I februar gik det op for mig, hvor meget AI kan. Siden marts har jeg bygget vores egen AI-agent til Amplify. I dag er den en fast kollega i vores hverdag.
En AI-agent er mere end en chat. Den kan selv hente data, vurdere dem og udføre opgaver. Hos os altid med et menneske, der godkender.
Her er, hvordan vi gjorde det, hvad den gør hver dag, og hvad jeg har lært undervejs.
Det startede med et problem
En ven, der driver et AI-selskab, viste mig, hvad modellerne kunne. Jeg havde ham med til et møde, og vi brugte mange timer på at skrive ned: Hvad er egentlig problemet i vores branche? Hvad mangler vi? Hvad er godt, og hvad er dårligt?
Det, vi startede med, var et analyseværktøj. I stedet for selv at lede efter tallene i annoncekontiene skulle man kunne spørge agenten og hurtigt forholde sig til svaret.
Efterhånden kunne vi se, at den var præcis nok til mere end analyse. Så i dag udfører den også. Altid med et menneske, der godkender, før noget sker.
Hvad agenten gør i dag
- Den svarer på spørgsmål i Slack, når vi skal bruge et tal, en vurdering eller historikken på en kunde.
- Den gennemgår annoncekontiene hver morgen og siger til, hvis noget skal kigges på.
- Den foreslår ændringer i annoncerne, som et menneske godkender, før de bliver lavet.
- Den bygger nye annoncer, som står på pause, indtil den har tjekket hvert eneste kreativ, også inde i videoerne, og et menneske har godkendt.
- Den forbereder månedsrapporterne, så vi kigger dem igennem i stedet for at bygge dem fra bunden.
- Den hjælper med at sætte målingen op, så vi kan se, hvad annoncerne giver.
Konteksten er det hele
En sprogmodel er rigtig god til at gøre ting, der findes i forvejen. Vores måde at arbejde på findes ikke i forvejen. Vores holdning til annoncer, til sporing og til at bygge brands er vores egen.
Hvis vi ikke lærer agenten, hvordan vi tænker, og viser den, hvad vi godt kan lide, og hvad vi ikke kan lide, så kan den aldrig arbejde som en af os.
Derfor bruger vi meget tid på at skrive vores erfaringer ned. Alt det, vi har lært i Amplify gennem mange år, bliver til noget, agenten kan læse. Sådan her tænker vi. Sådan her vil vi have det.
Når teamet retter agenten, bliver rettelsen til en regel, som den bruger næste gang.
Når folk åbner en chat med AI og ikke får lige så gode svar som os, skyldes forskellen højst sandsynligt konteksten. Ikke modellen.
Et menneske godkender, før noget sker
Den vigtigste del af agenten er det stop, vi har bygget ind.
For nylig meldte den fejl på tre annoncer, fordi der var en stavefejl i et kreativ. Stavefejlen stod inde i en video. Agenten havde gennemgået videoen billede for billede for at tjekke, at alt var rigtigt hele vejen igennem. Vi havde ikke selv set den.
Fordi stoppet er der, gik annoncerne ikke live. Agenten meldte tilbage, hvad der var galt, med eksempler. Vi fik en ny fil, uploadede den igen, og så kørte den hele turen en gang til.
Det er sådan, vi bruger AI. Den gør arbejdet. Et menneske tager beslutningen.
Et problem, der er stort nok, fremskynder alt
Al teknologi bliver fremskyndet, hvis man har et problem, der er stort nok.
En søndag skulle vi have annoncer ud for en kunde med meget kort varsel. Jeg vidste det ugen før. Så jeg brugte over 40 timer den uge på at bygge et system, der var godt nok til at klare det. Annoncerne blev godkendt og sendt ud, og der var ikke en eneste indvending.
Hvad jeg har lært
Jeg kan stadig ikke se, hvor taget er henne. Hver gang vi har ramt en grænse, har det handlet om for lidt kontekst, for få eksempler eller om, at vi brugte modellen forkert. Ikke om, at modellen ikke kunne løse opgaven.
Lige nu er det mere min egen kreativitet, der er begrænsningen, end det tekniske.
Det er også derfor, vi er på vej væk fra at sælge timer. Det, vi bygger én gang, får alle vores kunder gavn af.
Vil du høre mere om, hvordan vi har bygget den, fortæller jeg om det i mit foredrag om AI.