Juan Pablo Tejela, administrerende direktør og medgrunnlegger av Metricool – Intervju-serie

Juan Pablo Tejela, administrerende direktør og medgrunnlegger av Metricool, er en programvareingeniør og teknologi-entrepreneur som har ledet selskapet siden 2014, og hjulpet med å utvikle det til en omfattende plattform for å håndtere og måle digitalt innhold. Før han lanserte Metricool, tilbrakte han nesten ni år i Optimyth Software, hvor hans ansvar inkluderte produktledelse, applikasjonsutvikling, brukergrensesnitt-design, forsalg, kundestøtte og nettmarkedsføring for Kiuwan-software-analyseplattformen. Tidligere i sin karriere hadde Tejela programvareingeniør-roller i Swissrisk, Indra, EADS-CASA og FEDETEC, og arbeidet med Java, C++, innbygde systemer, kommunikasjonsteknologi og Linux-kernel-utvikling.

Metricool er en Madrid-basert sosiale medier-plattform som lar kreatører, merker og byråer planlegge innhold, publisere innlegg, håndtere samtaler, analysere ytelse, overvåke konkurrenter og generere rapporter fra et sentralisert arbeidsområde. Plattformen støtter større sosiale nettverk og annonseringskanaler, inkludert Instagram, Facebook, TikTok, LinkedIn, YouTube, X, Bluesky, Pinterest, Google og Meta Ads, samt tilbyr AI-assistert innholdsskapelse og optimaliseringsteknologi. Metricool rapporterer at de betjener over to millioner brukere, inkludert organisasjoner som Forbes, Adidas, Volvo, H&M og Warner Music (WMG ) Group.

Din karriere begynte i programvareingeniørarbeid, innbygde systemer, applikasjonskvalitet og produktutvikling. Hvordan påvirkte disse erfaringene din tilnærming når du grunnla Metricool, og hva var det ubehandlede behovet som overbeviste deg om at sosiale medier-profesjonelle trengte en ny type analyseplattform?

Ærlig talt, Metricool startet mindre enn folk tror. Min kone Laura og jeg bygde det i 2015 som et sideprosjekt, på toppen av våre vanlige jobber. Bloggere var det største på internettet på den tiden, og vi la merke til at de ikke hadde noen anstendig måte å se tallene sine på ett sted — alt var spredt over fem forskjellige verktøy, ingen av dem bygget for noen som ikke var teknisk. Min bakgrunn i innbygde systemer og QA hadde drillt en vaner inn i meg. Du stoler ikke på noe du ikke har målt selv. Så vi bygde den enkle versjonen vi ønsket oss.

Hva som faktisk validerer ideen, var ikke bloggerne, men sosiale medier-profesjonelle som begynte å melde seg på like etter dem. De ønsket kunde-rapporter som så profesjonelle ut, og dette var det viktigste for et sideprosjekt — de var villige til å betale. Bloggere var for det meste ikke det. Det var øyeblikket jeg innsett at vi ikke bygde et hobby-verktøy, men et verktøy for en underbetjent profesjon. Vi beholdt jobbene våre til det ble umulig, og startet å ansette ordentlig i januar 2017. Alt siden har vært en utvidelse av den første instinktet: fjern støyen, hold analysen åpen, og bygge noe for personen som gjør arbeidet, ikke personen som kjøper programvare for andre.

Metricool har utviklet seg fra et fokusert analyseprodukt til en sosiale medier-plattform brukt av over fire millioner profesjonelle, byråer, kreatører og merker. Hva var de mest konsekvensfulle produktbeslutningene bak denne veksten, og var det øyeblikk da du måtte omvurdere selskapets opprinnelige visjon?

Noen beslutninger betydde mer enn de andre. Å gå all-in på analyse mens alle andre — Hootsuite, Buffer — var fokusert på planlegging, var den første, og det er fremdeles vår differensiering i dag. Den andre var å nekte å være et “amerikansk” verktøy som behandler spansk og andre språk som en ettertanke; det ga oss en reel fordel i Europa og Latin-Amerika tidlig. Den tredje, mer nylig, var å bestemme at sosiale annonser ikke kan leve i et separat verktøy fra organisk innhold, fordi ingen sosiale medier-manager faktisk tenker på dem separat.

Forandret visjonen? Konstant, og jeg tror ikke det er et problem. Vi satte ikke ut å bygge for byråer, men bygde for enkeltpersoner og bloggere. Byråer dukket opp på egen hånd, fortalte oss hva de trengte (hvite-etikett-rapporter, fler-kunde-dashboards, team-plasser), og vi lyttet og tok handling. Samme med merker senere. Hvis jeg hadde beholdt “den opprinnelige visjonen” for Metricool for mye, ville vi ha bygget et mye mindre produkt for en niche-publikum. Planen var aldri hellig. Brukerne la i stor grad ut veikartet for oss.

Metricools forskning fant at 96% av sosiale medier-profesjonelle bruker kunstig intelligens, men 36% vet ikke eller måler om AI-generert innhold fungerer bedre. Hvorfor har AI-adoptsjon flyttet så mye raskere enn organisasjoners evne til å vurdere dens faktiske forretningspåvirkning?

Fordi å bruke AI er enkelt og å måle det ordentlig er arbeid. Du åpner et verktøy, du får en overskrift, du posterer det — ingen friksjon i det hele tatt. Å faktisk vite om den overskriften gjorde noe for deg, betyr å sette opp en sammenligning, å være tålmodig, å motstå impulsen til å erklære seier etter ett godt innlegg. De fleste teamene har ikke bygget den disiplinen ennå, og ærlig talt, hvorfor skulle de ha? Før atten måneder siden trengte ingen å spørre “gjorde AI-versjonen bedre enn menneskeversjonen” — en person skrev det, du dømte innlegget på egne meritter.

Den 36% bekymrer meg ikke på den måten det kanskje høres ut som det burde. Det er ikke at folk er uansvarlige. Det er at måling alltid ligger etter adopsjon — det skjedde med betalt sosiale medier, det skjedde med influencer-markedsføring, det skjer igjen her. Verktøyene for å bruke AI har forbedret seg raskt. Vanene for å dømme dem har ikke fanget opp ennå. De kommer til å gjøre det.

Generativ AI muliggjør at merker kan produsere mer innhold til en lavere kostnad, men større rekkevidde eller publiseringsvolum kan skape en falsk følelse av suksess. Hvilke målinger bør teamene prioritere for å bestemme om AI-assistert innhold styrker tillit, merke-helse og kunde-relasjoner?

Rekkevidde er målingen AI er best til å blåse opp og verst til å forklare. Hvis du bare ser på det tallet, vil du føle deg bra i måneder helt til du ikke gjør det. Hva jeg ville overvåke, er om folk lagrer eller deler innholdet, ikke bare scroller forbi det — det er forskjellen på “Jeg så det” og “dette var verdt å beholde.” Er kommentarene faktisk samtale, eller bare mer støy under flere innlegg? Og, dette blir konstant hoppet over, lyder merket fortsatt som en person etter tre hundre AI-assisterte innlegg, eller har stemmen begynt å gli post for post uten at noen legger merke til det?

Det siste er det snikende. Tillit kollapser ikke på en gang — det eroderer stille, og når salg eller rekkevidde viser det, har du tapt det i måneder.

Metricool fant at 66% av respondentene involverer AI i minst halvparten av innholdet, mens seks av ti tror at AI-generert innhold matcher eller overgår menneskeskapt arbeid. Hvordan bør merker designe eksperimenter som rettferdig sammenligner AI-assistert og menneskeskapt innhold uten å forvirre korrelasjon, plattform-algoritmer og innholdskvalitet?

Hold alt fast, bortsett fra den ene ting du tester — samme oppdrag, samme plattform, samme dag og tid, samme person som gjør den endelige redigeringen — og bare bytter ut hvem som skrev den første utkastet. Det er det. De fleste “AI mot menneske”-sammenligninger som flyter rundt, gjør ikke dette. De sammenligner et AI-innlegg fra tirsdag mot et menneske-innlegg fra tre måneder siden på et helt annet emne, og trekker deretter en konklusjon.

Kjør det i par, kjør det i uker, ikke for ett innlegg — ett enkelt innleggs ytelse er mest lukk og algoritme-humør den dagen, og du trenger nok volum til å se forbi det. Og vær ærlig om hva “matcher menneske-arbeid” faktisk betyr. Hvis AI-innhold får lignende inntrykk, men dårligere kommentarkvalitet eller lavere lagringsverdier, er det ikke en uavgjort, det er en advarselssignal. Mye av den “seks av ti”-tilliten, mistenker jeg, er folk som ser på overflatetallet og stopper der.

Hvor legger automatisering til nå den største verdien for sosiale medier-team, og hvilke ansvar, som å etablere merke-stemme, håndtere samfunn eller svare under en krise, bør forbli fast under menneskelig kontroll?

Det kjedelige, høy-volum-arbeidet — planlegging, første utkast, omstilling av video for seks plattformer, trekking av en månedlig rapport — det er der automatisering praktisk talt gir fri tid tilbake til et team. Ingen bør gjøre det manuelt i 2026.

Grensen for meg er dømmekraft. Stemme, samfunn og spesielt alt som er en krise — det trenger en menneskelig. Ikke fordi AI ikke kan skrive noe fornuftig, det kan ofte, men fordi kostnaden av en feil tone i et følsomt øyeblikk er offentlig og umiddelbar, og et merkes omdømme er ikke noe du kan A/B-teste. Jeg vil gå tilbake til noe jeg har sagt før: å være halv-tilstede eller dårlig tilstede på sosiale medier er som å ha et ødelagt butikkvindu. AI som skriver en krise-svar for en menneskelig å se gjennom i tretti sekunder, greit. AI som trykker på publiser på det svaret på egen hånd, aldri.

Metricool Studio lar brukerne generere rapporter, sammenligne ytelse, analysere konkurrenter og identifisere publiseringsmønster gjennom naturlig-språklig påminnelse. Når AI skifter fra å generere innhold til å tolke ytelse, hvordan vil dette endre den daglige rollen til sosiale medier-manager og markedsanalytiker?

Det skyver jobben oppover. En stor del av en sosial medier-managers uke går fortsatt med å trekke tall inn i en skrive, og skrive setningen som forklarer hva som skjedde. Hvis du kan bare spørre “hvorfor falt engasjementet sist uke” og få et ekte svar tilbake på sekunder, forsvinner hele den delen av uken praktisk talt.

Hva som er igjen, er det faktisk verdifulle delen: å bestemme hva å gjøre med svaret. Hvilken format å doble inn på, hvordan å forklare det til en kunde som ikke bryr seg om mekanismen, når data forteller deg noe som din instinkt er uenig i. Jeg tror ikke rollen krymper, det splitter mennesker inn i to grupper ganske raskt: de som gjorde ekte analyse, og de som gjorde mest data-innlasting med ekstra steg. Bare den første gruppen vokser fra her.

Metricool har adoptert Model Context Protocol, som lar AI-assistenter, automatiseringsplattformer og tilpassede agenter samhandle med sosiale medier-data og arbeidsflyt. Hva muligheter skaper dette, og hvordan kan selskaper forhindre at autonome systemer publiserer upassende innhold, misforstår analyser eller tar handlinger som skader et merke?

Vi var ett av de første sosiale medier-plattformene som bygde på Claudes MCP, og grunnen er enkel. Det betyr at Metricools data ikke bare bor inne i vårt eget grensesnitt lenger. Et merkes eget agent, en automatiseringsplattform, hva enn et team er i ferd med å bruke, kan nå trekke ytelsesdata eller utløse en arbeidsflyt direkte, uten at vi må bygge hver enkelt integrasjon selv. Det åpner opp arbeidsflyter vi ikke har tenkt på ennå, bygget av menneskene nærmest dataene.

Risikoen må være designet inn fra dag én, ikke lagt til etterpå. Praktisk publiseringshåndtering bør standard være en menneskelig godkjenningssteg, ikke stille autonome publiseringshåndtering, spesielt ikke noe som er kunde-orientert. Tillatelser må være tett skjermet, som en agent bygget for å trekke en rapport, bør ikke kunne utløse et innlegg, punktum. Og hver handling en agent tar, må ha en spor som en menneskelig kan sjekke etterpå. Protokollen gir deg forbindelsen. Sikkerhetsskranke er fortsatt en beslutning hver bedrift må ta bevisst.

Metricools forskning viser at tradisjonelle offentlige interaksjoner kan synke selv om den totale engasjementet øker, drevet av mindre synlige handlinger som klikk, sveiping, visninger og lenke-trykk. Hvordan bør merker tilpasse seg når noen av de mest meningsfulle signalene om oppmerksomhet er stadig mer usynlige for offentligheten?

Likes og kommentarer var aldri en god proxy for oppmerksomhet, og de blir dårligere. Det meste av ekte interesse i dag skjer et sted ingen andre kan se. Noen sveiper gjennom hver slide i en karusell, ser en video til slutten, tar skjermbilde av noe for å sende til en venn privat. Ingen av det vises offentlig. Alt er ekte oppmerksomhet, kanskje mer verdifullt enn en refleksiv dobbelt-trykk.

Så merker må bli komfortable med å behandle fullføringsrate, sveip-gjennom og klikk-gjennom som kjerne-tall, ikke fotnoter gravd under likes. Den praktiske skiftet er å spørre en annen spørsmål helt: ikke “hvor mye engasjement fikk vi” men “hvor mye oppmerksomhet tjente vi faktisk”, vite at det meste av det andre tallet aldri vil være synlig for noen utenfor eget dashboard.

Ser du fremover, forventer du at AI vil forbli en samling assistenter brukt av sosiale medier-profesjonelle, eller vil det utvikle seg til et operasjonelt lag som kontinuerlig planlegger kampanjer, allokerer ressurser, tolker ytelse og anbefaler beslutninger på tvers av hver plattform?

Et operasjonelt lag, og raskere enn de fleste mennesker forventer. “Spør AI én ting om gangen”-modellen er en fase, ikke destinasjonen. Hva vi faktisk bygger mot, er AI som sitter under hele arbeidsflyten, slik som å overvåke ytelse på tvers av hver plattform kontinuerlig, å fange hva som fungerer før et menneske ville merke det, og å anbefale neste trekk.

Anbefale, ikke bestemme. Jeg tror ikke sluttilstanden er AI som kjører kampanjer uten noen som ser på. Jeg tror det er AI som gjør den uanstrengte overvåkingen ingen team har timer til, og som gir en person en kort, nyttig liste istedenfor en vegg av dashboards. De profesjonelle som gjør det bra i den verden, vil ikke være de som slåss mot laget, men de som blir gode til å peke det ut.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Metricool.