En marknadsförare eller dataanalytiker som samlar in konkurrentpriser gör i praktiken tre saker: söker upp priser och erbjudanden, ställer dem sida vid sida enligt ett fast kriterium, och gör resultatet användbart för ett beslut om den egna prissättningen. Det är en uppgift som till stor del består av att hämta och ordna data, och det är precis den typ av arbete som AI redan idag kan ta över en stor del av, förutsatt att ett antal villkor är uppfyllda.
Tre axlar är här avgörande: strukturgrad, volym och bedömningsutrymme. Priser är siffror, erbjudanden står på webbsidor med en igenkännbar uppbyggnad, och själva jämförelsen följer ett kriterium som är fastställt i förväg: samma produktkategori, samma enhet, samma period. Det gör uppgiften strukturerad nog för att automatisera. Volymen hjälper också: tio konkurrenter, hundra produkter, upprepat varje vecka, är precis den typ av upprepat insamlingsarbete där ett system inte blir trött och en människa blir det. Och bedömningsutrymmet är medvetet begränsat: en agent tillämpar en fast jämförelselogik, den hittar inte på någon ny strategi.
De övriga axlarna bekräftar denna bild. Det finns ingen kundkontakt, ingen fysisk handling, och känsligheten för regelefterlevnad är låg: det handlar om offentlig information som alla kan ta del av. Felkostnaderna är måttliga — ett felaktigt jämfört pris leder till en skev bild, inte till ett brutet avtal eller en arg kund. Kreativitet spelar en roll vid tolkning av ovanliga erbjudanden (en paketrabatt, en tillfällig kampanj, en annan förpackningsstorlek), men det är snarare undantag än regel.
Det är en uppgift för en agent: ett system som självständigt går igenom prissidor, hämtar data ur text och struktur, placerar dem inom de fastställda jämförelsekriterierna och levererar resultatet som en översikt. Det fungerar under två villkor. Först: tillgång till offentlig prisdata, vilket innebär att informationen måste vara sökbar och läsbar — ingen inloggningsvägg, inget pris som endast ges per telefon. Två: jämförelsekriterier som är fastställda i förväg. Utan den överenskommelsen — vad är 'jämförbart', vilken enhet, vilken period — levererar en agent en samling siffror utan att någon vet om de får ställas bredvid varandra.
Det är också just här bilden blir mer nyanserad. Insamling och ordning är för AI. Översättningen av den jämförelsen till ett prisbeslut — höja, sänka, starta en kampanj — förblir mänskligt arbete, med bedömning av marginal, positionering och kundrelation. Uppgiften i denna analys handlar om att ta fram jämförelsen, inte om det beslut som följer därefter.
En webbutik som varje vecka följer priserna hos femton konkurrenter för hundra produktkategorier kan i stort sett låta en agent sköta den processen: den samlar in data, känner igen erbjudanden och sammanställer allt i en fast översikt. En marknadsförare bedömer sedan resultatet — stämmer jämförelsen, är det något konstigt med en konkurrent som plötsligt är en tredjedel billigare — och godkänner eller skickar tillbaka med en anledning. Det är den andra kategorin i taxonomin: AI gör arbetet, en människa håller tillsyn med ett omdöme.
Hos en B2B-tjänsteleverantör där priser endast är tillgängliga på förfrågan, offerter är skräddarsydda och 'jämförbart' inte har en entydig betydelse, förskjuts bilden. Strukturgraden sänks, bedömningsutrymmet ökar, och arbetet vilar tyngre på en analytiker som samlar information via telefon eller ett nätverk och själv bedömer vad som är jämförbart. Det är då mindre en uppgift för en agent och mer en uppgift där AI stödjer — till exempel genom att strukturera anteckningar — medan bedömningen förblir hos människan.
Denna förskjutning berör fler platser i ett företag än bara prisövervakning. Den som vill låta annonsbudget justeras baserat på resultat ser ett liknande mönster: strukturerad data, hög volym, begränsat bedömningsutrymme, och en agent som klarar merparten av arbetet så länge kriterierna är fastställda. Även den som ser på hur webbstatistik analyseras ser samma kombination av insamling, ordning och först därefter tolkning. Där mer kreativt arbete är involverat, som vid att skriva ett inlägg för sociala medier, ligger förhållandet mellan automatisering och tillsyn annorlunda igen. Mönstret är alltid detsamma: ju mer strukturerad indatan är och ju högre volymen, desto tidigare kan en agent göra den största delen av arbetet, med en människa som bedömer resultatet istället för att göra själva arbetet.
Detta är inte ett uttalande om marknadsförarens eller dataanalytikerns yrkesroll, och ingen grund för att bygga personalbeslut på. För beslut om roller och bemanning gäller egna lagstadgade krav, oberoende av vad en uppgiftsanalys som denna visar. Denna sida beskriver en uppgift, inte en roll, och en roll består vanligtvis av betydligt mer än en enda uppgift.
För att se hur detta ser ut för ert eget företag är den kostnadsfria snabbanalysen ett första steg: tolv frågor, utan konto, med resultatet en indikation på hur stor andel av timmarna i denna typ av arbete som idag kan tas över av AI. Den fullständiga arbetsanalysen, som bryter ner ert företags arbete i uppgifter längs dessa åtta axlar, är fortfarande under uppbyggnad och kommer att erbjudas här senare.
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.