Jakie metryki AI agencja powinna pokazywać klientom? Nie te, z których większość agencji jest najbardziej dumna. Liczba licencji, wdrożonych agentów i wygenerowanych materiałów opisuje Twój wysiłek. Klienci płacą za wyniki: ile kosztuje każda praca, jak szybko trafia do nich, jak często zawiera błędy i co daje zyskowi. Zmierz to, a Twoja opowieść o AI stanie się opowieścią komercyjną.
Presja na zmianę płynie dziś z samych umów. Według Campaign US badanie WFA i Agency Mania Solutions, obejmujące 69 międzynarodowych koncernów o łącznych wydatkach rzędu 147 mld USD, wykazało, że udział wynagrodzenia agencji opartego na nakładzie pracy spadł z 54% w 2011 roku do 17% w 2026 roku. Około 58% marek oczekuje więcej wynagrodzenia za efekty. Tylko 20% zmieniło dotąd swój model z powodu AI, ale 61% planuje to zrobić.
Dlaczego klienci pytają, co Twoje AI faktycznie dostarcza?
Ponieważ czas przestaje być miarą wartości. Jeśli raport, który zajmował dzień, powstaje dziś w godzinę, fakturowanie całego dnia wygląda dziwnie, a fakturowanie jednej godziny przypomina obniżkę pensji. Badanie WFA wskazuje, że AI sprawia, iż czas jest coraz słabszą miarą wartości agencji.
A jednak zmiana utknęła w połowie drogi. Adweek napisał w tym miesiącu, że marki powoli wdrażają wynagrodzenie oparte na wynikach, mimo że AI podkopuje przychody agencji liczone na etat (FTE). Prezydent Horizon Media Holdings Bob Lord nazwał rozliczanie FTE „starym systemem” i zastanawiał się, czy da się go zmienić „bez jakiejś siły zewnętrznej”.
Ten impas to szansa dla niezależnych agencji. Jeśli stary model potrzebuje siły zewnętrznej, agencja, która przyjdzie z wiarygodnymi liczbami o wynikach, może nią być, zamiast czekać, aż zmianę narzuci dział zakupów. Pod warunkiem jednak, że będą to właściwe liczby.
Co jest metryką próżności w AI agencji?
Pewien singapurski założyciel agencji, który przez 18 miesięcy próbował przekształcić swoją około 20-osobową agencję w firmę AI-native, zebrał to na jednym slajdzie podczas sesji o wdrażaniu AI w tym tygodniu: co liczyliśmy, a co się liczy. Jak pokazuje diagram, lewa kolumna to materiał, który wypełnia wewnętrzną prezentację na spotkanie całego zespołu: użytkownicy AI, zautomatyzowane zadania, wdrożeni agenci, wygenerowane materiały. Prawa kolumna jest powiązana z wynikami biznesowymi: koszt wyniku, czas dostarczenia, jakość/odsetek błędów i wpływ na zysk.
Jego teza była bezpośrednia. Klienta nie obchodzi, czy użyłeś AI. Obchodzi go, czy wynik jest dobry. Nikt nie przedłuża umowy abonamentowej dlatego, że agencja ma 40 aktywnych licencji.
Oto jeden ze sposobów przełożenia każdej metryki próżności na coś, co klient może odczuć.
| Co liczyliśmy | Dlaczego schlebia | Co ma znaczenie zamiast tego | Na jakie pytanie klienta odpowiada |
|---|---|---|---|
| Użytkownicy AI | Mierzy licencje, nie użyteczną pracę | Koszt wyniku | „Czy płacimy mniej za każdy raport, montaż czy materiał?” |
| Zautomatyzowane zadania | Liczy próby i pomija poprawki | Czas dostarczenia | „Czy dostajemy pracę szybciej?” |
| Wdrożeni agenci | Nagradza budowanie zamiast wyników | Jakość / odsetek błędów | „Czy możemy ufać temu, co trafia do naszej skrzynki?” |
| Wygenerowane materiały | Ilość jest tania, a większość nigdy nie jest użyta | Wpływ na zysk | „Czy to poprawiło sprzedaż, marżę lub efektywność?” |
Zestawienie jest nasze, nie jest prawem natury. Zasada obowiązuje tak czy inaczej: każda liczba, którą raportujesz, powinna przetrwać pytanie klienta „no i co z tego?”
Dlaczego „wystarczająco dobre” wyniki AI są tak drogie?
Najbardziej użyteczna myśl z wystąpienia dotyczyła wskaźników akceptacji. Załóżmy, że proces AI przygotowuje dziesięć odpowiedzi dla klientów, opisów postów lub streszczeń raportów, a sześć z nich zostaje przyjętych bez zmian. Większość zespołów świętuje te sześć i po cichu poprawia pozostałe cztery ręcznie. Argument założyciela: zbuduj zamkniętą pętlę, która przekazuje każdą poprawkę z powrotem do systemu, tak aby sześć zamieniło się w siedem, potem osiem, potem dziewięć.
Niebezpieczeństwo jest odwrotne. Wynik, który działa w 60–70% przypadków, jest przepuszczany jako „wystarczająco dobry”, a przeciętność staje się standardem agencji. Nikt nie zdecydował o obniżeniu poprzeczki. Po prostu się zsunęła.
W agencyjnych realiach wygląda to tak: zespół social media spędza piątkowe popołudnie na przepisywaniu opisów postów z AI, co nic mu nie zaoszczędziło, albo agencja CRM, której segmentacja jest trafna przez większość czasu, a w pozostałych przypadkach żenująca. Czas zaoszczędzony na papierze zjada edycja, a klient widzi wpadki, nie średnią.
Wskaźnik akceptacji to metryka jakości, którą można śledzić od pierwszego dnia. Rosnąca akceptacja oznacza, że pętla działa. Stała akceptacja oznacza, że kupiłeś subskrypcję, a nie kompetencję.
Dlaczego agencje wciąż raportują złe liczby dotyczące AI?
Wyjaśnia to prosto Teoria Postrzeganej Wartości: ludzie oceniają wartość po korzyści, której doświadczają, w stosunku do tego, z czego rezygnują, a nie po tym, co włożył sprzedawca. Nakłady są widoczne dla agencji i niewidoczne dla klienta. „Wdrożeni agenci” to nakład. Raport, który przychodzi dwa dni wcześniej i nie wymaga poprawek, to korzyść.
Agencje domyślnie sięgają po metryki nakładów, bo łatwo je policzyć i sprawiają, że zespół wygląda na zajęty. Holdingi nauczyły rynek mówić w ten sam sposób o własnych platformach. Ale klient nie czuje Twojego stosu technologicznego. Czuje czas realizacji, dokładność i to, czy praca poprawiła jego wyniki.
Dlatego właśnie rozliczanie według czasu pracy ma kłopoty. Godziny to też nakład.
Jak zbudować kartę wyników AI, za którą klienci zapłacą?
Zacznij od małego: jeden proces, jeden klient, jeden kwartał. Potem skaluj.
- Wybierz proces, który klient już odczuwa. Miesięczny raport, audyt konkurencji, skalowanie materiałów lub kontrola jakości kampanii. Jeśli klient nie zauważyłby poprawy, to zły punkt startu.
- Uczciwie zmierz punkt wyjścia. Godziny, koszt wyniku i liczba poprawek na dostawę, zanim w grę wejdzie jakiekolwiek AI. Bez punktu odniesienia każda poprawa to anegdota.
- Wyznacz cel w kategoriach wyników. „Raport dostarczony w jeden dzień zamiast trzech, bez żadnych poprawek klienta” jest lepszy niż „używać AI do raportowania”.
- Policz pełny koszt. Uwzględnij czas, który ludzie poświęcają na sprawdzanie i poprawianie wyników AI. Proces, który oszczędza cztery godziny i dokłada cztery godziny poprawek, nie zaoszczędził niczego.
- Śledź wskaźnik akceptacji co tydzień. Notuj, co przyjęto, co poprawiono i dlaczego. Przekazuj poprawki do promptów, szablonów i przykładów, aby wskaźnik rósł.
- Raportuj językiem klienta. Koszt wyniku, czas dostarczenia, odsetek błędów i, jeśli da się to powiązać, wpływ na sprzedaż lub marżę. Liczbę licencji zostaw dla wewnętrznej prezentacji.
- Wnieś dowody do rozmowy handlowej. Dwa kwartały danych o wynikach dają podstawę do wynagrodzenia powiązanego z wynikiem lub efektami, czyli kierunku, którego według badania WFA oczekuje większość marek.
Jak kreacja pasuje do metryk wyników?
Osoby kreatywne słusznie obawiają się, że metryki wyników sprowadzą pomysły do arkuszy kalkulacyjnych. Nie muszą. Celem jest zamknięcie luki między koncepcją kreatywną a mierzalnym wynikiem, zanim wydane zostaną pieniądze mediowe, a nie pozwolenie, by arkusz pisał pomysł.
Oznacza to wczesne przedstawianie dowodów: na jakie napięcia w grupie odbiorców odpowiada praca, jak komunikują się konkurenci w kategorii i jak prawdopodobne jest, że kreacja zdobędzie kliknięcie. Na platformie Defy predykcje dotyczące kreacji są weryfikowane na podstawie rzeczywistych wyników reklam, więc rozmowa z klientem o wynikach zaczyna się od dowodów, a nie od gustu. Gust nadal decyduje o tym, co powstaje. Dowody decydują o tym, co da się obronić.
Ta sama logika dotyczy realizacji. SAMY, globalna agencja influencer marketingu, wdrożyła Defy Agents, aby usprawnić raportowanie wyników, i skróciła trzy dni pracy do jednego. To liczba czasu dostarczenia, którą klient może odczuć, i o to właśnie chodzi.
