En marketingmedarbejder eller dataanalytiker, der indsamler konkurrentpriser, gør reelt tre ting: opsøge priser og tilbud, lægge dem ved siden af hinanden efter et fast kriterium, og gøre resultatet anvendeligt til en beslutning om egen prissætning. Det er en opgave, der for størstedelens vedkommende består af at hente og ordne data, og det er præcis den slags arbejde, som AI allerede i dag kan overtage en stor del af, forudsat at en række betingelser er opfyldt.
Tre akser er her afgørende: strukturering, volumen og skønsrum. Priser er tal, tilbud står på websider med en genkendelig opbygning, og selve sammenligningen følger et kriterium, der er fastlagt på forhånd: samme produktkategori, samme enhed, samme periode. Det gør opgaven struktureret nok til at kunne automatiseres. Volumen hjælper også: ti konkurrenter, hundrede produkter, gentaget ugentligt, er præcis den slags gentaget indsamlingsarbejde, hvor et system ikke bliver træt, mens et menneske gør. Og skønsrummet er bevidst indsnævret: en agent anvender en fast sammenligningslogik, den finder ikke på en ny strategi.
De øvrige akser bekræfter dette billede. Der er ingen kundekontakt, ingen fysisk handling, og compliance-følsomheden er lav: det drejer sig om offentlig information, som alle kan tilgå. Fejlomkostningerne er moderate — en forkert sammenlignet pris fører til et forvrænget billede, ikke til et brudt kontrakt eller en vred kunde. Kreativitet spiller en rolle ved fortolkning af usædvanlige tilbud (en pakkerabat, en midlertidig kampagne, en anden emballagestørrelse), men det er snarere undtagelsen end reglen.
Det er en opgave for en agent: et system, der selvstændigt konsulterer prissider, udtrækker data fra tekst og struktur, placerer dem inden for de fastlagte sammenligningskriterier og leverer resultatet som et overblik. Det fungerer under to betingelser. For det første: adgang til offentlige prisdata, hvilket betyder, at informationen skal være findelig og læsbar — ingen login-mur, ingen pris, der kun gives telefonisk. For det andet: sammenligningskriterier, der ligger fast på forhånd. Uden den aftale — hvad er 'sammenligneligt', hvilken enhed, hvilken periode — leverer en agent en samling tal, uden at nogen ved, om de må stå ved siden af hinanden.
Det er samtidig, hvor billedet bliver nuanceret. Indsamling og ordning er noget for AI. Oversættelsen af den sammenligning til en prisbeslutning — hæve, sænke, starte en kampagne — forbliver menneskeligt arbejde, med skøn over margin, positionering og kunderelation. Opgaven i denne scan handler om at opstille sammenligningen, ikke om den beslutning, der følger efter.
En webshop, der ugentligt følger priserne fra femten konkurrenter for hundrede produktkategorier, kan i vid udstrækning overlade den proces til en agent: den indsamler dataene, genkender tilbud og sætter det hele ind i et fast overblik. En marketingmedarbejder vurderer derefter resultatet — stemmer sammenligningen, er der noget mærkeligt på færde med en konkurrent, der pludselig er en tredjedel billigere — og godkender eller sender tilbage med en begrundelse. Det er den anden kategori i taksonomien: AI udfører arbejdet, et menneske fører tilsyn med et skøn tilknyttet.
Hos en B2B-tjenesteudbyder, hvor priser kun er tilgængelige på forespørgsel, tilbud er skræddersyede, og 'sammenligneligt' ikke har en entydig betydning, forskubber billedet sig. Struktureringen falder, skønsrummet stiger, og arbejdet læner sig tungere op ad en analytiker, der indsamler information telefonisk eller via et netværk og selv vurderer, hvad der er sammenligneligt. Det er så mindre en opgave for en agent og mere en opgave, hvor AI understøtter — for eksempel ved at strukturere noter — mens skønnet forbliver hos mennesket.
Denne forskydning berører flere steder i en virksomhed end blot prisovervågning. Den, der ønsker at få reguleret annoncebudget baseret på resultater, ser et lignende mønster: strukturerede data, høj volumen, begrænset skønsrum, og en agent, der kan klare størstedelen af arbejdet, så længe kriterierne ligger fast. Også den, der ser på hvordan webstatistik analyseres, ser samme kombination af indsamling, ordning og først derefter fortolkning. Hvor mere kreativt arbejde er i spil, som ved at skrive et opslag til sociale medier, ligger forholdet mellem automatisering og tilsyn anderledes. Mønsteret er hele tiden det samme: jo mere struktureret input og jo højere volumen, desto tidligere kan en agent udføre størstedelen af arbejdet, med et menneske, der vurderer resultatet i stedet for at udføre selve arbejdet.
Dette er ikke en udtalelse om stillingen som marketingmedarbejder eller dataanalytiker, og ikke et grundlag for at bygge personalebeslutninger på. For beslutninger om stillinger og bemanding gælder egne lovmæssige krav, uafhængigt af hvad en opgaveanalyse som denne viser. Denne side beskriver en opgave, ikke en rolle, og en rolle består som regel af langt mere end én opgave.
For at se, hvordan dette forholder sig for Deres egen virksomhed, er den uforpligtende quickscan et første skridt: tolv spørgsmål, uden konto, med et resultat, der angiver, hvor stor en del af timerne i denne slags arbejde der i dag kan overtages af AI. Den fulde arbejdsscan, der opdeler Deres virksomheds arbejde i opgaver langs disse otte akser, er endnu under udarbejdelse og vil blive tilbudt her senere.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.