AI-automation
Jag bygger AI-automation som kopplar ihop era annonsplattformar, GA4, Search Console och CRM så att rapporter skriver sig själva och avvikelser larmar innan de kostar pengar.
AI-automation för marknadsavdelningar | Marknadsavdelningen samlar arbetet i ett tydligt upplägg med fokus på mätbara förfrågningar.
- MCP-server som ger en AI-assistent direkt läs- och skrivåtkomst till era marknadsplattformar — inte kopierade exportfiler
- Automatisk rapportering: veckodigest och månadsrapport som hämtar färsk data varje gång, i stället för att någon bygger om samma slide
- Avvikelselarm på spendtoppar, tappad spårning och kampanjer som slutat konvertera — larmet går samma dag, inte vid månadsskiftet
Så arbetar jag med AI-automation
Jag börjar aldrig i tekniken. Första steget är att kartlägga vad ni faktiskt gör manuellt varje vecka och månad — vem exporterar vad, vem klistrar in i vilken presentation, och vad som upptäcks för sent. Det är nästan alltid tre eller fyra flöden som äter merparten av tiden, och de är sällan de som känns mest irriterande.
Sedan kopplar jag ihop källorna. I praktiken betyder det en MCP-server: en tjänst som gör era plattformar anropbara för en AI-assistent via API, med rätt behörigheter och autentisering på plats. Google Ads, Meta, LinkedIn, GA4, Search Console, HubSpot eller det CRM ni kör. När kopplingarna finns går det snabbt att bygga flöden ovanpå.
Först därefter bygger jag automatiken: rapporter som genereras på schema, larm som triggar på definierade tröskelvärden, och agentiska flöden som gör flera steg i följd. Varje flöde torrkörs innan det går skarpt. En automatik som ser rimlig ut kan producera systematiskt fel innehåll, och det upptäcks bara i torrkörningen.
Vad AI-automation faktiskt är
AI-automation är inte att någon skriver texter i ChatGPT. Det är att en språkmodell får direkt åtkomst till era verkliga system och kan hämta, jämföra och agera på data utan att en människa manuellt matar in den.
Skillnaden är stor i praktiken. En modell som får en inklistrad tabell kan sammanfatta den. En modell som är kopplad till Google Ads API kan fråga vidare — bryta ner en spendökning på kampanjnivå, jämföra med samma period förra året, kontrollera om konverteringsspårningen registrerar något alls, och komma tillbaka med orsaken i stället för observationen. Det är den kopplingen som gör automatiken användbar i stället för imponerande.
Tekniken som gör det möjligt heter MCP, Model Context Protocol. Det är en standard för hur en AI-assistent anropar externa verktyg. Praktiskt är det ett API-lager ni äger, som modellen får ringa mot, med precis de behörigheter ni bestämt — inte mer.
Vad som ingår i AI-automation
Vad som byggs styrs av vad ni gör manuellt i dag. Det här är de vanligaste komponenterna.
Ni äger allt som byggs. Kod, konfiguration och API-nycklar ligger hos er, och jag lämnar över dokumentation som gör att någon annan kan ta vid.
- MCP-server driftsatt på egen server, med profiler och behörigheter per system
- Kopplingar till annonsplattformar: Google Ads, Meta, LinkedIn, Microsoft Ads
- Kopplingar till analys och sök: GA4, Google Tag Manager, Search Console, rank tracking
- Koppling till CRM: HubSpot, Pipedrive eller motsvarande, för att koppla ihop annonsdata med faktiska affärer
- Automatisk rapportering på schema — veckodigest, månadsrapport, kampanjsammanställning — med färsk data vid varje körning
- Avvikelselarm med definierade tröskelvärden: spendtoppar, konverteringstapp, spårning som slutat fyra, budget som pacear fel
- Agentiska flöden som gör flera steg: hämta data, korsa två källor, formulera slutsats, lägga upp uppgift i projektverktyget
- Torrkörning och loggning av varje skrivande operation, så att allt går att spåra bakåt
Det vanligaste felet med AI-automation
Det vanligaste felet är att automatisera ett trasigt flöde. Om konverteringsspårningen räknar fel blir en automatisk rapport bara ett sätt att sprida felet snabbare och till fler. Jag granskar därför alltid mätningen innan något automatiseras — GA4, Tag Manager, konverteringsåtgärder, consent-läge. Ibland är hela leveransen att laga spårningen, och då säger jag det.
Det näst vanligaste är att bygga automatik som ingen litar på. Ett larm som går för ofta stängs av inom två veckor. Därför sätts tröskelvärden efter er faktiska variation, inte efter en rund siffra, och varje larm ska tala om vad som hände och vad man ska titta på — inte bara att något avvek.
Det tredje felet är att låta en modell skriva till produktionssystem utan spärrar. Läsning är ofarlig. Skrivning — pausa kampanjer, ändra budgetar, uppdatera CRM-poster — kräver torrkörning, loggning av gammalt och nytt värde, och i känsliga fall en människa som godkänner. Jag bygger den gränsen medvetet, inte i efterhand.
Teknisk fördjupning: MCP-servern jag byggt
Jag har byggt och driftar en MCP-server som kopplar ihop annonsplattformar, GA4, Search Console och CRM för en portfölj med tolv varumärken och åtta annonskonton i fyra valutor. Det är inte ett demo-bygge — den används dagligen och har varit i produktion tillräckligt länge för att jag ska ha stött på de flesta sätt det kan gå fel på.
Det som visade sig avgöra kvaliteten var tråkiga detaljer. Att API-versioner pensioneras utan förvarning och tyst returnerar fel. Att OAuth-tokens går ut och måste förnyas med rätt scopes. Att ett workspace-ID i Tag Manager ändras varje gång någon publicerar, så att hårdkodade värden slutar fungera. Att samma kampanjdata rapporteras olika beroende på vilket attributionsfönster källan använder, vilket gör att två korrekta system visar olika siffror.
Den erfarenheten går rakt in i era bygg. Jag vet vilka kopplingar som är stabila, vilka som kräver övervakning, och var det inte är värt besväret att automatisera alls. Ibland är rätt svar att en människa fortsätter göra momentet manuellt en gång i månaden.
Hur resultatet av AI-automation mäts
Det främsta måttet är sparad tid, mätt konkret. Vi noterar före start hur lång tid rapportarbetet tar per månad och hur många personer som är inblandade, och stämmer av samma sak efter tre månader. Det är trubbigt men ärligt, och det är den siffra en ekonomichef bryr sig om.
Det andra måttet är upptäcktstid. Hur lång tid tog det tidigare från att något gick fel — spårning slutade fyra, en kampanj drog iväg i spend, en budget pacear mot noll — till att någon märkte det. Med larm på plats mäts samma sak igen. Skillnaden mellan tre veckor och samma dag är oftast värd mer än den sparade tiden.
Brus är antalet byggda flöden, antalet kopplade system och hur avancerad automatiken är. Ingen av de siffrorna betyder något. En automatik som ingen tittar på är inte en tillgång, och jag redovisar hellre två flöden som används än nio som ligger och kör i tomrummet.
Så kommer ni igång med AI-automation
Vi börjar med en genomgång av vad ni gör manuellt och vilka system som finns. Sedan får ni ett förslag på vad som ska byggas först, i prioritetsordning, med en ärlig bedömning av vad som inte är värt att automatisera.
De flesta enskilda flöden är på plats inom en vecka. Ett fullt bygge med flera kopplade system, behörigheter och driftsatt server tar upp till tre veckor. Rapportering och larm brukar komma först, eftersom de ger nytta direkt och gör det tydligt om datan går att lita på.
Prismodellen är fast månadsarvode som täcker både bygge och löpande drift. Kopplingar går sönder när plattformar uppdaterar sina API:er, och den underhållsdelen ska vara inbakad, inte dyka upp som en överraskning. Ingen bindningstid, 30 dagars uppsägning, och ni äger allt som byggs.
AI-automation för företag i Borås och Sjuhärad
Jag sitter i Borås och arbetar med företag i Sjuhärad, i Västra Götaland och över hela landet. Automationsarbetet görs i era system och kräver ingen närvaro på plats, men kartläggningsfasen går snabbare i samma rum. Att sitta bredvid någon som visar hur de faktiskt bygger månadsrapporten avslöjar mer på en timme än tre mejl gör.
Bland industri- och handelsföretagen i regionen ser jag samma mönster om och om igen: data finns i fem system, ingen har full bild, och någon lägger två dagar i månaden på att sätta ihop den manuellt. Det är precis den situationen automation löser bäst, och den kräver ingen stor IT-avdelning för att komma igång.
Behöver ni någon på plats för uppstart eller överlämning fungerar det bra inom Västra Götaland. Resten sköts löpande på distans.
Uppdrag som rör AI-automation
Varumärken jag arbetat med under tidigare arbetsgivare och i egen regi.
Vanliga frågor om AI-automation
Vad är AI-automation, konkret?
Att era system kopplas ihop så att en AI-assistent kan hämta och jämföra data direkt, utan manuell inmatning. I praktiken betyder det rapporter som genereras på schema med färsk data, larm när något avviker, och flöden som gör flera steg i följd. Det är inte att någon skriver texter i en chatt — det är riktiga API-kopplingar mot era plattformar.
Behöver vi vara ett tekniktungt företag för att köpa AI-automation?
Nej. Ni behöver ha systemen — annonskonton, GA4, ett CRM — och någon som kan ge behörigheter. Själva bygget sköter jag, inklusive drift av servern. Det ni behöver bidra med är kunskap om hur ni arbetar i dag, eftersom det avgör vad som är värt att automatisera. Den delen går inte att outsourca.
Vad är en MCP-server och varför behövs den?
MCP, Model Context Protocol, är en standard för hur en AI-assistent anropar externa verktyg. En MCP-server är alltså ett API-lager som gör era plattformar anropbara för modellen, med de behörigheter ni bestämt. Utan den kan modellen bara arbeta med data någon klistrat in. Med den kan den ställa följdfrågor mot levande system.
Är det säkert att låta en AI-modell komma åt våra system?
Det beror helt på hur behörigheterna sätts. Jag skiljer alltid på läsning och skrivning. Läsning är ofarlig. Skrivande operationer — pausa kampanjer, ändra budgetar, uppdatera CRM — torrkörs först, loggas med gammalt och nytt värde, och i känsliga fall krävs mänskligt godkännande. Nycklar och tokens ligger på er server, aldrig i chattfönster.
Hur lång tid tar det att bygga AI-automation?
Enskilda flöden, som en automatisk veckorapport eller ett avvikelselarm, är oftast igång inom en vecka. Ett större bygge med flera kopplade system, driftsatt server och behörighetsstruktur tar upp till tre veckor. Vi börjar alltid med det som ger snabbast nytta, så ni ser resultat innan hela bygget är klart.
Vad kostar AI-automation och ingår underhåll?
Fast månadsarvode som täcker både bygge och löpande drift. Underhållet ska vara inbakat, för plattformarnas API:er ändras och kopplingar går sönder utan förvarning — jag har haft en hel modul falla när LinkedIn pensionerade en API-version. Ingen bindningstid och 30 dagars uppsägning. Eventuella serverkostnader betalar ni direkt till leverantören.
Vad händer med automationen om vi slutar arbeta ihop?
Ni äger allt som byggts: kod, konfiguration, server och nycklar. Jag lämnar över dokumentation som beskriver hur flödena fungerar och vad som kräver tillsyn. Det som försvinner är löpande underhåll, så räkna med att någon behöver ta över när ett API uppdateras. Jag säger ärligt till om ett flöde är för känsligt för att lämna utan tillsyn.
Kan AI-automation ersätta vår analytiker eller rapportansvariga?
Nej, och jag skulle inte sälja in det så. Automation tar bort insamlandet och sammanställandet, alltså den tråkigaste och mest felkänsliga delen. Tolkningen och besluten blir kvar, och de blir bättre när personen slipper lägga två dagar på att klistra in siffror. Effekten är att samma person hinner göra mer kvalificerat arbete, inte att hen blir överflödig.
Boka ett samtal om AI-automation
Trettio minuter, ingen kostnad, inget säljmanus. Jag säger vad jag ser — även om svaret är att ni inte behöver mig.