AI-agenter til marketing-workflows: 4 praktiske eksempler

Filed under AI & Automation

Jeg bruger stadig enkelte prompts, når opgaven er lille.

Hvis jeg skal have hjælp til at stramme en overskrift eller opsummere et dokument, behøver jeg ikke bygge et workflow med fem trin og en ceremoniel godkendelsesrunde. Nogle gange er en prompt bare en prompt. Det må den gerne være.

Problemet opstår, når den samme marketingopgave vender tilbage hver uge. Så skal input findes igen, konteksten forklares igen, og outputtet kontrolleres igen. Hvis tre personer gør det på hver sin måde, får du også tre forskellige kvalitetsniveauer.

Det er her, AI-agenter og genbrugelige workflows bliver interessante.

Ikke fordi agenten kan “drive marketing”. Det er stadig en temmelig kreativ måde at undgå at definere arbejdet på. Men fordi den kan udføre en afgrænset serie af trin med de samme input, regler og kvalitetskontroller hver gang.

Kort svar: Hvordan bruger man AI-agenter i marketing?

Brug AI-agenter til marketingopgaver, der gentager sig, har tydelige input og ender i et output, et menneske kan kontrollere. Et godt agent-workflow beskriver datakilder, rækkefølge, beslutningsregler, kvalitetskrav og de steder, hvor en person skal godkende resultatet.

Start med én konkret arbejdsgang, for eksempel ugentlig SEO-triage eller analyse af paid-media-eksporter. Mål tidsforbrug, fejl og nødvendig efterredigering, før du gør workflowet større eller giver det adgang til flere systemer.

Hvad mener jeg med en AI-agent?

Jeg bruger ordet pragmatisk.

En AI-agent er i denne sammenhæng en model, der kan følge en arbejdsgang, bruge tilladte værktøjer eller filer og bevæge sig gennem flere trin mod et defineret output. Den kan for eksempel læse en eksport, sammenligne perioder, åbne den relevante artikel og foreslå næste undersøgelse.

Det afgørende er ikke, om leverandøren kalder funktionen en agent, assistant, copilot eller noget endnu mere imponerende. Det afgørende er:

  • Hvilke input må den bruge?
  • Hvilke handlinger må den udføre?
  • Hvad skal den levere?
  • Hvordan bliver kvaliteten kontrolleret?
  • Hvornår skal et menneske tage over?

Hvis du ikke kan svare på de spørgsmål, har du ikke et workflow endnu. Du har en ambition med login.

Prompt, workflow og agent: forskellen i praksis

Jeg skelner mellem tre niveauer:

Niveau Hvad det gør Godt til Typisk problem
Prompt Løser én afgrænset opgave Idéer, redigering og hurtige analyser Konteksten skal genopbygges næste gang
Workflow Definerer input, trin, QA og output Opgaver der gentager sig Bliver let en pæn procesbeskrivelse uden reel eksekvering
Agent-workflow Udfører workflowet med tilladte værktøjer og beslutningsrum Gentagelige processer med flere datakilder For brede tilladelser og uklare stopregler

Jeg begynder næsten altid med prompten. Når opgaven gentager sig, dokumenterer jeg workflowet. Først derefter vurderer jeg, om en agent faktisk skal udføre dele af det.

Det er en lidt langsommere start. Til gengæld slipper jeg for at automatisere en proces, vi stadig ikke forstår.

Hvilket marketing-workflow skal du automatisere først?

Vælg ikke den opgave, der ser bedst ud i en demo. Vælg den opgave, hvor gentagelse allerede koster tid eller kvalitet.

Mit filter er:

  1. Opgaven gentager sig. Ugentligt, månedligt eller ved hver kampagne.
  2. Inputtene kan navngives. Bestemte filer, felter, sider eller datakilder.
  3. Outputtet kan kontrolleres. En brief, en prioriteret liste, en analyse eller et kladdeudkast.
  4. Fejl kan opdages, før de bliver dyre. En person kan gennemgå resultatet, før noget publiceres eller et budget ændres.
  5. Effekten kan vurderes. Tidsforbrug, færre fejl, mindre efterredigering eller bedre beslutningsgrundlag.

“Lav vores marketing” klarer ingen af punkterne. “Find de tre sider, vi bør undersøge i Search Console denne uge” gør.

Eksempel 1: SEO-workflow fra signal til undersøgelse

SEO er et godt sted at starte, fordi inputtene allerede er relativt strukturerede.

Input

  • Search Console-data på side- og queryniveau
  • GA4- eller Matomo-data for landingssider
  • eksisterende artikler i repository eller CMS
  • dato for seneste indholdsændring
  • interne links og emneklynger

Workflow

  1. Sammenlign to ens perioder.
  2. Find sider med meningsfulde ændringer i klik, eksponeringer eller placering.
  3. Undersøg de queries, der faktisk har flyttet sig.
  4. Læs den nuværende side, før du foreslår en ændring.
  5. Beskriv observation, hypotese og mindste næste kontrol.
  6. Prioritér opdatering, ny artikel, intern linking, monitorering eller ingen handling.

Det femte trin er vigtigt. En placeringsændring er en observation, ikke en færdig diagnose. Hvis agenten hopper direkte fra “klik faldt” til “skriv en ny titel”, har du automatiseret den del af SEO-arbejdet, der burde tænke sig om.

Jeg byggede Site Signal til netop denne del: at hente afgrænset Search Console- og analytics-evidens og gøre næste undersøgelse tydelig uden at lade værktøjet udgive sig for at kende årsagen.

Menneskets beslutning

En person bør godkende, om siden skal ændres. Agenten kan samle evidensen og læse indholdet. Den kan ikke bevise, at én formulering forårsagede en bevægelse i søgedata.

Eksempel 2: Content research og brief

Content research bliver hurtigt til en mappe med screenshots, 19 åbne faner og en brief, der stadig siger “skriv noget thought leadership”. Det er et oplagt sted at skabe mere disciplin.

Input

  • defineret læserspørgsmål
  • eksisterende indhold på sitet
  • noter fra salg, support eller kundesamtaler
  • relevante primære kilder
  • kendte indvendinger og beslutningskriterier

Workflow

  1. Kortlæg, hvad sitet allerede svarer på.
  2. Find gentagne spørgsmål og manglende svar.
  3. Adskil dokumenterede forhold fra antagelser.
  4. Formulér sidens unikke bidrag.
  5. Byg en brief med sektionernes job, nødvendige eksempler og evidenskrav.
  6. Kør briefen gennem et overlapstjek mod eksisterende artikler.

Outputtet bør være en brief, en skribent kan tage stilling til. Ikke 40 nøgleord forklædt som disposition.

Menneskets beslutning

En redaktør skal afgøre, om vinklen er værd at udgive, og om de tilgængelige erfaringer og kilder er stærke nok. Agenten kan finde mønstre. Den kan ikke opfinde en original erfaring, virksomheden aldrig har haft.

Eksempel 3: CRO uden falsk sikkerhed

CRO er et farligt sted at give en agent for meget selvtillid. Små datamængder kan få en almindelig tilfældighed til at ligne et gennembrud med farvede pile.

Jeg ville derfor bruge en agent til at strukturere evidens, ikke til automatisk at erklære vindere.

Input

  • landingsside og trafikkilde
  • konverteringsdata med periode og volumen
  • session recordings eller usability-noter
  • kampagnens budskab og målgruppe
  • tidligere eksperimenter og kendte trackingproblemer

Workflow

  1. Kontrollér, om tracking og datamængde overhovedet kan bære konklusionen.
  2. Sammenlign budskabet før klikket med landingssiden efter klikket.
  3. Find synlig friktion i overskrift, CTA, formular, proof og mobiloplevelse.
  4. Adskil reversible forbedringer fra ændringer, der kræver et eksperiment.
  5. Rangér forslag efter evidens, risiko og implementeringsindsats.

Hvis trafikken er for lav til et pålideligt A/B-testresultat, er opgaven ikke at få agenten til at lyde mere sikker. Det er at vælge en anden beslutningsmodel. Jeg har beskrevet den tilgang i CRO When You Don’t Have Enough Traffic for A/B Testing.

Menneskets beslutning

Et menneske skal godkende prioriteringen og afgøre, hvad der kan ændres direkte, hvad der bør testes, og hvad der kræver mere research.

Eksempel 4: Paid-media-analyse fra eksportfiler

Paid media har mange gentagne analyseopgaver, men også en åbenlys grænse: et analyseworkflow bør ikke automatisk flytte budgetter, bare fordi tirsdagens CSV ser trist ud.

Input

  • eksport fra LinkedIn, Meta eller Google Ads
  • kampagne- og annoncenavne
  • målgruppe, funneltrin og tilbud
  • definerede KPI’er og minimumsvolumen
  • trackingstandarder og UTM-konvention

Workflow

  1. Normalisér kolonnenavne og kampagnestruktur.
  2. Markér manglende eller inkonsistent tracking.
  3. Sammenlign resultater på det rigtige niveau: kampagne, målgruppe, annonce og kreativ vinkel.
  4. Skeln mellem lav volumen og et vedvarende mønster.
  5. Lever en kort liste: behold, undersøg, ændr eller stop.
  6. Vis datagrundlaget bag hver anbefaling.

En fælles UTM-standard gør dette workflow markant mindre irriterende. Hvis inputtene hedder LinkedIn, linkedin, paid, paid_social og final_final_v2, er agentens første opgave mest af alt digital oprydning.

Menneskets beslutning

Budgetændringer, kampagnestop og publicering af nye annoncer bør ligge bag en tydelig godkendelse. Agenten kan gøre analysen hurtigere. Den skal ikke have lov til at gøre en volatil uge dyrere.

Sådan bygger jeg et agent-workflow

Jeg bruger denne rækkefølge:

1. Skriv arbejdsbeskrivelsen uden AI

Beskriv opgaven, som om du gav den til en ny kollega:

  • Hvad starter arbejdet?
  • Hvilke input er tilladt?
  • Hvilke trin følger du?
  • Hvilke fejl leder du efter?
  • Hvad skal leveres?

Hvis beskrivelsen stadig er uklar, hjælper en agent ikke. Den udfører bare uklarheden hurtigere.

2. Adskil faste regler fra vurdering

Nogle trin er deterministiske:

  • kontrollér at en kolonne findes
  • sammenlign to datoer
  • valider et URL-format
  • find manglende felter

Andre kræver vurdering:

  • matcher siden læserens intention?
  • er evidensen stærk nok?
  • er vinklen anderledes end eksisterende indhold?

De to typer arbejde bør ikke gemmes i samme vage prompt. Faste regler skal være synlige. Vurderinger skal have kriterier og plads til “utilstrækkelig evidens”.

3. Sæt tilladelser efter risiko

Læsning af filer er mindre risikabelt end publicering. Et forslag til en budgetændring er mindre risikabelt end selve ændringen.

Start med read-only adgang og lokale output. Tilføj eksterne handlinger, når workflowet er stabilt, og kun hvor de faktisk er nødvendige.

4. Byg QA ind i workflowet

QA er ikke et afsluttende “ser fint ud”-trin. Det skal kontrollere de fejl, der er sandsynlige i netop den arbejdsgang.

Et content-workflow bør kontrollere kilder, overlap, interne links og tone. Et analyse-workflow bør kontrollere perioder, definitioner, datadækning og om konklusionen går længere end tallene.

5. Log beslutningen

Gem input, forslag, menneskets beslutning og den dato, resultatet bør vurderes igen.

Ellers får du et workflow, der producerer anbefalinger, men aldrig lærer, om de var nyttige. Det er ikke automatisering. Det er en meget effektiv måde at fylde en mappe på.

Hvad skal du måle?

Jeg ville begynde med driftskvalitet frem for et stort løfte om forretningsværdi.

Mål for eksempel:

  • tid fra input til et gennemgåeligt output
  • hvor ofte et menneske må rette faktuelle fejl
  • hvor meget af outputtet der skal skrives om
  • hvor ofte workflowet ender med “utilstrækkelig evidens”
  • om forskellige personer kan bruge resultatet på samme måde
  • om registrerede handlinger faktisk bliver fulgt op

Senere kan du forbinde det med et relevant forretningsresultat. Men hvis workflowet stadig kræver en times oprydning hver gang, er det for tidligt at fejre de 47 sekunder, modellen brugte på første udkast.

Typiske fejl

Workflowet er for bredt

“SEO-agent” eller “marketing-agent” fortæller næsten intet om opgaven. Navngiv hellere den konkrete arbejdsgang: “ugentlig Search Console-triage” eller “paid-media CSV review”.

Agenten får lov til at handle før den kan analysere stabilt

Start med forslag og lokale filer. Giv ikke publicerings- eller budgetadgang for at gøre demoen mere spændende.

Inputkvaliteten bliver ignoreret

En agent kan normalisere data, men den kan ikke genskabe tracking, der aldrig blev implementeret, eller kundesamtaler, ingen tog noter fra.

QA bliver reduceret til tone

En tekst kan lyde overbevisende og stadig være forkert. Kontrollér evidens, definitioner og begrænsninger før formulering og stil.

Ingen følger op på resultatet

Hvis anbefalinger ikke får en ejer og en reviewdato, har du bygget en outputmaskine. De findes der allerede rigeligt af.

En enkel startplan

Hvis du vil afprøve AI-agenter i marketing, ville jeg gøre dette:

  1. Vælg én opgave, der gentager sig hver uge.
  2. Dokumentér den nuværende proces og tidsforbruget.
  3. Definér input, output og de tre vigtigste kvalitetsfejl.
  4. Lad agenten arbejde read-only på et gammelt eksempel.
  5. Sammenlign resultatet med den beslutning, du faktisk tog.
  6. Ret workflowet, ikke kun promptens formulering.
  7. Kør det på en ny sag med menneskelig godkendelse.
  8. Udvid først, når efterredigering og fejl er på et acceptabelt niveau.

Det er mindre dramatisk end “byg en autonom marketingafdeling på en eftermiddag”. Til gengæld kan du bruge det igen på mandag.

Afslutning

AI-agenter bliver nyttige i marketing, når de får et klart arbejde i stedet for en imponerende titel.

De bedste første workflows er ikke nødvendigvis de mest kreative. De har tydelige input, gentagelige trin, synlige kvalitetskrav og en beslutning, et menneske kan kontrollere.

Start med arbejdet. Beskriv beslutningen. Sæt grænserne. Automatisér derefter de dele, der faktisk bliver bedre af at være gentagelige.

Hvis du vil se den mere tekniske og engelske version af min tilgang, har jeg samlet fire udbyggede workflows i AI Marketing Workflow Examples. Hvis du stadig er på enkeltopgaven, så begynd med min ChatGPT prompt template og lad være med at bygge en agent, før prompten reelt er blevet til et gentaget stykke arbejde.

Relateret læsning

More writing connected by category or shared topics.