AI dalam Alur Kerja Growth Marketer

Pukul 09.14, hari Selasa. Alat SDR baru saja mengirimkan email tentang "agen AI baru untuk growth marketing." Baris subjeknya menggunakan kata unlock. Anda belum membukanya. Anda sudah dua puluh menit tenggelam di tab Claude, menempelkan CSV berisi 14.000 event signup, memintanya menemukan penurunan aneh antara langkah tiga dan langkah empat aktivasi. AI menemukan dua. Satu nyata. Satu adalah Anda lupa memfilter pengguna internal. Tab itulah (yang tidak dilihat siapa pun di tim, yang tidak muncul di pitching deck vendor mana pun) adalah alur kerja AI Anda yang sesungguhnya.

Deskripsi pekerjaan Growth Marketing Manager yang Anda gunakan untuk melamar kerja mengatakan Anda harus "fasih dengan AI." Tidak ada yang memberi tahu Anda apa artinya pukul 09.00 hari Selasa. Demo vendor membuatnya terdengar seperti AI adalah tombol yang Anda tekan untuk menghasilkan, menjalankan, dan mengirimkan eksperimen yang menang. Kenyataannya lebih berantakan dan jauh lebih berguna: AI adalah lima prompt yang Anda simpan di dokumen Notion, dan kedisiplinan untuk tahu kapan AI sedang berbohong kepada Anda. Itulah celah yang dibahas artikel ini: perbedaan antara AI vendor (hal yang ada di baris subjek email itu) dan AI workflow (hal yang sudah ada di tab browser Anda).

Jika Anda adalah growth IC dengan pengalaman satu hingga empat tahun di perusahaan B2B SaaS atau PLG, ini adalah peta yang jujur. Di mana AI menghemat jam Anda. Di mana AI diam-diam menghasilkan output buruk. Stack yang benar-benar Anda jalankan, bukan kuadran Gartner.

Di mana AI benar-benar membantu

Lupakan daftar fitur. Pikirkan dalam momen: titik spesifik dalam minggu Anda di mana menempelkan konteks ke dalam model mengubah tiga puluh menit berikutnya.

Pembuatan hipotesis. Ini adalah manfaat terbesar dan yang paling sedikit dibahas oleh vendor. Tempel corong aktivasi dan kurva retensi kohort minggu keempat ke Claude. Tanya: "Apa sepuluh pola paling aneh dalam data ini dan apa yang akan Anda uji selanjutnya?" Anda akan membuang tujuh saran. Saran-saran itu akan jelas, generik, atau salah. Tiga lainnya adalah pengujian yang tidak akan Anda pikirkan sendiri, biasanya karena saran tersebut melintasi batas yang secara implisit telah tim Anda anggap sebagai masalah orang lain (dorongan halaman harga yang "urusan marketing," gerbang email re-engagement yang "urusan lifecycle"). AI tidak ragu melintasi batas. Itulah nilainya.

Varian copy lifecycle. Berikan segmen, event pemicu, versi copy sebelumnya, dan tujuannya. Minta lima varian dalam lima gaya suara. Anda akan mempertahankan satu setengah. Itu lebih cepat daripada memberi briefing kepada copywriter untuk email reaktivasi hari ketiga yang tidak akan dibaca dengan seksama oleh siapa pun. Framing yang jujur: copy AI cocok untuk ekor panjang pesan lifecycle di mana ROI marginal dari varian yang ditulis manusia tidak membenarkan waktu kalender. Tidak cocok untuk copy hero aktivasi atau halaman beranda Anda. Sesuaikan alat dengan taruhannya.

Sanity-check analisis kohort. Tempel SQL atau grafik, tanya "apa yang salah dengan analisis ini." Ini yang paling sering saya gunakan. AI menangkap kesalahan yang jelas sebelum presentasi: survivorship bias dalam kurva retensi, musiman akhir pekan yang tidak Anda normalkan, kohort yang ternyata 80% merupakan satu pelanggan besar yang kebetulan mendaftar minggu itu. Anda akan menangkap sebagian besar ini dalam peer review akhirnya. AI menangkapnya pukul 09.30 alih-alih dalam thread Slack pada hari Kamis.

Perburuan pola perilaku dalam data event. Lemparkan 5.000 baris event dari pengguna yang berhenti versus pengguna yang bertahan, minta perbedaannya. Bukan perkiraan. Bukan "prediksi siapa yang akan berhenti." Sebuah pompa hipotesis. Hasilnya adalah daftar "pengguna yang bertahan 4 kali lebih mungkin mengundang rekan tim dalam 24 jam pertama," yang kemudian Anda validasi dengan benar di alat analitik Anda. Perlakukan AI sebagai sesuatu yang memunculkan pertanyaan, bukan sesuatu yang menjawabnya.

Ringkasan readout. Ubah readout spreadsheet dua belas tab menjadi posting Slack tiga paragraf yang benar-benar akan dibaca oleh Head of Growth. Ini adalah satu-satunya tugas yang dilakukan ChatGPT dengan baik pada percobaan pertama. Berikan nama pengujian, hipotesis, angka, dan verdiknya. Minta "tiga paragraf, bahasa sederhana, mulai dengan hasil, tanpa jargon." Selesai. Anda baru saja mendapatkan kembali lima belas menit, dan pesannya lebih baik daripada yang akan Anda tulis saat lelah pukul 17.00.

Lima prompt yang saya simpan di Notion

• Pompa hipotesis. "Ini corong aktivasi dan retensi 4 minggu berdasarkan kohort kami. Berikan 10 pola paling aneh dan satu pengujian untuk masing-masing."
• Varian copy. "Email reaktivasi hari ke-3. Segmen: . Versi sebelumnya: [Y]. Lima varian dalam lima gaya suara, maksimal 80 kata masing-masing."
• Sanity-check SQL. "Ini SQL dan grafiknya. Apa yang salah dengan analisis ini? Daftarkan lima risiko diurutkan berdasarkan tingkat keparahan."
• Ringkasan readout. "Hasil pengujian di bawah. Tulis posting Slack 3 paragraf untuk Head of Growth. Mulai dengan verdik. Tanpa jargon."
• Sanity-check kohort. "Ini kurva retensi. Artefak apa yang mungkin menggembungkannya? Survivorship bias, musiman, konsentrasi pelanggan, hal lain?"

Itulah keseluruhan stack. Lima prompt, satu dokumen Notion.

Di mana AI gagal (dan Anda akan mempermalukan diri sendiri)

Separuh lainnya dari "fasih dengan AI" adalah mengetahui kapan harus menutup tab. Model sangat percaya diri justru di tempat yang seharusnya tidak.

Klaim kausal. AI dengan senang hati akan memberi tahu Anda "email tersebut menyebabkan kenaikan." AI tidak bisa mengetahui itu. AI tidak memiliki kelompok holdout. AI tidak memiliki informasi sebelumnya tentang peluncuran lain Anda minggu itu. AI akan menghasilkan paragraf yang bersih dan ditulis dengan baik yang mengaitkan 12% kenaikan aktivasi dengan perubahan copy, dan Anda akan menempelkan paragraf itu ke dalam readout, dan seseorang dengan latar belakang statistik akan mengajukan satu pertanyaan yang menjatuhkan Anda. Aturannya sederhana. AI tidak pernah memutuskan kausalitas. Selalu tuntut holdout, hipotesis yang telah terdaftar sebelumnya, dan interval kepercayaan sebelum sesuatu dikirimkan sebagai "ini yang menyebabkan itu."

Nuansa B2B. Model tidak tahu bahwa pembeli Anda adalah CFO dengan siklus pengadaan 90 hari, tiga pemangku kepentingan internal, dan review anggaran kuartalan yang jatuh pada hari Kamis. Output terdengar seperti Twitter growth-hack DTC, dengan "ciptakan urgensi," "manfaatkan kelangkaan," "tambahkan timer hitung mundur." Anda dapat mengajarinya konteks Anda dengan system prompt yang panjang, tetapi AI akan kembali ke pola lama setiap output keempat. Untuk lifecycle B2B, perlakukan AI sebagai junior copywriter yang belum pernah duduk dalam panggilan penjualan.

Perkiraan retensi. AI akan menyesuaikan kurva dan memproyeksikan retensi bulan ke-12 dari data bulan ke-3 Anda. Kurva itu salah. Retensi ekor panjang hampir tidak pernah mengikuti bentuk yang ingin dipasangi AI, dan model tidak tahu perbedaan antara PLG self-serve dan pola sales-led. Gunakan proyeksi kohort native Mixpanel/Amplitude/PostHog, atau minta tim data Anda menjalankan model retensi yang tepat. Bukan LLM.

Definisi north star. Jangan pernah biarkan AI memilih metrik Anda. North star adalah percakapan strategi dengan CEO, CFO, dan pemimpin produk Anda. Ini berasal dari model bisnis, pembeli, dan keunggulan kompetitif. AI tidak tahu semua itu. AI akan menyarankan "pengguna aktif mingguan" karena itulah yang dikatakan sebagian besar artikel dalam data pelatihannya, dan itulah jenis metrik yang membuat perusahaan PLG mengoptimalkan loop yang salah selama dua kuartal.

Di mana AI berbohong kepada Anda

• Klaim kausal. Atribusi yang yakin tanpa holdout.
• Perkiraan retensi. Menyesuaikan kurva, memproyeksikan, menyebutnya data.
• Nuansa B2B. Kembali ke pola growth-hack DTC.
• Definisi north star. Jangan biarkan model memilih metrik Anda.

AI dalam personalisasi (Mutiny / konten dinamis): kapan berhasil

Personalisasi dinamis adalah tempat di mana pitching vendor dan realitas workflow paling dekat, tetapi hanya pada skala tertentu.

Ini berhasil ketika tiga hal benar. Halaman memiliki traffic tinggi (puluhan ribu kunjungan per bulan, bukan ratusan). Segmen jelas dan stabil (industri, ukuran perusahaan, sumber traffic berbayar, daftar named-account), bukan mikro-segmen perilaku yang berubah antar sesi. Dan variannya nyata: proof point berbeda, headline berbeda, studi kasus industri berbeda. Bukan sekadar memasukkan nama depan pembeli ke dalam hero dan menyebutnya personalisasi.

Ini tidak berhasil untuk halaman dengan traffic rendah (Anda tidak akan pernah mencapai signifikansi), untuk copy yang rapuh secara gramatikal (8% kunjungan mendapatkan kalimat dengan artikel yang salah dan Anda kini telah mempersonalisasi dengan cara yang terasa lebih buruk dari kontrol), atau untuk email "personal" yang hanya menukar nama depan dan logo. Jika versi "personalisasi" Anda dapat dilakukan dengan mail-merge field, itu bukan personalisasi, itu adalah mail-merge field.

Realitas harga: Mutiny dan Intellimize memiliki harga enterprise. Keduanya masuk akal untuk perusahaan dengan ARR $20 juta yang memiliki ICP yang jelas dan tim marketing yang dapat membangun konten kreatif khusus segmen. Keduanya tidak masuk akal untuk perusahaan dengan ARR $2 juta yang halamannya mendapat 4.000 kunjungan per bulan. Jika vendor menawarkan personalisasi dinamis kepada tim Series A, mereka menawarkan hal yang salah.

Jebakan "loop pertumbuhan yang sepenuhnya otomatis"

Setiap enam bulan demo vendor kembali berputar melalui corong: "AI menghasilkan pengujian, menjalankannya, membaca hasilnya, mengirimkan pemenangnya. Program pertumbuhan Anda berjalan sendiri." Slide deck-nya indah. Diagramnya memiliki panah yang berputar kembali ke dirinya sendiri.

Tiga alasan mengapa ini berbahaya, secara berurutan.

Pertama, Anda kehilangan pembelajaran institusional. Alasan tim Anda mahir dalam pertumbuhan setelah delapan belas bulan bukan karena Anda menjalankan lebih banyak pengujian, melainkan karena orang-orang yang menjalankan pengujian membangun intuisi tentang pembeli, produk, dan pola mana yang berlaku secara umum. Otomatiskan loop dan intuisi itu tidak pernah terbentuk. Anda berakhir dengan tim yang tidak dapat berfungsi tanpa alat tersebut, yang menjalankan pengujian yang tidak dapat mereka baca secara kritis.

Kedua, loop mengirimkan sebelum siapa pun mengaudit hipotesis. Sebagian besar pengujian pertumbuhan yang gagal, gagal pada tahap hipotesis, bukan tahap eksekusi. Hipotesis buruk yang dibalut copy bagus dan dikirimkan ke 50% traffic menghabiskan lebih banyak biaya daripada nilai marginal menjalankannya. Keputusan penilaian ("apakah pertanyaan ini layak dijawab?") adalah momen dengan leverage tertinggi dalam seluruh eksperimen, dan itulah yang tidak dapat Anda serahkan kepada orang lain.

Ketiga, loop mengoptimalkan untuk klik jangka pendek daripada metrik yang terus bertumbuh. Sistem readout AI akan memberi tahu Anda varian menang karena click-through meningkat. AI tidak dapat memberi tahu Anda bahwa varian tersebut menarik lead berkualitas lebih rendah yang berhenti pada bulan kedua. Pada saat Anda menyadarinya, Anda telah mengirimkan dua belas "pemenang" yang secara kolektif menarik retensi turun empat poin.

Growth marketer yang mengotomatiskan dirinya keluar dari rapat readout juga mengotomatiskan dirinya keluar dari promosi berikutnya. Pertahankan manusia dalam loop di mana keputusan penilaian berada: kualitas hipotesis, kriteria penghentian, definisi segmen, apa yang dihitung sebagai kemenangan. Biarkan AI melakukan pengetikan, bukan pemikiran.

Stack praktis (yang benar-benar saya gunakan)

Tanpa kuadran, tanpa tumpukan logo. Inilah yang ada di browser saya:

• Claude (Sonnet untuk penggunaan harian, Opus untuk konteks besar). Analisis, review SQL, apa pun di mana saya menempelkan 5.000 baris atau konteks panjang. Lebih baik dari ChatGPT untuk "baca ini dengan cermat dan beri tahu saya apa yang salah." Di sinilah sanity-check kohort dan pompa hipotesis berada.
• ChatGPT. Varian copy, penulisan ulang cepat, brainstorming baris subjek. Turnaround lebih cepat untuk tugas singkat. Kontrol nada lebih baik untuk copy yang lebih bersifat konsumen. Lebih buruk untuk konteks panjang.
• Cursor atau Windsurf. Hanya jika Anda menulis SQL atau Python sendiri. Menghemat sekitar 30% pada skrip analisis yang sebaliknya akan Anda kerjakan bersama tim data. Lewati ini jika Anda tidak sudah menulis kode.
• Native AI di Amplitude / Mixpanel / PostHog. Fitur "tanya dalam bahasa biasa." Berguna untuk 80% pertanyaan di mana Anda sebaliknya akan mengajukan tiket ke tim data. Jangan percaya pada pertanyaan kausal; AI dengan senang hati akan menjalankan kueri yang terlihat benar tetapi memberi Anda jawaban yang salah.
• Mutiny / Intellimize. Hanya pada skala, hanya untuk top-of-funnel, hanya jika Anda memiliki traffic dan konten kreatif khusus segmen. Jika tidak, Anda belum siap untuk level ini.
• Hindari: alat apa pun yang pitching-nya adalah "agen AI yang menjalankan program pertumbuhan Anda." Itu adalah tombol yang mengirimkan hipotesis yang belum diuji terhadap corong Anda.

Opsional: perspektif ACE Framework

Jika Anda menginginkan kerangka strategis tentang di mana AI cocok dalam pertumbuhan, ACE Framework (Ingest, Analyze, Predict, Generate, Execute) cocok dengan rapi. AI paling membantu dalam Analyze (sanity-check kohort, perburuan pola dalam data event) dan Generate (varian copy, daftar hipotesis). Paling lemah dalam Predict (perkiraan retensi dan klaim kausal, dua tempat di mana AI sangat yakin namun salah). Netral dalam Ingest dan Execute (itu masih masalah tooling, bukan masalah model). Satu paragraf, cukup. Baca ACE Framework jika Anda menginginkan versi yang lebih mendalam, tetapi untuk workflow harian kesimpulannya adalah: andalkan AI untuk analisis dan pembuatan, tidak pernah untuk prediksi.

Rencana 30 hari untuk mengintegrasikan AI tanpa merusak workflow Anda

Kesalahan yang dibuat sebagian besar growth marketer adalah memperlakukan "gunakan AI lebih banyak" sebagai masalah adopsi alat. Ini adalah masalah kebiasaan. Berikut versi empat minggunya.

Minggu 1. Pilih tiga tugas berulang. Bukan sepuluh. Tiga. Ringkasan readout, brief copy lifecycle, pemindaian kohort mingguan. Bangun prompt untuk masing-masing, simpan di Notion dengan format input yang dijelaskan. Jangan mencoba mengotomatiskan segalanya. Tujuan minggu pertama adalah satu prompt yang bagus per tugas, digunakan sekali.

Minggu 2. Tambahkan Claude atau ChatGPT ke review readout Anda. Sebelum Anda mengirimkan readout, tempelkan hasil pengujian dan analisis ke Claude. Tanya: "Apa yang akan Anda tolak jika saya mempresentasikan ini dalam rapat?" Perlakukan jawabannya sebagai peer review, bukan vangel. Setengah dari apa yang kembali adalah sampah. Setengah lainnya adalah pertanyaan yang hampir diajukan seseorang dalam rapat. Anda akan merasakan penghematan waktu pada hari Jumat.

Minggu 3. Jalankan satu eksperimen di mana AI menghasilkan hipotesis. Pilih kandidat dari prompt pompa hipotesis Anda. Jalankan dengan cara yang sama seperti Anda menjalankan pengujian lainnya (hipotesis yang tepat, perhitungan MDE, holdout, readout). Lacak apakah hipotesis yang bersumber dari AI menang dengan tingkat yang berbeda dari hipotesis yang Anda hasilkan sendiri. Jawaban yang jujur: tingkat yang serupa, tetapi Anda akan menghasilkan 3 kali lebih banyak kandidat, yang berarti backlog pengujian Anda sekarang lebih besar dan lebih terprioritaskan dengan baik.

Minggu 4. Audit. Buka dokumen Notion. Prompt mana yang menghemat waktu Anda bulan ini? Mana yang menghasilkan output yang harus Anda kerjakan ulang? Hapus yang buruk. Pertahankan tiga hingga lima, maksimal. Intinya adalah workflow yang lebih tajam, bukan lebih banyak alat. Siapa pun yang memberi tahu Anda bahwa mereka memiliki 40 prompt yang digunakan setiap minggu sedang berbohong atau sedang dalam iklan vendor.

Penutup

Dua hal yang perlu dibawa ke hari Selasa berikutnya.

AI tidak mengubah growth marketer yang buruk menjadi baik. AI membuat yang baik menjadi lebih cepat, dengan menghilangkan pajak pengetikan pada bagian pekerjaan yang tidak memerlukan penilaian. Kemampuan yang terus berkembang bukan prompt engineering. Itu adalah mengetahui pertanyaan mana yang layak diajukan sejak awal, dan itu masih merupakan pekerjaan manusia, sampai ke dasarnya.

Pelajari Lebih Lanjut

• Growth Marketing Manager: Template Deskripsi Pekerjaan
• Sehari dalam Kehidupan Growth Marketer
• Desain Eksperimen Pertumbuhan dan MDE
• Optimasi Corong Aktivasi
• Loop Retensi dan Reaktivasi Viral