Slik bruker markedsførere AI i praksis (uten å drukne i verktøy)
De fleste har testet ti verktøy og bruker to. Fem arbeidsflyter med kopierbare prompter for annonser, analyse, AEO, innhold og segmentering, og en ærlig grense for hva AI ødelegger.
55 prosent av norske virksomheter oppgir at de bruker KI, opp fra 24 prosent i 2023, ifølge en kartlegging Samfunnsøkonomisk Analyse gjorde for NHO høsten 2025. Tallet sier lite om effekt. De fleste markedsavdelinger har testet et titalls verktøy og bruker to. Problemet er sjelden verktøyene, det er arbeidsflytene. Denne guiden dekker fem områder der LLM-baserte verktøy faktisk sparer tid eller hever kvalitet i digital markedsføring, hva de systematisk feiler på, og en kopierbar prompt per område. Verktøynavnene er utelatt med vilje: arbeidsflytene fungerer i ChatGPT, Claude, Gemini og det som kommer etter dem.
Annonsevarianter: volum er poenget, ikke førsteutkastet
AI er god til å produsere varianter av noe som allerede fungerer. Den er dårlig til å finne på det som fungerer. Den forskjellen avgjør om A/B-testingen din blir bedre eller bare billigere. En studie fra London Business School, publisert på SSRN i 2025, brukte Italias ChatGPT-forbud i april 2023 som naturlig eksperiment: da restauranter i Milano mistet tilgangen, ble Instagram-tekstene deres 15 prosent mer leksikalsk varierte, og engasjementet økte med rundt 3,5 prosent. Bred AI-bruk trekker alles tekster mot samme midtpunkt. Kundene merker det før du gjør.
Grepet er å tvinge modellen ut av midtpunktet. Gi den dine historisk beste tekster som stilanker. Gi den floppene som negative eksempler. Og be om varianter som tester ulike hypoteser, ikke bare ulike synonymer: en variant som leder med pris, en med sosial bekreftelse, en med tap fremfor gevinst. Da blir A/B-testen et eksperiment, ikke en loddtrekning.
Kampanjeanalyse: la modellen tolke, aldri regne
Oppsummering av rapporter og mønstergjenkjenning i kampanjedata er antakelig den mest undervurderte bruken. Lim inn kvartalsrapporten fra byrået, be om de tre største avvikene, og du sparer en halv arbeidsdag. Men språkmodeller regner upålitelig, og Hallusinering gjør at tall som ser plausible ut kan være oppdiktet. Regelen er enkel: modellen får kun tolke tall som allerede står i grunnlaget, aldri produsere nye. Be den eksplisitt skille observasjon fra tolkning, og kontroller alltid enkelttall mot kilden før de går videre til ledelsen. Bruk aggregerte tall, ikke rådata med kundeinformasjon.
SEO blir AEO: optimaliser for å bli sitert, ikke klikket
Pew Research Center analyserte i 2025 nesten 69 000 Google-søk fra 900 brukere. Når et AI-sammendrag dukket opp, falt klikk på organiske treff fra 15 til 8 prosent, og lenkene inne i selve sammendraget ble klikket i rundt 1 prosent av tilfellene. Google bestrider metodikken, men retningen er vanskelig å avvise, og ChatGPT og Perplexity forsterker den: en økende andel av kjøpsreisen skjer nå i svar, ikke i trefflister.
For deg betyr det to ting. Innholdet må besvare konkrete spørsmål eksplisitt, med siterbare avsnitt, tall og definisjoner høyt i teksten, fordi AI-søk siterer det som ligner et svar. Og målingen må utvides: følg med på om merkevaren din nevnes i AI-svar på kjøpsnære spørsmål, ikke bare hvor den rangerer i Google. Rangering uten sitering er i ferd med å bli synlighet uten trafikk.
Innhold i skala: gjenbruk, ikke generering
Skalering fungerer når AI omformer innhold du allerede har laget: webinar til artikkel, rapport til nyhetsbrev, fagartikkel til LinkedIn-poster. Kildematerialet bærer merkevarestemmen og faktaene, modellen gjør formatarbeidet. Skalering ødelegger når AI genererer originalinnhold fra tynne prompter. Da får du tekst som ligner alle andres, med posisjoneringen til ingen. Tommelfingerregelen er brutal, men nyttig: jo lenger fra eget kildemateriale, desto mer generisk resultat. Merkevarestemme er det du har sagt før, ikke det modellen gjetter at du ville sagt.
Segmentering: personalisering uten persondata
AI er god til å skrive samme budskap for ulike segmenter, med ulik vektlegging av gevinst, innvendinger og kunnskapsnivå. Den er også god til å syntetisere segmentbeskrivelser fra aggregert innsikt, som spørreundersøkelser og kundeserviceoppsummeringer. Den skal derimot ikke fôres med enkeltkunder. Personalisering på individnivå i eksterne verktøy krever databehandleravtale og behandlingsgrunnlag, og gevinsten er sjelden verdt den juridiske nedsiden. Segmentnivå gir mesteparten av effekten uten risikoen. Start der, og bli der til noen kan dokumentere at individnivå faktisk konverterer bedre.
| God til | Dårlig til | |
|---|---|---|
| Annonsetekst | Varianter av dokumenterte vinnere | Å finne det originale konseptet |
| Analyse | Mønstre og oppsummering av eksisterende tall | Utregninger og nye tall |
| SEO/AEO | Siterbare svar og strukturering | Å erstatte faglig autoritet og kildearbeid |
| Innhold i skala | Gjenbruk av eget materiale på tvers av formater | Originalinnhold fra tynne prompter |
| Segmentering | Budskap tilpasset segmenter | Individdata uten databehandleravtale |
- Gi modellen dine beste og dårligste tekster som anker, og be om hypoteser, ikke synonymer.
- La AI tolke tall som finnes i grunnlaget, forby den å regne ut nye.
- Skriv siterbare svar for AI-søk, og mål omtale i svar, ikke bare rangering i Google.
- Skaler ved å gjenbruke eget innhold, aldri ved å generere fra tomme prompter.
- Personaliser på segmentnivå, og hold kundedata unna offentlige verktøy uten databehandleravtale.
Verktøylistene blir lengre for hver måned, og de eldes like fort. Arbeidsflytene over overlever verktøybyttene, fordi de handler om hvor dømmekraften sitter, ikke hvilken modell som svarer. Markedsførerne som vinner på AI, er ikke de som bruker den mest. Det er de som vet nøyaktig hva de aldri skal delegere.
