely Opal. I året før adopsjonen var eksperimenteringsvolumet deres beskjedent på grunn av systembytte. Men i året etter… Med tilgang til Optimizelys avanserte eksperimenteringsplattform og den ekstra kraften til Optimizely Opal AI – økte teamet deres eksperimenteringshastigheten med nesten 80 ganger.

Denne raske opptrappingen viser hvordan kombinasjonen av robust eksperimenteringsinfrastruktur med AI-drevet akselerasjon frigjør skala og effekt som rett og slett ikke var mulig før.

Innholdsorkestrering

I likhet med eksperimenteringsprogrammer skaper innholdsmarkedsførere mer verdi ved enten å produseremer ellerbedre inntektsgenererende innhold. Bedrifter kan også realisere verdi gjennom tids- eller arbeidsbesparelser når markedsførere blir mer effektive. DiD-analysen viser fordeler på tvers av alle tre verdidriverne:

• + 17,05 % opprettede kampanjer
• + 12,82 % opprettede oppgaver
• - 53,73 % tid per kampanje
• - 15,41 % tid per oppgave
• + 7,41 % engasjementstid

Den kraftige reduksjonen i fullføringstider for kampanjer og oppgaver – kombinert med høyere produksjonsvolumer – viser at brukere av Optimizelys Content Marketing Platform (CMP) oppnår ekte arbeidsflytakselerasjon, ikke bare jobber raskere. Samtidig tyder økt engasjementstid på at team bruker Optimizely Opal til å produsere innhold av høyere kvalitet som holder på besøkendes oppmerksomhet. oppmerksomhet og leverer større verdi.

Vi fant de samme trendene gjenspeilet i traktdataene. Innhold laget av Optimizely Opal blir brukt av markedsførere oftere enn ikke:

• Optimizely Opal-generert innhold (både bilder og tekst) blir aktivt tatt i bruk av brukere, ikke bare testet eller brukt til idémyldring.
• Tekstgenerering er spesielt vellykket, med nesten alle genererte resultater brukt.
• Adopsjonen av bildegenerering er sterk, men det er rom for ytterligere forbedring ettersom LLMs evne til å lage bilder tar igjen evnen deres til å lage tekst av høy kvalitet.

Som med eksperimentering, skaleres produktivitetsfordelene ved bruk av Optimizely Opal i innholdsmarkedsføring med bruken:

• Jo flere team som bruker Optimizely Opal – målt både etter aktive bruksdager og forbrukte kreditter – jo kortere tid bruker de på å fullføre oppgaver og kampanjer, med tidsbesparelser som skaleres jevnt etter hvert som engasjementet øker.
• Den brattere negative stigningstallet for tid per kampanje sammenlignet med tid per oppgave antyder at bruken av Optimizely Opal driver spesielt store effektivitetsgevinster i kampanjelevering, noe som frigjør ressurser til ytterligere kreativt og strategisk arbeid.

Brukere kan beregne den nøyaktige anslåtte økningen av programmene sine ved hjelp av ligningene nedenfor, der ‘y’ (den avhengige variabelen) er den forventede økningen og ‘x’ (den uavhengige variabelen) er aktive bruksdager eller forbrukt kreditt.

Kundehistorie: Akselererer innholdsytelsen i stor skala

En ledende finansiell tjenesteorganisasjon akselererte raskt innholdsdriften sin etter å ha tatt i bruk Optimizelys Content Marketing Platform (CMP) med Optimizely Opal AI. I perioden før adopsjonen var kampanjeoppretting og -fullføring beskjeden. Men i de påfølgende månedene – drevet av AI-drevet arbeidsflytakselerasjon – oppnådde teamet en økning på 43,22 % i opprettede kampanjer og en økning på over 3 ganger i avsluttede kampanjer.

Denne økningen demonstrerer hvordan det å kombinere en enhetlig innholdsplattform med AI kan åpne for nye nivåer av skala og effektivitet, slik at team kan levere flere kampanjer av høy kvalitet på kortere tid.

Uten klare rammeverk står team overfor inkonsekvente resultater, merkevarerisikoer og samsvarshull som raskt kan avspore AI-initiativer.

Her er hva du bør etablere på forhånd, sammen med et styringsrammeverk du kan følge:

Viktige byggeklosser

Litt grunnlagsarbeid på forhånd kan bidra mye til å forbedre de langsiktige resultatene av AI-bruk. Her er noen av de anbefalte første trinnene:

• Start med rene data:Gjennomgå innholdsdatabaser og -lagre før du skalerer AI-distribusjon. Rene, oppdaterte data er grunnlaget for pålitelig AI-utdata – søppel inn, søppel ut. Å tilby én enkelt sannhetskilde – for eksempel et godkjent datasett eller integrerte livedata – sikrer at AI-utdataene dine forblir nøyaktige og verdifulle.
• Etabler merkevarebeskyttelse: Bruk tilpasset finjustering for å integrere retningslinjer for merkevarestemme og innhold direkte i AI-atferd. Definer akseptable parametere på forhånd for å forhindre utdata utenfor merkevaren.
• Hold mennesker oppdatert: Implementer gjennomgangsarbeidsflyter der erfarne markedsførere godkjenner AI-generert innhold, spesielt for kunderettet kommunikasjon.
• Samarbeid med juridiske myndigheter tidlig: Etabler klare retningslinjer for bruk av AI-innhold, IP-rettigheter og databeskyttelse. Hold deg i forkant av utviklende regelverk for å beskytte merkevaren din.
• Bygg teamets evner: 62 % av markedsførere mangler formell AI-opplæring. Bygg bro over dette gapet med praktisk og rask ingeniørutdanning og utvikle «AI-mestere». for å drive adopsjon.

Utforming av styringsmodellen din

Det finnes ingen universell AI-styringsmodell. Her er viktige faktorer å vurdere når du utformer den optimale styringsmodellen for bedriften din:

• Kontroll:Hvem kan distribuere AI-verktøy og godkjenne resultater? Sørg for at teamene har mestret grunnleggende AI-prinsipper – rask utvikling, kvalitetsvurdering, merkevarejustering – før du utvider tilgangen i hele organisasjonen.
• Muligheter:Har du de riktige verktøyene og ressursene for riktig tilsyn? Vurder teamets tekniske ekspertise, tilgjengelig budsjett for AI-plattformer og båndbredde for opplæring. Start enkelt og skaler funksjoner etter hvert som teamet modnes.
• Risikotoleranse:Hvor mye risiko kan du akseptere fra AI-feil eller meldinger utenfor merkevaren? Kundekommunikasjon med høy innsats krever strengere godkjenningsarbeidsflyter, mens interne effektivitetsverktøy kan operere med lettere tilsyn.
• Tilkobling til forretningsprioriteringer:Er AI-styringen din i tråd med kjernevirksomhetsmål? Unngå å lage AI-styring i isolasjon. Sørg for at rammeverket ditt støtter bredere markedsføringsmål og kan tilpasses etter hvert som forretningsprioriteringene endres.
• Datasensitivitet:Hvilke sensitive data vil AI-systemene dine få tilgang til? Bygg styringskontroller som skalerer med datasensitivitet. Kundedata krever strengere tilgangskontroller enn generelt markedsføringsinnhold.