Custom Instructions für AI Agents: Wie man einen elektronischen Trottel in ein FMCG-Marketinggenie verwandelt
Lassen Sie mich Ihnen etwas absolut Beängstigendes erzählen. Im Moment geben Tausende von Konsumgüterunternehmen auf der ganzen Welt Millionen für künstliche Intelligenzsysteme aus, die die kreative Kapazität eines lobotomierten Goldfisches haben. Sie zahlen Spitzenpreise für Cutting-Edge-Technologie und nutzen sie dann so, wie meine Mutter ihr iPhone nutzt – um nach dem Wetter zu fragen und gelegentlich ein verschwommenes Foto des Gartens zu schicken. Das ist so, als würde man einen Lamborghini Aventador kaufen und ihn dann nur bis zum Ende der Einfahrt fahren, um die Post abzuholen.
Um Himmels willen, das ist die fortschrittlichste Technologie, die die Menschheit je geschaffen hat, und das durchschnittliche FMCG-Unternehmen nutzt sie, um Tabellenkalkulationen zu erstellen und Kunden-E-Mails mit der Persönlichkeit eines feuchten Geschirrtuchs zu beantworten. Es ist verrückt machend. Es ist ärgerlich. Es ist, als würde man jemandem zusehen, wie er mit einer Kettensäge seine Fingernägel schneidet.
Das Problem liegt, wie Sie sehen, nicht an der AI selbst. Die siliziumbasierten Wunderwerke, die wir geschaffen haben, sind eigentlich ziemlich brillant – so wie ein Formel-1-Wagen brillant ist. Aber genau wie bei diesem F1-Wagen werden Sie, wenn Sie nicht wissen, wie man ihn richtig fährt, in der ersten Kurve ins Schleudern geraten, während alle anderen an Ihnen vorbei zur Zielflagge rasen. Und der FMCG-Sektor mit seinen hauchdünnen Margen und dem unerbittlichen Wettbewerb kann es sich nicht leisten, das Branchenäquivalent von Nikita Mazepin zu sein.
Was die meisten Unternehmen nicht erkennen – und das ist der Teil, der mich dazu bringt, meine Tastatur durch das nächste Fenster zu werfen – ist, dass diese AI-Systeme etwas haben, das einer Superkraft nahekommt: die Fähigkeit, Custom Instructions zu befolgen. Nicht irgendwelche Instructions, wohlgemerkt, sondern präzise zugeschnittene Befehle, die diese digitalen Assistenten von glorifizierten Taschenrechneruhren in strategische Denkpartner verwandeln, die die Art und Weise revolutionieren können, wie Sie alles von Zahnpasta bis Tortilla-Chips verkaufen.
Ich habe die letzten Monate damit verbracht zu erforschen, was passiert, wenn man diesen elektronischen Gehirnen richtige Anweisungen gibt, und ich verspreche Ihnen: Wenn Sie diesen Artikel zu Ende gelesen haben, werden Sie verstehen, wie Sie diese digitalen Helfer dazu bringen, für Ihr FMCG-Geschäft Saltos zu schlagen.
Was sind Custom Instructions und warum sind sie im FMCG wichtig?
Lassen Sie mich erklären, was Custom Instructions eigentlich sind, denn die meisten Menschen haben absolut keine Ahnung. Stellen Sie sich vor, Sie haben gerade einen neuen Marketing-Absolventen eingestellt – mit großen Augen, voller Tatendrang und einem Kopf voller Theorien, die er noch nie in der Praxis getestet hat. Am ersten Tag würden Sie ihm nicht einfach auf den Schreibtisch zeigen und sagen: „Mach Marketing.“ Das wäre idiotisch. Sie würden ihm von der Stimme Ihrer Marke, Ihrer Zielgruppe, Ihren Wettbewerbern, Ihrer Berichtsstruktur erzählen und vor allem, was Sie auf keinen Fall wollen, dass er tut.
Custom Instructions für AI sind genau dasselbe, nur dass der neue Mitarbeiter ein Trillionen-Parameter-Sprachmodell ist, das nie schläft, nie um eine Gehaltserhöhung bittet und nicht Ihren Parkplatz klaut. Diese Instructions sind im Grunde ein permanentes Briefing, das der AI sagt, wer Sie sind, was Sie tun, wie Sie Informationen präsentiert haben wollen und was in Ihrem spezifischen Kontext eine gute Antwort ausmacht.
AI ohne Custom Instructions zu verwenden ist wie ein Ferrari mit angezogener Handbremse zu fahren. Sie kommen zwar voran, aber Sie verbrennen Ressourcen, erzeugen einen schrecklichen Geruch und erreichen nur einen Bruchteil dessen, was möglich wäre. Die meisten FMCG-Unternehmen machen genau das – sie interagieren mit AI mit Standardeinstellungen und führen im Grunde langweilige, generische Gespräche, während sie stattdessen laserfokussierte Strategiesitzungen führen könnten[1].
Der Unterschied ist enorm. Ohne Custom Instructions bekommen Sie bei der Frage nach Konsumententrends von der AI eine Wikipedia-ähnliche Zusammenfassung, die jeder Praktikant in fünfzehn Sekunden googeln könnte. Mit den richtigen Instructions wird dieselbe AI zu einem branchenspezifischen Analysten, der Kaufmuster mit Umweltfaktoren, saisonalen Schwankungen und Wettbewerbsbewegungen verknüpft und dann präzise Marktpositionen vorschlägt, die Ihre Marge um 2,3 % steigern könnten. Und in der FMCG-Welt, in der Erfolg in Bruchteilen von Prozentpunkten gemessen wird, ist das der Unterschied zwischen der Dominanz Ihrer Kategorie und dem Delisting bei Tesco.
10 Praktische Anwendungen von Custom Instructions im FMCG-Bereich
a) Consumer Behavior Analysis
Wenn Sie denken, Ihre aktuellen Consumer Insights sind tiefgründig, habe ich Neuigkeiten für Sie – sie sind so flach wie ein Planschbecken in der Sahara. Die typische FMCG-Analyse besteht aus Tabellenkalkulationen, die zeigen, dass die Leute mehr Eiscreme kaufen, wenn es heiß ist. Bahnbrechend, wirklich.
Custom Instructions können Ihre AI in einen Experten für Verhaltenspsychologie verwandeln, der Ihnen nicht nur sagt, was Konsumenten tun, sondern auch erklärt, warum sie es tun. Nehmen Sie zum Beispiel P&G – sie nutzen seit Jahren Advanced Analytics, um die emotionalen Auslöser hinter Kaufentscheidungen zu verstehen[2].
Mit den richtigen Instructions kann Ihre AI Millionen von Social-Media-Kommentaren, Bewertungsseiten und Forenbeiträgen verarbeiten, um aufkommende Micro-Trends zu identifizieren, bevor Ihre Wettbewerber überhaupt ihre Laptops öffnen.
Hier ist eine Custom Instruction, die funktioniert:
„Priorisieren Sie bei der Analyse von Konsumentendaten emotionale Treiber gegenüber demografischen Informationen. Identifizieren Sie Muster, die Kaufentscheidungen mit Lebensereignissen verbinden, und heben Sie explizit Widersprüche zwischen dem hervor, was Konsumenten sagen und was sie tatsächlich tun. Formatieren Sie Insights als 'Was sie sagen' versus 'Was sie tun', gepaart mit umsetzbaren Empfehlungen.“
b) Supply Chain Optimization
Die durchschnittliche FMCG-Supply Chain verliert Geld wie ein Sieb, das versucht, den Atlantik zu halten. Sie ist ineffizient, reaktiv und etwa so vorausschauend wie eine Wahrsagerin mit Katarakt. Und doch sollten Sie in einer Branche, in der die Logistik bis zu 40 % Ihrer Kosten ausmachen kann, genau hier die ausgefeiltesten AI-Tools einsetzen, die Ihnen zur Verfügung stehen.
Unilever nutzt AI seit Jahren, um Nachfrageschwankungen vorherzusagen und die Lagerbestände zu optimieren, wodurch Millionen eingespart werden[2]. Aber ihre Systeme sind maßgeschneidert und unverschämt teuer. Sie können ähnliche Ergebnisse erzielen, indem Sie Ihrer AI die richtigen Instructions geben:
„Priorisieren Sie bei der Bewertung von Supply-Chain-Daten die Identifizierung von Anomalien in Nachfragemustern, die außerhalb von drei Standardabweichungen liegen. Berechnen Sie Nachbestellpunkte auf der Grundlage variabler Vorlaufzeiten und nicht auf der Grundlage von Durchschnittswerten, und präsentieren Sie Empfehlungen in drei Stufen: dringende Maßnahmen (nächste 48 Stunden), taktische Anpassungen (nächste 30 Tage) und strategische Neukonfigurationen (nächstes Quartal). Fügen Sie immer geschätzte Kosteneinsparungen und Risikobewertungen für jede Empfehlung hinzu.“
Dies verwandelt eine generische AI in einen Supply-Chain-Berater, der normalerweise 2.000 Pfund pro Tag berechnen und die Hälfte dieser Zeit damit verbringen würde, zu fragen, wo die Kaffeemaschine steht.
c) Dynamic Pricing Strategies
Die Preisgestaltung im FMCG-Bereich wird typischerweise mit der strategischen Raffinesse eines betrunkenen Mannes angegangen, der Darts wirft – man trifft gelegentlich ins Schwarze, aber es ist mehr Glück als Verstand. Die meisten Unternehmen kopieren entweder ihre Wettbewerber oder halten einen Finger in die Luft, um zu sehen, aus welcher Richtung der Wind weht.
Coca-Cola nutzt seit Jahren Algorithmen, um die Preisgestaltung in verschiedenen Märkten, Kanälen und Packungsgrößen zu optimieren[2]. Ihre Systeme berücksichtigen alles, von lokalen Wettervorhersagen bis hin zu Sportveranstaltungen. Mit Custom Instructions kann Ihre AI ähnliche Einblicke liefern:
„Bewerten Sie bei der Analyse von Preisdaten die Elastizität nach Kanal, Packungsgröße und Wochentag. Berücksichtigen Sie die Preisbewegungen der Wettbewerber der letzten 90 Tage, bevorstehende Werbekalender und saisonale Nachfragemuster. Präsentieren Sie Empfehlungen in einer Entscheidungsmatrix, die das prognostizierte Volumen, den Umsatz und die Margenauswirkungen für jedes Preisszenario zeigt. Fügen Sie eine Kannibalisierungsrisikobewertung für benachbarte Produkte in Ihrem Portfolio hinzu.“
Plötzlich gehen Ihre Preisdiskussionen nicht mehr darum, „Sollen wir 1,99 £ oder 2,29 £ verlangen?“, sondern darum, genau zu verstehen, wie viel Geld Sie bei jeder Entscheidung auf dem Tisch liegen lassen.
d) Personalized Marketing
Die Marketingkampagnen der meisten FMCG-Marken haben die Personalisierung eines Formbriefs vom Finanzamt. „Sehr geehrter Verbraucher“ könnte genauso gut auf die Stirn der Marketingdirektoren in der gesamten Branche tätowiert sein. Es ist peinlich, besonders wenn Unternehmen wie PepsiCo Kundendaten verwenden, um hyper-zielgerichtete Kampagnen zu erstellen, die direkt bestimmte Konsumentensegmente ansprechen[2].
Ihre AI kann Ihnen helfen, wirklich personalisiertes Marketing mit Anweisungen wie diesen zu erstellen:
„Segmentieren Sie bei der Entwicklung von Marketinginhalten Zielgruppen nach psychografischen Profilen und nicht nach demografischen Merkmalen. Erstellen Sie Nachrichtenv
e) Product Development and Testing
Die meisten FMCG-Produktentwicklungen sind etwa so innovativ wie eine Coverband – leichte Variationen von Dingen, die bereits existieren, mit vorhersehbar mittelmäßigen Ergebnissen. Deshalb sind die Supermarktregale mit endlosen Variationen von "neuen und verbesserten" Produkten gefüllt, die weder neu noch besonders verbessert sind.
Kraft Heinz nutzt AI, um neue Geschmacksrichtungen und Verpackungskonzepte zu testen, wodurch die Entwicklungszeit verkürzt und die Erfolgsraten erhöht werden[2]. Ihre AI kann ähnliche Innovationen mit den richtigen Anweisungen unterstützen:
"Beginnen Sie bei der Ideenfindung für neue Produkte mit der Identifizierung ungedeckter Verbraucherbedürfnisse und nicht mit Kategorialücken. Priorisieren Sie Konzepte, die Attribute aus angrenzenden Kategorien kombinieren. Erstellen Sie für jedes Produktkonzept eine Wettbewerbsanalyse, die wichtige Unterscheidungsmerkmale, potenzielle Hindernisse für die Akzeptanz und wahrscheinliche Wettbewerbsreaktionen aufzeigt. Fügen Sie Vorschläge für disruptive Verpackungsinnovationen oder Liefermechanismen hinzu, die eine zusätzliche Differenzierung schaffen könnten."
Dies verwandelt Ihre AI von einem elektronischen Notizblock in einen Innovationspartner, der konventionelles Kategoriedenken in Frage stellt.
f) Shelf Analytics
Der durchschnittliche FMCG-Manager verbringt mehr Zeit damit, über Regalflächen zu streiten, als tatsächlich seine Produkte zu verbessern. Und dennoch haben die meisten Unternehmen trotz dieses obsessiven Fokus eine schockierend schlechte Sicht darauf, was tatsächlich in den Regalen von Tausenden von Verkaufsstellen passiert.
Mondelez International nutzt AI-gestützte Kameras, um die Produktverfügbarkeit zu überwachen und die Regalplatzierung zu optimieren[2]. Mit Custom Instructions kann Ihre AI diese Daten effektiver analysieren:
„Bei der Analyse von Regaldaten priorisieren Sie die Identifizierung von Korrelationen zwischen benachbarten Produkten und Kaufverhalten. Markieren Sie Fälle, in denen Wettbewerberprodukte aufgrund von Merchandising-Taktiken unverhältnismäßig viel Sichtbarkeit gewinnen. Berechnen Sie die Umsatzeinbußen durch Out-of-Stock-Situationen nach Ladenformat und Tageszeit und empfehlen Sie spezifische Regalplatzierungen basierend auf der stündlichen Verkaufsrate statt auf Durchschnittswerten über einen Zeitraum. Fügen Sie visuelle Mockups optimaler Regalarrangements für verschiedene Ladenformate bei.“
Jetzt zeigen Ihre Shelf Analytics nicht nur, was passiert ist – sie sagen Ihnen, warum es wichtig ist und was Sie dagegen tun können.
g) Customer Service and Support
Der Kundenservice im FMCG-Bereich reicht typischerweise von nicht existent bis aktiv feindselig. Die meisten Konsumgüterunternehmen behandeln Beschwerden mit der Empathie und Effizienz eines Bürokraten aus der Sowjetzeit. Es ist, als hätten sie ihre Kundenserviceprozesse speziell so gestaltet, dass die Leute nie wieder Kontakt aufnehmen wollen – was, wenn man darüber nachdenkt, vielleicht tatsächlich das Ziel ist.
Johnson & Johnson nutzt Echtzeit-Chatbots, um sofortigen Kundensupport zu bieten[2]. Ihre AI kann Kundeninteraktionen dramatisch verbessern mit Anweisungen wie:
„Bei der Bearbeitung von Kundenanfragen priorisieren Sie die Identifizierung des emotionalen Bedarfs hinter der praktischen Frage. Kategorisieren Sie Probleme nach Dringlichkeit und Stimmung und bieten Sie sofortige Lösungswege für Situationen mit hohem Stresslevel an. Bei Produktbeschwerden fügen Sie systematische Fehlerbehebungsschritte hinzu, gefolgt von Entschädigungsempfehlungen basierend auf dem Customer Lifetime Value. Integrieren Sie stets Produktschulungen, die die Ursachen häufiger Fehlanwendungen adressieren.“
Dies verwandelt generische Antworten in Kundeninteraktionen, die tatsächlich Markenloyalität aufbauen, anstatt sie zu zerstören.
h) Influencer Marketing
Die meisten FMCG-Unternehmen betreiben Influencer-Marketing wie ein betrunkener Teenager in einem Nachtclub – sie werfen verzweifelt Geld auf jeden, der auch nur entfernt populär erscheint, in der Hoffnung, dass ein Teil dieser Popularität auf sie abfärbt. Die Ergebnisse sind genau so strategisch und effektiv, wie man erwarten würde.
Coca-Cola arbeitet mit Plattformen wie CreatorIQ zusammen, um potenzielle Influencer zu identifizieren und zu bewerten[2]. Ihre AI kann mit den richtigen Anweisungen eine ähnliche Analyse liefern:
„Bei der Bewertung potenzieller Influencer priorisieren Sie die Authentizität des Engagements über die Anzahl der Follower. Analysieren Sie die Überschneidung der Zielgruppen mit Ihrem Zielmarkt, Sentimentmuster in Kommentaren und die historische Performance von Markenpartnerschaften. Markieren Sie potenzielle Reputationsrisiken basierend auf vergangenen Kontroversen und berechnen Sie die tatsächliche Reichweite anhand des Verhältnisses von Engagement zu Followern. Präsentieren Sie Empfehlungen als gestufte Partnerschaftsmöglichkeiten mit spezifischen Content-Ansätzen für jeden Influencer.“
Plötzlich verschiebt sich Ihre Influencer-Strategie von „Wer hat die meisten Follower?“ hin zu einem genauen Verständnis, welche Stimmen Ihre Produkte tatsächlich aus den Regalen bewegen werden.
i) Brand Sentiment Analysis
Die meisten FMCG-Unternehmen überwachen Social Media mit der Raffinesse eines Elternteils, der die Facebook-Seite seines Teenagers überprüft – sie sehen nur die Oberfläche und verpassen all die wichtigen Dinge, die in privaten Nachrichten und auf obskuren Plattformen passieren.
Unilever verfolgt Sentiment-Trends über mehrere Kanäle hinweg, um potenzielle Probleme zu erkennen, bevor sie zu Krisen werden[2]. Ihre AI kann mit den richtigen Anweisungen ähnliche Frühwarnungen liefern:
„Bei der Analyse des Marken-Sentiments gewichten Sie Kommentare nach Einfluss des Autors und Intensität der Emotionen, anstatt sie einfach als positiv oder negativ zu kategorisieren. Identifizieren Sie Sentiment-Verschiebungen, die von den 90-Tage-Durchschnittswerten abweichen, insbesondere in wichtigen demografischen Segmenten. Markieren Sie aufkommende narrative Muster, die auf potenzielle Reputationsprobleme hinweisen könnten. Präsentieren Sie die Ergebnisse als Sentiment-Trendlinien, aufgeschlüsselt nach Produkt, Kanal und Kundensegment, mit klaren Empfehlungen für Anpassungen in der Kommunikation.“
Dies verwandelt Social Listening von einer passiven Überwachungsübung in ein proaktives Instrument des Reputationsmanagements.
j) Sustainability Practices
Nachhaltigkeit im FMCG-Bereich wird typischerweise mit der Aufrichtigkeit eines Politikers angegangen, der Babys küsst – es macht schöne Fotos, aber es gibt selten eine substanzielle Umsetzung. Die meisten Unternehmen produzieren glänzende Berichte voller Bilder von Bäumen, während sie Geschäftspraktiken fortsetzen, die Captain Planet zu Tränen rühren würden.
L'Oréal nutzt AI, um den Energie- und Ressourcenverbrauch in seinen Betrieben zu überwachen[2]. Ihre AI kann echte Nachhaltigkeitsbemühungen mit Custom Instructions unterstützen, wie zum Beispiel:
„Bei der Analyse von Nachhaltigkeitsinitiativen priorisieren Sie quantifizierbare Auswirkungen über erklärte Absichten. Berechnen Sie die Reduktion des CO2-Fußabdrucks in absoluten Zahlen statt in Prozent. Identifizieren Sie Greenwashing-Risiken in der aktuellen Kommunikation, indem Sie Behauptungen mit messbaren Ergebnissen vergleichen. Präsentieren Sie Empfehlungen in drei Kategorien: sofortige operative Änderungen, mittelfristige Anpassungen der Lieferkette und langfristige Innovationen im Geschäftsmodell. Fügen Sie eine Wettbewerbsbenchmark-Analyse hinzu, die Ihre Nachhaltigkeitsposition im Vergleich zu den Marktführern der Kategorie zeigt.“
Dies verwandelt Nachhaltigkeit von einer Marketingübung in eine echte operative Priorität mit messbaren Ergebnissen.
Wie man effektive Custom Instructions erstellt
Wenn Sie es geschafft haben, die vorherigen 2.000 Wörter wach zu bleiben, Glückwunsch – Sie sind eindeutig der Typ Masochist, der diese Ideen tatsächlich umsetzen könnte. Aber zu wissen, was möglich ist, und es tatsächlich umzusetzen, sind so unterschiedlich wie zu wissen, wie ein Verbrennungsmotor funktioniert, und einen solchen von Grund auf in Ihrer Gartenhütte zu bauen.
Effektive Custom Instructions für AI zu erstellen ist sowohl eine Kunst als auch eine Wissenschaft – ähnlich wie eine wirklich großartige Folge von Top Gear zu machen. Es erfordert das Verständnis der Mechanik, wie diese Systeme funktionieren, und gleichzeitig die kreative Fähigkeit, sie in interessante Richtungen zu lenken.
Die Struktur effektiver Custom Instructions hat typischerweise zwei Hauptkomponenten: „Was sollte die AI über Sie wissen“ und „Wie sollte die AI auf Sie reagieren“[1]. Im Grunde sagt man der AI, wer man ist und was man von ihr will – ein Konzept, das so verblüffend offensichtlich ist, dass es erstaunlich ist, dass es nicht mehr Menschen tun.
Für einen Brand Manager im FMCG-Bereich könnten effektive Instructions etwa so aussehen:
Was sollte die AI über Sie wissen:
„Ich bin Brand Manager für eine Premium-Schokoladenmarke, die gegen Lindt und Godiva konkurriert. Ich habe einen Marketing-Hintergrund, aber begrenzte Fähigkeiten in der Datenanalyse. Ich benötige Antworten, die kreatives Denken mit kommerzieller Praktikabilität verbinden. Ich bevorzuge visuelle Formate wie Diagramme und Tabellen statt langer Textabsätze. Unsere Markenwerte sind Genuss, Handwerkskunst und Zugänglichkeit. Unsere Zielgruppe sind hauptsächlich Frauen im Alter von 35-50 Jahren mit überdurchschnittlichem Haushaltseinkommen, die unsere Schokolade als erschwinglichen Luxus sehen.“
Wie sollte die AI antworten:
„Geben Sie Antworten, die sich auf umsetzbare Empfehlungen konzentrieren, anstatt auf Hintergrundtheorie. Strukturieren Sie die Informationen in Aufzählungspunkten mit einer klaren 'So What'-Implikation für jeden Insight. Fügen Sie spezifische Ausführungsbeispiele hinzu, wenn Sie Marketingideen vorschlagen. Berücksichtigen Sie stets Budgetbeschränkungen – wir sind Premium, aber nicht Luxus, daher haben wir nicht das Marketingbudget von Godiva. Heben Sie potenzielle Risiken oder Herausforderungen bei jeder Empfehlung hervor. Konzentrieren Sie sich bei der Datenanalyse auf die Identifizierung von Mustern statt einzelner Datenpunkte und beziehen Sie die Ergebnisse immer auf die Motivationen unserer Zielkunden.“
Für einen Supply Chain Analysten wären die Anweisungen völlig anders:
Was sollte die AI über Sie wissen:
„Ich bin Supply Chain Analyst für ein multinationales Getränkeunternehmen. Ich bin sehr analytisch mit einem Hintergrund in Operations Research. Ich benötige detaillierte, datengetriebene Antworten, die sich mit der Optimierung der Effizienz befassen. Ich bin mit komplexen statistischen Konzepten und Terminologie der Lieferkette vertraut. Ich bin verantwortlich für die Reduzierung von Abfall, die Verbesserung der Prognosegenauigkeit und die Optimierung der Lagerbestände in 12 europäischen Märkten.“
Wie sollte die AI antworten:
„Geben Sie Antworten, die quantitative Analysen gegenüber qualitativen Faktoren priorisieren. Fügen Sie bei allen behaupteten Korrelationen statistische Signifikanzniveaus hinzu. Präsentieren Sie Informationen, wo angebracht, in tabellarischen Formaten mit klarer Hierarchie der Wichtigkeit. Berücksichtigen Sie stets mehrere Szenarien (bestes/schlechtestes/wahrscheinlichstes) bei Prognosen. Verweisen Sie auf spezifische Methoden und Frameworks der Lieferkette, wo relevant. Konzentrieren Sie sich auf umsetzbare Erkenntnisse statt auf beschreibende Analysen, mit klarer Kosten-Nutzen-Analyse für alle Empfehlungen.“
Für ein Produktinnovationsteam wiederum andere Anweisungen:
Was sollte die AI über Sie wissen:
„Wir sind ein Produktinnovationsteam für eine Marke im Bereich Körperpflege. Wir sind eine funktionsübergreifende Gruppe mit Hintergründen in F&E, Marketing und Consumer Insights. Wir benötigen ausgewogene Perspektiven, die technische Machbarkeit neben Marktpotenzial berücksichtigen. Derzeit konzentrieren wir uns auf die Entwicklung nachhaltiger Verpackungslösungen, die das Nutzererlebnis nicht beeinträchtigen. Unser Entwicklungszeitraum beträgt typischerweise 18 Monate von der Konzeptphase bis zum Markt.“
Wie sollte die AI antworten:
„Geben Sie Antworten, die kreative Ideenfindung mit praktischen Einschränkungen ausbalancieren. Strukturieren Sie Empfehlungen in drei Kategorien: Quick Wins (innerhalb von 6 Monaten umsetzbar), mittelfristige Innovationen (6-18 Monate) und Durchbruchskonzepte (über 18 Monate). Berücksichtigen Sie stets die Wahrnehmung der Verbraucher, die Komplexität der Herstellung und die Auswirkungen auf die Lieferkette. Hinterfragen Sie konventionelle Annahmen der Kategorie und schlagen Sie Inspirationen aus anderen Kategorien vor. Fügen Sie spezifische Materialien, Technologien oder Ansätze hinzu, statt allgemeiner Vorschläge. Gehen Sie bei jedem Konzept auf potenzielle regulatorische oder Skalierungsherausforderungen ein.“
Die Schönheit von Custom Instructions liegt darin, dass jede Interaktion von diesem Kontext profitiert, sobald Sie sie eingerichtet haben, ohne dass Sie sich wiederholen müssen. Es ist, als hätten Sie ein Team von Spezialisten, die bereits genau wissen, was Sie brauchen, wie Sie denken und was Sie erreichen wollen.
Schlussfolgerungen und Reflexionen
Nachdem ich die letzten mehrere tausend Wörter damit verbracht habe zu erklären, wie man AI für FMCG-Unternehmen richtig einsetzt, bleibt mir ein nagender Gedanke: Warum machen das nicht schon mehr Unternehmen? Es ist keine Raketenwissenschaft – obwohl, um fair zu sein, wenn es Raketenwissenschaft wäre, könnte AI wahrscheinlich auch dabei helfen.
Der FMCG-Sektor ist berüchtigt wettbewerbsintensiv, mit Margen, die dünner sind als Kate Moss in den 90ern, und Kundenloyalität, die so zuverlässig ist wie das britische Wetter im April. In diesem Umfeld können selbst winzige Wettbewerbsvorteile den Unterschied zwischen Marktführerschaft und Bankrott bedeuten. Und doch nutzen die meisten Unternehmen fortschrittliche AI so, wie Großeltern ein Smartphone benutzen – mit äußerster Vorsicht und nur etwa 2 % der tatsächlichen Fähigkeiten.
Der Unterschied zwischen Unternehmen, die AI mit generischen Prompts nutzen, und denen, die ausgefeilte Custom Instructions verwenden, ist wie der Unterschied zwischen einem Reliant Robin und einem McLaren Senna. Beide haben technisch gesehen Motoren und Räder, aber einer wird den anderen so weit hinter sich lassen, dass sie nicht einmal mehr im selben Rennen konkurrieren.
In fünf Jahren wird die FMCG-Landschaft meiner Prognose nach in zwei Lager geteilt sein: diejenigen, die die Kunst beherrschen, ihre AI-Systeme zu instruieren, und diejenigen, die verzweifelt versuchen herauszufinden, warum sie jedes Quartal Marktanteile verlieren. Die Ersteren werden AI nutzen, um Konsumententrends vorherzusagen, bevor die Verbraucher überhaupt wissen, was sie wollen, ihre Abläufe mit einer Präzision optimieren, die einen Schweizer Uhrmacher neidisch machen würde, und Produkte entwickeln, die fast telepathisch auf die Marktbedürfnisse abgestimmt sind.
Die Letzteren werden ihre AI immer noch bitten, „diese Verkaufszahlen zu analysieren“ und sich wundern, warum ihre Konkurrenten immer einen Schritt voraus sind.
Die Wahl, wie man so schön sagt, liegt bei Ihnen. Sie können weiterhin die fortschrittlichste Technologie nutzen, die die Menschheit je geschaffen hat, als wäre sie ein leicht verbesserter Taschenrechner, oder Sie geben ihr richtige Anweisungen und sehen zu, wie sie Ihr Geschäft transformiert. Und wenn Sie sich für Ersteres entscheiden, nun ja, dann haben Sie alles verdient, was der Markt Ihnen antun wird.
Häufig gestellte Fragen
Ist das nicht alles ein bisschen kompliziert, nur um mit einem Computer zu sprechen?
Ist es kompliziert, einem Formel-1-Fahrer genau zu erklären, wie er eine Kurve mit 180 mph nehmen soll? Natürlich ist es das. Aber das liegt daran, dass Sie ein phänomenal mächtiges Werkzeug am äußersten Rand seiner Fähigkeiten bedienen. Wenn Sie es einfach wollen, könnten Sie stattdessen ein Fahrrad benutzen. Die Komplexität, AI-Systeme richtig zu instruieren, ist direkt proportional zu ihrer Leistung und Vielseitigkeit. Ja, es erfordert Mühe, gute Custom Instructions zu erstellen. Das gilt für alles, was im Geschäft wirklich etwas wert ist. Machen Sie sich damit vertraut.
Benötige ich technisches Fachwissen, um effektive Custom Instructions zu erstellen?
Ungefähr so viel, wie Sie ein Mechaniker sein müssen, um ein Auto zu fahren. Das Verständnis der grundlegenden Prinzipien hilft, aber Sie müssen nicht wissen, wie man ein Sprachmodell von Grund auf neu erstellt, um ihm zu sagen, was Sie wollen. Was Sie brauchen, ist ein klares Verständnis Ihrer Geschäftsziele, Ihrer Markenstimme und der spezifischen Ergebnisse, die Sie erzielen möchten. Das eigentliche Schreiben von Anweisungen hat mehr mit Klarheit des Denkens als mit technischem Fachwissen zu tun. Wenn Sie einem neuen Mitarbeiter etwas klar erklären können, können Sie effektive Custom Instructions schreiben.
Können Custom Instructions den Bedarf an menschlichen Experten in meinem FMCG-Unternehmen ersetzen?
Kann eine Kettensäge einen Holzfäller ersetzen? Nein, sie macht ihn nur dramatisch effektiver. Custom Instructions ersetzen nicht menschliches Fachwissen – sie verstärken es. Ihr Marketingleiter wird nicht durch AI ersetzt, aber der Marketingleiter, der weiß, wie man AI effektiv einsetzt, wird denjenigen, der es nicht tut, absolut ersetzen. Das Gefährlichste, was Sie tun können, ist, dies als eine Entweder-oder-Situation zu betrachten. Es sind nicht Menschen gegen AI; es sind Menschen mit AI gegen Menschen ohne sie. Und ich weiß, auf welcher Seite dieser Gleichung ich lieber stehen würde.
Chatgpt einfluss auf software engineering
Generative ki funf prognosen fur 2024
Open source vs closed source sprachmodelle vor nachteile
