Juan Pablo Tejela, administrerende direktør og medstifter af Metricool – Intervieserie

Juan Pablo Tejela, administrerende direktør og medstifter af Metricool, er en softwareingeniør og teknologi-iværksætter, der har ledet virksomheden siden 2014 og hjulpet med at udvikle den til en omfattende platform for at styre og måle digitalt indhold. Før han startede Metricool, tilbragte han næsten ni år hos Optimyth Software, hvor hans ansvarsområder inkluderede produktledelse, applikationsudvikling, brugergrænsefladedesign, forsalg, kundesupport og online-markedsføring for Kiuwan software-analyseplatformen. Tidligere i sin karriere havde Tejela softwareingeniørroller hos Swissrisk, Indra, EADS-CASA og FEDETEC, hvor han arbejdede med Java, C++, indlejrede systemer, kommunikationsteknologi og Linux-kerneludvikling.

Metricool er en madrid-baseret social medie-styringsplatform, der giver skabere, mærker og bureauer mulighed for at planlægge indhold, offentliggøre opslag, styre samtaler, analysere præstation, overvåge konkurrenter og generere rapporter fra et centraliseret arbejdsområde. Platformen understøtter større sociale netværk og annoncenetværk, herunder Instagram, Facebook, TikTok, LinkedIn, YouTube, X, Bluesky, Pinterest, Google og Meta Ads, samt tilbyder AI-understøttet indholdsskabelse og -optimering. Metricool rapporterer, at de serverer mere end to millioner brugere, herunder organisationer som Forbes, Adidas, Volvo, H&M og Warner Music (WMG ) Group.

Din karriere begyndte inden for softwareingeniørarbejde, indlejrede systemer, applikationskvalitet og produktudvikling. Hvordan formede disse erfaringer din tilgang, da du startede Metricool, og hvilket uopfyldt behov overbeviste dig om, at sociale medieprofessionelle havde brug for en ny type analytics-platform?

Ærligt talt startede Metricool mindre, end folk tror. Min kone Laura og jeg byggede det i 2015 som et sideprojekt, oven på vores normale arbejde. Bloggere var det største på internettet på det tidspunkt, og vi bemærkede, at de ikke havde nogen anstændig måde at se deres tal på ét sted – alt var spredt ud over fem forskellige værktøjer, ingen af dem bygget til nogen, der ikke var teknisk. Min baggrund inden for indlejrede systemer og QA havde indprentet én vane i mig. Du stoler ikke på noget, du ikke selv har målt. Så vi byggede den simple version, vi ønskede os.

Det, der faktisk bekræftede idéen, var ikke bloggere – det var sociale medieprofessionelle, der startede med at tilmelde sig lige efter dem. De ønskede kunde-rapporter, der så professionelle ud, og dette var den del, der betød noget for et sideprojekt – de var villige til at betale. Bloggere gjorde det for det meste ikke. Det var øjeblikket, hvor jeg indså, at vi ikke byggede et hobbyværktøj, men noget til en underbetjent profession. Vi beholdt vores arbejde, indtil det blev umuligt, og startede med at ansætte ordentligt i januar 2017. Alt siden da har været en udvidelse af den første intuition: fjern støj, hold analyserne transparente og byg noget til personen, der udfører arbejdet, ikke til personen, der køber software til andre mennesker.

Metricool er udviklet fra et fokuseret analytics-produkt til en social medie-styringsplatform, der bruges af mere end fire millioner professionelle, bureauer, skabere og mærker. Hvad var de mest konsekvensfulde produktbeslutninger bag denne vækst, og var der øjeblikke, hvor du måtte omvurderer virksomhedens oprindelige vision?

Nogle beslutninger betød mere end de andre. At satse alt på analytics, mens alle andre – Hootsuite, Buffer – var fokuseret på planlægning, var den første, og det er stadig vores differentiator i dag. Den anden var at nægte at være et “amerikansk” værktøj, der behandler spansk og andre sprog som en eftertanke; det gav os en reel fordel i Europa og Latinamerika tidligt. Den tredje, mere nylig, var at beslutte, at sociale annoncer ikke kan leve i et separat værktøj fra organisk indhold, fordi ingen social medie-manager faktisk tænker på dem separat.

Ændrede visionen sig? Konstant, og jeg tror ikke, det er en dårlig ting. Vi satte ikke ud for at bygge til bureauer, men vi byggede til enkeltpersoner og bloggere. Bureauer dukkede op på egen hånd, fortalte os, hvad de havde brug for (hvidmærkede rapporter, fler-kunde-dashboard, team-pladser), og vi lyttede og tog action. Samme med mærker senere. Hvis jeg havde fastholdt “den oprindelige vision” for Metricool for meget, ville vi have bygget et meget mindre produkt til en niche-publikum. Planen var aldrig hellig.

Metricools forskning fandt, at 96% af sociale medieprofessionelle bruger kunstig intelligens, men 36% ved ikke eller måler ikke, om AI-genereret indhold yder bedre. Hvorfor er AI-adopteringshastigheden flyttet så meget hurtigere end organisationernes evne til at evaluere dens faktiske forretningsimpact?

Fordi brug af AI er let, og måling af det ordentligt er arbejde. Du åbner et værktøj, du får en undertekst, du offentliggør – ingen friktion overhovedet. At vide, om den undertekst gjorde noget for dig, betyder, at du skal oprette en sammenligning, være tålmodig, modstå trangen til at erklære sejr efter én god opslag. De fleste hold har ikke bygget den disciplin endnu, og ærligt talt, hvorfor skulle de have? Indtil for atten måneder siden havde ingen brug for at spørge “gjorde AI-versionen bedre end menneskeversionen” – en person skrev det, du dømte opslaget på dets egne meritter.

Den 36% bekymrer mig ikke på den måde, det måske lyder som. Det er ikke, fordi folk er uforsigtige. Det er, fordi måling altid kommer efter adoption – det skete med betalt socialt, det skete med influencer-markedsføring, det sker igen her. Værktøjerne til at bruge AI forbedrede sig hurtigt. Vanerne til at dømme det har ikke fanget op endnu. De vil.

Generativ AI giver mærker mulighed for at producere mere indhold til en lavere omkostning, men større rækkevidde eller udgivelsesvolume kan skabe en falsk fornemmelse af succes. Hvilke metrikker skal holdene prioritere for at bestemme, om AI-understøttet indhold styrker tillid, mærke-sundhed og kunde-relationer?

Rækkevidde er den metrik, AI er bedst til at pumpe op og værst til at forklare. Hvis du kun ser på det tal, vil du føle dig godt i måneder, lige indtil du ikke gør. Hvad jeg ville overvåge, er, om mennesker gemmer eller deler indholdet, ikke kun scroller forbi det – det er forskellen på “Jeg så det” og “det var værd at gemme.” Er kommentarerne en reel samtale, eller blot mere støj under flere opslag? Og, det sidste bliver konstant sprunget over, lyder mærket stadig som én person efter tre hundrede AI-understøttede opslag, eller er stemmen begyndt at glide post for post, uden at nogen lægger mærke til det?

Det sidste er den snigende. Tillid kollapser ikke på én gang – det eroderer stille, og når rækkevidde eller salg viser det, har du tabt det i måneder.

Metricool fandt, at 66% af respondenternes involverer AI i mindst halvdelen af deres indhold, mens seks af ti mener, at AI-genereret indhold matcher eller overgår menneskeskabt arbejde. Hvordan skal mærker designe eksperimenter, der retfærdigt sammenligner AI-understøttet og menneskeskabt indhold uden at forvirre korrelation, platform-algoritmer og indholdskvalitet?

Hold alt fast, undtagen den ene ting, du tester – samme brief, samme platform, samme dag og tid, samme person, der udfører den endelige redigering – og kun byt ud, hvem der skrev den første udskrift. Det er det. De fleste “AI vs. menneske”-sammenligninger, der flyder rundt, gør ikke det. De sammenligner en AI-opslag fra tirsdag mod en menneske-opslag fra tre måneder siden på et helt andet emne, og derefter trækker de en konklusion.

Kør det i par, kør det i uger, ikke for én opslag – en enkelt opslags præstation er mest held og algoritme-stemning den dag, og du har brug for nok volumen for at se forbi det. Og vær ærlig om, hvad “matcher menneskearbejde” faktisk betyder. Hvis AI-indhold får lignende indtryk, men dårligere kommentarkvalitet eller lavere gemninger, er det ikke en tie, det er en advarselssignal. Meget af den “seks af ti”-tillid, jeg formoder, er folk, der kigger på overfladen og stopper der.

Hvor tilføjer automatisering i øjeblikket mest værdi for sociale mediehold, og hvilke ansvarsområder, såsom fastlæggelse af mærke-stemme, styring af fællesskaber eller reaktion under en krise, skal forblive fast under menneskelig kontrol?

Det kedelige, høj-volumen-arbejde – planlægning, første udskrifter, omskalering af en video til seks platforme, trækning af en månedlig rapport – det er, hvor automatisering næsten er gratis tid givet tilbage til et hold. Ingen burde gøre det manuelt i 2026.

Linjen for mig er dømmekraft. Stemme, fællesskab og især noget, der er en krise – det kræver en menneskelig. Ikke fordi AI ikke kan udarbejde noget fornuftigt, det kan det ofte, men fordi omkostningen af én forkert tone i et følsomt øjeblik er offentlig og øjeblikkelig, og et mærkes rygte er ikke noget, du får lov til at A/B-teste. Jeg vil gå tilbage til noget, jeg har sagt før: at være halvt-tilstedeværende eller dårligt tilstedeværende på sociale medier er som at have et ødelagt butiksvindue. AI-udarbejdning af en krise-svar til en menneskelig gennemgang i tredive sekunder, dejligt. AI-tryk på den svar på egen hånd, aldrig.

Metricool Studio giver brugerne mulighed for at generere rapporter, sammenligne præstation, analysere konkurrenter og identificere opslag-mønstre gennem naturlige sprog-forespørgsler. Hvordan vil dette ændre den daglige rolle for sociale medie-managere og markedsanalytikere, når AI skifter fra at generere indhold til at fortolke præstation?

Det skyder jobbet opad. En stor del af en social medie-managers uge går stadig ind i at trække numre ind i en skrive og skrive sætningen, der forklarer, hvad der skete. Hvis du kan spørge “hvorfor faldt engagementet sidste uge” og få et rigtigt svar tilbage på sekunder, forsvinder det hele stykke af ugen næsten.

Hvad der er tilbage, er det virkelig værdifulde: at beslutte, hvad man skal gøre med svaret. Hvilken format at satse på, hvordan man forklarer det til en kunde, der ikke interesserer sig for mekanikken, når data fortæller dig noget, din mave er uenig i. Jeg tror ikke, rollen mindsker, det splitter folk ind i to grupper ret hurtigt: de, der udfører rigtig analyse, og de, der mest udfører data-indtastning med ekstra skridt. Kun den første gruppe vokser herfra.

Metricool har adopteret Model Context Protocol, der giver AI-assistenter, automatiseringsplatforme og brugerdefinerede agenter mulighed for at interagere med sociale medie-data og arbejdsprocesser. Hvad muligheder skaber dette, og hvordan kan virksomheder forhindre, at autonome systemer offentliggør upassende indhold, misforstår analytics eller tager handlinger, der skader et mærke?

Vi var en af de første sociale medie-platforme, der byggede på Claude’s MCP, og årsagen er simpel. Det betyder, at Metricools data ikke længere kun lever inde i vores egen interface. En mærkes egen agent, en automatiseringsplatform, hvad som helst et hold allerede bruger, kan nu trække præstationsdata eller udløse en arbejdsproces direkte, uden at vi selv skal bygge hver enkelt integration. Det åbner op for arbejdsprocesser, vi ikke har tænkt på endnu, bygget af de mennesker, der er tættest på dataene.

Risikoen skal være designet ind fra dag én, ikke patchet på efterfølgende. Praktisk offentliggørelse skal som standard have en menneskelig godkendelsesproces, ikke stille autonome offentliggørelse, især ikke noget, der er klient-orienteret. Tilladelser skal være tæt indsnævret, såsom en agent bygget til at trække en rapport ikke skal kunne udløse en opslag, punktum. Og hver handling, en agent udfører, skal have en spor, en menneskelig kan kontrollere efterfølgende. Protokollen giver dig forbindelsen. Sikkerhedsforanstaltningerne er stadig en beslutning, hver virksomhed selv må træffe med vilje.

Metricools forskning viser, at traditionelle offentlige interaktioner kan falde, selvom den samlede engagement stiger, drevet af mindre synlige handlinger såsom klik, swipe, visninger og link-tryk. Hvordan skal mærker tilpasse sig, når nogle af de mest betydningsfulde signaler om opmærksomhed er mere og mere usynlige for offentligheden?

Likes og kommentarer var aldrig en god proxy for opmærksomhed, og de bliver værre. Det meste af den ægte interesse i dag sker et sted, hvor ingen andre kan se det. Nogen swiper gennem hver enkelt slide i en carousel, ser en video til slut, screenshot noget for at sende det til en ven privat. Ingen af det viser sig offentligt. Alt det er rigtig opmærksomhed, muligvis mere værdifuld end en reflektorisk dobbelt-klik.

Så mærkerne skal blive komfortable med at behandle fuldførelsesrate, swipe-gennem og klik-gennem som kerne-numre, ikke fodnoter begravet under likes. Den praktiske ændring er at spørge en anden spørgsmål helt: ikke “hvad engagement fik vi” men “hvad opmærksomhed tjente vi faktisk”, da man ved, at det meste af det andet tal aldrig vil være synligt for nogen uden for din egen dashboard.

Settende fremad, forventer du, at AI vil forblive en samling af assistenter, der bruges af sociale medieprofessionelle, eller vil det udvikle sig til et operativt lag, der kontinuerligt planlægger kampagner, allokerer ressourcer, fortolker præstation og anbefaler beslutninger på tværs af hver enkelt platform?

Et operativt lag, og hurtigere, end de fleste mennesker forventer. “Spørg AI én ting ad gangen”-modellen er en fase, ikke destinationen. Det, vi bygger imod, er AI, der sidder under hele arbejdsprocessen, såsom overvågning af præstation på tværs af hver enkelt platform kontinuerligt, fange, hvad der fungerer, før en menneskelig ville bemærke det, og anbefale det næste trin.

Anbefale, ikke beslutte. Jeg tror ikke, slutningen er AI, der kører kampagner med ingen til at se på. Jeg tror, det er AI, der gør den uophørlige overvågning, ingen hold har timerne til, og som giver en person en kort, nyttig liste i stedet for en mur af dashboards. De professionelle, der klarer sig godt i den verden, vil ikke være dem, der kæmper imod laget, men dem, der bliver gode til at pege på det.

Tak for det fantastiske interview, læsere, der ønsker at lære mere, skal besøge Metricool.