AI i kundebeslutninger: sådan flytter du fokus fra search til recommendations

AI i kundebeslutninger: det korte svar

AI i kundebeslutninger betyder, at data og modeller hjælper med at styre, prioritere og forudsige kundens valg gennem hele rejsen fra søgning til køb og genkøb. Det er bredere end klassisk AI-marketing, fordi fokus ikke kun er synlighed og klik, men også anbefalinger, konvertering og fastholdelse. For din virksomhed betyder det, at I skal optimere både til search og til de systemer, der efterfølgende vælger, hvad kunden ser, får anbefalet og bliver kontaktet om.

Efter gennembruddet for generativ AI i november 2022 (ChatGPT) er beslutningsrejsen blevet mere assisteret: kunder får kondenserede AI-svar i søgning, personaliserede lister i webshops og forslag til næste skridt i apps, mails og salgsdialoger. Hvis du kun tænker i klassisk SEO og kampagner, mister du langsomt synlighed i de lag, hvor valgene faktisk træffes.

Resten af artiklen folder tre ting ud: 1) hvordan kunderejsen ændrer sig fra search til recommendations, 2) hvilke signaler og data der driver AI-anbefalinger, og 3) hvordan marketing, salg og måling skal tilpasses, så I både bliver fundet og valgt.

Hvad er AI i kundebeslutninger?

AI i kundebeslutninger betyder, at data og modeller hjælper med at styre, prioritere og forudsige kundens valg gennem hele rejsen fra søgning til køb og genkøb. Det er bredere end AI-marketing, fordi fokus ikke kun er synlighed, men også anbefalinger, konvertering og fastholdelse.

Traditionelt har “AI i marketing” handlet om at automatisere kampagner, optimere annoncer og lave simpel personalisering. AI i kundebeslutninger rykker et niveau op: her er det selve beslutningsprocessen, der understøttes. Systemerne forsøger at svare på tre spørgsmål:

• Hvad prøver kunden at opnå lige nu? (intent)
• Hvilke alternativer er realistisk relevante?
• Hvad er det mest sandsynlige næste skridt, der både hjælper kunden og skaber værdi for virksomheden?

Det involverer flere lag af AI:

• Search-AI som Google AI Overviews og andre søgefunktioner, der kondenserer viden og viser kilder.
• Recommendation engines, der vælger produkter, indhold eller handlinger på baggrund af adfærd, profil og historik.
• Decision support i CRM- og salgs­værktøjer, der foreslår næste bedste handling (next best action) eller tilbud (next best offer).
• Generativ AI, der kan formulere beskeder, opsummere komplekse behov og hjælpe med at strukturere valg for kunden.

Pointen er, at AI ikke kun hjælper dig med at råbe højere, men i stigende grad bestemmer, hvad kunden overhovedet får at se, overveje og vælge. Det stiller nye krav til både data, indhold, produktstruktur og samarbejdet mellem marketing og salg.

Hvordan ændrer AI kunderejsen fra search til recommendations?

AI ændrer kunderejsen ved at flytte noget af beslutningsarbejdet fra aktiv søgning til automatiserede svar og personlige anbefalinger. Det betyder, at virksomheder ikke kun skal være synlige i search, men også forstå hvilke signaler der gør dem relevante i AI-overviews og recommendation engines.

Hvor kunderejsen før var relativt lineær (søgning – klik – website – sammenligning – køb), bliver den nu filtreret gennem flere AI-lag. En praktisk måde at arbejde med det på er at se rejsen som fem faser:

• 1. Discovery – kunden forstår problemet og finder potentielle løsninger.
• 2. Evaluate – kunden sammenligner muligheder og snævrer feltet ind.
• 3. Recommend – systemer (og mennesker) foreslår et konkret valg.
• 4. Convert – kunden gennemfører et køb eller en aftale.
• 5. Retain – kunden fastholdes og påvirkes til genkøb eller udvidelse.

1. Discovery: fra klassisk SEO til AI-overviews

I discovery-fasen starter mange stadig med en søgning. Forskellen er, at AI nu ofte lægger et lag ovenpå resultaterne. Google AI Overviews viser kondenserede svar øverst i søgeresultaterne, især ved informationssøgninger, sammenligninger og komplekse B2B-emner.

Synlighed handler derfor ikke kun om at ranke med en blå link, men også om at være en kilde, som AI-systemet stoler på og citerer. Det kræver:

• Tydeligt struktureret, dybt indhold, der dækker emner helhedsorienteret.
• Klar besvarelse af centrale spørgsmål (fx i FAQ-format).
• Entydige fagbegreber og schema markup, så emnet kan forstås maskinelt.

2. Evaluate: AI hjælper med at sammenligne

I evalueringsfasen bruges AI til at samle og strukturere alternativer. Det kan være:

• Sammenligningsartikler, som AI-svar refererer til.
• Filtrerings- og sorteringslogik i din egen webshop eller portal.
• Generative assistenter, som kunden spørger: “Hvilke leverandører i Danmark er stærkest på X?”

Her vinder virksomheder, der:

• Gør deres produktdata, priser og USP’er maskinelt læsbare.
• Har klare kategorier og entiteter (produktnavne, segmenter, industrifokus).
• Producerer indhold, der hjælper med at sammenligne reelt, ikke kun sælger eget produkt.

3. Recommend: anbefalingsmotorer vælger på dine vegne

I recommend-fasen tager recommendation engines og segmenteringsmodeller over. De foreslår konkret:

• “Andre kunder købte også…” i en webshop.
• “Anbefalede artikler” i et kundecenter.
• “Næste bedste handling” i et CRM til en salgsperson.

Her er kvaliteten af dine data, produktfeeds og historik afgørende. Hvis adfærds- og transaktionsdata er spredte eller støjfyldte, bliver anbefalingerne upræcise og risikerer at skade tilliden.

4. Convert: friktion, pris og tillid afgør udfaldet

Selve konverteringen er stadig et menneskeligt ja eller nej, men AI påvirker sandsynligheden massivt:

• Dynamisk prissætning og tilbud tilpasset kundens historik og efterspørgsel.
• Personlige nudges: “Kun 3 på lager i din størrelse” eller “Du mangler kun X for fri fragt”.
• Smart udfyldelse af formularer og forslag til tekster i B2B-tilbud.

Konverteringen bliver stærkere, når anbefalinger, prislogik og UX hænger sammen og opleves som hjælpsomme, ikke manipulerende.

5. Retain: AI som motor for genkøb og udvidelse

I retention-fasen bruger mange virksomheder allerede AI-lignende logik, ofte uden at kalde det det: churn-modeller, segmenter med “risiko for frafald”, automatiserede winback-mails mv.

Her kan AI fx:

• Forudsige hvem der sandsynligvis churner, og hvad der kan fastholde dem.
• Anbefale supplerende produkter eller services baseret på brugsmønstre.
• Styre kontaktfrekvens, så kunder ikke bliver spammet.

Hvis du vil arbejde seriøst med AI i kundebeslutninger, skal du designe hele denne femtrinsrejse – ikke kun optimere til det første klik.

Hvilke signaler driver AI-anbefalinger og beslutninger?

AI-anbefalinger bliver stærkest, når de bygger på en kombination af intent-signaler, adfærdsdata, historik og kontekst. Jo bedre data er struktureret, og jo tættere signalerne ligger på brugerens aktuelle behov, desto mere relevante bliver anbefalingerne.

Det hjælper at tænke i et enkelt hierarki:

• 1. Intent-signaler – hvad kunden prøver at gøre nu.
• 2. Adfærds- og kontekstsignaler – hvad kunden faktisk gør og i hvilken situation.
• 3. Historik og profildata – hvad vi tidligere har set for denne kunde eller segment.

Intent-signaler: den tydeligste forklaring på adfærd

Intent-signaler kan være:

• Søgeforespørgsler: “bedste regnskabsprogram til små virksomheder” vs. “hvad er et regnskabsprogram”.
• Valg af side eller feature: fx at åbne prissiden eller demo-booking.
• Direkte svar i formularer eller spørgeskemaer (zero-party data).

Intent-signaler bør have høj vægt i dine modeller. De siger mest om, hvad kunden har brug for nu, også selv om historikken peger i en anden retning.

Adfærds- og kontekstsignaler: hvad sker der i øjeblikket?

Adfærdsdata dækker blandt andet:

• Klik, scroll og tid på side.
• Produkter lagt i kurven eller kigget på gentagne gange.
• Respons på mails og kampagner (åbninger, klik, afmeldinger).

Kontekstsignaler kan være:

• Device og kanal (mobil/desktop, app/web, organisk/paid).
• Lokation, tidspunkt på dagen, sæson.
• Om kunden er logget ind eller ej.

Disse signaler hjælper recommendation engines med at sortere i mulighederne. To kunder med samme profil kan få forskellige anbefalinger, fordi konteksten er forskellig.

Historik og profildata: det lange perspektiv

Historik og profildata er typisk:

• First-party data: købshistorik, tidligere interaktioner, supportcases.
• Zero-party data: præferencer, kunden selv har angivet (fx budget, interesser).
• CRM-data: branche, størrelse, rolle, relationens varighed.

De er gode til at bygge mere stabile anbefalinger og segmenter på, men skal bruges med omtanke. Historik kan f.eks. fastholde kunder i gamle mønstre og overse nye behov.

En simpel signal-matrix på tværs af kunderejsen

Du kan strukturere arbejdet med signaler ved at koble dem til de fem faser i rejsen:

Her er det afgørende, at ejerskab og kvalitet på data er på plads. Hvis du kæmper med datakaos, er det værd at se på simple data contracts mellem teams og et minimums-setup for datastyring, der faktisk virker.

Hvordan tilpasser marketing sig AI-drevne beslutninger?

Marketing skal tilpasse sig AI-drevne beslutninger ved at skabe indhold og signaler, der både kan forstås af mennesker og udtrækkes af AI. Det kræver struktur, tydelige entiteter, troværdighed og en bevidst opdeling mellem discovery-content og recommendation-content.

Praktisk betyder det tre skift: fra kampagnefokus til beslutningsfokus, fra tekster alene til strukturerede data, og fra “mere content” til rigtigt content de rigtige steder.

1. Design content til hele beslutningsflowet

Marketingindhold skal matche de fem faser i rejsen:

• Discovery: dybe guides, problemforklaringer, how-to indhold, der er nemt at citere i AI-overviews.
• Evaluate: sammenligninger, cases, TCO-/ROI-artikler, der besvarer “hvad skal jeg vælge?” på en nuanceret måde.
• Recommend: produkt- og kategorisider, der er strukturerede, rene og rige på relevante signaler (specifikationer, brugsscenarier, målgrupper).
• Convert: simple, tillidsskabende landingssider med klar værdi, sociale beviser og lav friktion.
• Retain: onboarding-indhold, “sådan får du mest ud af”-guides, og segmenteret email-/in-app-kommunikation.

En klassisk fejl er at producere meget TOFU-indhold (top-funnel) og alt for lidt til evaluate og recommend, hvor AI og kunder faktisk træffer valg.

2. Gør indholdet læsbart for både mennesker og AI

Synlighed i AI-overviews og andre svarmaskiner afhænger af, om indholdet er til at udtrække og forstå maskinelt. Nogle konkrete greb:

• Brug klare spørgsmål som underoverskrifter og besvar dem kort først.
• Arbejd med schema markup (fx Article, FAQ), hvor det er relevant.
• Definér centrale begreber tydeligt og konsistent på tværs af sider.
• Strukturer produktdata i rene feeds med entydige felter (pris, kategori, features, use case).

Det handler ikke om at “skrive til robotter”, men om at gøre din ekspertise oversættelig til de algoritmer, der skal forklare den videre.

3. Fra hyper-targeting til hjælpsom personalisering

AI gør det fristende at gå hårdere til stålet med hyper-targeting og real-time optimization. Risikoen er at ende med oplevelser, der føles mere creepy end hjælpsomme.

Et mere bæredygtigt princip er “hjælpsom personalisering”:

• Brug kundens tydelige signaler (intent og adfærd) før skjulte eller infererede data.
• Vær transparent: forklar kort, hvorfor kunden ser en anbefaling eller et tilbud.
• Sæt klare grænser for, hvilke følsomme data der ikke bruges til personalisering.

Hvis du er i tvivl om, hvor grænsen går, kan det hjælpe at bruge et simpelt AI-styrings-setup som det, der beskrives i guiden til kun at bygge den AI-styring, du faktisk har brug for.

4. Automatisering med omtanke

AI og no-code værktøjer gør det let at automatisere SEO, annoncer og indholdsgenerering. Gevinsten er reel, men bør styres af to spørgsmål:

• Hvilke dele af kundebeslutningen må aldrig overlades fuldt til automatisk logik?
• Hvor er menneskelig redigering afgørende for kvalitet og tillid?

En god tommelfingerregel: lad AI skalere variationer og tests, men hold menneskehænder på strategi, budskaber og de sider, der er centrale for tillid (prissider, sammenligninger, compliance-relateret indhold).

Hvordan tilpasser salg sig AI-drevne beslutninger?

Salg tilpasser sig AI-drevne beslutninger ved at bruge signaler fra adfærd, historik og engagement til at prioritere leads, vælge næste bedste handling og give mere relevante tilbud. Det gør opfølgningen mere præcis og reducerer spildtid på svage leads.

Hvor marketing tidligere “kastede” leads over hegnet, bør salg nu se sig selv som en del af den samme anbefalingslogik som webshoppen eller kundecentret. CRM’et er i praksis en recommendation engine for sælgernes tid.

Next best action og lead scoring

Kernen er at gå fra statiske regler (“ring til alle, der downloader en e-bog”) til dynamiske vurderinger:

• Lead scoring baseret på kombinationen af profil (fit) og adfærd (intent).
• Next best action: forslag til, om sælger bør ringe, sende en mail, invitere til webinar eller vente.
• Next best offer: forslag til relevante produkter eller pakker, baseret på virksomhedens behov og historik.

Praktisk kræver det, at signalerne fra marketing, website og evt. produktet selv lander struktureret i CRM. Det er svært uden aftaler om dataejerskab og kvalitet – her er simple governance-greb og klare aftaler, som dem beskrevet i artikler om datakvalitet og datastyring, en nødvendighed.

Et konkret samarbejdsflow mellem marketing og salg

Et brugbart minimums-setup kan se sådan ud:

• Marketing definerer klare engage-signaler (fx prissidebesøg, demo-forespørgsel, gentagne besøg på samme feature).
• Data/IT sikrer, at de signaler bliver tilgængelige og forståelige i CRM.
• Salg er med til at definere, hvilke handlinger der typisk virker for hvilke signalmønstre.
• AI-modellen lærer over tid, hvilke kombinationer af signaler og handlinger der giver højst win rate.

Det kræver disciplin: hvis sælgere ignorerer anbefalingerne, eller marketing ændrer kampagner uden at justere modellen, falder kvaliteten hurtigt. Her er det nyttigt med fælles dashboards, som kun viser de få KPIs, begge parter faktisk bruger – inspiration kan hentes i, hvordan man bygger dashboards, der ikke spilder nogens tid.

AI som støtte, ikke som automatpilot

AI kan prioritere og foreslå, men menneskelig vurdering er stadig central i komplekse B2B-salg. En praktisk tommelfingerregel er:

• Lad AI hjælpe med “hvem” og “hvornår”.
• Lad mennesker eje “hvad” og “hvordan” i dialogen.

Det giver bedre brug af sælgers tid uden at gøre relationen mekanisk.

Hvordan måler man effekten af AI i kundebeslutninger?

Effekten af AI i kundebeslutninger måles bedst på tværs af hele rejsen, ikke kun på klik. De vigtigste tal er CTR, recommendation CTR, assisted conversions, konverteringsrate, gennemsnitlig ordreværdi og retention, fordi de viser både synlighed, relevans og forretningsværdi.

I stedet for at lede efter ét “AI-ROI-tal” er det mere brugbart at måle, hvordan AI påvirker hver fase i beslutningsflowet. En enkel model er at gruppere KPI’er i fire niveauer:

• Discover-metrics – bliver I fundet og nævnt?
• Consideration-metrics – bliver I seriøst overvejet?
• Recommendation-metrics – bliver I faktisk anbefalet og klikket på?
• Business-metrics – giver det bedre salg og fastholdelse?

Centrale KPI’er og hvad de fortæller

Branchetal viser, at mange er i gang: fx rapporterer en stor del af virksomheder, at de eksperimenterer med AI (omkring halvdelen) og at majoriteten ser værdi i bedre brug af data. Men effekten varierer voldsomt med datakvalitet, stack og organisatorisk modenhed, så andres tal kan kun bruges som løse pejlemærker – ikke målestok.

Fra metrics til styring

For at tallene bliver styrbare og ikke bare dashboards-støj, bør du:

• Vælge få KPI’er pr. fase og gøre det klart, hvem der ejer dem.
• Koble KPI’er sammen: fx hvordan recommendation CTR påvirker AOV og konverteringsrate.
• Brug simple eksperimenter (A/B-tests) til at isolere effekten af nye AI-tiltag.

Hvis du er i tvivl om, hvordan KPI’erne hænger sammen på tværs af teams, er det værd at få styr på, hvad jeres KPI’er faktisk kæder sig op på – her kan artiklen om sammenhæng i KPI’er være et nyttigt supplement.

Hvad er forskellen på AI Overviews og recommendation engines?

AI Overviews og recommendation engines løser to forskellige problemer. AI Overviews hjælper brugeren med at forstå et emne hurtigt i search, mens recommendation engines hjælper med at vælge et konkret produkt, tilbud eller næste handling ud fra data og adfærd.

De blandes ofte sammen i debatten, men de kræver forskellige strategier:

For de fleste virksomheder giver det mening at se søgning og anbefalinger som to lag i samme strategi: først vil du nævnes i AI-svar, derefter vil du vælges i anbefalinger. Begge dele kræver gode data, men på forskellige måder.

Hvad er risiciene ved AI i markedsføring og recommendations?

Risikoen ved AI i recommendations er typisk skævhed, uklare samtykker, for meget databrug og manglende forklarbarhed. Virksomheden bør derfor arbejde med klare datagrænser, transparent personalisering og løbende kontrol af bias og relevans.

De vigtigste risici at have styr på er:

• Bias – modeller der viderefører skæve historiske mønstre.
• Privatliv og GDPR – brug af persondata uden klart grundlag eller samtykke.
• Over-personalisering – oplevelser der føles overvågende eller manipulerende.
• Manglende forklarbarhed – hverken kunder eller medarbejdere forstår, hvorfor noget anbefales.

En enkel ansvarligheds-checkliste

Et minimums-setup for ansvarlig personalisering kan fx bestå af:

• Datagrænser: definer hvilke datatyper, der bruges til anbefalinger, og hvilke der eksplicit ikke bruges (fx følsomme oplysninger).
• Samtykke: sørg for, at brugere tydeligt kan se og justere, hvordan data bruges til personalisering.
• Transparens: tilføj korte forklaringer ved kritiske anbefalinger, fx “baseret på dine tidligere køb”.
• Bias-kontrol: gennemgå jævnligt anbefalinger for utilsigtede skævheder, fx at nogle kundetyper næsten aldrig får bestemte tilbud.
• Fallback-strategier: sørg for simple, regelbaserede alternativer, hvis modellen fejler eller der mangler data.

Hvis du arbejder i et reguleret miljø eller med højsensitive data, er det nødvendigt at koble dette sammen med jeres overordnede tilgang til AI-regulering, fx ved at gøre EU AI Act håndterbar med et konkret overblik, som i denne guide til kortlægning.

Omkostninger ved at gøre det ordentligt

Seriøs styring er ikke gratis, men billigere end skandaler eller bøder. Et vejledende billede:

• En mid-market implementering af en anbefalingsmotor kan typisk koste fra omkring 150.000 til 500.000 kr. afhængigt af data, integrationer og kompleksitet.
• En ekstern compliance- eller databeskyttelsesgennemgang kan ligge i niveauet 30.000 til 75.000 kr. afhængigt af omfang.

Beløbene varierer betydeligt mellem brancher og tech-setup, så de bør kun ses som grove pejlemærker – ikke som budgetfacit. Pointen er, at omkostningen ved at bygge et minimums-setup for styring er håndterbar, især sammenlignet med de risici, der ellers følger med.

Hvilke AI-trends former marketing og kundebeslutninger fremover?

De vigtigste trends er dybere integration af AI-assistenter, mere kontekstuel personalisering og bedre strukturering af data til anbefalinger. For virksomheder betyder det, at synlighed i search ikke længere er nok; data og entiteter skal også være forståelige for AI-systemer.

Tre udviklinger er særligt relevante de næste 12-24 måneder:

• AI-assistenter som første kanal: flere brugere spørger deres digitale assistent før de søger klassisk. Det gør det vigtigere at have indhold og produkter, der kan forklares kort og entydigt.
• Mere kontekst i personalisering: modeller bliver bedre til at forstå situation og timing, ikke kun profil. Det stiller krav om bedre og mere opdaterede adfærdsdata.
• Data som produkt: det bliver et selvstændigt projekt at “pakke” kundedata og produktdata, så de er stabile, dokumenterede og kan bruges på tværs af systemer.

For dig som leder betyder det to ting: du skal have en klar prioritering af, hvilke AI-use cases der faktisk skaber værdi i kunderejsen, og du skal have en realistisk plan for at få data, governance og teams med. Overvej at bruge en enkel roadmapping-proces til at samle marketing, salg, produkt og IT om, hvad I vil bygge først – og hvad I med vilje venter med.

5 næste skridt, hvis du vil arbejde klogere med AI i kundebeslutninger

Afslutningsvis er her en kort, praktisk tjekliste:

1. Kortlæg kunderejsen: tegn de fem faser (discovery, evaluate, recommend, convert, retain) for jeres vigtigste kundegrupper.
2. Identificér nøglesignaler: beslut 5-10 centrale intent- og adfærdssignaler, som I vil bruge på tværs af marketing og salg.
3. Ryd op i minimumsdata: vælg ét eller to steder, hvor datakvalitet og governance skal løftes først, fx produktfeed eller CRM-aktiviteter.
4. Vælg 1-2 AI-use cases: start ikke med alt. Prioritér fx bedre anbefalinger på websitet og et mere intelligent lead scoring-setup.
5. Sæt simple KPI’er: aftal på forhånd, hvilke 3-5 metrics der afgør, om jeres AI-tiltag faktisk hjælper kundernes beslutninger.

Hvis du holder fast i, at AI skal gøre det lettere for kunden at træffe et godt valg – ikke bare øge antallet af touchpoints – har du allerede fat i kernen af AI i kundebeslutninger.