Wiceprezes ds. wzrostu twierdzi, że największym ryzykiem związanym ze sztuczną inteligencją jest wiara w to, co dane zdają się potwierdzać

Jon Chang jest wiceprezesem ds. marketingu wzrostu w MyFitnessPal. Wcześniej jego kariera obejmowała pracę w IBM Watson, Kickstarterze i Klarnie. Z AI pracuje od dawna, na długo zanim technologia ta stała się powszechna.

Rozmawialiśmy z Jonem, aby zrozumieć, jak AI zmienia reklamę. Przy okazji powiedział nam, które funkcje związane z przychodami pilnie potrzebują modernizacji z wykorzystaniem AI.

Praca nad AI, zanim dotknęła ona czyjegokolwiek rachunku zysków i strat

Nazywam się Jon Chang, jestem wiceprezesem ds. marketingu wzrostu w MyFitnessPal i koncentruję się na stronie popytowej działalności związanej z przychodami. Obejmuje to płatne pozyskiwanie użytkowników, konwersję w sklepach z aplikacjami oraz lukę między obietnicą reklamy a rzeczywistym doświadczeniem nowego użytkownika po jego przybyciu.

Moja droga do tego miejsca obejmowała IBM Watson, Kickstarter i Klarnę, a także nauczanie na NYU równolegle z pracą operacyjną. Ten pierwszy przystanek ma większe znaczenie, niż mogłoby się wydawać, ponieważ pracowałem nad komercyjnymi zastosowaniami AI w czasach, gdy dyskusje koncentrowały się na tym, co te systemy mogą kiedyś robić, a nie na tym, co robiły z czyimkolwiek rachunkiem zysków i strat. Obserwowanie, jak ta dziedzina przeszła z tamtego okresu do obecnego, zaszczepiło we mnie trwały sceptycyzm wobec harmonogramów oraz trwały szacunek dla tego, co rzeczywiście trafia do użytkowników.

Reszta tej drogi doprowadziła mnie do kanałów sterowanych przez maszyny, na długo zanim ktokolwiek nazywał to AI. Najpierw pojawiło się ustalanie stawek, potem wybór odbiorców, a następnie rotacja kreacji reklamowych; każdy z tych elementów stopniowo wymykał się z ludzkich rąk, aukcja po aukcji. Dlatego to, co dzieje się teraz, nie wydaje mi się przełomem, lecz raczej tym samym długotrwałym trendem, który nagle dociera do nas w całości — to zupełnie inne doświadczenie niż obserwowanie, jak pojawia się całkowicie nowy trend.

Ta historia nauczyła mnie, że automatyzacja świetnie optymalizuje działania pod kątem korelacji, ale pozostaje całkowicie obojętna na związki przyczynowe. W miarę jak te systemy przyspieszały, coraz wyraźniejsze stawało się, że przyrostowość — pytanie, czy twoje działania rzeczywiście spowodowały przypisywany im rezultat — była obszarem, w który nikt nie inwestował. Uważam, że nadal jest to najbardziej niedoceniana umiejętność w obszarze wzrostu, a jej wartość rośnie wraz z tym, jak narzędzia coraz szybciej generują liczby wyglądające na wiarygodne.

Piszę o tym na Substacku, w Growth Marketing Musings.

Struktura, która wymusza zadawanie lepszych pytań

MyFitnessPal to firma oferująca konsumencką subskrypcję, działająca przede wszystkim na urządzeniach mobilnych i konkurująca w kategorii, w której pozyskiwanie użytkowników opiera się niemal całkowicie na kanałach aukcyjnych oraz odkrywaniu aplikacji w sklepach.

Ta struktura kształtuje wszystko, ponieważ nie zarządzamy długim cyklem sprzedaży ani nie pracujemy za pośrednictwem komitetu zakupowego. Od wyświetlenia reklamy do płatnej konwersji dzieli nas niewiele, co brzmi jak zaleta, ale w praktyce działa raczej jak ograniczenie: na każdym etapie masz jedną próbę i bardzo mało miejsca na naprawienie słabego wyniku.

Oznacza to również, że działamy w jednym z trudniejszych środowisk pomiarowych w marketingu, co w dużej mierze wyjaśnia, dlaczego przyrostowość stała się centralnym elementem mojego sposobu myślenia. Atrybucja wielopunktowa rzeczywiście przestaje działać na urządzeniach mobilnych i w środowiskach z ograniczeniami prywatności, gdzie odsetek zgód jest niski, dlatego zespoły w tej przestrzeni zamiast niej opierają się na testach przyrostowości. Wiele organizacji traktuje to jako ograniczenie, które trzeba obejść, ale moim zdaniem jest to raczej czynnik wymuszający zadawanie lepszych pytań.

Jak AI zmieniła reklamę

Przez lata tworzenie dopasowanego miejsca docelowego dla każdego motywu reklamowego było tak kosztowne, że większość ruchu kierowano na jedną ogólną stronę. Osoba klikająca reklamę dotyczącą jednej rzeczy i osoba klikająca reklamę dotyczącą innej rzeczy trafiały w to samo miejsce. Oznaczało to, że reklama starannie dobierała odbiorców, ale miejsce docelowe natychmiast niweczyło ten wysiłek.

W całej branży koszt tworzenia wariantu gwałtownie spadł, gdy narzędzia takie jak ChatGPT i Claude stały się standardowymi narzędziami. Kiedy wariant jest tani, dopasowanie miejsca docelowego do obietnicy przestaje być luksusem wymagającym uzasadnienia i staje się oczywistym rozwiązaniem domyślnym.

Wpływ tego zjawiska jest lepiej udokumentowany niż większość innych kwestii w naszej branży. Jedna z opublikowanych analiz, obejmująca ponad milion grup reklam Apple Ads, wykazała, że grupy reklam kierujące do niestandardowej strony produktu dopasowanej do słowa kluczowego generowały o 23% więcej pobrań niż grupy kierujące do strony domyślnej, przy takich samych wydatkach i słowach kluczowych.

Kluczowe znaczenie ma rodzaj dopasowania, który działa. Odrębna analiza portfela wykazała, że aplikacje odnotowujące największe wzrosty dzielą użytkowników według ich intencji, a nie według funkcji produktu. Strony będące jedynie odświeżonymi wizualnie wersjami strony domyślnej, z taką samą kolejnością zrzutów ekranu i tym samym pierwszym haczykiem, prawie w ogóle nie przynoszą zmian. To najważniejsza lekcja: model językowy sprawia, że stworzenie czterdziestu wersji jednego pomysłu jest banalnie proste, ale nie ma to prawie żadnej wartości, jeśli najpierw nie zajmiesz się intencją użytkownika.

Dodałbym — i uważam, że ten element jest często pomijany — że nic z tego nie ma większej wartości, jeśli nie potrafisz ustalić, czy zmiana rzeczywiście spowodowała wzrost. Liczby raportowane przez platformę dla dopasowanej strony niemal zawsze będą wyglądać dobrze, ponieważ kierujesz lepszy ruch do lepszego doświadczenia, a raportowanie nie potrafi rozdzielić tych efektów. Jedynym sposobem, aby się tego dowiedzieć, jest porównanie z grupą kontrolną. Jest to wolniejsze i zdecydowanie mniej satysfakcjonujące, ale to jedyna odpowiedź, której rzeczywiście mógłbym bronić.

Gdzie AI sprawdza się najlepiej, a gdzie potrzebni są ludzie

AI napędza obecnie sporą część działań, choć nie do końca z wyboru. AI zajmuje się teraz optymalizacją stawek i budżetów na platformach, ponieważ ręczne elementy sterujące zostały w dużej mierze usunięte. Poza tym przydatne zastosowania AI dla nas dotyczą syntezy, a nie produkcji.

Agenci zbudowani na ChatGPT i Claude doskonale radzą sobie z przetwarzaniem dużej ilości nieuporządkowanych informacji rynkowych i zwracaniem wyników, które człowiek może przeanalizować. Zmiany popytu w poszczególnych kategoriach, ruchy konkurencji oraz wnioski z platform takich jak Sensor Tower, AppTweak i Appfigures stają się znacznie bardziej użyteczne, gdy AI może odczytywać dane ze wszystkich tych źródeł i podsumowywać zmiany. Skraca to czas między pojawieniem się sygnału a podjęciem decyzji, a w biznesie opartym na aukcjach ten czas wiąże się z bezpośrednim kosztem.

Trzy rzeczy pozostają zdecydowanie po stronie ludzi.

Po pierwsze, wybieramy, co i dlaczego testować, ponieważ maszyna optymalizuje działania w ramach określonego pytania, ale nie ma własnego zdania na temat tego, które pytanie warto zadać, a ten wybór decyduje o tym, czy reszta ma jakiekolwiek znaczenie.

Po drugie, definiujemy, co uznajemy za sukces. Niemal każdy rozczarowujący wynik AI, z którym się spotkałem, można prześledzić do wskaźnika zastępczego, który pozostawał na dobrym poziomie, podczas gdy podstawowy problem się nie zmieniał. McKinsey ustaliło, że 88% organizacji regularnie korzysta z AI w co najmniej jednym obszarze, ale tylko 39% odnotowuje mierzalny wpływ na EBIT. Twierdziłbym, że ta luka wynika z problemu z definicją, a nie z problemu z adopcją.

Po trzecie, i jest to rzecz, której najbardziej bym się trzymał, chodzi o odczyt przyczynowy. Nie automatyzujemy analiz przyrostowości i nie chcę tego robić. Badania wzrostu świadomości marki i skuteczności są przeprowadzane natywnie na platformach reklamowych; grupy geograficzne wyłączone z testu są analizowane w odniesieniu do danych platformy wraz z danymi mobilnego partnera pomiarowego; natomiast analiza wszystkich tych danych jest celowo wykonywana przez człowieka. Ustalenie, czy wynik rzeczywiście ma charakter przyczynowy, czy jest jedynie skorelowany, wymaga osądu, za którym stoją realne pieniądze. Żaden model nie powie ci, że obserwowana liczba jest obciążona zakłóceniem, ponieważ liczba obciążona zakłóceniem wygląda dokładnie tak samo jak liczba prawidłowa.

Praktyczny proces generowania przychodów

Oto proces, który prowadzi od intencji do miejsca docelowego, a następnie z powrotem.

Zaczynamy od grupowania popytu wokół tego, co ktoś próbuje rozwiązać, zamiast kierować się demografią lub dowolną funkcją, o której chcemy opowiedzieć. Grupowanie to opiera się na widoczności na poziomie kategorii pochodzącej z platform do pomiaru aplikacji, a konkretnie z narzędzi takich jak Sensor Tower, AppTweak i Appfigures, ponieważ pokazują one zachowania związane z wyszukiwaniem oraz ruchy konkurencji, których nie da się uzyskać z danych własnych. Każda grupa staje się tematem, a każdy temat otrzymuje zarówno koncepcję reklamy, jak i dopasowane miejsce docelowe zaprojektowane tak, aby kontynuować ten sam argument, zamiast zaczynać go od nowa.

ChatGPT i Claude zajmują się dużą częścią rdzenia analitycznego, w którym moim zdaniem tkwi prawdziwa wartość. Podkreśliłbym każdemu, kto buduje takie rozwiązanie, że sam model jest najmniej interesującym elementem. Agent, który potrafi jedynie rozumować, jest drogim partnerem do burzy mózgów, podczas gdy agent połączony z danymi rynkowymi i raportowaniem wyników, za które już płacisz, staje się czymś w rodzaju analityka o nieograniczonej cierpliwości do powtarzalnej pracy. Integracja jest produktem, a osiągane rezultaty zależą znacznie bardziej od tego, z czym ją połączysz, niż od tego, który model wybierzesz.

Integracja sprawia również, że wydatki można uzasadnić. Prowadzimy pozyskiwanie płatne w modelu aukcyjnym, więc każda godzina między pojawieniem się sygnału a podjęciem decyzji wiąże się z kosztem. Ujawnienie zmiany popytu w kategorii w tygodniu, w którym nastąpiła, pozwala przenieść środki, gdy wciąż ma to znaczenie, i jest to bezpośrednio opłacalne zastosowanie tej technologii, w przeciwieństwie do tworzenia kolejnych dwustu wariantów materiałów.

Celowo pozostawiamy analizę ręczną, co prowadzi nas z powrotem do przyrostowości. Każdy test ma ustalony przed uruchomieniem minimalny próg wolumenu i nie podejmujemy działań na podstawie wyników poniżej tego progu, niezależnie od tego, jak dobrze wyglądają. Jeśli przeprowadzisz 100 eksperymentów, z których połowa ma rzeczywisty efekt, i wykonasz je przy mocy statystycznej wynoszącej 10%, otrzymasz około dziesięciu istotnych wyników, z których mniej więcej połowa będzie fałszywa. Samo zwiększenie mocy obniża odsetek fałszywych odkryć z 50% do 11%, bez wprowadzania innych zmian.

Powyżej minimum wszystko, co zamierzamy znacząco skalować, weryfikujemy przyczynowo, a nie w odniesieniu do wyników raportowanych przez platformę, ponieważ platforma ma zarówno interes, jak i strukturalne powody, by przedstawiać korzystny obraz sytuacji. Ta weryfikacja opiera się na badaniach przyrostu prowadzonych natywnie w kanałach oraz na analizie geograficznych grup kontrolnych w zestawieniu z danymi pomiarowymi platformy i urządzeń mobilnych. Pomiar jest natywny, analiza nie jest zautomatyzowana i wierzę, że z czasem ten podział będzie miał coraz większe znaczenie. Wszystko, co poprzedza odczyt, przyspiesza z każdym kwartałem, co oznacza, że sam odczyt musi pozostać spójny.

Jak sztuczna inteligencja może zwiększyć tempo uczenia się, a jednocześnie sprawić, że wnioski będą niewiarygodne

Największą korzyścią płynącą ze sztucznej inteligencji jest tempo. Pomysły, które wcześniej przez cały kwartał pozostawały w backlogu, są teraz wdrażane i analizowane w ramach jednego cyklu. Z czasem efekt ten się kumuluje, ponieważ szybkość uczenia się zależy w dużej mierze od tego, jak szybko można przeprowadzać testy.

Niepożądane rezultaty pojawiają się w dwóch formach, z których druga jest ciekawsza.

Pierwsza jest oczywista i już o niej wspominałem. Przeprowadziliśmy kampanię, w której wyniki z górnej części lejka wyglądały obiecująco, ale konwersja na dalszych etapach zmieniła się w przeciwnym kierunku. Systemy zrobiły dokładnie to, o co je poprosiliśmy. Poprosiliśmy o niewłaściwą rzecz, co było błędem w definicji celu, a nie błędem sztucznej inteligencji, choć zadanie zostało wykonane z niezwykłą skutecznością.

Druga polega na tym, że szybkość zwielokrotnia nasze istniejące nawyki epistemiczne. Jeśli domyślną metodą oceny wyników jest dla nas korelacja — a tak jest w przypadku większości zespołów — szybsze testowanie nie prowadzi do szybszego uczenia się. Prowadzi do szybszego gromadzenia przekonań, które opierają się na niewystarczających przesłankach. Opublikowane przez Adobe wytyczne dotyczące testowania wskazują na podobny problem, zauważając, że marketerzy zaskakująco często nadają testom zbyt małą moc statystyczną. Jeśli będziecie tak postępować, wyniki fałszywie dodatnie mogą ostatecznie dorównać liczbie wyników prawdziwie dodatnich lub ją przewyższyć. Zastanówcie się, co się dzieje, gdy rośnie liczba wariantów, a ruch przypadający na każdy wariant maleje. Nie otrzymujecie większej liczby zwycięzców — otrzymujecie więcej elementów, które przekonująco wyglądają jak zwycięzcy.

Zasadniczo sztuczna inteligencja zwiększyła tempo naszego uczenia się, a jednocześnie zwiększyła ciężar dowodu, że to, czego się nauczyliśmy, było rzeczywiście prawdziwe.

Dlaczego sztuczna inteligencja ma trudności z kontekstem klienta i zaufaniem

Systemy te mają trudności, ponieważ nie mają dostępu do odpowiedzi na pytanie „dlaczego”, która dostarcza większości informacji w biznesie opartym na subskrypcjach konsumenckich.

Dwie osoby mogą wyszukać to samo hasło, kliknąć tę samą reklamę i przyjść z zupełnie innymi motywacjami, a mimo to dane nie rozróżniają ich w żaden sposób. Model analizujący sygnały behawioralne z przekonaniem grupuje je razem, ponieważ są identyczne pod każdym mierzalnym względem. Grupowanie jest prawidłowe, ale wyciągnięty z niego wniosek nadal może być błędny. Jest to szczególnie kłopotliwy tryb awarii, ponieważ nie ma tu błędu, który można byłoby wychwycić.

Na przykład w analizie rynku agenci tworzyli przejrzyste, wiarygodne i dobrze uzasadnione narracje o zmianie w kategorii — podsumowania brzmiące tak, jakby napisał je bystry analityk. Jednak później okazywało się, że leżąca u ich podstaw zmiana była artefaktem: zmianą sposobu raportowania, wzorcem sezonowym lub zmianą definicji tego, jak coś liczono. Narracja była spójna, ponieważ model doskonale radzi sobie z budowaniem spójnych narracji, ale spójność nie jest równoznaczna z dokładnością. To, co czyniło ją niebezpieczną, a nie tylko błędną, to jej dopracowane brzmienie.

Na tym właśnie polega problem z zaufaniem. Systemy te nie sygnalizują niepewności. Wniosek wyciągnięty na podstawie skąpych dowodów wraca w takim samym tonie jak wniosek oparty na solidnych dowodach. Ludzki analityk zastosowałby zastrzeżenia, wskazał nietypowe dane lub coś sprawdził przed opisaniem wyników. Model po prostu je opisuje.

Wersja tego problemu specyficzna dla subskrypcji jest jeszcze trudniejsza. Gdy ktoś anuluje subskrypcję, zdarzenie wygląda identycznie niezależnie od tego, czy nie otrzymał tego, po co przyszedł, czy też w pełni osiągnął swój cel i poszedł dalej. Są to przeciwstawne rezultaty o takim samym podpisie danych i żadna ilość modelowania ich nie rozdzieli, ponieważ różnica leży wyłącznie w kontekście, do którego system nigdy nie miał dostępu.

Dlaczego prognozowanie wymaga przeprojektowania z wykorzystaniem sztucznej inteligencji

Instynkt podpowiada, by zwiększyć dokładność prognozowania, stosując lepsze modele, ale moim zdaniem to niewłaściwe przeprojektowanie AI. Gartner podaje, że odsetek organizacji sprzedażowych osiągających dokładność prognoz na poziomie 90% lub wyższym wynosi 7%, a liczba ta od wielu lat pozostaje niezmienna pomimo ogromnych inwestycji w narzędzia. Gdy problem opiera się tak dużym nakładom pieniędzy i technologii, zwykle oznacza to, że został niewłaściwie zdefiniowany, a nie że rozwiązania były zbyt słabe.

Błąd w sposobie definiowania problemu polega na traktowaniu prognozowania jako problemu predykcyjnego, podczas gdy w rzeczywistości jest to problem decyzyjny. Lider ds. przychodów nie potrzebuje dokładniejszej liczby opisującej kolejny kwartał, lecz możliwej do obrony odpowiedzi na pytanie, co powinien zrobić inaczej w tym tygodniu. To powiązane kwestie, ale nie są tym samym pytaniem, a ta druga jest znacznie łatwiejsza do rozwiązania. Można przeprowadzić eksperyment, który pokaże, czy zmiana spowodowała określony wynik. Nie można jednak przeprowadzić eksperymentu, który powie, jak będzie wyglądał świat za dziewięćdziesiąt dni.

Dlatego opowiadałbym się za przeprojektowaniem, które przenosi punkt ciężkości z przewidywania na dowody przyczynowe. Zamiast prosić model o ekstrapolowanie przyszłości na podstawie zdegradowanego sygnału, warto zapytać, co można odłożyć na bok, co można przetestować i jaki wynik zmieniłby sposób alokacji zasobów. Daje to mniej efektowne artefakty i zdecydowanie lepsze decyzje. Pozwala też uczciwie ujawnić porażkę, ponieważ niejednoznaczny test mówi, że wynik był niejednoznaczny, podczas gdy błędna prognoza nie mówi nic aż do zamknięcia kwartału.

Druga część przeprojektowania polega na uczynieniu niepewności pełnoprawnym wynikiem, zamiast usuwania jej, zanim liczba dotrze do kadry kierowniczej. Większość procesów prognozowania sprowadza szeroki zakres do jednej wartości, ponieważ pojedynczą liczbę łatwiej zaprezentować, a wszystko, co dzieje się później, traktuje tę wartość tak, jakby była znana. Prognoza, która zawierałaby własny poziom pewności i jasno wskazywała, które elementy opierają się na solidnych pomiarach, a które na modelowanym lub wywnioskowanym sygnale, byłaby mniej komfortowa, ale znacznie bardziej użyteczna.

AI może zresztą pomóc we wszystkich tych obszarach. Dobrze radzi sobie z utrzymywaniem bazy dowodów, sygnalizowaniem, gdy założenie leżące u podstaw projekcji uległo zmianie, oraz wykonywaniem żmudnej pracy związanej z aktualizowaniem obrazu sytuacji. Nie powinno natomiast wytwarzać fałszywej precyzji na końcu procesu opartego na słabych danych wejściowych, co niestety stanowi większość tego, do czego ludzie sprzedają je na tym etapie cyklu.

Przemyślenia Jona

Wydajność i wyróżnianie się obecnie działają przeciwko sobie, dlatego każdy lider musi świadomie wybrać proporcję, ponieważ domyślna proporcja nie jest neutralna.

Dlaczego modele generatywne wymuszają wybór między wyróżnianiem się a wydajnością

Oto kolejny problem. Modele generatywne niczego nie wymyślają; tworzą najbardziej statystycznie prawdopodobny wynik na podstawie danych treningowych, co oznacza, że odtwarzają dominujące konwencje i przesuwają wszystko w kierunku wspólnej średniej.

Wydajność i wyróżnianie się obecnie działają przeciwko sobie, dlatego każdy lider musi świadomie wybrać proporcję, ponieważ domyślna proporcja nie jest neutralna.

Jak należy ujednolicić i mierzyć zadania związane z przychodami i marketingiem

W większości firm jeden zespół odpowiada za reklamę, a inny za stronę, demonstrację lub pierwszą rozmowę. Oba zespoły są mierzone i na ogół dobrze sobie radzą. Nikt nie odpowiada za styk między nimi, czyli dokładnie za miejsce, w którym gubi się intencja. W rezultacie każda funkcja raportuje dobry kwartał, podczas gdy element łączący te działania traci klienta.

Około połowa organizacji zgłasza brak zgodności podczas przekazywania kontaktów między marketingiem a sprzedażą, przy czym kampanie są tworzone w izolacji, a sprzedawcy dowiadują się o zmianach w komunikacji od potencjalnych klientów, a nie wewnątrz firmy. Wygląda to na problem komunikacyjny, ale w rzeczywistości jest to problem odpowiedzialności.

Zmieniliśmy sposób, w jaki traktowaliśmy reklamę i stronę docelową, postrzegając je jako jedną całość tworzoną, publikowaną i mierzoną wspólnie, a nie jako dwa zasoby należące do dwóch zespołów. Korzyścią była nie tylko konwersja, lecz także możliwość interpretacji wyników, ponieważ gdy obietnica i jej realizacja stanowią jeden obiekt, można wreszcie rzetelnie ocenić ich działanie jako pary. Dwa zespoły, które osobno optymalizują dwie połówki, wygenerują liczby wyglądające dobrze, ale żaden z tych zestawów nie powie, jaki efekt przyniosło ich połączenie.

Odpowiednikiem tego pytania dla lidera odpowiedzialnego za przychody jest to, czy historia, którą potencjalny klient słyszy od marketingu, wytrzymuje konfrontację z pierwszą rozmową sprzedażową oraz czy ktokolwiek potrafi zmierzyć tę zmianę przyczynowo, zamiast po prostu zliczać aktywność po obu jej stronach. Jeśli te kwestie są przypisane do różnych osób i mierzone osobno, AI sprawi, że każda z tych połówek stanie się bardziej efektywna, jednocześnie pogłębiając dzielącą je lukę. Praca szczuplejszych zespołów w szybszym tempie wzdłuż nieprzypisanego nikomu obszaru to przewidywalny sposób na utratę pieniędzy, podczas gdy wszystkie pulpity nawigacyjne nadal będą wyglądać zdrowo.

Dlaczego CRO muszą samodzielnie odpowiadać za funkcję celu, zamiast delegować tę odpowiedzialność

Ogólnie rzecz biorąc, moja rada brzmi: samodzielnie przejmij odpowiedzialność za funkcję celu, zamiast ją delegować albo przyjmować ustawienia domyślne platformy.

Systemy te doskonale maksymalizują wszystko, co im określisz, co oznacza, że specyfikacja staje się strategią. Jeśli liczba, którą przekażesz maszynie, jest wskaźnikiem zastępczym wyniku, a nie samym wynikiem, otrzymasz piękny wykres i gorszy biznes, a dojdziesz do tego szybciej niż kiedykolwiek przed pojawieniem się AI.

Drugą dyscypliną — i tą, do której najbardziej bym zachęcał — jest wcześniejsze określenie, jakie dowody przekonałyby cię, że coś zadziałało. Większość organizacji odpowiedzialnych za przychody ma bardzo wyrafinowaną odpowiedź na pytanie, co się wydarzyło, oraz zaskakująco słabą odpowiedź na pytanie, co to spowodowało. AI pogłębia tę lukę, ponieważ sprawia, że uzyskanie pierwszego rodzaju odpowiedzi jest tańsze. Jeśli przed uruchomieniem działania nie potrafisz opisać, jak wyglądałby wiarygodny odczyt wyników, w końcu uznasz za potwierdzenie to, co przekaże ci raportowanie.

Badanie PwC dotyczące dyrektorów generalnych 2026 wykazało, że tylko 12% dyrektorów generalnych zauważyło, iż AI przyniosła jednocześnie wzrost przychodów i obniżenie kosztów, podczas gdy 56% nie odnotowało jeszcze znaczących korzyści finansowych. Nie odczytuję tego jako dowodu na niedostateczne działanie technologii; jest to raczej dowód na to, że większość organizacji skierowała ją na coś, czego nie zdefiniowała wystarczająco dokładnie, a następnie zmierzyła to w sposób, który nie pozwalał ustalić, czy AI rzeczywiście przyniosła istotną wartość finansową.

Śledź dalsze publikacje

Możesz śledzić pracę Jona Changa na LinkedInie oraz w jego newsletterze Refleksje o marketingu wzrostu.

W The CRO Club pojawi się więcej wywiadów z ekspertami!