Tankeledere
Det smarteste AI-valget kan være å la være å sende meldingen

Viktige punkterÅ optimalisere for klikk belønner det å sende flere meldinger, selv når…
Vis mer
- Å optimalisere for klikk belønner det å sende flere meldinger, selv når tilbakeholdenhet ville beskytte kundeforholdet bedre.
- En godt skrevet kampanje sendt mens en refusjon er uavklart, er en beslutningsfeil som bedre innhold ikke kan rette opp.
- Menneskelig gjennomgang bør fokusere på tvetydig kontekst og handlinger med store konsekvenser i stedet for rutinemessige policy-saker.
Generativ AI har gjort det mye billigere å lage en personlig tilpasset melding. Det har ikke gjort det enklere å avgjøre om meldingen bør sendes.
Dette skillet blir viktigere etter hvert som AI får ansvar for flere av beslutningene bak kundeinteraksjoner. Et system kan lage et relevant tilbud og forutsi at noen vil klikke, men likevel ta feil beslutning. Kunden venter kanskje på en tilbakebetaling. Kunden kan ha en uløst klage. Kunden kan allerede ha kjøpt produktet med en annen e-postadresse.
Bedre formuleringer løser ingen av disse problemene. Systemet trenger en bedre forståelse av kunden, et mål som gjenspeiler hva virksomheten faktisk verdsetter, og tydelige begrensninger for hva det kan gjøre.
Hva ber du systemet om å optimalisere?
Utsendelser, åpninger og klikk er enkle å telle. Derfor er de nyttige driftsmåltall, men også fristende erstatninger for det virksomheten egentlig ønsker: en kunde som ser verdien av forholdet til virksomheten og stadig kommer tilbake.
Et AI-system som er optimalisert for flest mulig klikk, og som har få begrensninger på hvor ofte det kan kontakte folk, kan finne ut at flere meldinger gir høyere poengsum. Hver ekstra utsendelse kan virke rimelig isolert sett. På tvers av kampanjer og kanaler kan den samme kunden ende opp med å høre fra merkevaren langt oftere enn noen hadde tenkt.
Kostnaden viser seg utenfor måltallet systemet optimaliserer for. I Validitys forbrukerundersøkelse om høytiden i 2026 sa en tredel av respondentene at mengden e-post i høytiden alene var nok til at de meldte seg av. Det betyr ikke at AI forårsaket overbelastningen. Det viser at økt aktivitet kan gå på bekostning av forholdet til kunden.
En avmelding er synlig. Frustrasjonen som kom før den, er det ofte ikke. Hvis systemet belønnes for et klikk i dag, men ikke får noen ulempe for å gjøre kunden mindre tilbøyelig til å komme tilbake neste måned, har det liten grunn til å ta hensyn til denne avveiningen.
Å holde igjen er også en beslutning
Tenk på en kunde som returnerte en bestilling forrige uke, og som fortsatt venter på en tilbakebetaling. Et markedsføringssystem ser en nylig kjøper med stor sannsynlighet for å svare og legger en kampanje-e-post i kø. Fra kundens ståsted ber merkevaren om mer penger før den betaler tilbake det den skylder.
Returen kan være registrert i bestillingssystemet, statusen for tilbakebetalingen i et kundeserviceverktøy og kjøpet i en markedsføringsprofil. Disse opplysningene er kanskje ikke engang knyttet til samme person. Modellen kan fungere nøyaktig som tiltenkt og likevel ta en beslutning på grunnlag av et ufullstendig bilde av kunden.
Når disse opplysningene kobles sammen, endres hva systemet kan vite. Det endrer ikke automatisk hva systemet kommer til å gjøre. Beslutningsprosessen må også ta hensyn til en uavklart tilbakebetaling og åpne for at det å holde tilbake en kampanje er et gyldig utfall. Ellers har du gitt systemet mer informasjon uten å endre atferden det belønnes for.
Derfor må kundekontekst og mål utformes sammen. Konteksten forklarer hva som skjer. Målet og beslutningsreglene avgjør hva som bør skje videre. En retur betyr ikke i seg selv at all kommunikasjon bør stanse. Kunden kan trenge en oppdatering om tilbakebetalingen. Det er viktig å skille mellom en nyttig servicemelding og enda en kampanje.
En dårlig formulert e-post er et innholdsproblem. En godt formulert e-post som sendes mens kunden venter på pengene sine, er et beslutningsproblem. Du kan ikke løse det siste ved å bli bedre på det første.
Påmelding er ikke det samme som lojalitet
Lojalitetsprogrammer byr på en annen variant av det samme problemet. Hvis suksess betyr flere påmeldinger, kan systemet lære seg å verve folk med rabatt. Antallet påmeldte øker. Om disse kundene kommer tilbake uten å få en ny rabatt, er et annet spørsmål.
Det tar lengre tid å få svar på de nyttige spørsmålene. Kommer medlemmene tilbake? Er kjøpene deres lønnsomme når kostnaden for insentivene er trukket fra? Endrer programmet atferden deres, eller belønner det stort sett kjøp de uansett ville ha gjort?
For å svare på disse spørsmålene må man koble lojalitetsaktivitet til kjøps- og kundeservicehistorikk over tid. Det krever også en sammenligning som bidrar til å skille programmets effekt fra atferd som allerede var sannsynlig. Et høyere medlemstall kan ikke gi deg svaret alene.
Menneskelig tilsyn må påvirke beslutningen
Mennesker har ansvaret for å avgjøre hva systemet skal optimalisere. Avveininger mellom kundelojalitet, fortjenestemargin og innsatsen kunden må legge ned, er noe ledelsen må ta ansvar for. En modell kan bidra til å vurdere disse avveiningene. Den kan ikke ta ansvar for valgene.
Det samme gjelder grensene for hva systemet kan gjøre. Et nyttig spørsmål å begynne med er: Hvor vanskelig ville det være å gjøre om dette? Å holde en reklamemelding tilbake for gjennomgang får andre konsekvenser enn å endre en pris, utstede en kreditering eller avbestille en reservasjon. Konsekvensene, kundens tillatelser og hvor pålitelig den tilgjengelige konteksten er, bør avgjøre hva som kan skje automatisk, og hva som må godkjennes.
En uavklart refusjonssak trenger ikke alltid å bli en oppgave for manuell gjennomgang. Hvis retningslinjene er tydelige, kan en regel sette kampanjen på vent mens kommunikasjonen med kunden fortsetter. Menneskelig gjennomgang er nødvendig når konteksten er tvetydig, reglene er motstridende eller konsekvensene går utover det systemet har myndighet til å håndtere. Hvis informasjonen som trengs for å skille mellom disse tilfellene, mangler, må systemet ha en definert reserveprosess i stedet for å få lov til å gjette.
De som vurderer anbefalingene, trenger også mer enn en konfidensskår. De må kunne se hvilke kunderegistre anbefalingen bygger på, hvor oppdaterte opplysningene er, hva systemet prøver å oppnå, og hvilke begrensninger som gjelder. En anbefaling som uttrykkes med stor sikkerhet, men bygger på utdaterte eller feilaktig sammenstilte opplysninger, er fortsatt en dårlig anbefaling.
Overstyringer bør bli til dokumentasjon. Hvis folk gjentatte ganger stanser samme type kampanje, bør årsaken registreres. Mønsteret kan avdekke manglende servicedata, et identitetsproblem eller et mål som belønner feil atferd. Det er mer verdifullt å rette opp mønsteret enn å be noen fange opp den samme feilen på ubestemt tid.
Mål om det hjelper å holde tilbake
Team kan begynne med én beslutning i stedet for å prøve å legge om alle kundeinteraksjoner på én gang. Ta en kampanjeutsendelse, finn ut hvilken kontekst den krever, og definer vilkårene for når den skal holdes tilbake. Nødvendige servicemeldinger skal ikke omfattes av regelen som stanser utsendelser.
Test deretter om endringen hjelper. For aktuelle kampanjemeldinger kan dere sammenligne dagens fremgangsmåte med en regel som holder dem tilbake under definerte forhold. Følg med på gjenkjøp, kundelojalitet, klager og margin over en periode som passer til kjøpssyklusen. Utsendelser og klikk bidrar fortsatt til å forklare hva som skjedde, men bør ikke være den endelige målestokken.
Testen kan vise at færre kampanjer bidrar til å verne om kunderelasjonen. Den kan også vise at en bestemt begrensning er for vidtrekkende. Begge resultatene er nyttige. Det å la være å sende bør ikke få automatisk godkjenning, like lite som det å sende. Begge deler er beslutninger med målbare konsekvenser.
Ingenting av dette fjerner behovet for ingeniørarbeid. Kunderegistrene må kunne knyttes til riktig person. Nylige hendelser må nå fram til beslutningsprosessen tidsnok til å ha betydning. Tillatelser må begrense handlingene, og teamene trenger en logg over hva som skjedde og hvorfor. Et bedre mål kan ikke veie opp for manglende kontekst, på samme måte som bedre kontekst ikke kan redde et feilaktig mål.
Bygg for kunderelasjonen
Spørsmålet ledere bør stille, er enkelt: Hva regner systemet deres som en god beslutning? Hvis svaret er et klikk, kan systemet gjøre jobben sin samtidig som det forverrer kundeopplevelsen.
Et pålitelig bilde av kunden gir mennesker og KI et sikrere grunnlag for å avgjøre hva de skal gjøre. Tydelige mål og kontrollmekanismer avgjør hvordan denne forståelsen brukes. Resultatet bør være et system som kan forklare hvorfor en melding er nyttig akkurat nå, forstå når den ikke er det, og lære av det som skjer videre.
Noen ganger er den smarteste beslutningen et KI-system kan ta, å ikke sende noe som helst.












