När folk pratar om AI i marknadsföring brukar samtalet gå åt ett av två håll.

Det ena hållet: AI som ett verktyg du promptar. Du ber den skriva något, den skriver, du redigerar. Du gör fortfarande det mesta av jobbet. AI:n är snabb men osjälvständig.

Det andra hållet: AI som autonom operatör. Du sätter målen, AI:n driver kampanjerna, du kollar resultaten då och då. AI:n är snabb och självständig, men du tappar kontakten med vad som faktiskt händer.

Inget av det kändes rätt för oss.

Problemet med båda modellerna

Den första modellen löser inte grundproblemet. Inhouse-team är inte pressade för att de saknar skrivförmåga. De är pressade för att det finns för mycket att bevaka, för många små beslut att fatta, för många åtgärder som måste till för att kampanjerna ska bli bättre. En skrivassistent hjälper med en uppgift. Den minskar inte jobbets kognitiva belastning.

Den andra modellen skapar ett annat problem. När något går fel — och förr eller senare händer det — måste du felsöka ett system du inte följt tillräckligt nära för att förstå. Du tappar dessutom feedbackloopen. Omdömet i marknadsföring skärps när du fattar besluten och ser resultaten. Lämnar du över allt till ett autonomt system slutar du utveckla det omdömet.

Vad human-in-the-loop faktiskt betyder

Begreppet används slarvigt. För oss har det en specifik struktur.

AI:n sköter bevakningen, analysen och förarbetet. Den hittar söktermerna som behöver granskas. Den skriver utkast till sociala inlägg. Den identifierar sidorna där en ändrad title-tagg skulle lyfta klickfrekvensen. Den förbereder budgetomfördelningen, med hela resonemanget bakom. Sedan stannar den. Den lägger allt i en godkännandekö och väntar.

Du fattar beslutet. Du godkänner eller avfärdar. Avfärdar du berättar du varför, och systemet kalibrerar nästa omgång rekommendationer.

När du godkänner utför AI:n. Sökordet läggs till. Inlägget schemaläggs. Budgeten flyttas. Ingen manuell uppföljning krävs.

Därför fungerar modellen

Besluten stannar hos den som har kontexten. Du vet saker om ditt företag som ingen AI känner till. En konkurrent klev precis in på din marknad. En produktförändring är på väg nästa månad. Din viktigaste kund finns i en specifik bransch. Sådant avgör om en rekommendation är rätt eller fel. AI:n kan inte veta det. Det kan du — och det är du som ska fatta beslutet.

Ansvaret förblir tydligt. När en kampanjändring fungerar vet du varför. När den inte gör det vet du vad du godkände och kan justera din bedömning inför nästa beslut. Feedbackloopen hålls intakt. Du blir smartare i samma takt som systemet.

Förtroendet byggs åt båda håll. Du litar mer på systemet när du ser att det som föreslås är väl underbyggt och bygger på riktig data. Systemet lär sig dina preferenser när det ser vad du godkänner och vad du avfärdar. Med tiden hamnar rekommendationerna allt närmare det du själv skulle ha gjort.

Här kommer autonomin in

Full autonomi finns kvar i produkten. För återkommande åtgärder med låg risk kan du, när du byggt upp tillräckligt förtroende för systemets omdöme, stänga av godkännandesteget för specifika åtgärdstyper. Men det är ett aktivt val, inte standard. Du väljer själv att utöka autonomin — den förutsätts aldrig.

Skälet till den designen: autonomi fungerar bättre när den är förtjänad. Ett system som kört i godkännandeläge i tre månader, med tydlig historik över vad det rekommenderar och vad du faktiskt vill, har betydligt bättre förutsättningar att agera autonomt än ett som fick nycklarna dag ett.

Det är modellen. Inte för att autonomi är dåligt. Utan för att den fungerar bättre när den börjar med förtroende.