Samarbete, transparens, mod och kreativitet är ledord som jag tror blir viktiga. Jag har även snöat in på ämnet silos. Mer specifikt varför de bara har blivit fler senaste åren, och varför de riskerar att bli värre när AI‑agenter tar mer plats. Innan jag går in på mer i detalj kring riskerna med AI‑agenter kopplat till silos, så vill jag göra en kort recap. Många inhouse‑team är väldigt kompetenta, men arbetet i fel typ av silos är ofta en blocker. Min bild är att de senaste 10 åren har silofieringen ökat. Det finns flera orsaker till det. En orsak är att inhouse‑teamen ofta har vuxit i storlek. De har vuxit på grund av att fler byråsamarbeten har tagits hem och den fragmenterade digitala spelplanen har lett till ett ökat behov av specialistkompetens. Teamen växer, och kompetensen ökar, men gamla strukturer består varför många funktioner (brand‑team, creative‑team, SEO, revenue, CRM, kanalägare, e‑com, sälj, CX osv.) har alltför lite samröre och insikt i varandras arbete. Det paradoxala är också att när inhouse‑teamet har växt så har i många fall även byråsamarbetena gjort det. Varför? Jo, för att varje inhouse‑funktion vill ha sin egen spegelbild på byråsidan. Det är så strukturen har sett ut, och fortsätter att se ut. Konsekvensen av detta är att marknad/sälj/CRM‑avdelningar (inklusive dess underavdelningar) inte bara jobbar i silos, utan de skapar även sin egen silo med de byråer de samarbetar med. Detta leder inte bara till ett ytterligare lager av komplexitet utan också till att en orimligt stor del av ett byråsamarbete mellan ett medelstort/stort inhouse‑team och en medelstor/stor byrå går åt till kommunikation. AI‑agenter kan skapa fler och djupare silos AI‑agenter riskerar att skapa ännu fler silos om man inte har med sig det organisatoriska perspektivet tidigt och är proaktiv. Idag saknas nästan i princip alltid transparens över vilka AI‑agenter som finns implementerade eller planeras, hur de (i bästa fall) jobbar tillsammans, och hur samarbete/processer mellan människa och agent ser ut. Implementationerna av AI‑agenter sker idag ofta på individnivå, eller genom att man köper in helt system för en specifik funktion (exempelvis SEO AI Employees) som saknar koppling till helheten. Det kan också röra sig om en mer enterprise‑anpassad implementation som är i proof of concept‑stadiet där man försöker lösa större problem, men där utvecklingen går långsamt. Så hur ska man organisera marknadsavdelningen 2026–2027 och framåt? Först, det finns vissa skillnader mellan branscher och vertikaler, precis så som fallet är idag. Min bild är dock att vertikaliseringen kommer att öka något. Det gäller både specifik kompetens som bolag har nytta av, men också hur man skulle kunna organisera sig för maximal effekt. Några principer kommer såklart att återkomma mellan vertikaler. Jag vill lyfta fram att orsaken är driven från två håll. Dels möjligheterna som AI presenterar när det kommer till att effektivisera arbetet inom marknadsavdelningen, men också agentic commerce som kommer sätta press på bolag, och CMO:er inte minst, att i många fall ganska drastiskt tänka om sin operating model. 1) Utgå från tech‑stackens mognadsgrad och datans kvalité Organisering och ways of working måste utgå från nuläget i stacken och datans kvalité. Är mognadsgraden låg och datakvaliteten svag, så måste man tänka på ett visst sätt kring implementation av AI‑agenter och organisationen som helhet, och vice versa. Det gäller att hålla två spår igång samtidigt, både förbättra och förändra stacken och datakvalitén samtidigt som implementeringen av AI‑agenter och förändring i organisationen pågår. Det kritiska är att dessa två spår följs åt, väldigt tight. 2) Tänk på att agentic commerce påverkar alla bolag, inte bara e‑handlare Agentic commerce innebär att AI‑agenter researchar, jämför och ibland köper åt användaren och bolag. Discovery, research och ibland checkout flyttas någon annanstans. Detta tror jag leder till ett par viktiga organisationsskiften: - Trust och brand‑ansvar över kanaler. En funktion behövs över kanaler som äger varumärket, PR, recensioner, policies, kundlöften, produktpåståenden och proof. Det innebär att team som historiskt jobbat rätt så silofierade, PR, brand, social, product, insight, måste komma samman. I en tid när det är lättare för små bolag att konkurrera med stora, och när kunder blir mindre lojala, blir detta en av de absolut viktigaste funktionerna för att driva revenue, både på kort och lång sikt. - CRO och funneln förändras. Om valen, eller i alla fall rekommendationen, framåt till stor del kommer att göras av en AI‑agent istället för på siten eller i checkout, behöver CRO, e‑com och webb ta ansvar för det som faktiskt gör att en rekommendation sker. Vill man tänka ett steg längre kan man fundera på om kompetensen och teamet som vi känner det faktiskt inte behöver göras om från grunden. - CRM och acquisition, riv barriärer. Vad är en ny kund och vad är en lojal kund när agenten gör researchen? Troligen inte alls lika svartvitt som i dag. Det som historiskt legat under respektive avdelnings ansvar måste börja ses som ett och samma system, inte två separata maskiner. En ny kund kan ha byggt preferens långt innan första köpet syns i din data, och en lojal kund kan återkomma utan att någonsin besöka din sajt, för att en agent fortsätter välja dig baserat på trust, leverans, prislogik, returvillkor och produktdata. Det gör att acquisition, hitta nya, och CRM, bearbeta befintliga, inte längre kan optimeras var för sig utan effektförlust. Därför behöver barriärerna rivas på riktigt. 3) Byrå‑ och konsultsamarbeten, operating model och samarbetsform behöver utmanas Byråer kommer också använda AI. Det betyder inte att ni måste mindre med byråer. Men det betyder att själva samarbetet måste designas om. Annars sitter ni snart med två parallella system, ni har optimerat människa och agent‑flöden internt, och byrån har optimerat sina människa och agent‑flöden externt, utan att systemen pratar med varandra. Det är en jätterisk, dubbla definitioner, sämre spårbarhet, mer friktion och till slut lägre tempo. Två saker att vara tydlig med när du sätter upp samarbetet: - Transparens och kompatibilitet. Samma datakällor, samma spårning, samma definitioner, samma QA, och ett sätt att koppla ihop agent‑lagret så ni inte bygger två separata system. - Rätt värdemodell. Om du får exakt samma leverans och betalar exakt lika mycket när produktion effektiviseras av AI är det skevt. Samtidigt går enormt mycket tid åt till kommunikation idag, och om operating model inte sitter kommer den tiden inte minska, den kommer öka. Och slutligen, vissa funktioner är mer verksamhetskritiska än andra. I vissa fall kan det funka att leja ut en hel funktion, i andra fall måste den vara intern. Men det som kan vara högaktuellt att köpa in, avancerad analys, mätning, automatisering, kreativ höjd, djup kanalkompetens, och förmågan att faktiskt genomskåda plattformar (hej Google). 4) Measurement, attribution och MMM blir viktigare än någonsin Ja, det har ni säkert hört förut. Men så är det, av lite olika anledningar. AI gör att skillnader mellan bolag minskar. Det blir allt svårare att skaffa sig konkurrensfördelar. Att ha ett järngrepp kring holistisk utvärdering, och låta det genomsyra hela arbetssättet är en sådan konkurrensfördel som är väldigt svår att både få till och kopiera. En annan anledning är en ytterligare fragmentering av köpresan, där en ännu större del av research‑processen kommer att ske utanför siten och av agenter. 5) Automatisera inte allt, optimera för kvalitet Det handlar inte bara om content, utan om i princip allt. Automatisering är ofta toppen, särskilt när metoder som MMM blir mer tillgängliga, men när alla kan göra allt sjunker kvaliteten snabbt om ingen äger hantverket, ribban och kontrollpunkterna. Tänk i tre nivåer: - Experter på riktigt. Svåra beslut, stora pengar, hög risk. - Övervakning krävs. Automation får köra, men någon måste granska och styra. - Släpp kontroll. Lågrisk, lätt att backa, tydliga guardrails.

Agentic commerce innebär att AI‑agenter hjälper användare, konsumenter och bolag, att researcha, jämföra och ibland genomföra köp. Det påverkar alla vertikaler, e‑com, B2B och annat. Delar av discovery, research och beslut flyttar bort från traditionella ytor och in i agentgränssnitt och rekommendationslager. För SaaS och B2B betyder det ofta att shortlisting och riskbedömning blir mer agentstödd, till exempel jämförelser, proof, policies och prissättningslogik. För appar kan det påverka hur användare hittar och väljer alternativ. I alla fall blir att bli vald mer beroende av trust‑signaler och tydlighet, och mindre beroende av att äga hela kundresan i egna kanaler. Agentic commerce tvingar fram organisatoriska förändringar. Framåt behöver man optimera både för människor och för agenter. Vissa köpresor kommer fortsatt vara helt mänskliga, andra nästan 100 procent agentiska, men det vanligaste blir hybrider där agenten gör research, jämförelser och shortlisting och människan tar sista beslutet, eller tvärtom. Det gör att brand och trust behöver ägas och byggas mer systematiskt, eftersom rekommendationen i högre grad avgörs av signaler som proof, recensioner, policies, prislogik, leverans och produktdata, inte av att man äger hela kundresan i egna kanaler. Samtidigt suddas gränsen mellan ny och befintlig kund ut. En ny kund kan ha byggt preferens via agentens återkommande rekommendationer långt innan första konverteringen syns, och en befintlig kund kan återkomma utan att besöka era ytor alls. För att inte optimera fel delar av systemet måste produktdata och policies, brand‑ och trust‑arbetet, CRM och measurement hänga ihop mycket tätare. Annars får man lokala vinster, mer output, fler initiativ, fler dashboards, men sämre helhet. Agenten fattar beslut på en annan logik än teamen mäter och organisationen springer snabbare i fel riktning.

När agent interfaces och andra externa ytor tar större plats suddas gränserna mellan acquisition och CRM ut, eftersom preferens och beslut byggs utanför era egna kanaler. En ny kund kan ha blivit uppvärmd i veckor av jämförelser, reviews och proof i ett rekommendationslager utan att ni ser mer än ett sista besök. Och en lojal kund kan återkomma utan att gå via sajt eller mail, för att agenten fortsätter välja er baserat på trust‑signaler, leveranshistorik, prislogik, returvillkor, policies och konsekventa kundlöften. Det här skapar tre typer av köpresor som existerar samtidigt. Helt mänskliga resor där discovery och beslut sker som idag och era kanaler påverkar stort. Nästan helt agentiska resor där användaren delegerar research, urval och ibland köp, och ni vinner eller förlorar innan någon ens ser er storefront. Och viktigast, hybrider där agenten gör grovjobbet, shortlisting, riskbedömning, jämförelser, och människan tar sista beslutet, eller tvärtom. Konsekvensen är att CRM och acquisition inte längre kan optimeras var för sig utan effektförlust. Man behöver gemensamma mål, en gemensam kundmodell där prospect och customer finns i samma vy, och en experimentmotor som spänner över hela kedjan, inte en som ägs av en kanal. Annars optimerar man lätt det man kan mäta, trafik och sista klick, och missar det som faktiskt avgör valet, varför man blir rekommenderad och vald i första steget.

CRO flyttar från att enbart handla om pixelperfekt checkout till att handla om friktion, tydlighet och trust i hela systemet. När fler beslut tas innan användaren ens når storefront blir det viktigare att vinna i policies, produktdata, proof, reviews och konsekventa kundlöften. Storefront är fortfarande viktig, men blir mindre ensam övertygelseyta. Det gör att CRO behöver samarbeta tätare med brand och trust, CX och ops. Annars blir standardlösningen att köpa mer trafik när konverteringen sjunker, istället för att fixa varför valet faller någon annanstans. Det finns också ett märkligt antagande i många diskussioner: att agenttrafik automatiskt är mer värdefull för att den har högre CVR. Klart den kan konvertera bättre, agenten kommer ofta först efter att research, jämförelser och filtrering redan är gjorda. Det säger inte nödvändigtvis att upplevelsen på storefront är bättre, eller att bolaget har byggt starkare preferens. Risken är att man snöar in på fel sak: att optimera för sista klicket och applådera en högre CVR, i stället för att förstå varför man blev vald eller bortvald i shortlistingen. Den riktiga frågan för CRO blir därför mindre hur maxar vi checkout och mer vilka signaler gör att vi rekommenderas och väljs, innan någon ens når vår yta.

Agenter behöver signaler som är tydliga och jämförbara. Exempel är: - Leveranslöften och leveranstider - Returvillkor och kundlöften - Reviews, ratings och proof - Lagerstatus och variantlogik - Prislogik och erbjudanden - Produktpåståenden och hur väl de backas upp Problemet är att dessa signaler ofta ägs av olika funktioner, brand, PR, CX, e‑com, ops och legal. Därför blir trust inte en kanalfråga utan en tvärfunktionell konstruktion. Om det saknas ägarskap och samordning blir resultatet ofta mer intern kommunikation och mer ad hoc‑beslut, samtidigt som man tappar förtroende externt.

Silos handlar sällan om att folk är specialister och “bara gör sin grej på egen hand”. Det handlar om att ansvar och insyn går sönder mellan saker som egentligen hänger ihop. Ett tidigt tecken är hög aktivitet men en känsla av att vara i “osynk”, många parallella initiativ, mycket pingande, många möten, men ändå en känsla av att jobba mycket med brandsläckning. Ett annat tecken är att samma frågor upprepas i flera rum och att beslut tas i semi‑stängda kontexter, till exempel byrå och en intern funktion, utan att andra berörda förstår varför. Då blir organisationen långsam samtidigt som kommunikationen exploderar. Med AI‑agenters intåg riskerar ett ytterligare lager av silos att byggas. Bolag behöver en överblick över vilka agenter som finns, vad de gör och hur de påverkar produktivitet och kvalitet. Det är tidigt i utvecklingen, men just därför behöver överblicken byggas innan det blir permanent.

De mest destruktiva silosarna är de där ett team påverkar ett annat teams resultat varje dag, men utan att dela mål, mätpunkter och samma “sanning” om kunden. Då optimerar man lokalt och betalar priset centralt. Tre återkommande exempel: - CRM ↔ acquisition. När acquisition jagar nytt och CRM bearbetar befintligt som två separata maskiner tappar man effekt. I en agentifierad kundresa suddas gränsen mellan ny och lojal ut, och optimering måste ske som ett sammanhängande system. - Brand och creative ↔ performance. Här blir mätningen ofta fel på grund av silon. När brand, creative och performance körs som separata maskiner får de olika definitioner av vad som räknas som effekt. Resultatet blir att performance får övertaget eftersom det som händer nära klick och konvertering är lättare att attribuera, medan brand och creative hamnar i en egen värld med mjukare mått, längre cykler och svagare feedback‑loopar. - E‑com, ops och policies ↔ marketing. När leveranslöften, returer, lager, prislogik och kundvillkor inte hänger ihop med det marketing kommunicerar uppstår en missmatch som direkt äter konvertering. Ofta försöker man lösa det med fler avstämningar i stället för att fixa grundorsaken, att kundlöftet inte är ett gemensamt system.

Målet är inte att alla ska kunna allt. Målet är att färre saker ska studsa mellan funktioner. Det kräver tre byggstenar: - Tydligt ägarskap för utfall. Någon äger inte bara en kanal, utan en effekt, till exempel activation, winback eller reviews till conversion. - Gemensam mätlogik. Samma siffror och samma utvärderingsmetod. Annars blir varje möte en diskussion om vilken dashboard som har rätt. - Beslutsforum med disciplin. Var fattas beslut, vilka behöver vara med och vad dokumenteras. Öppna kranar i Slack utan operational model leder ofta till mer brus, inte mer transparens. Med AI‑agenter blir processdesign ännu viktigare. Om agenten gör sin grej men ansvar, kontrollpunkter och mätning saknas blir det ofta snabbare output men sämre kvalitet och mer koordinering.

Gemensamma mål måste vara kopplade till affären och ha en gemensam mätprincip. Ett fungerande upplägg är att separera: - North Star. Till exempel lönsam tillväxt. - Styrmått. CAC till LTV, payback, retention per kohort och marginaltänk. - Teamnära mått. Kanaler, CRM och e‑com optimerar inom ramen. Det viktiga är att undvika att varje funktion väljer sina favoritmått. Om brand, performance och CRM tittar på olika sanningar kommer organisationen alltid prata förbi varandra. Därför behöver man också bestämma hur utvärdering ska ske, till exempel incrementality, MMM eller test, så att optimeringen inte fastnar i enkel attribution när beslutsvägarna blir mer diffusa.

Spret uppstår när varje initiativ har egen data, egna verktyg, egna KPI:er och ingen gemensam uppföljning. Det ser ut som innovation, men det skalar inte. Tre minimikrav gör stor skillnad: - Agent‑inventering. Vilka agenter finns, vem äger dem och vilka system rör de? - Processkarta. Var i flödet ligger agenten, vad gör människa vs agent, var sker granskning? - Mätning. Vad betyder bättre, tid, kvalitet eller affärseffekt, och hur följs det upp? Det är särskilt viktigt när AI employee‑system köps in per funktion från olika providers utan koppling till varandra eller till resten av teamet. Då blir AI ett nytt silo‑lager.

Agent‑governance kan kännas trist, men behöver finnas. Tänk att syftet är att sätta trafikreglerna. En minimal governance innehåller: - Register över agenter och deras syfte - Åtkomstregler med minsta privilegium, särskilt kring CRM och PII - Kvalitetskrav och kontrollpunkter - Loggning och spårbarhet, vad som gjordes och varför Utan governance blir det svårt att ta de strategiska beslut som ofta motiverar AI, sänka kostnader, möjliggöra in‑housing och höja kvalitet. Det kräver insikt i vilka agenter som finns och hur de påverkar produktivitet och kvalitet.

Att mappa tasks handlar om att skydda kvalitet och minska risk, samtidigt som repetitivt jobb kan skalas. En praktisk modell är tre nivåer: - Expertläge. Svåra beslut, stora pengar, hög risk, till exempel budgetallokering, claims, varumärkesrisk och prissättning. - Övervakning. Agenten får köra men måste granskas, till exempel kampanjiterationer eller vissa analyssteg. - Släpp kontroll. Lågrisk, lätt att backa, tydliga guardrails, till exempel sammanställningar och first draft. Många missar att agentifiering är processdesign. Om man bara lägger en agent på ett steg utan att ändra ansvar, kontrollpunkter och mätning blir output snabbare men inte nödvändigtvis bättre.

Agenter är ingenting om de inte har en stabil grund att jobba på. Det handlar om tracking och instrumentering, produktdata, CRM‑struktur, BI och rapportering, consent och PII samt integrationsförmåga. Utan det riskerar agenter att optimera på fel signaler och organisationen kan inte bedöma om produktivitet och kvalitet faktiskt förbättras. Det är också här många fastnar. Man implementerar agenter men tappar fokus på att förbättra grunden. Då blir agentifiering ett nytt lager komplexitet istället för en enabler. En bra tumregel: om teamet inte kan enas om vilka siffror som gäller, eller om datakvalitet varierar mellan funktioner, är det för tidigt att skala agentarbete brett.

AI gör att fler kan producera och analysera mer, snabbare. Men det ökar också risken för ett lapptäcke av verktyg, prompts och workflows, särskilt när införandet sker på individnivå eller via POC, och när olika funktioner köper in olika AI‑employee‑system. Resultatet blir ofta spretig datadisciplin och parallella sanningar. Det som hjälper är standardisering, godkända verktyg, gemensamma dataflöden, tydliga sätt att jobba och spårbarhet så att agentarbete kan revideras. Kärnpoängen är enkel. Agenter är inte stacken. De behöver en stack som sitter.

En kanalägd experimentmotor tenderar att optimera för kanalens verklighetsbild. En kanalneutral motor utgår från affärsfrågor, driver detta inkrementell effekt och vad händer med retention och payback. Byggstenar: - En gemensam backlog av hypoteser som berör hela kedjan, budskap till onboarding till reactivation - Standardiserade testformat, geo‑test, holdouts och incrementality‑upplägg - Tydliga regler för vad som får ändras under testperioder - En ägare med mandat att säga nu testar vi och hålla andra förändringar borta När detta finns minskar också behovet av ständig ad hoc‑kommunikation, eftersom svar tas fram med en metod som alla accepterar.

MMM och inkrementalitet kräver mandat. Det påverkar budget, prioriteringar och vilka sanningar organisationen styr efter. Därför kan det inte vara en sidouppgift som plockas upp när det brinner. Ägaren behöver kunna: - Sätta metod och standarder - Utbilda stakeholders i vad som är relevant att titta på - Hålla ihop source of truth - Driva att insikter faktiskt leder till beslut, inte bara rapporter I en värld där fler kan köra en MMM i ett sheet blir ägarskap ännu viktigare, annars riskerar kvaliteten att sjunka och organisationen att fatta beslut på felaktiga modeller.

Det största hindret är sällan statistik. Det är att organisationen ändrar för många saker samtidigt. Geo‑tester kräver disciplin, tydlig intervention, stabilitet i andra insatser och en kontrollgrupp som är jämförbar. För att få det att funka behövs: - Ett beslutsforum som kan frysa vissa förändringar under test - Tydliga regler för byråer och interna team, vad som får optimeras - Konsekvent datainsamling och gemensamma definitioner När attribution blir svagare blir geo‑tester ett robust sätt att skapa trygghet i beslut, men bara om organisationen respekterar testet.

Kommunikation är kritiskt, men problemet är när den blir ett substitut för struktur. De senaste åren har många inhouse‑team blivit större och mer specialiserade, och samtidigt har byrålandskapet vuxit i samma riktning. Resultatet blir ofta en spegelmodell, varje intern funktion skaffar sin egen byråmotsvarighet. Det låter tryggt, men tenderar att skapa dubbelarbete, fler överlämningar och ett enormt flöde av frågor. När kranarna är öppna i Slack och beslut tas i informella rum får ni mer brus än transparens, och silos förstärks både internt och mellan er och byrån. Framåt blir det ännu viktigare att samarbetet är designat, inte bara aktivt. AI och mer agentbaserade arbetssätt ökar output och tempo, men utan en operating model får ni lätt två parallella system, ni optimerar era människa‑agent‑flöden internt och byrån optimerar sina externt, med olika definitioner, olika dashboards och olika sanningar. Det är då friktionen exploderar. En grundprincip är därför att ni måste vara extremt tydliga med varför ni köper byrå och vad ni faktiskt köper. Det är inte fel att leja ut en kanal som helhet, men det kräver att vissa saker finns på plats. Annars köper ni i praktiken bara aktivitet och kommunikation. I praktiken brukar två modeller fungera, på olika sätt: - Köp spets, inte volym. Ofta är den bästa affären att ni tar in byrå för det som är svårt att bygga snabbt inhouse, djup plattformskompetens, avancerad analys, experimentdesign, setup och struktur, kreativ höjd eller förmågan att ifrågasätta vendors best practice och hitta okonventionella vägar. Då kan ett mindre internt team driva det löpande medan byrån blir er edge och kvalitetshöjare. - Lej ut hel funktion, men bygg minimalt inhouse först. Att outsourca en hel kanal kan fungera väldigt bra om ni har mål, mätlogik, beslutskedja och data på plats, och om byrån är effektiv nog att driva utan att allt blir en fråga tillbaka till er. Ett bra sätt att undvika felköp är att ni först bygger en minimal intern bas, någon som kan sätta riktning, förstå tradeoffs, granska output och hålla ihop helheten. Utan den minsta interna motorn blir byrån lätt en extern silo som producerar mycket, men där lärandet inte landar hos er. Oavsett modell är det här det som brukar minska brus och öka effekt: - Sätt mål kopplade till affären och en nedbrytning som alla accepterar. Byrån ska inte leverera aktivitet utan bidra till utfall. Ni behöver översätta affärsmål till ett fåtal styrande metrics per område och vara tydliga med vad som är sekundärt. - Bestäm gemensam mätmetod och source of truth. Ni behöver vara överens om vad som gäller, MMM, incrementality eller test, eller en kombination, och vilka siffror som räknas. Annars blir varje möte en diskussion om vilken dashboard som har rätt. - Bygg beslutsforum med disciplin. Var fattas beslut, vilka behöver vara med, vad dokumenteras och vad är default när underlag saknas. Öppen Slack‑access utan beslutskedja skapar ofta mer rework, inte mer tempo. - Säkerställ plattformskompetens och rätt incitament. En av de viktigaste anledningarna att ni använder en bra byrå är deras förmåga att gå bortom vendors rekommendationer. Den kompetensen, att förstå plattformar på djupet, se genvägar, ifrågasätta best practice och bygga en optimeringsmotor som gynnar er, blir ännu viktigare när allt paketeras som klicka här eller AI‑employees. - Designa beställarorganisationen. Undvik 1‑till‑1‑spegeln där varje intern specialist äger 1–3 kanaler och har byråer för allt annat. Det suger kommunikationstimmar, skapar överlämningar och gör att energin går åt till synk i stället för effekt. Ni får bättre utväxling när beställarrollen har större scope, äger utfall över flera kanaler, och ni kombinerar inhouse och byrå med tydliga gränssnitt. - Sätt guardrails och kvalitetskontroller i flödet. Med mer automation behöver ni tydliga constraints, budgetregler, brand‑riktlinjer, approvals, QA och stop conditions. Annars får ni snabbare output men mer varumärkesrisk och mer koordinering när saker måste backas. Dashboards kan hjälpa, men de löser inte grundproblemet om ni och byrån ändå tittar på olika mått och har olika definitioner. Struktur gör att kommunikationen flyttar från en konstant kran av frågor till färre, skarpare diskussioner och beslut, och att byrån faktiskt blir den hävstång den är tänkt att vara.

Det fungerar allra bäst när ett bolag har satt mål som har tydlig koppling till affären, och även en relativt hög mognadsgrad när det kommer till hur man kan bryta ner affärsmålen till metrics som respektive avdelning bör jobba efter, men saknar spetskompetens inom en eller flera kanaler eller discipliner. En andra förutsättning är att man förstår vilken kompetens man faktiskt köper. I digital marknadsföring har en absolut kritisk egenskap hos både bra byråer och starka inhouse‑team alltid varit djup plattformskompetens och analytisk höjd, förmågan att välja okonventionella vägar, ifrågasätta en vendors best practice och bygga en setup och optimeringsmotor som 100 procent gynnar bolaget och 0 procent gynnar vendorn. Följer man bara plattformens rekommendationer blir det ofta mer som 50/50. Det är extra viktigt nu när mycket paketeras som bara klicka här eller när man köper AI‑employees byggda av folk utan djup produktkompetens i ad platforms, eller med incitament som inte är helt rena. En byrå du verkligen litar på är i praktiken ett sätt att köpa in just den här svårersatta kompetensen, utan att behöva bygga och underhålla den internt samtidigt som du har tusen andra saker att hålla koll på. Men även med rätt byrå faller det om beställarorganisationen är fel designad. En 1–1‑spegel där varje intern specialist ansvarar för 1–3 kanaler och har byråer för resten är i praktiken en no‑go. Det suger kommunikationstimmar, som är dyra, skapar överlämningar och gör att mycket av energin går åt till synk i stället för effekt. Antingen behöver beställarrollen ha större scope, äga utfall och helhet, inte bara en kanal, eller så behöver man organisera så att teamet gör vissa kanaler helt inhouse och lejer ut andra, till exempel att samma person eller team driver två kanaler själva och lägger ut två andra, eller att beställningen ligger högre upp, till exempel under en growth‑ eller revenue‑ägare, med tydliga guardrails och en gemensam mätlogik.

De viktigaste byråerna är de som bidrar med metod, transparens och kvalitetsdisciplin, inte bara output. När alla kan producera mer med AI blir det runt omkring som avgör, erfarenhet, kritisk förmåga mot plattformar och förmåga att jobba mot gemensamma mål och gemensam mätning. Byråer som är AI‑first kan ha fördel i tempo, men tempo utan struktur riskerar att skapa spretig datadisciplin och fler silos. Bra byråer hjälper organisationen att få överblick, minska brus och fatta bättre beslut.

2026+ handlar det mindre om format, byrå vs frilans, och mer om att ni köper in riktig spets som flyttar nålen. Marknaden kommer vara full av operatörer som kan producera mycket med AI, och full av vendors som säljer in samma playbook till alla. Det ni ska leta efter är därför profiler och byråer som antingen har verklig spets i en kritisk funktion eller har djup kanalkompetens och ryggrad nog att ifrågasätta plattformarnas standardlösningar. Konkret, leta efter externa som har minst en av de här tydliga superkrafterna: - Ifrågasättande och djup kanalkompetens. Personer som kan plattformen på detaljnivå och som systematiskt kan bygga en optimeringsmotor som gynnar er, inte vendorn. De kan motivera avsteg från best practice, ser okonventionella vägar och förstår incitamenten bakom rekommendationer och automatisering. - Measurement och utvärdering som går att styra på. Spets inom incrementality, experimentdesign och MMM‑tänk, och förmågan att översätta det till beslut och prioriteringar. Ni vill ha någon som kan skapa klarhet när köpresor blir mer hybrida och agentstödda, och när delar av discovery och research flyttar utanför era egna ytor. - Instrumentering och dataplattformsförståelse. Profiler som kan få spårbarhet att fungera i praktiken, event och taxonomi, koppling till intäktsdata, kundmodell och en gemensam source of truth. Det är ofta här de största effektläckagen finns. - Creative systems i skala. Inte bara någon som gör bra creatives, utan någon som kan bygga ett kreativt produktionssystem, modularitet, versionering, testdesign, guardrails, brand, claims och legal, och processer som håller kvalitet när ni ökar volym och tempo. - Agent‑ops och governance. Externa som kan drifta agentflöden med kontroll, logging av agent‑actions, QA‑gates, approvals, budgetregler och stop conditions. Annars får ni snabbare output men mer friktion och större varumärkesrisk. Och en avgörande sak till, välj externa som kan jobba inne i er operating model. De ska kunna anpassa sig till era mål, er mätlogik och era beslut, inte bygga ett parallellt system från sidan. Annars får ni en extern silo, mer kommunikation och mindre faktisk effekt.

När AI tar över mer av det repetitiva jobbet blir det inte färre roller som behövs utan andra roller blir mer avgörande, för att få kvalitet, lärande och kontroll i systemet, inte bara mer output. - Rätt typ av generalist och projektledare. Hands‑on, strukturerade och affärsförstående personer som kan koordinera mellan in‑house, byråer, agenter och tech vendors. Behovet av processdesign ökar när agentlandskapet växer, ägarskap, beslutskedja, QA‑gates, budgetregler, dokumentation och spårbarhet. Utan det får man ofta snabbare leverans men mer friktion, rework och fler misstag. - Den kreativa analytiska prototyparen. En growth‑profil med kreativ höjd men också teknisk och analytisk förmåga, gärna med measurement‑insikt och plattformsförståelse. Den här personen kan snabbt testa hypoteser, bygga prototyper, sätta upp experiment och skapa lärloopar, och samtidigt hålla kvalitet i det kreativa. Kreativ höjd blir strategiskt viktigare när många kan producera okej i volym, edge kommer från idé, craft och en tydlig ribba. - Plattformsskeptikern med djup kanalkompetens. Rollen många underskattar, någon som kan kanaler och plattformar på riktigt och som aktivt kan utmana vendors best practice, förstå incitamenten bakom rekommendationer och bygga en optimeringsmotor som gynnar bolaget, inte plattformen. När fler kör autopilot eller köper AI‑employees blir den här kompetensen en differentierare. - Measurement‑ och experimentledaren. Någon som kan sätta en utvärderingsmetod man faktiskt kan styra efter, incrementality, experimentdesign, MMM‑tänk, metoddisciplin och source of truth. Det blir extra viktigt när resor blir mer hybrida och agentstödda och när signaler från fler ytor ska knytas till affär. - Enablement, utbildning, manuellt hantverk och felsökning. Här är poängen många missar. När AI hjälper mycket är det lätt att man delegerar bort lärandet. Det är exakt den risken som lyfts i [artikeln du länkade](https://arxiv.org/pdf/2601.20245), när man använder AI som en genväg för att få fram svar kan man bli snabbare på att producera output, men sämre på att bygga konceptuell förståelse, läsa och kritiskt granska och framför allt felsöka när något går fel. Översatt till marknad, growth och ops, om man låter AI sköta allt tappar man efter ett tag förmågan att avgöra om ett förslag är rimligt, hitta roten till en avvikelse i data eller performance, förstå vad som faktiskt orsakade en effekt, och bygga robusta guardrails och QA‑kontroller. Därför blir utbildning och arbetssätt centralt, man behöver skapa en kultur där man övar manuellt ibland, felsöker utan autopilot, och använder AI på ett sätt som håller människan kognitivt engagerad, till exempel be AI förklara tradeoffs, motivera beslut, visa alternativ och tvinga fram resonemang, inte bara leverera ett svar. Varför samspelet mellan generalisten och prototyparen är avgörande. Prototyparen testar och formar snabbt, projektledaren driver igenom, skapar uthållighet och ser till att det faktiskt blir gjort med rätt process, QA och mätning. Utan den ena får man idéer utan adoption. Utan den andra får man produktion utan edge och ofta utan lärande.

Ledarskapet behöver kombinera tydlig process med tydlig kvalitetsribba, men också undvika att processen blir ett självändamål. Om man bara processar riskerar man att få en organisation som är effektiv på papperet men som tappar tempo, kreativitet och motivation. Och om man bara kör får man snabb output men låg kvalitet, oklart ansvar och svagt lärande. 1) Designa arbetet som ett system, inte som en Slack‑kanal För agenter krävs definierade uppdrag, begränsningar, loggning och uppföljning. För människor krävs tydliga mål, gemensam mätning och minskad friktion mellan funktioner. Annars springer alla snabbt men åt olika håll, med olika dashboards och olika sanningar. Samtidigt måste processen vara minimalt tillräcklig. Den ska skapa spårbarhet, beslutskraft och kvalitet, inte fylla kalendern. En bra tumregel är att varje nytt steg i processen ska betala sig i minst en av tre valutor, mindre risk, mer lärande eller högre kvalitet. 2) Optimera för lärande, inte bara output När AI gör mer av det repetitiva är det lätt att man delegerar bort lärandet och får snabbt men grunt. Då tappar teamet förmågan att granska, felsöka och förstå varför något fungerar. Det blir extra farligt när kundresor blir mer hybrida och agentstödda och orsak och verkan blir svårare att läsa av. Praktiskt, bygg in lärande i sättet man jobbar: - Krav på kort why och alternativ, inte bara leverans - Regelbundna debug‑sessioner där man felsöker manuellt - Post‑mortems som faktiskt leder till uppdaterade guardrails och bättre prompts och processer - En gemensam experimentmotor där insikter återförs till systemet, inte stannar i huvudet på en person 3) Sätt en kvalitetsribba som inte kan automatiseras bort Kvalitet kan hanteras i tre nivåer, men komplettera med ett tydligt quality owner‑tänk: - Var experter behövs, hög risk, stora pengar, varumärke, policy och claims, komplex strategi. Här ska människor äga beslut och ribba. - Var övervakning krävs, agenten kör men någon granskar stickprov, följer upp avvikelser och uppdaterar regler. - Var kontroll kan släppas, lågrisk, lätt att backa, tydliga guardrails. Det som avgör om AI ger effekt är ofta allt runt omkring, ansvar, beslutskriterier, granskning, loggning och att lärande återförs till processen. 4) Skydda motivationen, gör inte människor till QA‑maskiner En vanlig fälla är att AI gör allt roligt och människor blir kvar med att godkänna, rätta och jaga avvikelser. Det blir snabbt tråkigt och selekterar för en smal typ av person, den som gillar kontroll, rutin och administration. För att undvika det behöver man designa roller så att människor får: - Tydligt ägarskap för utfall, inte bara granskning - Utrymme för kreativitet, prototypande och problemlösning - Möjlighet att bygga kompetens, inte bara drifta Bra upplägg i praktiken är ofta en kombination av prototypare som formar nya vägar och operativ generalist som driver igenom och skapar uthållighet, med agenten som accelerator, inte som ersättare av meningsfullt arbete. 5) Var transparent kring oro och jobbrisk, och gör en plan Det finns en reell risk att vissa uppgifter och ibland hela roller minskar när agentflöden blir bättre. Om man låtsas som att det inte finns skapar man osäkerhet och passivitet. Det som fungerar bättre är: - Tydlighet kring vilka delar som ska automatiseras och varför - En plan för upskilling och rollskiften, till exempel mot processdesign, measurement, plattformskompetens, creative systems och agent‑ops - Tydliga förväntningar på hur man använder AI för att bli bättre, inte bara snabbare Summan Bästa sättet att leda ett hybridteam är att göra tre saker samtidigt, bygga minimalt tillräcklig process som skapar spårbarhet och beslutskraft, bygga in lärande så att kompetensen inte eroderar, och designa arbetet så att människor inte reduceras till QA utan får äga utfall, kreativitet och utveckling.

Första steget är inventering. Vilka agenter och verktyg används, även individuella, vilka system har de access till, och hanterar de PII. Andra steget är åtkomststyrning. Minsta privilegium, tydliga regler för vad som får skickas till externa tjänster och kontrollpunkter för känsliga beslut, till exempel segmentering, export av kunddata och claims. Tredje steget är spårbarhet. Logga agenters actions och beslut så att det går att revidera vad som hände, varför det hände och vilket resultat det gav. Utan spårbarhet är det svårt att både säkra compliance och att förstå om agentifiering faktiskt förbättrar produktivitet och kvalitet.