Ett halvår med AI i annonskontot – vad funkar?

Efter ett halvår börjar bilden klarna

Under några veckor i april och maj släppte Google, Meta och TikTok officiella MCP:er för sina annonskonton. Google var först ut, den 28 april, Meta dagen efter, och TikTok den 13 maj. En MCP fungerar som en förbindelse som för data från annonsplattformen vidare till en språkmodell som Claude, ChatGPT eller Gemini. Det finns ingen egen intelligens i själva kopplingen; den läser data och genomför förändringar som plattformen godkänner, men den säger ingenting om vad du ska göra med datan.

Sedan MCP:erna släpptes har flödena fyllts av guider och löften om att företagare ska kunna sköta annonseringen helt på egen hand, utan hjälp av en byrå. Ett halvår senare har entusiasmen svalnat något. I StackAdapts globala rapport The AI Delegation Gap, en undersökning bland 500 marknadsförare i USA, uttryckte nio av tio att de gärna låter AI föreslå åtgärder, men bara hälften ville låta den bestämma på egen hand. Allra mest ville de själva styra budgeten.

Varför löftet om helautomatisering skaver

Torkel Öhman, CTO och medgrundare på annonsverktyget Amanda AI, diskuterade var gränserna går när han gästade podden Digital Marknadsföring med Tony Hammarlund i somras.

Ett av problemen han lyfter är att en språkmodell är byggd för språk, inte matematik. Budget och optimering kräver just matematik, där samma fråga alltid ska ge samma svar. En språkmodell gissar sig fram och kan svara olika på samma fråga två gånger.

Öhman jämför osäkerheten med AI i annonseringen med en väderprognos. 70 procents regnrisk på lördag är helt okej, men samma tveksamhet om ditt banksaldo vill ingen ha; där krävs ett exakt svar. Precis samma logik gäller för annonsbudgeten.

Sedan finns en risk som är lättare att missa. Eftersom en språkmodell komprimerar data och drar slutsatser på summeringar blir det mer och mer summeringar av summeringar ju längre en session pågår. Det skapar en snöbollseffekt där små fel växer och hallucinationer smyger sig in. Modellen har dessutom bara tillgång till det du matar in, men svarar med samma säkerhet även när den har fel.

Budget är det farligaste att lämna ifrån sig

Eftersom mediebudgeten är din största hävstång är det också riktiga pengar som står på spel om något går fel. Att en kampanj visar bra ROAS betyder ändå inte att den tål obegränsat med pengar, för saturering och konkurrens sätter gränser som en AI-modell sällan har koll på.

En annan viktig detalj som lyfts i poddavsnittet är att plattformarna själva inte optimerar med språkmodeller. Meta kör flera specialbyggda system för olika delar av annonsplattformen, och Googles automatiska budstrategier drivs av maskininlärning. Hade en språkmodell gett bättre resultat skulle budgivningen redan vila på en sådan. Att den inte gör det visar var gränsen går, menar Torkel Öhman.

Även andra källor har liknande argument om saken. Annonsteknikföretaget Basis, som själva säljer automatiseringsverktyg och därför har ett egenintresse här, konstaterar i en branschgenomgång att det som mätbart levererar resultat är just algoritmisk budgivning, medan strategi, bedömning och undantag fortfarande kräver en människa.

Vad är AI faktiskt bra på inom annonsering?

Samtidigt är det lätt att underskatta vad tekniken är bra på. Språkmodeller är starka på att producera annonstext, sätta upp kampanjer och ta fram bildmaterial i stora volymer. Styrkan ligger i att skapa unik text för varje produkt och landningssida i stället för en generisk variant som passar allt halvbra, och där finns en påtaglig tidsvinst.

De är också bra på rapportering. En språkmodell kan ersätta en vanlig rapport eller ett dashboard och svara på en fråga som ”vilka annonser gick bäst de senaste sju dagarna” i klartext istället för i en tabell. Den beskriver alltså vad som har hänt.

Att förklara varför siffrorna ser ut som de gör är svårare. Då behöver modellen tre saker matade till sig:

1. 1

   Färdiga uträkningar från ett system som är byggt för att räkna.

2. 2

   Reglerna för hur marknadsföring fungerar och ska bedömas.

3. 3

   Kännedom om vad som händer runt omkring, till exempel andra kampanjer, säsong och konkurrenter.

Om AI:n behärskar dessa tre delar kan den sätta ord på siffrorna, medan själva analysen görs någon annanstans. Saknas de finns det däremot en risk att det blir en snygg rapport på fel grund. Ett exempel: du kör en TV-reklam samtidigt som du annonserar på Google, och reklamfilmen får försäljningen att stiga. AI-modellen ser då bara Google-kontot och inte TV-reklamen, vilket gör att den letar efter en förklaring som inte finns inne i kontot.

Tre vägar in med olika nivåer av kontroll

Ska du släppa in AI i annonskontot väljer du idag mellan tre vägar, och de skiljer sig i hur mycket kontroll du behåller och hur stora riskerna blir:

1. 1

   Koppla en MCP till en språkmodell, som Claude eller ChatGPT. Du styr allt själv, men bär också hela ansvaret, och det finns ingen support att ringa om något går snett.

2. 2

   Använd plattformarnas egna AI-assistenter, som Meta AI Business Assistant och Googles Ask Advisor. De har fler inbyggda skyddsräcken, men ser bara sin egen plattform. Meta tittar bara på det som händer i Meta och Google bara på Google, så helheten över dina kanaler saknas.

3. 3

   Välj en dedikerad tjänst som överblickar flera kanaler samtidigt och vilar på ett system byggt för att räkna och optimera, med språkmodellen som ett lager ovanpå som förklarar och kommunicerar.

Så testar du utan att förlora pengar

Du kan prova allt det här utan att det påverkar dina kampanjer. Öppna en språkmodell som Claude eller ChatGPT, utan att koppla på vare sig agent eller MCP, och mata in din data för hand. Ställ samma fråga flera gånger och undersök om svaren verkar rimliga och håller ihop. Ett bra knep är att skapa två likadana projekt, ge dem samma uppgift och jämföra svaren; skiljer de sig mycket åt är det ett tecken på att modellen gissar.

Låt alltid en människa som är kunnig vara med och kontrollera. Börja med det ofarliga, med rapportering, och låt modellen komma med förslag som du själv godkänner innan något genomförs på riktigt. Först när en uppgift har fungerat gång på gång kan du låta den skötas automatiskt, och även då är det bäst att ha kvar en person som kontrollerar allt.

Vad detta betyder för dig

Att AI släppts in i kontot förändrar inte att styrningen måste ligga hos en människa. Byråerna lär finnas kvar länge, och de som tror att AI löser allt på egen hand kommer att få betala priset för det. Redan nu dyker det upp konsulter – som SEO-experten Nikki Pilkington – som specialiserar sig på att laga webbplatser som har körts sönder av blind automatisering, och inom performance-marknadsföring ser vi samma mönster.

Verktygen avlastar oss så att vi får tid till annat, men att låta rädslan styra är ingen bra väg framåt. Lösningen ligger någonstans i mitten: låt experter och rätt system hantera det som kräver precision, använd AI till det den faktiskt är bra på, och automatisera ett steg i taget. Då blir resultaten bättre utan att chansa med budgeten.

Vanliga frågor