Vi bygde en AI-agent for markedsføring

AI-agenter er overalt akkurat nå. Scroller du gjennom LinkedIn eller X, får du fort inntrykk av at alle bruker dem. Agentene skal endre hvordan vi jobber, hvordan vi selger og hvordan vi tar beslutninger.

Det tviler jeg ikke på.

Men det som mangler i feeden er noe annet: konkrete eksempler.

Hvordan bygger du en AI-agent? Hva skal den gjøre? Hvilke data skal den tolke? Hvordan skriver man prompten?

De fleste snakker om hva agenter kan gjøre, men få viser hva noen faktisk har laget.

Det bestemte jeg meg for å endre på.

Ikke ved å bruke et ferdig no-code-verktøy som kobler sammen API-er med "drag and drop", men ved å bygge en helt egen. Fra bunnen av.

I denne artikkelen viser jeg deg hvordan vi gjorde det. Hva agenten gjør, og hva den allerede gir oss.

Før vi går videre, må vi etablere hva en AI-agent faktisk er.

En AI-agent er et system som utfører oppgaver for deg på egen hånd. Den handler i stedet for at du må styre hvert enkelt steg. I motsetning til tradisjonell automatisering, som følger forhåndsdefinerte regler, kan en agent ta egne beslutninger og tilpasse seg situasjonen. Den kan drive hele arbeidsflyter som å håndtere kundeservicehenvendelser, booke restaurantbesøk, gjøre endringer i kode eller generere rapporter og trekke egne konklusjoner.

Jeg bestemte meg for å bygge en AI-agent med fokus på statistikk fra nettsiden vår for tjenesten HurryUp. I første steg ønsket jeg å hente inn trafikk- og konverteringsdata, slik at vi kan analysere hvordan besøkende bruker nettsiden. Basert på analysen skal agenten også gi oss forslag til hva vi bør gjøre videre, eller varsle dersom den oppdager noe vi bør se nærmere på.

Før vi kan begynne å bygge AI-agenten, må vi først svare på noen viktige spørsmål:

• Hva er oppgaven agenten skal løse?
• Hvilke data skal samles inn og analyseres?
• Hvordan skal rapporten se ut?
• Hva er den ideelle flyten?
• Hvilke integrasjoner trenger vi?
• Hvilken språkmodell skal brukes?

Når dette er avklart, kan vi starte byggingen av AI-agenten.

Agenten jeg har laget gjør seks ting:

1. Samler inn data
2. Organiserer data
3. Gjør en AI-analyse
4. Generer innsikter og tilltak
5. Lager en rapport
6. Sender til Slack

Agenten er bygget med programmeringsspråket TypeScript i kodeeditoren Cursor (les mer om Cursor i min andre artikkel). Strukturen vi har satt opp er laget for å enkelt kunne skaleres og håndtere multi-site-løsninger samt flere ulike rapporter, uten at du trenger å endre noe i grunnstrukturen.

Enkelt sagt: det er bare å koble på flere analyseverktøy, nettsider og rapporttyper med enkle justeringer i koden. Rapporten kan genereres manuelt via terminalen i kodeeditoren din, eller kjøres automatisk på faste tidspunkter via GitHub Actions.

Agenten bruker:

• API til et analyseverktøy for å hente data
• API til en språkmodell for å tolke og formulere innsiktene (vi valgte Chat GPT)
• Integrasjon mot et kommunikasjonsverktøy for å sende rapporten til teamet (vi valgte Slack)

Verktøy for å bygge agenten:

• Cursor (eller en valgfri kodeeditor)
• GitHub

Annen funksjonalitet i agenten:

• Kjører rapporter automatisk på et bestemt tidspunkt
• Kan kobles til flere analyseverktøy
• Sammenlign data over tid (uke-til-uke, måned-til-måned, år-over-år)
• Skaler fra én nettside til mange uten å endre grunnstruktur
• Kan sende rapporter til andre kanaler (e-post, MS Teams og lignende)
• Legg til nye måltall eller endre format uten å bygge om systemet
• Støtter flere ulike typer rapporter

Strukturen er laget for å gi en tydelig oppsummering av hva som har skjedd på nettsiden.

Rapporten deles inn i tre faste deler:

Del 1: En kort analyse i tekstform som oppsummerer trafikk, trafikkilder, land og konvertering.

Del 2: En tallbasert oversikt med nøkkeltall, enhetsbruk, geografisk fordeling og kampanjeresultater.

Del 3: Et antall konkrete forslag til tiltak, eller om noe har blitt oppdaget som du bør se nærmere på, alltid basert på faktiske tall.

Dette er første versjonen. Den er enkel, men kraftig, og løser én tydelig oppgave. Vi planlegger å bygge videre med mer avansert funksjonalitet framover. Vi kan for eksempel legge på et nytt lag med statistikk og få den til å analysere produktdata, som for eksempel retention rate, churn rate og MAU.

Vi kunne også koblet på annonse­statistikk (Meta, Google Ads) og statistikk fra e-postmarkedsføring. Kanskje skal agenten lagre rapportene for oss på Google Drive? Eller til og med optimalisere annonsene våre basert på statistikken den henter inn?

Det finnes mange muligheter, og hva mer den skal gjøre videre, får vi tenke mer på.

Vi har så vidt begynt å bruke agenten, men vet allerede hva vi sparer. Det som før tok én time i uken, å hente ut data fra Plausible, sammenligne med forrige uke og skrive et sammendrag, gjør agenten nå automatisk. Det tilsvarer rundt 47 timer i året, nesten en hel arbeidsuke.

Med en månedlig rapport i tillegg dobles det til 94 timer, over to arbeidsuker som heller kan brukes på utvikling.

Gjør agenten hele analysen? Nei, vi dykker fortsatt ned i tallene selv. Men agenten kan peke oss i riktig retning.

Dette er ikke en "stor AI-løsning". Jeg vil heller kalle det en lettvektsagent. Og nettopp det gjør den så interessant. Du trenger ikke alltid bygge store og komplekse systemer, noen ganger holder det med en liten agent som sparer tid og lar deg fokusere på det som er viktigere.

Vi ser dette som et første steg. En illustrasjon på hva AI-agenter allerede kan gjøre i dag, uten store investeringer. Men det er også en måte å utforske hvor langt det kan tas.

Hvor langt vi faktisk tar det, får vi se i versjon 2.0.

Er du nysgjerrig på AI-agenter, hvordan det kan hjelpe deg, eller vil du vite mer om hvordan vi gjorde dette? Bare si ifra, så forteller vi gjerne mer.