Generativ AI och dess påverkan på digital marknadsföring

Var började allt?

AI som forskningsfält, i moderna termer, har funnits sedan mitten av 1980-talet. Det var först i början av 00-talet som området tog fart på allvar. Under 2010-talet började man tala om maskininlärning och deep learning för att lära datorer lösa specifika problem.

Andra begrepp som artificiella neurala nätverk har använts för att beskriva sättet att lära datorer att lösa problem på egen hand. Det görs genom att förse dem med grundläggande information, som kan ses som verktygen, och sedan förmedla det förväntade utfallet. Därefter kör datorn X antal tester för att lära sig hur den i slutändan kan reproducera utfallet med de verktyg den fått.

Generativ AI

Den generativa AI vi ser idag, främst representerad av ChatGPT, bygger på teknologier som utvecklats inom maskininlärning sedan mitten av 2000-talet. Det yttersta målet har varit att lära datorer kommunicera på ett språk vi förstår. Det var först 2021 med DALL-E som ett stort steg togs, och en begynnande högkvalitativ och praktiskt användbar generativ AI såg dagens ljus. Med ChatGPT 3.0 och 4.0 togs ytterligare steg mot en mycket användbar generativ AI. Den här typen av AI kallas Large Language Models, eller LLM.

Vad är generativ AI?

Generativ AI är AI-system som kan generera text, bilder, video och andra medier som svar på en fråga eller ett kommando. Systemet förbättras över tid genom fler frågor, fler svar och användarens kvalitetsbedömning av dessa, samtidigt som det lär sig av ny data som matas in och kan användas som grundmaterial.

Hur kan generativ AI användas i digital marknadsföring?

Vi har bara skrapat på ytan av generativ AI:s roll i digital marknadsföring. Dagens verktyg kan användas till allt från annonstexter med bildmaterial till ljud och video. Att använda generativ AI som hjälp att skriva effektiva skript eller Excel-formler är också möjligt.

Möjligheten att dela egen data och låta den generativa AI:n använda den som underlag för att lösa frågor vi ställer kan på sikt ge insikter vi själva inte hade kunnat dra. Samtidigt är den begränsad i sitt resonemang utifrån de regler den får arbeta med. Det gäller särskilt ett verktyg som ChatGPT. Låt oss titta på hur generativ AI kan användas inom varje enskilt område.

Generativ AI och SEO

ChatGPT och innehållsproduktion med några enkla prompts är det första man tänker på när det gäller SEO och AI, men det finns en uppsjö av verktyg som baserar sina SEO-rekommendationer på AI. Du kan få hjälp med allt från enkla sökordsanalyser till innehållsproduktion, gap-analyser och viss kod. Som med alla verktyg bör du noggrant utvärdera vilka analyser, texter eller kod du litar på och vill implementera. Ofta behöver du modifiera det du får så att det matchar det du vill kommunicera, både externt och internt. Tiden är inte mogen att helt förlita sig på AI, men det bör ses som ett mycket starkare verktyg än vad vi haft tidigare, som frigör tid till andra och kanske roligare uppgifter.

Generativ AI och SEM

Sättet vi söker information på är på väg att förändras i grunden. Både Google och Bing har aktiva betatester igång för nästa generations sökmotorer. Vi kan därför anta att mycket kommer förändras inom sökmotorannonsering den närmaste tiden.

Inom SEM finns flera användningsområden och Google använder redan en form av AI för att kunna leverera relevanta annonser till rätt personer vid rätt tillfälle, främst via Performance Max och Dynamic Search.

På Kvantic vet vi att datadrivna tester är avgörande för långsiktig framgång, så vi experimenterar med generativ AI för att hitta nya sätt att optimera och förbättra våra befintliga annonskampanjer. Vi gör exempelvis tester där vi låter generativ AI hitta söktermer utifrån produktbeskrivningar i stor skala. Vi låter också AI bedöma kvaliteten på annonstexter vi själva producerat och föreslå förbättringar.

Generativ AI och Paid Social

Potentialen för generativ AI inom betald annonsering på sociala medier är stor. Meta använder idag sin AI-modell för att leverera annonser baserat på kampanjmål till rätt personer, men har även lagt till funktionalitet som ska öka den upplevda kvaliteten på befintligt annonsmaterial.

Vi rekommenderar våra kunder att testa de AI-verktyg som finns för text, bild och video för att utmana sina egna kreativa idéer. Verktyg som ChatGPT, Pictory och GetIMG är värda att prova, för att nämna några.

Vilka begränsningar och hinder finns kvar?

Allt fler digitala marknadsföringsbyråer profilerar sig med AI-baserade lösningar. På Kvantic använder vi tillgängliga AI-verktyg dagligen i arbetet med att utveckla och optimera digitala kampanjer. Vi ser fördelar med en arbetsmetodik som inte enbart lägger utfallet i AI:s händer, där vi är agila i takt med att AI utvecklas inom marknadsföringen. Vi har vid flera tillfällen mött och överträffat andra byråers AI-baserade verktyg i tester, och tror i nuläget fortsatt att vårt arbetssätt skapar större värde för våra kunder.

Vi är fortfarande i början av vad generativ AI kan ge oss som marknadsförare och fältet kommer utvecklas snabbt de närmaste åren. Samtidigt urvattnas begreppet AI för varje dag. Det är vanligt att AI förväxlas med andra maskininlärningsteknologier, och att resultatet av frågor blir bättre så fort man får mer data att arbeta med — det betyder inte att det är artificiell intelligens.

Slutord från oss på Kvantic

Det är också värt att komma ihåg att ChatGPT och andra kommersiella verktyg är reaktiva. De kräver att vi ger dem en uppsättning regler att följa för att vi ska få ut något av det de genererar. Ibland förstår de inte vad vi menar och ibland levererar de helt enkelt inte på den nivå man kanske förväntar sig. Ett vanligt exempel är att ChatGPT fortfarande inte kan räkna hur många tecken en mening består av, eller hålla sig till ett visst teckenantal i ett svar. Vi ser redan försök att få ChatGPT att agera reaktivt utifrån historisk data, och det är förmodligen en tidsfråga innan röstassistenterna (Alexa, Google Assistant, Siri m.fl.) börjar baseras på generativ AI.

Sen har vi problemet med algoritmisk bias. Eftersom AI-lösningarna huvudsakligen tränas på angloamerikansk data från västländer förstärks de fördomar och kulturella bias som finns där och appliceras på alla användare. Följden är att kulturella skillnader mellan länder inte beaktas.