Juan Pablo Tejela, VD och medgrundare av Metricool – Intervjuserie

Juan Pablo Tejela, VD och medgrundare av Metricool, är en programvaruutvecklare och teknikentreprenör som har lett företaget sedan 2014, och hjälpt till att utveckla det till en omfattande plattform för hantering och mätning av digitalt innehåll. Innan han lanserade Metricool, tillbringade han nästan nio år på Optimyth Software, där hans ansvarsområden inkluderade produktledning, applikationsutveckling, användargränssnittsdesign, försäljning, kundsupport och online-marknadsföring för Kiuwan-plattformen för programvaruanalys. Tidigare i sin karriär hade Tejela roller som programvaruutvecklare på Swissrisk, Indra, EADS-CASA och FEDETEC, och arbetade med Java, C++, inbäddade system, kommunikationsteknik och Linux-kärnutveckling.

Metricool är en Madrid-baserad plattform för sociala medier som tillåter skapare, varumärken och byråer att planera innehåll, publicera inlägg, hantera samtal, analysera prestation, övervaka konkurrenter och generera rapporter från en central arbetsyta. Plattformen stöder stora sociala nätverk och annonskanaler, inklusive Instagram, Facebook, TikTok, LinkedIn, YouTube, X, Bluesky, Pinterest, Google och Meta Ads, och erbjuder också AI-assisterad innehållsskapelse och optimering. Metricool rapporterar att de har över två miljoner användare, inklusive organisationer som Forbes, Adidas, Volvo, H&M och Warner Music (WMG ) Group.

Din karriär började inom programvaruutveckling, inbäddade system, applikationskvalitet och produktutveckling. Hur formade dessa erfarenheter din approach när du grundade Metricool, och vad var det outnyttjade behovet som övertygade dig om att sociala medieproffs behövde en ny typ av analytikplattform?

Ärligt talat började Metricool mindre än vad folk tror. Min fru Laura och jag byggde det 2015 som ett sidoprojekt, ovanpå våra vanliga jobb. Bloggare var det största på internet vid den tiden, och vi märkte att de inte hade något bra sätt att se sina siffror på en plats — allt var utspritt över fem olika verktyg, ingen av dem byggd för någon som inte var teknisk. Min bakgrund inom inbäddade system och QA hade drillat en vana i mig. Du litar inte på något du inte har mätt själv. Så vi byggde den enkla versionen vi önskade att den fanns.

Det som faktiskt validerade idén var inte bloggarna, utan snarare de sociala medieproffs som började registrera sig strax efter dem. De ville ha klientrapporter som såg professionella ut, och detta var den del som betydde något för ett sidoprojekt — de var villiga att betala. Bloggare var det mesta inte. Det var ögonblicket då jag insåg att vi inte byggde ett hobbyverktyg, vi byggde för ett outnyttjat yrke. Vi höll våra jobb tills det blev omöjligt, och började anställa ordentligt i januari 2017. Allt sedan dess har bara varit en förlängning av den första instinkten: ta bort bruset, håll analytikerna transparenta, och bygg något för personen som gör arbetet, inte för personen som köper programvara för andra.

Metricool har utvecklats från ett fokuserat analytikprodukt till en sociala mediehanteringsplattform som används av över fyra miljoner proffs, byråer, skapare och varumärken. Vilka var de mest betydelsefulla produktbesluten bakom denna tillväxt, och var det ögonblick när du var tvungen att omvärdera företagets ursprungliga vision?

Några beslut betydde mer än de andra. Att satsa allt på analytik medan alla andra — Hootsuite, Buffer — fokuserade på schemaläggning var det första, och det är fortfarande vår differentiering idag. Det andra var att vägra vara ett “amerikanskt” verktyg som behandlar spanska och andra språk som en eftertanke; det gav oss en verklig fördel i Europa och Latinamerika tidigt. Det tredje, mer nyligen, var att besluta att sociala annonser inte kunde leva i ett separat verktyg från organiskt innehåll, eftersom ingen social mediehanterare faktiskt tänker på dem separat.

Förändrades visionen? Konstant, och jag tror inte att det är en dålig sak. Vi satte inte ut att bygga för byråer, utan byggde för enskilda proffs och bloggare. Byråerna visade sig på egen hand, berättade för oss vad de behövde (vit-etiketterade rapporter, multi-klientdashboards, teamplatser), och vi lyssnade och tog action. Samma sak med varumärken senare. Om jag hade hållit “ursprungsvisionen” för Metricool för mycket, skulle vi ha byggt ett mycket mindre produkt för en nischpublik. Planen var aldrig helig. Användarna lade i stor utsträckning ut vägen för oss.

Metricools forskning visade att 96% av sociala medieproffs använder artificiell intelligens, men 36% vet inte eller mäter om AI-genererat innehåll presterar bättre. Varför har AI-antagandet flyttat så mycket snabbare än organisationers förmåga att utvärdera dess faktiska affärspåverkan?

För att använda AI är lätt och mäta det ordentligt är arbete. Du öppnar ett verktyg, du får en rubrik, du publicerar — ingen friktion alls. Att faktiskt veta om den rubriken gjorde något för dig betyder att du måste ställa in en jämförelse, vara tålamodig, motstå impulsen att förklara segern efter ett enda bra inlägg. De flesta team har inte byggt den disciplinen än, och ärligt talat, varför skulle de ha gjort? Fram till för arton månader sedan behövde ingen fråga “fungerade AI-versionen bättre än den mänskliga versionen” — en person skrev det, du bedömde inlägget utifrån dess egna meriter.

Den 36% oroar mig inte på det sätt det kan låta som. Det är inte att människor är vårdslösa. Det är att mätning alltid ligger efter antagande — det hände med betald social, det hände med influencer-marknadsföring, det händer igen här. Verktygen för att använda AI förbättrades snabbt. Vanorna för att bedöma dem har inte hunnit ikapp än. De kommer att göra det.

Generativ AI möjliggör för varumärken att producera mer innehåll till en lägre kostnad, men större räckvidd eller publiceringsvolym kan skapa en falsk känsla av framgång. Vilka mått bör team prioritera för att avgöra om AI-assisterat innehåll stärker förtroende, varumärkeshälsa och kundrelationer?

Räckvidd är det mått som AI är bäst på att blåsa upp och sämst på att förklara. Om du bara tittar på den siffran kommer du att känna dig bra i månader, tills du inte gör det. Vad jag skulle övervaka är om människor sparar eller delar innehållet, inte bara bläddrar förbi det — det är skillnaden mellan “Jag såg det” och “detta var värt att spara.” Är kommentarerna faktisk konversation, eller bara mer brus under fler inlägg? Och, detta förbises konstant, låter varumärket fortfarande som en person efter trehundra AI-assisterade inlägg, eller har rösten börjat driva iväg inlägg för inlägg utan att någon märker det?

Det sista är det listiga. Förtroende kollapsar inte allt på en gång — det eroderar tyst, och när räckvidd eller försäljning visar det, har du förlorat det i månader.

Metricool fann att 66% av respondenterna involverar AI i minst hälften av sitt innehåll, medan sex av tio tror att AI-genererat innehåll matchar eller överträffar mänskligt skapat arbete. Hur bör varumärken designa experiment som rättvist jämför AI-assisterat och mänskligt skapat innehåll utan att förväxla korrelation, plattformsalgoritmer och innehållskvalitet?

Håll allt fast förutom den ena sak du testar — samma uppdrag, samma plattform, samma dag och tid, samma person som gör den slutliga redigeringen — och byter bara ut vem som skrev den första utkastet. Det är allt. De flesta “AI vs. människa”-jämförelser som flyter runt gör inte detta. De jämför ett AI-inlägg från tisdag mot ett mänskligt inlägg från för tre månader sedan på ett helt annat ämne, och drar sedan en slutsats.

Kör det i par, kör det i veckor, inte för ett enda inlägg — ett enda inläggs prestation är mestadels tur och algoritmsinne den dagen, och du behöver tillräckligt med volym för att se förbi det. Och var ärlig om vad “matchar mänskligt arbete” faktiskt betyder. Om AI-innehåll får liknande intryck men sämre kommentarskvalitet eller lägre sparande, är det inte en oavgjord match, det är en varningssignal. Mycket av den “sex av tio”-förtroendet, misstänker jag, är människor som tittar på ytanumret och stoppar där.

Var lägger automation för närvarande till mest värde för sociala mediateam, och vilka ansvarsområden, som att etablera varumärkesröst, hantera samhällen eller svara under en kris, bör förbli fast under mänsklig kontroll?

Det tråkiga, högvolymarbetet — schemaläggning, första utkast, omstorleksändring av en video för sex plattformar, dra en månadsrapport — det är där automation är praktiskt taget fri tid som ges tillbaka till ett team. Ingen borde göra det för hand 2026.

Gränsen för mig är bedömning. Röst, samhälle och särskilt allt som är en kris — det behöver en människa. Inte för att AI inte kan utkasta något rimligt, det kan ofta, men för att kostnaden för en felaktig ton i en känslig stund är offentlig och omedelbar, och ett varumärkes rykte är inte något du får A/B-testa. Jag kommer att gå tillbaka till något jag har sagt tidigare: att vara halv-närvarande eller dåligt närvarande på sociala medier är som att ha ett trasigt skyltfönster. AI som utkastar en krisrespons för en människa att granska på trettio sekunder, bra. AI som publicerar den responsen på egen hand, aldrig.

Metricool Studio tillåter användare att generera rapporter, jämföra prestation, analysera konkurrenter och identifiera publiceringsmönster genom naturliga språkliga påståenden. När AI skiftar från att generera innehåll till att tolka prestation, hur kommer detta att förändra den dagliga rollen för sociala mediehanterare och marknadsanalytiker?

Det trycker jobbet uppåt. En stor del av en social mediehanterares vecka går fortfarande åt till att dra nummer till en bild och skriva meningen som förklarar vad som hände. Om du kan fråga “varför sjönk engagemanget förra veckan” och få ett riktigt svar tillbaka på några sekunder, försvinner den där delen av veckan praktiskt taget.

Vad som är kvar är det faktiskt värdefulla delen: att bestämma vad man ska göra med svaret. Vilket format man ska satsa på, hur man förklarar det för en klient som inte bryr sig om mekaniken, när data berättar för dig något som din magkänsla inte håller med om. Jag tror inte att rollen minskar, den delar sig i två grupper ganska snabbt: de som gjorde riktigt analys, och de som mest gjorde datainmatning med extra steg. Bara den första gruppen växer från här.

Metricool har antagit Model Context Protocol, som tillåter AI-assistent, automationsplattformar och anpassade agenter att interagera med sociala mediedata och arbetsflöden. Vilka möjligheter skapar detta, och hur kan företag förhindra att autonoma system publicerar olämpligt innehåll, missförstår analytik eller vidtar åtgärder som skadar ett varumärke?

Vi var ett av de första sociala medieplattformarna som byggde på Claudes MCP, och anledningen är enkel. Det betyder att Metricools data inte längre bara lever inom vår egen gränssnitt. Ett varumärkes eget agent, en automationsplattform, vad som helst ett team använder, kan nu dra prestandadata eller utlösa ett arbetsflöde direkt, utan att vi behöver bygga varje enskild integration själva. Det öppnar upp arbetsflöden vi inte har tänkt på än, byggda av de människor som är närmast data.

Risken måste designas in från dag ett, inte lappas på efteråt. Praktiskt publicering bör som standard ha ett mänskligt godkännandesteget, inte tyst autonom publicering, särskilt inte något som är klientorienterat. Behörigheter måste vara tätt definierade, såsom en agent byggd för att dra en rapport inte ska kunna utlösa ett inlägg, punkt. Och varje åtgärd en agent vidtar behöver en spårning som en människa kan kontrollera efteråt. Protokollet ger dig anslutningen. Räcken är fortfarande ett beslut varje företag måste fatta medvetet.

Metricools forskning tyder på att traditionella offentliga interaktioner kan minska även om den totala engagemanget ökar, driven av mindre synliga åtgärder som klick, svep, visningar och länktapp. Hur bör varumärken anpassa sig när några av de mest meningsfulla signalerna för uppmärksamhet är alltmer osynliga för allmänheten?

Gilla och kommentarer var aldrig en bra proxy för uppmärksamhet, och de blir sämre. Större delen av det äkta intresset idag händer någonstans ingen annan kan se. Någon sveper igenom varje bild i en karusell, tittar på en video till slutet, skärmdumpar något för att skicka till en vän privat. Inget av det syns offentligt. Allt är äkta uppmärksamhet, möjligtvis mer värdefull än en reflexiv dubbeltryckning.

Så varumärken måste bli bekväma med att behandla slutföranderate, svepigenom och klickigenom som kärnsiffror, inte fotnoter begravda under gilla. Den praktiska skiftet är att fråga en annan fråga helt och hållet: inte “hur mycket engagemang fick vi” utan “hur mycket uppmärksamhet tjänade vi faktiskt”, med vetskap om att de flesta av den andra siffran aldrig kommer att synas för någon utanför er egen instrumentpanel.

Om du ser framåt, förväntar du dig att AI kommer att förbli en samling assistenter som används av sociala medieproffs, eller kommer det att utvecklas till ett operativt lager som kontinuerligt planerar kampanjer, allokerar resurser, tolkar prestation och rekommenderar beslut över alla plattformar?

Ett operativt lager, och snabbare än de flesta människor förväntar sig. “Be AI om en sak i taget”-modellen är en fas, inte destinationen. Vad vi bygger mot är AI som sitter under hela arbetsflödet, såsom att övervaka prestanda över alla plattformar kontinuerligt, fånga vad som fungerar innan en människa skulle märka det, och rekommendera nästa drag.

Rekommendera, inte bestämma. Jag tror inte att slutpunkten är AI som kör kampanjer utan att någon tittar. Jag tror att det är AI som gör den outtröttliga övervakningen som inget team har tid för, och ger en person en kort, användbar lista istället för en vägg av instrumentpaneler. De proffs som gör bra ifrån sig i den världen kommer inte att vara de som slåss mot lagret, de kommer att vara de som blir bra på att peka ut det.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Metricool.