Hvorfor DIY-eksperimentering er afgørende for AI-succes

I en nylig præsentation for studerende ved University of Wisconsin-Madison opfordrede jeg dem til at udvide deres brug af AI ud over de stereotype anvendelser som lektier og sociale medier. Jeg begyndte diskussionen med et spørgsmål: Kan AI’s indvirkning være både over- og underhypet på samme tid?

Min konklusion er ja, det kan være både over- og underhypet. Men jeg nåede denne konklusion baseret på et relateret indblik: Vores syn på AI vil være i høj grad formet af, om vi kan investere tid i gør-det-selv (DIY) AI-træning og eksperimentering.

Det er altid vigtigt at eksperimentere med nye teknologier, men det er særligt vigtigt med AI. Jeg tænkte for nylig over, om min egen anvendelse og værdi af AI var for begrænset. Jeg besluttede at forpligte mig til at afsætte endnu mere tid til DIY-eksperimentering.

At eksperimentere på egen hånd med teknologier som AI kan ændre dit tankesæt og hjælpe dig med at arbejde dig gennem den “grube af desillusion”, der følger med meget hypede teknologier, samtidig med at det skaber mere værdi for dine kunder.

Dyk dybere: Hvordan man implementerer AI til dit marketingteam

Husk dit ChatGPT-øjeblik

Vi har alle oplevet AI-vertigo de seneste to år. For mig personligt var timingen i forhold til ChatGPT’s lancering heldig.

I slutningen af 2022 besluttede jeg at træde væk fra min rolle som virksomhedsleder for den længste pause, jeg nogensinde ville tage. Jeg overgik efterfølgende til rådgivning og undervisning. Jeg havde selvfølgelig ingen idé om, at denne pause ville falde sammen med lanceringen af ChatGPT. Det er stadig fascinerende at høre, at OpenAI faktisk beskrev det som en “lavmælt forskningspræsentation”.

Min pause betød, at jeg havde tid til selvstyret træning, testning og læring. Mange venner og kolleger, der stadig var i virksomhedens roller, havde ikke tiden til eksperimentering og var hurtige til at stemple AI som overhypet.

Mange af disse kolleger mangler kapacitet eller ledelsesmæssig opbakning til at finde tid til selvtræning. Jeg var heldig. Jeg deltager i live events frem for on-demand. Jeg lyttede intensivt til enhver relateret podcast. Men vigtigst af alt, så havde jeg tid til at prøve ting af i et DIY-mode, der overbeviste mig om værdien, på trods af enhver begrænsning.

Krydsning af AI DIY-kloakken

For at illustrere vigtigheden af DIY-tid til at skabe værdi, lavede jeg mit eget hype-cykeldiagram med forskellige træningstriggere, som jeg mener, vi alle gennemgår.

Gap 1 er tiden mellem en teknologi bliver lanceret og hvornår du begynder at lære. Dette er typisk baseret på en ekstern træningstrigger, gennem dit job eller et peer-netværk.

Gap 2 er ikke kun, når du udnytter teknologien, men kritisk, når du krydser det, jeg kalder “DIY-kloakken.” Du skal zig-zagge dig vej gennem begrænsningerne og nå de “A-Ha” øjeblikke på egne vilkår.

Den kumulative tid mellem Gap 1 og Gap 2 har en eksponentiel indvirkning på et resulterende gap, du føler mellem den personlige produktivitet og værdi, du får fra AI, og de nuværende kapabiliteter.

I mine tidligere roller ville jeg også have haft lignende synspunkter om AI som værende overhypet. Presset fra at håndtere dag-til-dag projekter betød, at etablerede mønstre for håndtering af martech var blevet indarbejdet. Tidligere, når du sad fast eller ramte en grænse, gav en hurtig søgning et svar. Men hvis den viden ikke inkluderede din specifikke kontekst, var du fast. Vi skyldte ofte softwaren i disse tilfælde.

Fordi genAI ikke er begrænset til de oprindelige grænser, er yderligere eksperimentering for at optimere dine resultater endnu mere kritisk.

To år senere har jeg brudt Gap 3-udfordringen. Mit arbejde med undervisning og rådgivning reducerer min kapacitet for DIY-eksperimentering, samtidig med at hastigheden af ændringer i AI accelererer. Der er dage, hvor jeg ikke føler, jeg ligger bagud. Men hver eneste gang jeg afsætter mere tid til testning, rammer jeg et “wow”-øjeblik.

Jeg er tydeligvis begrænsningen, ikke AI-teknologien. Det har været nyttigt for mig at forblive tilkoblet til tankelederne, der minder os om, at dette er den “værste AI”, vi nogensinde vil arbejde med.

Mere indhold. Er det bedre?

Jeg krediterer altid Scott Brinker med at have hjulpet med at forme mine “citizen martech” synspunkter. Jeg var ivrig efter at se den seneste MarTech-rapport for 2025 fra Brinker og Frans Riemersma. Men givet min tidskrise havde jeg kun tid til en hurtig læsning, ikke den grundige gennemgang, jeg ville foretrække. (Du finder et resumé og downloadlinks på MarTech-webstedet.)

En hurtig scanning af rapporten afslørede, at de førende AI-brugssager er fokuseret på indhold og personalisering på tværs af forskellige stadier af idéudvikling og distribution, med antallet af omtaler af disse applikationer alene, der fortæller os, at AI’s indvirkning ikke er, i virkeligheden, overhypet.

Men spørgsmålet er stadig, om kunderne oplever forbedringer. Det er her, mine seneste AI DIY-eksperimenter afslørede indsigt til fremtiden for personalisering.

Dyk dybere: Forbrugerne er ikke imponerede over AI-oplevelser

Personligt tilpassede indhold ‘kanaler’

Jeg vil helt sikkert læse Brinker og Riemersma’s rapport, som spænder over mere end 100 sider, i fuld længde. Men jeg vil dele to AI-infuserede genveje, der hjalp mig med at lukke værdigabet og samtidig signalere fremtiden for mere personlig indhold.

For det første, før en nylig køretur, indlæste jeg Brinkers chiefmartec-artikler i ElevenLab’s Reader. Den AI-genererede stemme læste de seneste artikler. Hvis du ikke har prøvet dette, er det underhypet, og det vil forandre din forbrug af langt indhold for altid.

Screenshot af ElevenLab’s Reader-app.

Næste gang indlæste jeg den fulde rapport i Google’s NotebookLM og lyttede til den audiooversigt, den genererede.

Audiooversigten skaber en AI-genereret “podcast” med to entusiastiske værter, der diskuterer temaer fra det valgte kilde materiale. Det giver dig mulighed for at uploade dokumenter, YouTube-link, web-sider og mere.

Jeg lavede også en NotebookLM AI-oversigt for min seneste serie af artikler for MarTech.

Det er den “kildebaserede” tilgang, der gør NotebookLM så kraftfuld, samtidig med at den stadig drager fordel af den overordnede model (Gemini) i dette multimodale format. Som Steve Johnson, en af NotebookLM’s medskabere, sagde i Google Deep Mind Podcast, er det “en slags personlig AI, der er ekspert i de informationer, du værdsætter.”

Hvis du er interesseret i NotebookLM, skal du fortsætte med at teste mere end blot audiooversigten. NotebookLM gjorde det muligt for mig at have en “samtale” med Brinker og Riemersma gennem mine samtaler med AI-oversigten.

Screenshot af NotebookLM, der besvarer et spørgsmål ved hjælp af kilde materiale.

På dette tidspunkt indså jeg, at jeg havde brug for at tilføje et nøgleemne til mine læringsplaner for 2025 — indholdslaget. Som diskuteret af Rasmus Houlind, inkluderer dette en kæde af flere indholds-LLMs, der arbejder sammen i et martech-stak for at forbedre personaliseringen.

Jeg tror, Houlind ville være enig i mine tanker om behovet for en kundetone, der udnytter data fra tidligere diskussioner som e-mails, mødenotater og mere, som jeg foreslog i Del 2 af min serie.

Vores køreplan for personalisering

Denne opdagelse af personligt tilpasset indhold er en kombination af de overordnede tendenser, jeg har skrevet om i 2024. ROI ved at krydse den oprindelige DIY-kloak for to år siden med genAI var godt givet ud, men den har en kortere levetid, mens vi oplever AI-vertigo. Jeg skal planlægge for mere tid dedikeret til at krydse DIY-kloaken end nogensinde før.

Med hjælp fra de personlige AI-teknologier, jeg diskuterede her, var jeg stadig i stand til at få værdifulde indsigter på trods af tidskrisen. Takket være Q&A, engagement med AI og mine foretrukne audioformater hjalp AI med at drive personaliseringen af indholdets nøgleindsigter, på mine egne vilkår.

Nu skal vi bare prioritere indsatsen for at skalere disse tilgange for vores kunder.