AI · AGENTB2B-DIENSTVERLENING

Marketing Automation Agent

Hoe we een AI agent bouwden die de campagne-brief output van een B2B-dienstverlener 10× verhoogde. Leest brand guidelines, doelgroep-research en eerdere campagnes; produceert gestructureerde briefs die marketing alleen nog hoeft te editen en lanceren.

10×
Brief-throughput
<5m
Van verzoek tot draft
90%
Briefs met lichte edits geaccepteerd
24/7
Beschikbaar voor het team
DE UITDAGING

Een marketingteam met een plafond op brief-productie

Een B2B-dienstverlener met een klein interne marketingteam liep tegen hetzelfde plafond aan: het produceren van campagne-briefs. Elke brief vroeg om het lezen van brand guidelines, doelgroepdata uit eerder onderzoek halen, en recente campagnes nalopen om herhaling te voorkomen. End-to-end deed een senior marketeer er 4–6 uur over.

Ze leverden 8–12 campagnes per kwartaal. De pijplijn met ideeën was veel langer. Meer senior marketeers aannemen paste niet in het budget, en brief-productie offshoren was twee keer mislukt — te veel context, te veel nuance in brand voice, te veel risico dat een verkeerde boodschap bij klanten landde.

Ze wilden een AI-tool die het merk niet hallucineert, geen generieke output produceert en geen 30-minuten prompt-engineering per brief vraagt.

DE AANPAK

Een single-purpose agent met diepe context

We scoopten de agent op één taak: gestructureerde campagne-briefs produceren uit een kort verzoek. Geen marketingteksten genereren, geen campagnes draaien, geen budget beheren — alleen de brief die mensen daarna editen en lanceren.

De agent heeft via RAG toegang tot drie kennisbases: de brand guidelines, doelgroep-research (met citaties naar bronnen) en de afgelopen 18 maanden aan campagnes. Elke sectie van elke brief citeert welke bron de informatie heeft gevoed.

Output is gestructureerd volgens dezelfde template die het team al gebruikt: doelgroep, pijnpunt, value proposition, kanaalmix, kernboodschappen, CTA. De agent vult elke sectie in. De marketeer reviewt, edit en lanceert — typisch in 30 minuten in plaats van 4–6 uur.

ARCHITECTUUR

Stack

LLM

Anthropic Claude met structured output voor de brief-template; OpenAI GPT voor wat retrieval-reranking.

RAG

Drie kennisbases (brand, research, eerdere campagnes) geïndexeerd in pgvector met custom chunking per contenttype.

EVAL

Golden test set van 40 briefs met verwachte bronnen. Elke modelupgrade automatisch gescoord voor rollout.

UI

Slack-native interface — marketeers beschrijven de campagne in een thread, agent post de brief terug. Geen nieuwe tool om te leren.

OPS

Logging, drift-monitoring en een feedback-kanaal waarmee edits worden opgevangen en terug in de eval-set vloeien.

RESULTATEN

Acht maanden in productie

10× brief-throughput

Het marketingteam produceert nu rond de 80 campagne-briefs per kwartaal — op van 8–12 — zonder uitbreiding van het team.

90% met lichte edits geaccepteerd

Marketeers editen ongeveer 90% van de gegenereerde briefs in onder de 30 minuten. De resterende 10% wordt opnieuw gegenereerd met extra context.

Brand voice consistenter

Citaties maken de agent traceerbaar. Als iets niet voelt, kan de marketeer precies zien op welke bron de agent leunde en bijsturen.

Senior marketeers vrij voor strategie

Hetzelfde team besteedt nu tijd aan positionering, kanaalstrategie en feedback loops in plaats van aan brief-productie.

Het is niet dat de agent beter schrijft dan mijn senior marketeers. Hij schrijft de eerste draft zo snel als mijn senior marketeers nadenken. Dáár zit de leverage.

Hoofd Marketing, B2B-dienstverlener
LESSEN

Wat we opnieuw zouden doen

Single-purpose verslaat general-purpose

We scoopten de agent op één taak en bouwden er diepe context voor. Een "algemene marketingassistent" was minder bruikbaar, minder vertrouwbaar en moeilijker te evalueren geweest.

Citaties verdienden het vertrouwen

Marketeers vertrouwden de output aanvankelijk niet. Toen elke claim geciteerd en verifieerbaar was, kwam vertrouwen snel — en bleef het toen er occasionele fouten opdoken.

Slack-native ontgrendelde adoptie

Een nieuwe app bouwen zou adoptie de das om hebben gedaan. Het team daar opzoeken waar ze al werkten (Slack) maakte onboarding moeiteloos.

Eval-discipline redde ons in maand 4

Toen we upgrade-den naar een nieuwer model ving de golden test set een regressie in toon op vóór livegang. Zonder dat hadden we vertrouwen beschadigd.

Klaar om iets echts te bouwen?

Vertel ons waar je mee bezig bent. We zeggen eerlijk of we passen — en zo ja, hoe we het zouden aanpakken.