Lyhyesti: PPC-automaatiosta ei tullut yhtäkkiä mahdollista. Siitä tuli yhtäkkiä kohtuuhintaista. AI ei lisännyt kyvykkyyksiä; se sai kyvykkyydet, joita meillä on ollut vuodesta 2019, maksamaan itsensä takaisin paljon nopeammin ja muutti puolen vuoden rakennusurakat kahden viikon mittaisiksi. Voittajia ovat super-seniorit, jotka pääsevät vihdoin rakentamaan työnkulut, jotka eivät ennen kannattaneet, kuten tuhansien roskahakujen siivouksen mallilla, jota tavallinen PC pyörittää.
Katselin kerran järjestelmäarkkitehtiamme, miestä, jolla on takanaan kaksikymmentäviisi vuotta insinöörin töitä, kun hän käytti kaksi täyttä päivää Google Ads API:n dokumentaation lukemiseen ennen kuin yksikään kysely palautti dataa. Kaksi päivää, yksi kysely. Hän on paras tuntemani insinööri, ja silti siihen meni kaksi päivää. Se oli yksinkertaisesti sisäänpääsymaksu, jonka alusta peri jokaiselta todellista tehoa haluavalta.
Olen tehnyt PPC:tä noin kaksikymmentä vuotta, ja niistä kaksitoista olen kirjoittanut koodia tuon API:n päälle. Vuosina 2015–2017 pyöritin ppc-scripts.eu-sivustoa, pientä blogia Google Ads Scriptseistä, siihen aikaan, kun PPC:n automatisointi ei vielä ollut coolia. Sitten lopetin kirjoittamisen. En siksi, että ideat olisivat loppuneet. Kuilu ”tämä on mahdollista” ja ”tämä kannattaa tehdä asiakkaalle” välillä pysyi itsepäisen leveänä vuosikymmenen, eikä ole loputtomasti tapoja kuvailla työkaluja, joihin kenelläkään ei ole varaa.
Tänä keväänä toimitin noin kuudessa tunnissa markkinalaajennusanalyysin, jossa hinnoiteltiin kuusitoista tuotetta viidessä maassa ja tulokset esitettiin lämpökarttoina. Käsin tehtynä se on noin 400 tuntia työtä. Vanhaan tapaan räätälöitynä ohjelmistona se on kaksi kuukautta kehitystä ja 16 000–20 000 euron lasku, jota yksikään asiakas ei koskaan halunnut maksaa. Sama lopputulos, ja hinta romahti. Analyysi ei muuttunut tänä keväänä yhtään fiksummaksi. Sen rakentamisesta tuli yhtäkkiä taloudellisesti kannattavaa.
Lähes kaikki, mitä olet lukenut siitä, miten AI tappaa PPC-asiantuntijan, saa tuon mekanismin nurinpäin. AI ei muuttanut sitä, mitä maksetussa haussa voi tehdä. Suurin osa oli aina mahdollista, ja suurin osa oli olemassa jo vuonna 2019. Se muutti sitä, kenellä on varaa tehdä se. Tämä artikkeli on se todiste, ja kerron sen niiden työkalujen näkökulmasta, joilla itse oikeasti rakennan. Käyn läpi kaksi aikakautta, jotka tekivät automaatiosta niin kallista, ettei se ollut vaivan arvoista, sen hetken, jolloin laskelma kääntyi, ja yhden todellisen työn: roskahakujen siivouksen paikallisella avoimen lähdekoodin mallilla, purettuna vaihe vaiheelta.
- AI ei tuonut PPC:hen juuri yhtään uutta kyvykkyyttä. Se lyhensi takaisinmaksuajan murto-osaan niillä kyvykkyyksillä, joita meillä on ollut vuodesta 2019, ja jo se yksin kirjoittaa uusiksi sen, mitä kannattaa rakentaa.
- Ratkaiseva valuutta eivät ole enää koodirivit. Nyt pulaa on ideoista ja toimialaosaamisesta, tiedosta siitä, mitä rakentaa ja mitä dataa yhdistää.
- Ammatti jakautuu kahtia. Ne, jotka sivuuttavat työkalut, jämähtävät paikoilleen; ne, jotka tuntevat Google Ads API:n läpikotaisin ja yhdistävät datan mielikuvitukseen, karkaavat edelle.
- Alempana purettu esimerkki näyttää, miten paikallinen avoimen lähdekoodin malli siivoaa tuhansia roskahakuja minuuteissa. Ennen se työ oli puhdasta käsityötä.
Skriptiaikakausi: muutama päivä ”yksinkertaiseen” skriptiin
Rajoite ei koskaan ollut teknologia, ja haluan näyttää sen sinulle aivan ensimmäisestä työkalusta, johon ikinä tartuin. Google Ads Scripts tuntui taialta saapuessaan. JavaScriptiä, suoraan tilillä, luuppaamassa kampanjoiden läpi. Käytännössä ”yksinkertainen” skripti, vaikkapa CPA-rajan ylittävien avainsanojen pysäytys tai rikkinäisten lopullisten URL-osoitteiden merkintä, vei muutaman päivän kirjoittamista ja debuggaamista, kun reunatapaukset, kiintiöt ja hiljaiset virheet oli käsitelty.
Sitten tuli osa, jota kukaan ei budjetoinut. Skriptin ajaminen useilla tileillä tarkoitti yhtä kopiota per tili, ja ne ajautuivat pois synkasta ja rikkoutuivat hiljaa aina, kun yhden asiakkaan nimeämiskäytäntö ei vastannut muita. Skaalaus ja jakelu olivat oma työnsä. Siksi suurin osa oikeasti käytössä olleista skripteistä ei koskaan edennyt raportointia pidemmälle, lukujen vetämistä Sheetiin ajastetusti. Kaikki, mikä oikeasti muutti tiliä, oli liian haurasta ja liian kallista ylläpitää.
Jopa helppoa automaatiokerrosta rajoitti ylläpitokustannus, ei kyvykkyys. Pidä se mielessä. Sama kaava toistuu kaikessa, mitä seuraa.
API-aikakausi: kaksi päivää ensimmäiseen kyselyyn, kaksi vuotta työkaluun
Google Ads API, silloin vielä AdWords API, oli se todellinen voima ja todellinen muuri. Ne kaksi päivää, jotka kollegani vietti dokumentaatiossa, eivät olleet moite häntä kohtaan. Sen verran monimutkaisuutta jokaisen oli hyväksyttävä.
Menimme silti täysillä mukaan ja rakensimme PPC Robotin, pitkälle muokattavan raportointi- ja operaatiotyökalun. Teknisesti kaunis, aidosti tehokas. Se vei myös kaksi kehittäjää kokopäiväisesti kahdeksi vuodeksi. Ja sen jälkeen pelkkä hengissä pitämiseen tarvittu kehitys maksoi noin 100 000 euroa vuodessa. Se ei koskaan maksanut itseään takaisin. Se kattoi murto-osan siitä, mitä PPC-asiantuntijamme oikeasti tarvitsivat, joten lopulta rajasimme sen pelkkään sisäiseen käyttöön. Ei siksi, että se olisi ollut huono. Siksi, että laskelma ei koskaan mennyt tasan.
Ja silti toimitimme tuon API:n päälle oikeita asioita, neljä ja viisi vuotta sitten:
Mitä tuo moottori oikeasti tuotti
- 404 / rikkinäisen lopullisen URL:n tarkistin kaikilla tileillä toimitettu
- Shopping-kampanjageneraattori feedistä toimitettu
- Shopping / Performance Max -segmentointi toimitettu
- BigQuery-putki + raportointi Sheetsiin / Exceliin toimitettu
- Merchant Center -tilin tilatarkistukset toimitettu
Katso listaa ja huomaa yksi asia. Mikään siitä ei ole nykymittapuulla eksoottista. Kaikki oli mahdollista. Sen rakentaminen ja hengissä pitäminen vain maksoivat omaisuuden. Jokainen merkityksellinen ominaisuus mitattiin kahden seniorikehittäjän kuukausissa, oli kyse sitten avainsanatutkimustyökalusta, laajennustyökalusta, mainosten kääntämisestä tai Shopping-generaattorista, eikä yksikään asiakas ollut valmis maksamaan sen hintaa.
Rajoite ei koskaan ollut teknologia. Se oli takaisinmaksuaika.
Ensimmäinen työ, joka muuttui kannattavaksi: roskahaut
”AI muutti kaiken” on väite, jota ei pidä niellä purematta. Tässä siis kaksi työtä, jotka ennen eivät kannattaneet ja nyt kannattavat. Molemmat ovat töitä, joita teen itse; ne eivät ole ajatusleikkejä, ja ensimmäisestä käyn läpi koko työnkulun.
Epäolennaisten hakutermien siivous tililtä on arvokasta ja tylsistyttävää, eikä siihen vielä hetki sitten ollut aidosti toimivaa automaatiota. Säännöt nappaavat tarkan sanan, mutta sen ratkaiseminen, kannattaako hausta ”nike air max historia” maksaa, vaatii luetun ymmärtämistä. Työ oli siis edelleen tuhansien hakujen puoliautomaattista läpikäyntiä: kuvioita silmäiltiin ja negatiivisia avainsanoja lisättiin käsin. Kuvittele juoksukenkäkauppa, joka maksaa klikkauksista hauilla ”juoksukenkien korjaus”, ”nike air max historia” ja ”ilmaiset juoksukengät”: korjauspalvelua se ei tarjoa, kenkiä se ei jaa ilmaiseksi, eikä mallihistorian selaaja ole ostoksilla. Kerro se tuhansilla riveillä, joka viikko, joka tilillä. Siinä on työ, jota kukaan ei halua ja jonka kaikki tarvitsevat.
Tässä se, mikä muuttui. Python-skripti vetää haut Google Ads API:sta ja syöttää ne avoimen lähdekoodin mallille, Googlen Gemma 4:lle, jota lähes mikä tahansa nykyinen PC pyörittää. Se lukee tuhansia hakuja muutamassa minuutissa. Ja kun pohjustat sen asiakkaan kontekstilla, sivustokartalla, sivuston ja tietokannan rakenteella, murupolkutaksonomialla ja tuotefeedillä, se lakkaa arvaamasta ja alkaa päätellä. Se karsii pois epäolennaiset haut ja nimeää roskahakujen taustalla olevat kuviot nopeammin kuin yksikään ihminen ehtii käydä niitä läpi. Tässä sama työnkulku viitenä konkreettisena vaiheena.
VEDÄ · hae raa'at hakutermit
Vedä hakutermiraportti Google Ads API:sta. Haku, klikkaukset, kustannus, konversiot. Miksi ensin: tämä on todistusaineisto, kuhunkin hakuun jo käytetty todellinen raha. Haluat kustannuksen kiinni jokaiseen riviin, jotta malli erottaa kalliin roskan harmittomasta. Saat: litteän taulukon jokaisesta hausta, josta tili on jaksolla maksanut.
POHJUSTA · rakenna kontekstipaketti sivustosta
Kokoa se, mitä sivusto oikeasti on, muodossa, jonka malli voi lukea. XML-sivustokartta, murupolkutaksonomia, tuotefeed (id, otsikko, kategoria) sekä tietokanta- ja kategoriarakenne. Miksi tämä on koko juju: kontekstiton malli arvaa; malli, joka tietää, ettei sinulla ole ”korjaus”- tai ”vuokraus”-kategoriaa, päättelee. Saat: kontekstipaketin, joka muuttaa mallin arvaajasta joksikin, joka tuntee katalogisi.
KYSY · luokittele haut ja nimeä kuviot
Anna Gemma 4:lle hakutermit ja kontekstipaketti. Luokittele jokainen haku olennaiseksi tai epäolennaiseksi sen suhteen, mitä myymme, ja palauta ennen kaikkea epäolennaisten hakujen taustalla olevat kuviot (yksittäinen sana, aikomus, kategoriaristiriita). Miksi kuviot, ei rivit: 200 roskahaun merkitseminen säästää iltapäivän; roskan kategorian nimeäminen sulkee pois seuraavat tuhat, joita et ole vielä nähnytkään. Saat: epäolennaisten hakujen listan ja sen yläpuolelle kourallisen sääntöjä, jotka sen tuottivat.
TARKISTA · validoi säännöt, älä rivejä
Ihminen lukee kuviot, viidestä kymmeneen kappaletta, ei 5 000 yksittäistä riviä. Miksi tämä säästää aikaa: harkintaa käytetään kerran per sääntö eikä kerran per haku, ja väärä sääntö pistää heti silmään, kun taas yksittäinen väärin merkitty rivi livahtaa ohi huomaamatta. Saat: lyhyen listan poissulkukuvioita, jotka ihminen on oikeasti käynyt läpi ja hyväksynyt.
VIE · lisää negatiiviset oikealle tasolle
Vie hyväksytyt negatiiviset takaisin API:n kautta oikealle tasolle, mainosryhmään, kampanjaan tai jaetulle listalle, sen mukaan, kuinka laaja kuvio on. Miksi taso ratkaisee: koko sivuston laajuinen roskasana (”ilmainen”, ”wikipedia”) kuuluu jaetulle listalle, eikä sitä pidä haudata yhteen mainosryhmään. Saat: siivotun tilin ja uudelleenkäytettävän negatiivilistan, joka toimii vielä ensi viikollakin.
Nähdäksesi, miksi tämä toimii, katso, mitä KYSY-vaihe oikeasti palauttaa juoksukenkäkaupallemme. Rivit ovat havainnollistavia, muoto on tarkalleen se, mikä tulee takaisin, ja arvokkain osa on alin lohko:
Haku Tuomio Miksi
ilmaiset juoksukengät epäolennainen ilmaisen perässä, ei ostoa
juoksukenkien korjaus epäolennainen palvelu, jota emme tarjoa
nike air max historia epäolennainen informatiivinen, ei ostoaikomusta
juoksukengät wikipedia epäolennainen tiedonhakija
→ KUVIO: osumat ”ilmai”, ”korjaus”, ”historia”, ”wikipedia”
= ei-kaupallisia määreitä, joita taksonomiastamme ei löydy.
Suositus: lisää jaetulle negatiivilistalle.Neljästä rivistä tuli yksi sääntö. Ihminen lukee sen yhden rivin, toteaa sen oikeaksi, ja sääntö nappaa jatkossakin ”ilmainen juoksukenkäarvonta” -tyyppistä roskaa, jota et ole vielä edes nähnyt. Se on hetki, jolloin tylsistyttävästä viikkoaskareesta tulee kymmenen minuutin tarkistus.
Vähemmälle huomiolle jää se, että paikallisesti ajettava avoimen lähdekoodin malli riittää. Et tarvitse huippumallin API:a saadaksesi tämän kannattamaan, eikä datasi poistu omalta koneeltasi. Muutos on taloudessa, ei kyvykkyydessä.
Toinen työ: avainsanatutkimus
Tämä oli ennen oma budjettirivinsä. Todellinen avainsanatutkimus, sellainen, joka yhdistää kysynnän laskeutumissivuihisi ja kertoo, mitä sivustolta puuttuu, tarkoitti ennen kymmeniä tunteja datan vetämistä (AdWords API, hakuehdotukset, OpenRefine), puoliautomaattista siivousta, luokittelua laskeutumissivun mukaan sekä trendi-, volyymi- ja aukkoraportointia päälle.
Yksi avainsanatutkimusprojekti, ennen vs. nyt
- Vanha tapa (datan veto, siivous, luokittelu, raportointi) 50–100 h
- Mitä asiakas siitä maksoi ≈ 2 000–4 000 €
- Sama projekti tänään, yhdellä hyvällä AI-skillillä yksinumeroinen tuntimäärä
- Ja lopputulos on tarkempi
Se ei ole vain halvempaa. Se on parempaa ja täsmällisempää, koska tunnit menevät validointiin ja harkintaan eivätkä datan kasaamiseen ja siirtelyyn. Halvempi ja parempi on juuri se yhdistelmä, jonka piti olla mahdoton. Olen purkanut modernin version alusta loppuun markkinalaajennuksen blueprintissä ja kilpailijan sisältöaukkoanalyysissä, joissa molemmissa todellinen välituloste näkyy joka vaiheessa.
Se osa, joka yllättää minut yhä, on rytmi. Tällainen tutkimus tehtiin ennen kerran vuodessa, asiakkaan kertaluonteisella hyväksynnällä. Sama putki voi nyt pyöriä päivittäin ja seurata kysynnän liikettä sen sijaan, että valokuvaisi sen kerran vuodessa.
Talous, ennen ja jälkeen
Tässä on koko teesi yhdessä taulukossa. Samat työt, sama laatuvaatimus; vain niiden tekemisen hinta muuttui. Käytän dokumentoituja lukuja aina, kun niitä on; loput ovat suuruusluokka-arvioita kahdenkymmenen toimistovuoden pohjalta.
| Työ | Vanha tapa | Tänään |
|---|---|---|
| Markkinalaajennusanalyysi (monen markkinan hinnoittelu) | ~400 h käsin · tai 2 kk kehitystä, 16 000–20 000 € | 6 h |
| Avainsanatutkimus (yksi projekti) | 50–100 h · 2 000–4 000 € laskutettu | yksinumeroinen tuntimäärä · tarkempi |
| Roskahakujen triage | puoliautomaattinen läpikäynti, tuhansia rivejä käsin | skripti + paikallinen malli nimeää kuviot |
| Yhden uuden automaatio-ominaisuuden toimitus | kuukausia (2 kehittäjää × 2 v yhteen kokonaiseen työkaluun) | viikkoja |
| Raportointimoottorin pitäminen hengissä | ~100 000 € / v, ei koskaan maksanut itseään takaisin | lähes nolla paikallisella mallilla |
Lue taulukko ylhäältä alas, ja sama kuvio toistuu joka rivillä. Kyvykkyyssarake ei liikkunut; pystyimme kaikkeen tähän vuonna 2019. Hintasarake romahti pohjaan asti. Ja takaisinmaksuaika on se, joka ratkaisee, tuleeko fiksu idea koskaan rakennetuksi.
AI ei juuri avannut uusia PPC-kyvykkyyksiä. Se sai ennen kaikkea vanhat maksamaan itsensä takaisin paljon nopeammin. Kun puolen vuoden rakennusurakasta tulee kahden viikon urakka, koko jono ”tekisimme mielellämme, mutta se ei koskaan kannattaisi” purkautuu yhtäkkiä.
Miltä näyttää, kun panostat tähän täysillä
Lynt on ollut teknologiapainotteinen toimisto ensimmäisestä päivästä asti. Meillä on tiimissä järjestelmäarkkitehti, tietoturvainsinööri, BI:tä rakentava data-analyytikko ja kokopäiväinen kehittäjä, mitä tavallisella toimistolla ei yksinkertaisesti ole. Edellä kuvattujen pitkien takaisinmaksuaikojen takia tuota teknistä osaamista oli vuosia vaikea suunnata PPC-ongelmiin. Nyt se kertautuu.
Boostora, oma työkalumme, vaati kaksi vuotta kehitystyötä. Se rikastaa Google Merchant Center -feedejä AI:lla, jolloin Shopping-kampanjat pyörivät paremmalla tuotedatalla kuin raaka feed antaa. Sen ympärille on rakentunut infrastruktuuri, jonka uusi talous vihdoin oikeuttaa. Kilpailijoiden hintojen keruu markkinoittain, joka tuotti tiedot laajennusblueprintin hinnoittelutaulukoihin. Avainsanatutkimusputket, jotka pyörivät ajastetusti eivätkä kerran vuodessa. Asiakastason liiketoimintaraportointi BigQueryssa ennusteineen. MCP-palvelimet jokaiselle palvelulle, jonka kanssa työskentelemme, jotta AI-agentti voi hakea dataa mistä tahansa niistä kesken tehtävän.
Kaksi vuotta sitten olisin joutunut puolustamaan jokaista näistä projekteista samaa kysymystä vastaan: maksaako se koskaan itsensä takaisin. Tänään kysymys tuskin nousee esiin. Kun rakentaminen halpenee, infrastruktuuri lakkaa olemasta ylellisyyttä ja siitä tulee etu, jota kukaan ei pysty kopioimaan.
Mitä tämä oikeasti tarkoittaa alalle
Suosittu tulkinta sanoo, että AI tekee lopun PPC-asiantuntijasta. Sen nurinpäin ymmärtämisellä on todellisia seurauksia tätä lukevien uralle, joten sanon asian suoraan.
”PPC-asiantuntijoiden aikakausi on päättymässä” on hölynpölyä. Käy juuri päinvastoin. Hyvät asiantuntijat turhautuivat vuosikausia siihen, ettei fiksua ratkaisua, jonka he selvästi näkivät edessään, kannattanut rakentaa. Nyt he pääsevät rakentamaan sen. Automaattisesti, kannattavasti, suuressa mittakaavassa. Kokonainen hyllyllinen PPC-strategioita, joiden toteuttaminen oli ennen kannattamatonta tai suorastaan absurdia, on yhtäkkiä harkinnan arvoinen.
Se, mikä tapahtuu, on terävämpi jako ammatin sisällä. Toisella puolella seisovat ne, jotka pitävät alustan käyttöliittymää koko työnä ja antavat uusien työkalujen mennä ohi. Kukaan ei irtisano heitä huomenna. He jämähtävät paikoilleen, kun työ muuttuu heidän ympärillään. Toisella puolella seisovat ne, jotka tuntevat Google Ads API:n läpikotaisin, yhdistävät datalähteitä, joita kukaan muu ei yhdistä, ja rakentavat itselleen erikoistuneita dashboardeja sen sijaan, että odottaisivat toimittajan julkaisevan ominaisuuden. Kaksitoista vuotta koodin kirjoittamista tuon API:n päälle opetti minulle, missä jälkimmäisen ryhmän etu oikeasti piilee. Koodi halpeni. Niukoiksi jäivät mielikuvitus ja toimialaosaaminen: tieto siitä, mitä dataa kannattaa yhdistää ja miksi.
Ja jotta ilmeisin väärinkäsitys ei jää elämään: tämä ei ole tarina halvemmasta palvelusta. Työkalut, laskenta ja kehitys maksavat yhä. Pointti on, että projekti, johon ennen kului kahdelta seniorikehittäjältä neljästä kuuteen kuukautta, valmistuu nyt viikoissa, joten investointi on vihdoin järkevä. Asiakas saa dramaattisesti paremman palvelun suunnilleen samaan hintaan.
Miksi kirjoitan taas
Lopetin bloggaamisen vuonna 2017, koska kuilu idean ja taloudellisesti järkevän toteutuksen välillä oli liian leveä ollakseen kiinnostava. Se kuilu juuri sulkeutui. Tämä blogi jatkaa siitä, mihin ppc-scripts.eu jäi, ja se pysyy konkreettisena. Käyttötapauksia oikeilla numeroilla, tarkkoja työnkulkuja, todellisia lopputuloksia, sotkuiset osat ja rajat mukaan lukien. Ensimmäiset syväluotaukset ovat jo luettavissa.
Jossain omassa jonossasi on automaatio, jonka hyllytit vuosia sitten, koska se ei olisi koskaan kannattanut. Kaiva se esiin ja laske luvut uudestaan. Jos ne ovat kääntyneet niin kuin minulla, tiedät, mitä rakentaa seuraavaksi. Ja jos haluat vaihtaa ajatuksia, tiedät, mistä minut löytää.
FAQ
Väitätkö, että toimistojen pitäisi irtisanoa PPC-asiantuntijansa?
Aivan päinvastoin. Asiantuntijat, jotka ymmärtävät strategian ja työkalut, ovat nyt arvokkaampia, koska he voivat vihdoin toteuttaa ideat, jotka eivät ennen kannattaneet. Se, minkä arvo kutistuu, on pelkkä nappien painelu alustan käyttöliittymässä.
Ovatko 100 000 € vuodessa ja kaksi kehittäjää kahdeksi vuodeksi tarkkoja lukuja?
Eivät, ota ne suuruusluokkana. Pointti ei ole tarkka eurosumma. Yhden talon sisäisen raportointimoottorin vuosikustannus oli kuusinumeroinen, eikä se silti koskaan maksanut itseään takaisin. Juuri siitä taloudesta koko juttu kertoo.
Tarvitsenko tähän kalliin huippumallin?
Et roskahakujen triagen kaltaisiin töihin. Kyvykäs avoimen lähdekoodin malli, kuten Gemma 4, ajettuna paikallisesti hyvällä sivustokontekstilla, tekee työn. Näin sekä datasi että kustannuksesi pysyvät omissa käsissäsi.
Koskeeko tämä vain hakutermejä?
Ei, se on vain se työ, jota on helpointa seurata käytännössä. Sama laskelma pätee nyt markkinalaajennusanalyysiin (kuusi tuntia noin 400 tunnin sijaan), kilpailijoiden hintojen keruuseen markkinoittain, avainsanatutkimukseen, joka pyörii päivittäin eikä kerran vuodessa, ja feedin rikastamiseen Boostoralla. Kaiva esiin mikä tahansa hyllyttämäsi askare ja laske sen luvut uudestaan.
Eli tämä on vain hypeä uudella maalipinnalla?
Jos olisi, en olisi alkanut taas kirjoittaa. Muutos on rajattu ja todellinen: niiden kyvykkyyksien takaisinmaksuaika, joita meillä jo oli, on lyhentynyt rajusti. Se on liiketoiminnallinen muutos, ei taikatemppu, ja juuri siksi jono purkautuu yhtäkkiä.
Mitä tällä blogilla oikeasti tulee olemaan?
Konkreettisia käyttötapauksia numeroineen, niiden taustalla olevia työnkulkuja ja lopputuloksia, rajoitukset ja epäonnistumistavat mukaan lukien. Vähemmän manifestia, enemmän tarkalleen sitä, mitä ajoimme ja mitä se palautti.
