Wat automatiseer je wél en wat juist niet met AI?

Vervangt AI straks de online marketeer? Het is dé vraag die nu op elke borrel, in elke boardroom en in elk sollicitatiegesprek wordt gesteld. En die vraag kan ik inmiddels goed beantwoorden. Ons online marketing bureau bestaat sinds juni namelijk twee keer. Eén keer in mensen: online marketeers, strategen en specialisten verdeeld over drie vestigingen. En één keer in software: een AI-systeem waarin we onze eigen werkwijze hebben nagebouwd.

Voordat ik de vraag beantwoord, wil ik hem eerst breder trekken. Want het is allang niet meer een vraag voor bureaus die zelf AI-systemen bouwen. Elke marketingafdeling heeft inmiddels toegang tot AI die grote delen van de uitvoering kan overnemen: teksten schrijven, analyses maken, rapportages uitvoeren, campagnevoorstellen schrijven.

De technologie is niet meer de bottleneck. De keuze wat je ermee doet, is dat wel. En precies daar zie ik het gesprek scheefgroeien: het gaat vrijwel altijd over wat er kan worden geautomatiseerd en bijna nooit over wat er moet worden geautomatiseerd. Laat staan over wat je bewust bij mensen houdt en waarom.

Die laatste vraag hebben wij het afgelopen jaar in de praktijk moeten beantwoorden. In dit artikel neem ik je mee wat wij daarvan leerden.

Wat we wel hebben geautomatiseerd

Ons systeem bestaat op dit moment uit 24 afdelingen en 267 plugins. Een afdeling is bij ons een virtueel vakteam, net als in het echte bureau: er is een SEO-afdeling, een SEA-afdeling, een e-mailafdeling, een salesafdeling, etc. Elke afdeling bestaat uit plugins: afgebakende taken die het systeem zelfstandig kan voorbereiden, zoals een technische audit, een zoekwoordenonderzoek, een conceptrapportage of advertentieteksten. De afdelingen werken met dezelfde klantcontext en dezelfde werkwijze als onze menselijke teams en spreken met elkaar. Vandaar dat we zeggen: het bureau is nagebouwd.

Wat die afdelingen doen, is het werk dat voorheen uren per klant per week kostte en er vaak hetzelfde uitzag: inloggen, exporteren, vergelijken, samenvatten. Dat werk is niet verdwenen, het is puur verplaatst. De online marketeer die vroeger een ochtend kwijt was aan data verzamelen voor een maandrapport, beoordeelt nu in een half uur een voorbereide analyse en gebruikt de rest van die ochtend voor de vraag wat de klant ermee moet.

Tot zover het deel dat iedereen verwacht. Interessanter is de grens die we trokken.

Vijf dingen die we bewust bij mensen houden

1. Klantcontact

Geen enkele mail, geen enkel gesprek, geen enkele reactie richting een klant verlaat ons bureau zonder dat een collega hem heeft gezien en goedgekeurd. Niet omdat AI geen nette mail kan schrijven. Dat kan hij prima. Maar een klantrelatie is geen tekstprobleem.

Vertrouwen bouw je op in de momenten waarop iemand merkt dat je echt hebt geluisterd en dat kun je niet delegeren aan een systeem. Eén automatische mail die de verkeerde toon raakt op een gevoelig moment, bijvoorbeeld bij een tegenvallend kwartaal, kost je meer vertrouwen dan honderd foutloze mails opbouwen.

2. Strategiebepaling

Ons systeem kan uitstekend voorrekenen welk kanaal onderpresteert. Ons systeem rekent ook goed verschillende strategische scenario’s door. Het verschil zit hem dus niet in het maken van de analyse, maar in de afweging daarna. Welk scenario past bij wat de organisatie aankan? Wat is er vorig jaar geprobeerd en waarom mislukte dat toen? Durft de ondernemer deze stap te zetten en is de nieuwe marketingmanager er klaar voor? Wie de strategie volledig automatiseert, krijgt plannen die op papier optimaal zijn maar in de praktijk zullen stranden. Data wijst de mogelijkheden aan, onze mensen wegen de belangen.

3. Uitvoering blijft advies

Dit is misschien wel de belangrijkste ontwerpkeuze in het hele systeem: vrijwel alles wat onze AI-afdelingen opleveren, is een voorstel. Een lijst met aanbevolen wijzigingen, een concepttekst, een geprioriteerde actielijst. De online marketeer beoordeelt, past aan en voert uit.

Die keuze heeft drie redenen.

1. Kwaliteit: van een fout in een concept kun je leren, maar een fout die live staat kan schade opleveren. En geautomatiseerde fouten gaan live op grote schaal.
2. Verantwoordelijkheid: als er iets misgaat bij een klant, moet er iemand zijn die kan uitleggen waarom een keuze is gemaakt en “AI heeft dit gedaan” is geen fijne uitleg.
3. Verwachting: klanten betalen online marketeers om verantwoordelijkheid te dragen, niet om die door te schuiven naar software.

4. Context

Als ik één ding heb geleerd in het afgelopen jaar, is het hoe zwaar de context weegt. AI weet niet dat de klant vorige week aan de telefoon zei dat het een zwaar kwartaal wordt. AI weet niet dat die ene productcategorie volgende maand uit het assortiment gaat, of dat de nieuwe marketingmanager net begonnen is en eerst vertrouwen moet opbouwen. Een advies dat technisch klopt maar de context mist, is een slecht advies. Daarom zit de collega die de context kent bij ons altijd tussen het systeem en de klant.

5. Budgetverantwoordelijkheid

Ons systeem raakt geen euro aan. Het mag voorstellen om een budget te verschuiven, onderbouwd met cijfers, maar de knop wordt omgezet door iemand die de verantwoordelijkheid ook kan dragen. Geld van een ander uitgeven is een kwestie van vertrouwen en dat vertrouwen krijgen onze collega’s.

En dan een aparte categorie: compliance. Alles wat gevoelig is, blijft bij mensen: persoonsgegevens, commerciële afspraken, informatie die klanten ons in vertrouwen geven. Dit is minder een kwaliteitskeuze en meer een governance keuze en daarom behandel ik hem apart. De rekensom is simpel: de schade van een privacyfout is groter dan de winst van duizend geautomatiseerde handelingen. Wij kiezen hier bewust voor ’te voorzichtig’ boven ’te ruim’.

Het was in het begin verre van perfect

Ik zou een mooier verhaal kunnen vertellen, maar de werkelijkheid is leerzamer: de eerste versies van onze AI afdelingen waren verre van perfect.

Eén van de eerste leermomenten: onze AI-salesafdeling kreeg een bedrijfsnaam aangeleverd en ging daarmee aan de slag. Een complete marktanalyse, concurrentieanalyse, gespreksvoorbereiding. Eén probleem: die bedrijfsnaam bleek door meerdere bedrijven gebruikt te worden en het systeem had het verkeerde gekozen.
Alles klopte, behalve het bedrijf. Het is het perfecte voorbeeld van het contextprobleem: de output zag er overtuigend uit en juist daardoor is zo’n fout gevaarlijk.

We hebben de werkwijze daarna omgebouwd: het systeem stelt nu eerst stap voor stap vast over welk bedrijf het precies gaat en begint pas met analyseren als die context door een mens is bevestigd.

De tweede les ging over onszelf. We wilden dat alle collega’s konden meebouwen aan het systeem en dat werkte: er kwamen overal nieuwe functies bij. Alleen bouwden collega’s regelmatig iets dat al bestond en koos het systeem soms de verkeerde route, zoals een advertentieaccount analyseren met een SEO-tool. Dat kostte dubbele bouwtijd en verspilde datategoeden.

De oplossing was niet minder bouwen, maar meer structuur: ingebouwde checks die controleren of een functie al bestaat en een innovatieteam dat elke nieuwe functie beoordeelt voordat hij bij alle collega’s beschikbaar komt. En voor de volledigheid: de allereerste versie van het systeem gebruikte zoveel geheugen per klant dat onze laptops onbruikbaar werden. Ook dat hoort bij het eerlijke verhaal.

Bouw je AI systeem niet als eindstation. De kwaliteit van vandaag is niet het punt. Het gaat om je verbetersnelheid. En die verbetersnelheid haal je alleen als er mensen in de loop zitten die fouten herkennen én terugkoppelen.

Wat is een bureau dan nog waard?

De vraag die hierop volgt en die klanten gaan stellen: “Als de uitvoering grotendeels geautomatiseerd raakt, waarom betaal ik dan nog hetzelfde tarief?”

Omdat de waarde van een bureau nooit in de uitvoering zat, ook al zat daar wel de tijd. Klanten betaalden altijd al voor het oordeel, de keuzes en het resultaat. De uren data verzamelen waren de kostprijs daarvan, niet de waarde. Wat AI verandert, is de verhouding: dezelfde investering levert meer denk- en beslistijd op in plaats van
verzamel- en samenvattijd. Bureaus die hun geld verdienen met uren op automatiseerbare uitvoering, gaan die vraag van klanten niet overleven. Bureaus die hun waarde kunnen aantonen in resultaat en richting, worden juist waardevoller, omdat ze met hetzelfde team meer impact leveren.

De vraag die elke marketingorganisatie moet beantwoorden

Terug naar de openingsvraag: vervangt AI straks de online marketeer? Na een jaar bouwen is mijn antwoord genuanceerder dan het simpele nee waarmee dit soort stukken meestal eindigt. AI vervangt wel degelijk werk, veel werk zelfs en wie dat ontkent bouwt aan een achterstand. Maar het vervangt geen context, geen
verantwoordelijkheid en geen vertrouwen.

Onze online marketeers besteden hun tijd niet langer aan exporteren en samenvatten, maar aan gesprekken, strategie en keuzes. De komende jaren wordt niet de vraag welk bureau het meeste gebruik maakt van AI, maar welk bureau het beste weet waar AI moet stoppen en waar mensen het verschil blijven maken.

Pak de processen in jouw marketingteam erbij en stel per proces één vraag: “Als dit morgen volledig geautomatiseerd zou zijn, wat is dan het eerste dat mis gaat en wie merkt het?” Waar het antwoord “Niets en niemand” is, heb je je automatiseringskandidaat gevonden. Waar het antwoord schuurt, heb je zojuist ontdekt waar jouw mensen het verschil maken. Trek daar je grens en trek hem bewust.