Tankeledare

Det smartaste AI-beslutet kan vara att inte skicka meddelandet

Derek Slager
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterOptimering för klick belönar att skicka fler meddelanden även när återhållsamhet bättre…
Visa mer
  • Optimering för klick belönar att skicka fler meddelanden även när återhållsamhet bättre skulle skydda kundrelationen.
  • En välskriven kampanj som skickas medan en återbetalning är olöst är ett beslutsfel som bättre innehåll inte kan åtgärda.
  • Mänsklig granskning bör fokusera på tvetydig kontext och handlingar med stora konsekvenser snarare än rutinmässiga policyärenden.

Generativ AI har gjort det mycket billigare att skapa personligt anpassade meddelanden. Men det har inte blivit lättare att avgöra om meddelandet bör skickas.

Den skillnaden blir viktig när AI får ta över fler av besluten bakom kundinteraktioner. Ett system kan ta fram ett relevant erbjudande och förutsäga att någon kommer att klicka, men ändå fatta fel beslut. Kunden kanske väntar på en återbetalning. Kunden kanske har ett olöst klagomål. Kunden kanske redan har köpt produkten med en annan e-postadress.

Bättre formuleringar löser inget av de här problemen. Systemet behöver förstå kunden bättre, ha ett mål som återspeglar vad företaget faktiskt värdesätter och tydliga gränser för vad det får göra.

Vad ber du systemet att optimera?

Det är lätt att räkna utskick, öppningar och klick. Därför är de användbara verksamhetsmått, men också lockande ersättningsmått för det ett företag faktiskt vill uppnå: att kunden ser ett värde i relationen och fortsätter att komma tillbaka.

Ett AI-system som optimeras för det totala antalet klick och har få begränsningar för hur ofta kunder får kontakt kan komma fram till att fler meddelanden ger ett bättre resultat. Varje ytterligare utskick kan verka rimligt för sig. Men över flera kampanjer och kanaler kan samma kund få höra från varumärket betydligt oftare än någon hade tänkt sig.

Kostnaden märks utanför det mått som optimeras. I Validitys undersökning bland konsumenter inför helgerna 2026 uppgav en tredjedel av de svarande att mängden e-post under helgerna i sig var tillräcklig för att få dem att avregistrera sig. Det visar inte att AI orsakade överbelastningen. Det visar att ökad aktivitet kan ske på bekostnad av kundrelationen.

En avregistrering är synlig. Besvikelsen som föregick den är det ofta inte. Om systemet får beröm för ett klick i dag men inte får någon påföljd för att ha minskat sannolikheten att kunden kommer tillbaka nästa månad, har det föga anledning att ta hänsyn till den avvägningen.

Att avstå är också ett beslut

Tänk dig en kund som returnerade en beställning förra veckan och fortfarande väntar på en återbetalning. Ett marknadsföringssystem ser en person som nyligen har handlat och som sannolikt kommer att svara, och köar ett reklammeddelande. Ur kundens perspektiv ber varumärket om mer pengar innan det betalar tillbaka det kunden har rätt till.

Returen kan finnas registrerad i ordersystemet, återbetalningsstatusen i ett kundtjänstverktyg och köpet i en marknadsföringsprofil. Uppgifterna kanske inte ens är kopplade till samma person. Modellen kan fungera precis som den är utformad för att göra och ändå fatta ett beslut utifrån en ofullständig bild av kunden.

När uppgifterna kopplas samman förändras vad systemet kan känna till. Det förändrar inte automatiskt vad systemet kommer att göra. Beslutsprocessen måste också ta hänsyn till en olöst återbetalning och tillåta att det är ett giltigt alternativ att hålla inne ett erbjudande. Annars har man gett systemet mer information utan att ändra det beteende som belönas.

Därför måste kundkontext och mål utformas tillsammans. Kontexten förklarar vad som händer. Målet och beslutsreglerna avgör vad som bör hända härnäst. En retur innebär inte i sig att all kommunikation ska upphöra. Kunden kanske behöver få en uppdatering om återbetalningen. Det är viktigt att skilja mellan ett användbart servicemeddelande och ännu ett reklamerbjudande.

Ett dåligt formulerat e-postmeddelande är ett innehållsproblem. Ett välformulerat e-postmeddelande som skickas medan kunden väntar på sina pengar är ett beslutsproblem. Det senare löser man inte genom att bli bättre på det första.

Att registrera sig är inte detsamma som att vara lojal

Lojalitetsprogram är ett annat exempel på samma problem. Om framgång innebär fler registreringar kan ett system lära sig att locka till sig personer med en rabatt. Antalet registrerade ökar. En annan fråga är om de kunderna kommer tillbaka utan ytterligare en rabatt.

De frågor som är mest användbara tar längre tid att besvara. Kommer medlemmarna tillbaka? Är deras köp lönsamma efter att kostnaden för incitamenten räknats in? Förändrar programmet deras beteende, eller belönar det mest köp som de ändå skulle ha gjort?

För att besvara de frågorna måste lojalitetsaktiviteten kopplas samman med köp- och kundtjänsthistorik över tid. Det krävs också en jämförelse som hjälper till att skilja programmets effekt från beteenden som redan var sannolika. Ett större medlemsantal kan inte i sig ge svar på det.

Mänsklig tillsyn måste påverka besluten

Människor ansvarar för att avgöra vad systemet ska optimera. Avvägningar mellan kundlojalitet, marginal och kundens arbetsinsats är frågor som ledningen måste ta ansvar för. En modell kan hjälpa till att bedöma sådana avvägningar. Men den kan inte ta ansvar för vilka val som görs.

Detsamma gäller gränserna för vad systemet får göra. En bra utgångsfråga är: Hur svårt skulle det vara att ångra det här? Att hålla inne ett reklammeddelande för granskning får andra konsekvenser än att ändra ett pris, utfärda en tillgodokreditering eller avboka en reservation. Konsekvenserna, kundens behörigheter och tillförlitligheten hos den tillgängliga kontexten bör avgöra vad som kan ske automatiskt och vad som kräver godkännande.

Ett pågående återbetalningsärende behöver inte varje gång bli ett ärende för manuell granskning. Om policyn är tydlig kan en regel hålla inne kampanjen medan kommunikationen med kunden fortsätter. Mänsklig granskning behövs när sammanhanget är tvetydigt, reglerna står i konflikt eller konsekvenserna går utöver systemets befogenheter. Om den information som krävs för att göra den åtskillnaden saknas behöver systemet en fastställd reservlösning, inte tillåtelse att gissa.

Granskare behöver också mer än en konfidenspoäng. De behöver kunna se vilka kunduppgifter som ligger till grund för rekommendationen, hur aktuella uppgifterna är, vad systemet försöker uppnå och vilka begränsningar som gäller. En rekommendation som uttrycks med stor säkerhet men bygger på inaktuella eller felaktigt matchade uppgifter är fortfarande en dålig rekommendation.

Åsidosättningar bör dokumenteras som underlag. Om människor gång på gång stoppar samma typ av kampanj bör orsaken dokumenteras. Mönstret kan avslöja att servicedata saknas, att det finns ett identitetsproblem eller att ett mål belönar fel beteende. Det är mer värdefullt att åtgärda mönstret än att be någon upptäcka samma misstag om och om igen på obestämd tid.

Mät om det hjälper att hålla tillbaka

Team kan börja med ett enda beslut i stället för att försöka utforma om alla kundinteraktioner på en gång. Välj ett kampanjutskick, identifiera vilket sammanhang det kräver och definiera under vilka förutsättningar det ska hållas inne. Se till att nödvändiga servicemeddelanden inte omfattas av den spärrregeln.

Testa sedan om förändringen gör nytta. För kampanjmeddelanden som uppfyller kriterierna kan ni jämföra det befintliga tillvägagångssättet med en policy som håller tillbaka utskick under fastställda förutsättningar. Följ upp återköp, kundlojalitet, klagomål och marginal under en period som passar köpcykeln. Utskick och klick hjälper fortfarande till att förklara vad som hände, men de bör inte vara det slutgiltiga måttet.

Testet kan visa att färre kampanjer skyddar kundrelationen. Det kan också visa att en viss begränsning är alltför omfattande. Båda resultaten är användbara. Att inte skicka något ska inte slippa granskning, lika lite som att skicka något. Båda är beslut vars konsekvenser går att mäta.

Inget av det här innebär att det tekniska arbetet kan utelämnas. Kunduppgifter måste kopplas till rätt person. Nya händelser måste nå beslutsprocessen i tid för att kunna påverka den. Behörigheter måste begränsa vilka åtgärder som får vidtas, och teamen behöver dokumentation av vad som hände och varför. Ett bättre mål kan inte kompensera för att sammanhanget saknas, lika lite som ett bättre sammanhang kan rädda ett felaktigt mål.

Utforma systemet med kundrelationen i åtanke

Frågan för ledare är enkel: Vad räknar ert system som ett bra beslut? Om svaret är ett klick kan systemet mycket väl göra sitt jobb samtidigt som kundupplevelsen blir sämre.

Tillförlitlig information om kunden ger människor och AI en säkrare grund för att avgöra vad de ska göra. Tydliga mål och regler avgör hur den förståelsen används. Resultatet bör vara ett system som kan förklara varför ett meddelande är användbart just nu, känna igen när det inte är det och lära sig av det som händer sedan.

Ibland är det smartaste beslutet ett AI-system kan fatta att inte skicka något alls.

Derek Slager är medgrundare och med-VD för Amperity, där han leder företagets transformation med AI som första prioritet över både produkt och företagets verksamhet. Han var med och grundade Amperity för att ge marknadsförare och analytiker kunddata som de kunde lita på, och byggde den patenterade identitetsmatchningen och realtidsprofilarkitekturen bakom Amperitys betrodda kundkontext. Tidigare var han med i grundarteamet på Appature och hade ingenjörsledningsroller i storskaliga distribuerade system och säkerhet