Vid vårt senaste evenemang Agents in Action gjorde Daniel Hulme (Chief AI Officer @ WPP) – som har ägnat 25 år åt att bygga och driftsätta AI-system i stor skala – en observation som fastnade. "Vi blir entusiastiska över teknik", sa han, "och sedan tenderar vi att tillämpa den tekniken för att lösa fel problem."
Det är ett mönster som spelar in i marknadsföringsorganisationer av alla storlekar. Inte för att team saknar ambition eller resurser, utan för att den verkliga disciplinen kring agentimplementering (det hårda, oglamorösa arbetet med att identifiera rätt problem, testa rigoröst och bygga styrning innan du behöver den) sällan förekommer i lanseringsmeddelandet.
Nedan hittar du 6 misstag som vi ser marknadsföringsteam göra när de introducerar AI-agenter. Vissa är hämtade från Daniels föredrag, medan andra kommer från det bredare mönstret av hur organisationer faktiskt navigerar i denna övergång.
De goda nyheterna? Alla dessa kan undvikas.
-
Att börja med verktyget, inte problemet
Detta är det grundläggande, och det händer på alla senioritetsnivåer. En ny agentkapacitet demonstreras, något klickar, och frågan blir omedelbart: var kan vi tillämpa detta? Problemet är att att arbeta bakåt från ett verktyg nästan alltid leder dig till fel destination.
Alternativet är inte långsamt eller alltför försiktigt – det är bara en annan utgångspunkt. Vad är det för friktion som faktiskt kostar dig? Var finns de moment du missar, de kampanjer du inte kan köra i den takt du vill, de innehållsvarianter du inte kan testa? Börja där. Fråga sedan om en agent verkligen är rätt lösning, och om du har data och kapacitet att distribuera den väl.
"Börja med problemet och arbeta bakåt. Fråga dig själv: har vi rätt kapacitet, kunskap och data för att ta itu med det?" Daniel Hulme, Chief AI Officer @ WPP
Team som vänder på detta – som börjar med ett tydligt namngivet problem och bygger mot en lösning – tenderar att upptäcka att deras agenter har bättre definierade input och output, är lättare att utvärdera och är mycket mer benägna att leverera något mätbart. -
Att behandla distribution som en lansering, inte en releasecykel
Inom traditionell mjukvaruutveckling går cirka 80 % av den totala ansträngningen till testning. Inte till att bygga – testning. Den förhållandet förändras inte när du distribuerar AI-agenter. Det som förändras är att de flesta team inte inser det.
Det finns en tendens att behandla agentdistribution på samma sätt som man skulle behandla en innehållslansering: planera, bygga, leverera, gå vidare. Men agenter som arbetar inom marknadsföringsarbetsflöden – anpassa innehåll, dirigera briefs, ge rekommendationer – är närmare programvarusläpp än kampanjtillgångar. De behöver testas, övervakas och itereras kontinuerligt.
Daniel var direkt om risken: "Företag kommer att använda AI-agenter, men de kommer inte att testa dem. De kommer inte att inse hur mycket ansträngning som krävs för att se till att de är säkra och ansvarsfulla." Teamen som gör detta rätt bygger inte bara agenter. De bygger styrningslagret runt sig; strukturen som låter dem agera snabbt med tillförsikt snarare än att bara agera snabbt.
-
Planerar bara för misslyckande, inte för framgång
Team gör kvalitetssäkring. De definierar hur misslyckande ser ut och bygger in skyddsåtgärder. Vad de sällan gör är att modellera vad som händer när en agent presterar exakt som avsett – och ändå orsakar ett problem.
Daniel kallar detta problemet med "går väldigt rätt", och det är en av de mer underskattade riskerna vid AI-implementering. Hans exempel är värt att ta hänsyn till: en agent som optimerar marknadsföringskampanjers målgruppsinriktning med perfekt precision kan med tiden skapa en värld av lika målgruppsinriktning – målgrupper så tätt definierade att de börjar förstärka partiskhet och kollapsa det kreativa omfånget i din marknadsföring.
"Du måste tänka på konsekvenserna av att AI går helt rätt" Daniel Hulme, Chief AI Officer @ WPP
Detta är inte ett argument för att begränsa agenternas kapacitet. Det är ett argument för att sätta gränser för den. Framgångsmått för agenter behöver ett tak, inte bara ett golv. Hur ser "för optimerad" ut? Vilka resultat skulle visa att agenten arbetar på ett sätt som skapar risk nedströms – även om siffrorna i huvudet ser bra ut? -
Anställa för AI-specialisttjänster när bredd är multiplikatorn
Instinkten när man bygger AI-kapacitet i sin organisation är att leta efter specialister; personer som känner till verktygen, förstår modellerna, talar språket. Det är inte fel, precis.
... men Daniels observation från 25 års driftsättningsarbete pekar på en mindre uppenbar sanning: de människor som får ut mest av AI-agenter är inte alltid de mest tekniskt flytande. De är de mest kontextuellt rika.
"Människor som har en bred uppsättning färdigheter eller kunskaper kan förbättra användningen av AI", sa han. Någon med bakgrund inom konsthistoria, antropologi eller geopolitik kan uppdaga referenser, inramningar och kulturella resonanser som en snävt utbildad specialist helt kan missa – eftersom AI redan hade den kunskapen är människans jobb att veta var man ska leta efter den.
För marknadsföringsteam har detta en praktisk implikation: personen du utser som ansvarig för att orkestrera dina agentarbetsflöden kan vara din mest generalistiska, mest kreativt promiskuösa tänkare... inte din mest tekniskt anställde. Båda spelar roll, men missta inte det ena för det andra. -
Att mäta effekten i "sparad tid" snarare än frigjort arbete
Sparad tid är ett snyggt mått (och ett vi alla älskar). Det är lätt att rapportera, lätt att visualisera i ett business case, men ofta missvisande som ett mått på agentvärde i ett marknadsföringssammanhang.
Som Julia Maguire noterade under sessionen: inom marknadsföring finns det aldrig brist på arbete. Effektivitetsvinster skapar inte slapphet – de skapar kapacitet för mer ambition.
Frågan borde inte bara vara "hur många timmar sparade detta?", utan mer "vad gjorde vi som vi inte kunde göra tidigare?".
Som Daniel sa: "Det finns miljontals ögonblick just nu som missas där varumärken misslyckas med att presentera sina produkter för rätt personer". Det verkliga argumentet för AI-agenter inom marknadsföring är inte operativ effektivitet, det är täckningen; kampanjerna som inte kördes, innehållsvarianterna som inte testades, målgrupperna som inte nåddes. Mät dem, och värdeerbjudandet förändras helt. -
Att vänta tills något går fel för att bygga styrning
Styrning har ett imageproblem. Det läses som en broms, snarare än en accelerator, även känt som något man sätter på plats efter att juristerna har blivit inblandade eller efter att en incident tvingar fram samtalet.
I praktiken är det motsatta sant: team med tydliga styrningsstrukturer implementeras snabbare, inte långsammare, eftersom de redan har tänkt igenom de frågor som annars skulle stoppa dem.
Daniel beskriver fyra frågor han ställer innan någon AI-implementering på WPP:
✅ Är avsikten lämplig?
✅ Är algoritmerna förklarliga?
✅ Har agenterna verifierats och testats ordentligt?
✅ Och (tillbaka till misstag #3), vad händer om det här går helt rätt?
Dessa är inte kryssrutor för efterlevnad. De är ett tänkande ramverk som gör implementeringsbeslut tydligare.
Frukta inte, marknadsförare. Detta kräver inte en dedikerad AI-etikkommitté. Istället behöver det bara en kort lista med frågor som ställs konsekvent... innan agenten går live, inte efter att det första går sönder.
Kort historia: Teamen som gör detta rätt är inte de med de bästa verktygen
Det är de som behandlade agentimplementering som en disciplin, med:
- Helt definierade problem
- Riktiga testcykler
- Styrning byggd innan den behövdes
- Framgångsmått som fångar vad som möjliggjordes... inte bara snabbare
- AI-aktivering och utbildning (hej, Opal U | AI Marketing University)
Tekniken är inte längre den svåra delen. Den svåra delen är allt runt omkring: tänkandet, strukturen, den ärliga bedömningen av vad du faktiskt försöker göra eller vad ditt arbetsflöde behöver. Få det rätt, så följer agenterna efter.
Kolla in AI-handboken: En modern marknadsförarguide till agentorkestrering