AI og etik i digital marketing

AI og etik i digital marketing handler om at bruge automatisering, personalisering og generativt indhold uden at skjule, manipulere eller udnytte brugere. God praksis kræver klare datagrænser, menneskelig kontrol, dokumenteret fairness og tydelig markering, når AI påvirker budskaber eller beslutninger.

Hvad betyder etik i digital marketing med AI?

Etik i digital marketing med AI er den praktiske vurdering af, om en kampagne bruger data, modeller og automatisering på en måde, som er rimelig, forklarlig og kontrollerbar. Det handler ikke kun om, hvorvidt en aktivitet er teknisk mulig, men om den behandler mennesker som modtagere med rettigheder, forventninger og mulighed for at forstå påvirkningen.

I marketing kan AI bruges til at skrive udkast, segmentere målgrupper, forudsige konvertering, anbefale timing, skabe billeder, tilpasse annoncer og prioritere leads. Hver brugstype ændrer balancen mellem effektivitet og ansvar. En tekstgenerator kræver faktatjek og redaktionel kontrol. En model til målretning kræver dataminimering, biaskontrol og en klar forklaring af, hvorfor bestemte personer rammes.

Den etiske vurdering begynder derfor før kampagnen. Du skal kunne beskrive formålet, datagrundlaget, den forventede påvirkning, de mulige fejl og den menneskelige beslutning, som stadig skal ligge uden for systemet. Uden den afgrænsning bliver AI let en sort boks, hvor marketingteamet kun ser resultatet og ikke konsekvensen.

Hvor opstår de største etiske risici i marketingprocessen?

De største risici opstår typisk i fire led: indsamling af data, udledning af målgrupper, produktion af budskaber og automatiseret optimering. Data kan være lovligt indsamlet, men stadig bruges på en måde, brugeren ikke rimeligt forventer. En målgruppe kan virke kommercielt relevant, men indirekte sortere mennesker efter sårbarhed, helbred, økonomi eller andre følsomme forhold.

Budskaber kan også blive problematiske, når AI producerer variationer i stor skala. Små ændringer i tone, billeder eller timing kan teste grænserne for manipulation, især hvis systemet optimerer efter klik uden at skelne mellem legitim relevans og udnyttelse af usikkerhed, frygt eller socialt pres. Automatiseret optimering kan dermed forstærke det, der virker kortsigtet, uden at se skaden på tillid.

Et simpelt risikokort kan hjælpe med at placere ansvaret tidligt:

Hvordan påvirker data og samtykke etisk AI-marketing?

Dataetik i marketing begynder med formålet. Hvis AI bruges til at gruppere, rangere eller forudsige adfærd, skal du kunne forklare, hvilke datatyper der indgår, hvorfor de er nødvendige, og hvor længe de gemmes. Jo mere følsomt eller adfærdsnært datagrundlaget er, desto stærkere skal begrundelsen og kontrollen være.

EDPB beskriver social media targeting som en proces, hvor målretning kan bygge på data, brugeren selv har afgivet, observerede data og udledte data. Den skelnen er central for etik, fordi udledte data ofte kan overraske brugeren. En person har måske ikke fortalt noget om økonomi, helbred, politiske interesser eller følelsesmæssig tilstand, men en model kan forsøge at aflede mønstre fra klik, adfærd og kontekst.

God datapraksis er derfor mere end et samtykkebanner. Den kræver, at marketingteamet ikke samler flere signaler, end formålet kan bære. Hvis en kampagne kan fungere med kontekstuel målretning, aggregerede målinger eller brede segmenter, er det ofte mere etisk robust end individuel profilering. Du bør også adskille analyse til intern læring fra data, der bruges til direkte påvirkning af en bestemt bruger.

For taktiske AI-værktøjer er det samme princip relevant. Når du bruger AI-assisteret copywriting, bør kundeindsigter, interviews og CRM-data kun indgå, hvis formålet er klart, og oplysningerne ikke eksponeres unødigt i et eksternt værktøj.

Hvornår bliver personalisering problematisk?

Personalisering bliver problematisk, når den går fra relevant til skjult påvirkning. En anbefaling baseret på tidligere interesse kan være rimelig, hvis brugeren kan forstå logikken. En besked, der forsøger at ramme et sårbart tidspunkt, et følelsesmæssigt pres eller en usikker livssituation, kræver en helt anden vurdering.

Det etiske spørgsmål er ikke kun, om et budskab konverterer. Det er, om brugeren får en reel mulighed for at træffe en informeret beslutning. Hvis en model vælger ord, prisankre eller visuelle signaler, fordi de presser bestemte grupper hårdere, er resultatet ikke blot effektiv personalisering. Det er en påvirkningsstrategi, der kan svække autonomi.

Du kan bruge tre grænser som praktisk test:

• Relevans: Budskabet skal hjælpe brugeren med at forstå et relevant valg, ikke skjule alternativer.
• Rimelighed: Målretningen må ikke afhænge af sårbarhed, følsomme forhold eller uigennemskuelige livssituationer.
• Forklarbarhed: Teamet skal kunne forklare, hvorfor netop denne gruppe får netop dette budskab.

I optimering af landingssider og kampagner gælder samme afgrænsning. AI-drevet CRO kan være nyttigt, men konverteringsmål bør suppleres med kvalitetsmål som klager, afvisninger, misforståelser og efterfølgende kundetilfredshed.

Hvordan kan bias opstå i målgrupper og budskaber?

Bias i AI-marketing opstår, når data, model eller målsætning systematisk favoriserer eller frasorterer bestemte grupper. Det kan ske uden, at der indgår direkte følsomme oplysninger. Postnummer, enhedstype, tidspunkt, købshistorik eller adfærdssignaler kan fungere som indirekte markører, hvis de hænger sammen med økonomi, alder, helbred, etnicitet eller andre forhold.

En model kan også skabe bias i budskaber. Hvis tidligere kampagner primært har vist bestemte billeder, tonefald eller tilbud til bestemte grupper, kan AI gentage mønstret som om det var en neutral sandhed. Det kan føre til snævre målgrupper, stereotype kreative valg eller udelukkelse fra relevante tilbud.

Biaskontrol bør derfor ske på både output og proces. Se ikke kun på den samlede klikrate. Se på, hvem der får tilbuddet, hvem der ikke gør, hvilke budskaber der bruges, og om forskellene kan forklares sagligt. Hvis forskellene kun kan forklares med historiske vaner eller uklare modelmønstre, bør kampagnen justeres før publicering.

Etisk marketing kræver også, at testdata ikke bliver en undskyldning for at gentage gamle skævheder. Når en kampagne optimeres løbende, bør teamet jævnligt nulstille antagelser, teste bredere alternativer og sikre, at automatiseringen ikke låser målgruppen fast i en smal profil.

Hvad betyder gennemsigtighed for AI-genereret indhold?

Gennemsigtighed betyder, at brugeren ikke bliver ført til at tro, at noget er menneskeskabt, dokumenteret eller personligt vurderet, hvis det reelt er genereret, syntetisk eller automatisk tilpasset. I marketing gælder det især billeder, video, lyd, testimonials, produktbeskrivelser, chatbotdialoger og personaliserede anbefalinger.

EU AI Act indeholder særlige transparensforpligtelser for visse AI-systemer, blandt andet når mennesker interagerer med AI-systemer, og når syntetisk eller manipuleret indhold skal markeres under bestemte betingelser. De fleste regler i AI Act anvendes fra 2. august 2026, mens enkelte dele har tidligere anvendelsesdatoer. Derfor bør organisationer behandle transparens som en designopgave, ikke som en tekstlinje til sidst.

I praksis er gennemsigtighed stærkest, når den er tæt på brugerens beslutning. Hvis en produktvisualisering er AI-genereret, bør markeringen stå ved billedet. Hvis en chatbot hjælper med valg, bør brugeren forstå, at svarene er automatiserede, og hvor der findes menneskelig hjælp eller verificerede oplysninger. Hvis et tilbud bygger på automatisk segmentering, bør begrundelsen kunne forklares i almindeligt sprog.

Det er også her, AI-governance bliver praktisk. Governance er ikke kun politikker på papir, men faste beslutninger om mærkning, godkendelse, dokumentation og stopkriterier for kampagner, der bruger AI.

Hvordan bør mennesker kontrollere AI i marketing?

Menneskelig kontrol bør placeres der, hvor fejl kan påvirke brugere, tillid eller rettigheder. Det er sjældent nok, at en person hurtigt godkender en færdig kampagne. Kontrollen bør være delt op efter risiko: datavalg, målgruppe, budskab, kanal, automatiseret optimering og efterfølgende måling.

En lavrisikoopgave kan være sproglig variation af en allerede godkendt tekst. En højere risikoopgave kan være segmentering af mennesker efter adfærd, prisfølsomhed eller livssituation. En meget høj risiko kan opstå, hvis AI bruges til sundhedsrelaterede, finansielle, politiske eller børnerettede budskaber. Her bør automatisering begrænses, og beslutninger bør gennemgås af personer med fagligt ansvar.

Kontrollen bør være konkret. En redaktør skal ikke bare vurdere, om teksten lyder godt, men om påstandene er dokumenterede. En marketingansvarlig skal ikke bare se på performance, men også på målgruppens rimelighed. En dataansvarlig skal ikke bare se på dashboardet, men på datakilder, sletning og adgang.

Når AI bruges til automatisering af sociale medier, bør der desuden være grænser for, hvilke opslag der kan publiceres automatisk, hvilke emner der kræver manuel godkendelse, og hvordan fejl hurtigt trækkes tilbage.

Hvilke regler påvirker AI-marketing i Europa?

AI-marketing i Europa påvirkes af flere regelsæt, som har forskellige formål. AI Act regulerer AI-systemer og visse anvendelser af AI. Databeskyttelsesreglerne regulerer persondata, profilering, transparens og rettigheder. Digital Services Act regulerer blandt andet platforme, annoncegennemsigtighed, mørke mønstre og særlige begrænsninger for målretning på store platforme.

Det betyder ikke, at alle AI-marketingaktiviteter automatisk er højrisiko efter AI Act. En almindelig tekstgenerator til kampagneudkast er noget andet end et system, der træffer beslutninger med væsentlig betydning for en persons adgang til arbejde, kredit, uddannelse eller offentlige ydelser. Marketingteamet bør derfor klassificere brugen konkret i stedet for at sætte samme etiket på alle AI-værktøjer.

Samtidig kan almindelig marketing stadig have høj etisk risiko. En kampagne kan være uden for de mest krævende AI Act-kategorier og stadig være problematisk, hvis den udnytter sårbarhed, skjuler syntetisk indhold eller bruger persondata på en uventet måde. Reglerne er minimumsrammer; tillid kræver ofte strammere interne grænser.

For europæiske organisationer er EU AI Act derfor relevant som fælles ramme, men den bør læses sammen med databeskyttelse, platformskrav og almindelige regler mod vildledende markedsføring.

Hvordan håndteres generativt indhold uden at vildlede?

Generativt indhold bør håndteres som udkast, ikke som dokumentation. En AI-model kan skrive flydende tekst, foreslå billeder og skabe realistiske scenarier, men den garanterer ikke, at produktpåstande, tal, cases eller kundebehov er sande. Derfor bør marketingprocessen skelne mellem kreativ produktion og verificerede oplysninger.

Den vigtigste regel er at knytte påstande til kilder. Hvis en tekst nævner ydeevne, sikkerhed, klimaeffekt, priser, tilgængelighed eller kunderesultater, skal oplysningerne komme fra dokumenterbare kilder. AI kan hjælpe med formulering, men ikke erstatte beviset. Hvis billedmateriale viser personer, produkter eller situationer, som ikke findes, bør det ikke præsenteres som faktisk dokumentation.

Etisk brug af generativt indhold kræver også en klar skelnen mellem illustration og bevis. Et AI-genereret billede kan bruges til at illustrere en abstrakt situation, hvis det er tydeligt for brugeren. Det bør ikke bruges som erstatning for ægte før- og efterbilleder, kundecases, produktfotos eller eksperter, medmindre det er klart markeret som syntetisk.

En praktisk arbejdsgang kan være:

1. Marker først, hvilke dele af kampagnen der er genereret eller væsentligt AI-assisteret.
2. Knyt alle konkrete påstande til en godkendt kilde, et produktark eller en intern fagperson.
3. Fjern fiktive citater, fiktive cases og billeder, der kan forveksles med virkelige hændelser.
4. Lav en sidste menneskelig kontrol af tone, rimelighed og dokumentation før publicering.

Hvilke kontrolpunkter bør indgå før en kampagne?

En etisk kontrol før publicering bør være kort nok til at blive brugt og konkret nok til at fange reelle risici. Den bør ikke kun ligge hos jurister eller compliancefunktioner. Marketing, data, redaktion og ledelse bør have hver deres tydelige ansvar, alt efter kampagnens type og risiko.

Følgende spørgsmål kan bruges som minimum:

• Formål: Hvad skal AI-systemet hjælpe med, og hvad må det ikke bruges til?
• Data: Hvilke datatyper indgår, og kan formålet nås med færre eller mindre personlige data?
• Målgruppe: Kan segmenteringen indirekte ramme sårbare eller beskyttede grupper urimeligt?
• Budskab: Er alle konkrete påstande verificerede, og er syntetisk indhold markeret, hvor det kan påvirke forståelsen?
• Optimering: Hvilke mål styrer algoritmen, og findes der stopkriterier ud over lav performance?
• Ansvar: Hvem kan ændre, stoppe eller forklare kampagnen, hvis den skaber problemer?

Kontrolpunkterne skal tilpasses kanal og risiko. En e-mail med generelle nyheder kræver ikke samme proces som dynamiske annoncer baseret på adfærdssignaler. Men alle AI-kampagner bør have en dokumenteret beslutning om data, transparens og menneskelig godkendelse.

Hvordan kan organisationer dokumentere ansvarlig brug?

Dokumentation er den del af etikken, der gør ansvar muligt efterfølgende. Hvis en kampagne skaber klager, fejl eller uventet diskrimination, skal organisationen kunne se, hvilket værktøj der blev brugt, hvilke data der indgik, hvem der godkendte målgruppen, og hvilke kriterier der styrede optimeringen.

En enkel log kan være nok for lavrisikoopgaver. Den kan beskrive formål, værktøj, datatyper, menneskelig kontrol og publiceringsdato. For højere risiko bør dokumentationen også indeholde test af målgrupper, vurdering af sårbarhed, kildegrundlag for påstande, vurdering af syntetisk indhold og beslutning om mærkning.

NIST AI Risk Management Framework er ikke en europæisk lov, men den er nyttig som struktureret risikotænkning. Rammen lægger vægt på at håndtere risici for individer, organisationer og samfund og på at indarbejde troværdighed i design, udvikling, brug og evaluering. I marketing kan den omsættes til faste roller, risikomålinger og løbende evaluering af faktiske effekter.

Dokumentation skal dog ikke blive en papirøvelse. Den skal hjælpe teamet med at ændre kampagnen, når data viser skævhed, når brugere misforstår budskabet, eller når en platform ændrer sine annonceværktøjer. Ansvarlig AI-marketing er en gentagen kontrol, ikke en engangsgodkendelse.

Hvad kan AI ikke løse etisk alene?

AI kan ikke selv afgøre, hvad der er rimeligt for brugeren, fordi rimelighed afhænger af kontekst, forventninger, magtforhold og konsekvenser. En model kan finde mønstre, foreslå budskaber og optimere resultater, men den har ikke selv ansvar for sandhed, proportionalitet eller fair behandling.

AI kan heller ikke fjerne organisationens ansvar for valg af mål. Hvis målet kun er flere klik, billigere leads eller højere kortsigtet salg, vil systemet søge mod de signaler, der fremmer netop det. Etiske hensyn skal derfor indbygges som begrænsninger, målepunkter og menneskelige beslutninger. Ellers bliver de let skubbet ud af optimeringen.

Derfor bør AI i digital marketing behandles som et kraftigt arbejdsværktøj med klare rammer. Den kan gøre analyse, variation og produktion hurtigere, men den bør ikke stå alene med valg, der påvirker mennesker på uigennemsigtige måder. Den mest robuste praksis kombinerer teknisk kvalitet, dataminimering, gennemsigtighed, biaskontrol og mulighed for menneskelig indgriben.

Hvilke kilder ligger til grund?

Artiklens etiske ramme bygger især på EU-Kommissionens Ethics guidelines for trustworthy AI, som beskriver lovlig, etisk og robust AI samt syv krav til troværdige AI-systemer.

Vurderingen af målretning, profilering og datarisici bygger på EDPB’s Guidelines 8/2020 on the targeting of social media users. Den europæiske reguleringsdel bygger på Regulation (EU) 2024/1689 om kunstig intelligens og EU-Kommissionens side om Digital Services Act. Den praktiske risikostyring er suppleret med NISTs AI Risk Management Framework.