Användning av AI och automatisering inom digital affärsrådgivning

Förra veckan bjöd communityn Digital Marketing Malaga in mig för att presentera vårt fall. Det vill säga den process vi har följt i våra projekt inom digital affärsrådgivning på Disruptivos för att anpassa oss till AI:s genombrott, som liksom i alla branscher har inneburit en stor (r)evolution.

Föredraget gick ganska bra, men sanningen är att jag förväntade mig det, eftersom jag är ganska nöjd med den process vi har följt och de resultat vi har fått. Framför allt eftersom vi har lagt den grund som behövs för att kunna bygga vidare utan att börja om från noll.

Om du arbetar med någon form av rådgivning – digital eller inte – kommer du att se att 80 % av det jag berättar går att tillämpa på din verksamhet, därför vill jag sammanfatta de viktigaste punkterna från föredraget här.

Skäl att använda AI och automatisera processer

Det finns uppenbara skäl, som du snart kommer att se, men när vi verkligen började analysera vad vi ville uppnå med AI insåg vi att tidsbesparing bara var en del av fördelarna.

Faktum är att några av de fördelar som jag i dag tycker är viktigast inte så mycket handlar om att göra en konsultinsats snabbare som om att göra den bättre och framför allt mer konsekvent.

Frågan som sätter allt i gång: ger AI oss verkligen de resultat vi vill ha?

ChatGPT ger oss imponerande resultat. Du kunde skriva en bra prompt, lägga till lite kontext och på några sekunder få en analys, ett förslag eller ett dokument som tidigare hade tagit betydligt längre tid.

Problemet uppstod när du försökte använda resultatet i ett verkligt projekt. 

Ofta var kvaliteten inte tillräcklig, det saknades djup, vissa svar var bättre än andra och resultatet berodde för mycket på hur du hade formulerat prompten eller vilken information du hade lagt till.

Därför ändrade vi till slut frågan. I stället för att bara fråga oss hur vi kunde använda mer AI, började vi fråga oss vad vi behövde ändra i våra processer för att AI skulle ge oss de resultat vi faktiskt behövde.

Den förändringen kan verka liten, men för mig är den grunden till allt vi har gjort därefter. 

Att använda AI är väldigt enkelt. Att få den att bli en del av en professionell, repeterbar process med tydliga kvalitetsstandarder är mycket svårare.

Att spara tid är bara det mest uppenbara skälet

Den första fördelen med automatisering är självklar: att spara tid. Rådgivning innehåller en stor del informationssökning, datainsamling, preliminär analys, dokumentframställning och administrativa uppgifter som är nödvändiga, men som inte behöver utföras manuellt av en person från början till slut.

Faktum är att de inte bör göra det.

Om vi kan få en uppgift som tidigare tog fyra timmar att ta en timme får vi tre extra timmar att lägga på annat. Multiplicerat med alla faser i ett projekt får det stor effekt.

Men det finns en viktig punkt: tidsbesparingen fick inte ske på bekostnad av kvaliteten. Om en uppgift tar hälften så lång tid men resultatet blir sämre är det ingen verklig förbättring för oss.

Därför är det viktiga att spara tid utan att sänka kvalitetsnivån.

Standardisera kvaliteten i alla konsultprojekt

Det här är förmodligen det skäl som väger tyngst för mig i slutändan.

När flera personer genomför konsultprojekt är det oundvikligt att det finns skillnader. En konsult kan vara särskilt bra på teknisk SEO och en annan gå mycket djupare inom linkbuilding. En kan ta fram extremt detaljerade dokument och en annan vara betydligt mer direkt.

Det är inte dåligt per se, eftersom det ideala är att dra nytta av varje persons erfarenhet, men det kan skapa problem när tjänstens djup och kvalitet i alltför hög grad börjar bero på den konsult som genomför projektet.

Vi ville uppnå precis motsatsen. Om en kund anlitar Disruptivos för digital affärsrådgivning bör det finnas en viss nivå av djup och konsekvens oavsett vem som utför den.

Här kan AI och automatisering hjälpa oss mycket, eftersom vi i förväg kan definiera vilka delar som ska granskas, vilka KPI:er som ska analyseras, vilken dokumentation som ska användas och vilket minsta djup vi förväntar oss i varje del.  

Därefter kan konsulten naturligtvis utöka, bedöma och ändra det som anses lämpligt, men det finns en gemensam grund som alla projekt måste uppfylla.

Låta konsulten göra det arbete som verkligen skapar värde

Konsultens värde ligger framför allt i hans eller hennes omdöme. I att förstå verksamheten, veta vilken information som är viktig och vilken som inte är det, ifrågasätta en slutsats, upptäcka något som inte stämmer, sätta prioriteringar eller avgöra vad som är rimligt utifrån kundens verkliga begränsningar.

Det ligger naturligtvis också i relationen med kunden. Det finns saker som inte syns i Analytics, Search Console eller ett CRM och som du bara förstår efter att ha pratat med de personer som känner verksamheten.

Därför har vår idé aldrig varit att AI ska göra själva konsultarbetet, utan att den ska ta hand om en del av det förberedande, repetitiva eller mekaniska arbetet så att konsulten kan lägga mer tid just där erfarenheten skapar mest värde.

Hjälpa nya konsulter utan att ständigt vara beroende av seniora konsulter

Det finns ett annat problem som uppstår så fort ett team börjar växa eller när du flyttar en person till ett annat projekt. Under de första dagarna eller veckorna behöver personen fråga om saker hela tiden eftersom hela kontexten saknas.

• Var ett dokument finns.
• Vilken mall som ska användas.
• Vem som ansvarar för ett visst område.
• Vilka KPI:er som ska analyseras.
• Hur en viss leverans är strukturerad. 

Det är helt normalt, men har en ganska tydlig konsekvens: för att en person ska kunna gå vidare måste en annan hela tiden avbryta sitt arbete.

Och det är här AI kommer in, eftersom den kan bli ett kunskapslager för projektet och företaget självt. Om metodiken, processerna, mallarna, de ansvariga personerna och dokumentationen är väl organiserade kan många av de frågorna besvaras direkt utan att man alltid behöver vända sig till en annan konsult.

Det ersätter inte utbildning, utan minskar bara många avbrott som inte skapar värde och hjälper en ny person att bli självgående snabbare.

Disruptivos konsultmetodik

Det första att förklara är att även om genomförandeprocessen har förändrats har företagets framework eller konsultmetodik inte gjort det. Den är exakt densamma före och efter AI. Och om du är konsult kommer den förmodligen att kännas bekant eller likna det du redan gör.

De tre faserna i ett konsultprojekt

Vår metodik kan sammanfattas i tre stora faser: förstå, tänka och göra.

Den första går ut på att förstå verksamheten. Här analyserar vi företaget, dess siffror, värdeerbjudande, teknik och mål, granskar dess digitala kanaler och tillgångar och kompletterar detta med marknadsundersökning, efterfrågeanalys och konkurrentanalys.

Därefter kommer fasen att tänka. Med all denna information bygger vi en strategisk plan som i grunden ska svara på tre frågor: vad som behöver göras, i vilken ordning och vem som bör göra det.

Den tredje fasen är implementering. Alla projekt går inte så långt, eftersom vissa avslutas med leveransen av den strategiska planen och kunden själv ansvarar för genomförandet, medan vi i andra fortsätter arbeta med att införa de föreslagna förbättringarna.

Bryta ned hela processen

När vi hade förklarat metodiken var nästa steg att bryta ned den.

Det räckte inte att säga att vi gör en SEO-audit, en marknadsanalys eller ett strategiskt förslag. Vi gick ned flera nivåer – senare skulle vi bryta ned det ännu mer – och landade i 6 steg med flera milstolpar i varje.

För varje milstolpe besvarade vi tre mycket enkla frågor: hur lång tid den tar i dag, vilken del som skulle kunna automatiseras och hur lång tid den borde ta efteråt. Den första hade vi räknat ut, de andra två var uppskattningar som behövde testas i verkliga projekt.

Och här dök en av de idéer upp som du bör ta med dig från hela processen: om en process bara finns i ditt huvud är du ännu inte redo att automatisera den.

Först behöver du skriva ned den, dela upp den och förklara hur den görs. Annars kommer du när du försöker automatisera den att upptäcka undantag, beslut eller små steg som kan vara intuitiva för en erfaren person men som du aldrig hade dokumenterat.

Och som därför en ny konsult eller en AI inte vet hur de ska hantera korrekt.

Automatiseringsgrader

Alla uppgifter lämpar sig inte för samma grad av automatisering.

Till exempel kan en stor del av marknadsundersökningen automatiseras. Vi kan samla in sökvolymer, trender och offentlig branschinformation eller analysera delar av konkurrenternas digitala närvaro utan att en person behöver göra hela arbetet manuellt.

Inom andra områden är andelen betydligt lägre. Heuristiska CRO-analyser har till exempel fortfarande en mycket stor komponent av mänskligt omdöme.

Vissa administrativa uppgifter, som att skapa mappstrukturer eller projekt i Asana, kan automatiseras nästan helt.

Därför kan du inte se automatisering som allt eller inget. Det finns processer där du kan automatisera 80 % och andra där det bara är meningsfullt att automatisera 20 %, och det är absolut inget problem.

Och kom ihåg vad vi sa tidigare: frågan är inte om en uppgift kan automatiseras helt, utan vilken del det är meningsfullt att automatisera utan att försämra resultatet.

Våra resultat

När vi summerade den genomsnittliga tid vi lade på alla uppgifter i ett projekt inom digital affärsrådgivning låg ett typiskt projekt på ungefär 80 till 100 arbetstimmar.

Efter att ha analyserat automatiseringspotentialen i varje del gav den teoretiska beräkningen cirka 38 timmar. På papperet var det en enorm minskning, i praktiken mindre än hälften av den ursprungliga tiden.

Verkligheten är inte riktigt där ännu.

I dag ligger vi närmare 50 timmar, vilket fortfarande innebär att vi nästan har halverat den tid vi tidigare behövde. Med bibehållen kvalitetsstandard, som, som jag sa tidigare, inte var förhandlingsbar.

Och det är inte 38 timmar eftersom processer har undantag, fel uppstår, kunder är olika och alla integrationer fungerar inte optimalt. Att automatisera den perfekta vägen kan till och med vara relativt enkelt, men att automatisera allt som kan gå fel är i praktiken omöjligt. Och det är inte värt det.

Resultatet är bra. Och ännu viktigare, nu har vi en grundstruktur som vi kan fortsätta förbättra i stället för att enbart vara beroende av att lägga till nya prompts eller verktyg.

De system och verktyg vi bygger

När processen väl var definierad och vi hade förstått vilka delar som var meningsfulla att automatisera började vi bygga verktygen.

När vi började spelade det ingen roll för oss om lösningen till slut blev en GPT, ett flöde i n8n, en agent eller en egen applikation. Först behövde vi definiera exakt vilken uppgift eller process som skulle lösas och därefter välja rätt verktyg.

Vårt verkliga mål var mycket specifikt och kanske lite annorlunda än du förväntar dig, men det avgränsade tydligt vad vi ville uppnå: göra livet enklare för varje ny konsult utan att sänka våra standarder.

Först: dokumentera processer, mätvärden, KPI:er och mallar

För att lyckas med det behövde vi dokumentera hela konsultprocessen betydligt mer detaljerat än tidigare när vi bröt ned metodiken. Varje del blev konkreta uppgifter med instruktioner, relaterade dokument och mallar som förklarade hur de skulle utföras.

Därefter gjorde vi samma sak med mätvärdena och KPI:erna.

Vi har olika nivåer av rådgivning och vet beroende på projekt vilka exakta mätvärden som bör analyseras inom varje område av digital verksamhet, till exempel SEO, CRO, paid media, e-post eller innehåll. En konsult kan lägga till allt som anses nödvändigt, men det finns en miniminivå som måste granskas och som är standard för alla konsultprojekt.

Samma sak gäller själva granskningarna. Vi skapade mallar så att vi i stället för att bara be AI att "göra en audit" ger den den struktur vi använder, de områden som ska analyseras och den typ av information vi förväntar oss att hitta.

En annan viktig sak att ta med sig: vi låter inte AI bestämma hur bra rådgivning ska se ut. Först definierar vi själva standarden och därefter låter vi AI arbeta inom den.

Välja automatiseringsgrad: tre angreppssätt

Därifrån kan vi välja olika grader av automatisering.

Det första och enklaste består i att använda AI som assistent. Det kan vara en anpassad GPT, en Gem, ett projekt med vissa instruktioner eller något liknande verktyg som vi förser med vår metodik och dokumentation.

Det är alternativet med minst automatisering, men också det som gör att man snabbast kan få resultat utan att behöva utveckla särskilt mycket.

Den andra nivån består i att automatisera uppgifter genom att koppla samman olika verktyg. Här kommer system som n8n in, där vi kan låta information gå automatiskt från en applikation till en annan, lägga in AI-modeller i vissa delar av processen och behålla mänskliga valideringar när det behövs.

Och den tredje nivån skulle vara att bygga ett komplett system, antingen med agenter eller med vår egen SaaS med front-end och back-end.

När vi började arbeta med allt detta var agenter mindre utvecklade än i dag, så vi satsade främst på de två första vägarna. Om vi började från noll i dag skulle vi sannolikt studera en agentbaserad arkitektur mycket mer i detalj, även om jag fortfarande tror att det är klokt att först validera varje del av processen innan man bygger ett enormt system.

Verktygen vi utvecklade

Ur hela den här processen har olika verktyg och experiment vuxit fram. Vissa fungerar redan, andra utvecklas fortfarande och flera kommer sannolikt att förändras ganska mycket under de kommande månaderna.

Det intressanta är inte så mycket det specifika verktyg vi använder, eftersom många troligen kommer att vara annorlunda om två år, utan vilket problem vart och ett löser i processen.

Oráculo: en kunskapsbas för varje projekt

En av de första sakerna vi utvecklade var det vi internt kallar Oráculo.

Namnet kan låta mer avancerat än det är. I grunden handlar det om att ha en kunskapsbas där den information som behövs för att arbeta med projektet finns: 

1. Projektkontext.
2. Kommunikation med kunden.
3. Våra leveranser (audits, guider…)
4. Information från vårt projektledningsverktyg.
5. Månadsrapport med KPI:er.

Allt detta i ett AI-system så att konsulten kan ställa frågor till det.

Vad som helst.

Med de källorna är det faktiskt svårt att ha en fråga som Oráculo inte kan svara bra på.

Vi har ett Oráculo per kund och ett annat för varje separat projekt, så att varje ny konsult enkelt kan orientera sig.

Detta fungerar förstås bara om grundinformationen är välorganiserad och uppdaterad; att lägga oordnad dokumentation i en AI gör inte att den magiskt slutar vara oordnad.

Automatisera projektledning med n8n, Drive och Asana

Ett annat exempel är ett flöde som vi har skapat i n8n för att automatisera en del av projektledningen.

När säljavdelningen stänger ett projekt skapar den en rapport enligt en bestämd struktur. Konsulten behöver bara kopiera informationen och skicka den till flödet, där vi använder en AI-nod för att tolka den och automatiskt förbereda både mapp- och dokumentstrukturen i Google Drive och motsvarande projekt och uppgifter i Asana.

Innan något skapas visar systemet informationen och ber konsulten att validera den. Om något är fel kan vi ändra det innan resten av processen körs.

Den här utvecklingen lärde oss också något annat viktigt: att automatisera när allt fungerar är relativt enkelt, men att hantera fel och undantag är betydligt svårare.

En person tillämpar intuitivt massor av små regler som personen ofta inte ens vet att den använder. När du automatiserar en process måste alla de reglerna vara nedskrivna och systemet måste veta vad det ska göra när något inte passar det förväntade fallet.

Konsultassistent

Ett annat verktyg vi bygger har ett något annorlunda mål: att fungera som assistent under själva konsultarbetet.

Idén är att en person ska kunna ange typen av verksamhet och de viktigaste KPI:erna och att systemet successivt hjälper till att upptäcka vad som bör granskas och var det kan finnas problem.

För det behöver systemet känna till de KPI:er vi anser relevanta och arbeta med offentliga benchmarks och intern information som ger kontext och gör det möjligt att bedöma mätvärdena.

Vi vill inte att assistenten ska fatta beslut åt konsulten, utan ge ledtrådar och minska det arbete som krävs för att komma fram till den punkt där den riktigt viktiga delen av analysen börjar.

Skapa det första utkastet till en audit med AI

Nästa steg är att använda allt ovan för att generera det första utkastet till en audit.

Vi använder projektmallar för Claude Code, Codex eller Antigravity, särskilt förberedda för ett område med vår metodik, våra mallar och instruktioner, så att AI kan skapa en första version av auditdokumentet utifrån den tillgängliga information vi ger den.

Vi testar redan detta arbetssätt inom områden som SEO, även om det fortfarande är under utveckling.

En sak: att generera ett första utkast betyder inte att generera den slutliga leveransen.

Konsulten måste fortfarande granska, redigera, ordna och prioritera utkastet. AI kan göra att arbetet börjar från ett dokument som redan är 50 %, 60 % eller motsvarande färdigt, i stället för att alltid börja med en tom sida.

Det är målet: att inte ersätta konsulten, utan ge en mycket bättre utgångspunkt.

Slutsatser och en liten övning

Efter hela den här processen finns det flera idéer som jag rekommenderar att du tar med dig.

Den första är att automatisering inte bara handlar om att spara tid. Att dokumentera en metodik, definiera standarder och bestämma vad som ska hända i varje situation är viktigare än att välja det verktyg som senare ska utföra processen.

Den andra är att det inte finns en enda lösning för allt. Ibland räcker en bra prompt, ibland är det rimligt att skapa en anpassad GPT, i vissa fall behöver vi n8n och i andra kommer vi att utveckla en agent eller till och med en komplett applikation.

Det du behöver är att känna till vilka typer av verktyg som finns och vilket som passar bäst för problemet du vill lösa.

Den tredje handlar om konsultens roll. Ju billigare och snabbare utförandet blir, desto mer värdefulla blir omdöme, beslutsförmåga, ledning och relationen med kunden.

Och det finns en fjärde och sista konsekvens som inte alla tänker på: AI utökar enormt vad en enda person kan göra.

En marknadsföringsspecialist som tidigare inte kunde utveckla ett litet verktyg eftersom personen inte kunde programmera kan nu göra det. Någon som är specialiserad på CRM kan skapa automatiseringar som tidigare hade krävt en utvecklare, och en person inom business kan prototypa lösningar som tidigare inte ens hade varit aktuella att bygga.

Det betyder inte att vi alla har blivit utvecklare, designers eller analytiker, utan att tröskeln för genomförande har sjunkit så mycket att det blir allt viktigare att veta vad vi vill bygga, varför och hur det ska fungera och inte lika mycket hur man bygger det, eftersom AI kommer att göra det åt oss med rätt instruktioner.

För att avsluta artikeln och föredraget lämnar jag dig med en mycket enkel övning som jag tycker är värd att göra.

Tänk på en uppgift som du regelbundet utför i ditt arbete och fråga dig vilken del av den uppgiften du skulle kunna sluta göra manuellt inom sex månader. 

Tänk sedan på vad du behöver för att lyckas med det: kanske ett verktyg, några timmar för att dokumentera processen, hjälp från någon annan eller helt enkelt att lära dig hur en viss teknik fungerar.

Då har du redan tagit det första steget på vägen mot automatisering.

Om du vill ta det andra, välj något konkret som du kan testa redan den här veckan i ett verkligt projekt. 

Det är så du börjar upptäcka hur det verkligen kan förändra ditt sätt att arbeta.