Læs, hvorfor generisk auto-tagging kommer til kort. Og se, hvordan en AI-model trænet på dine egne produkter gør et mediebibliotek fyldt med produktbilleder og -videoer nemt at søge i.
Senest opdateret september 2026
Flertallet af DAM-systemer og fotoværktøjer i skyen reklamerer med »AI-tagging«. Reelt er det en generisk model til billedgenkendelse – som regel bare en tynd skal uden om et tredjeparts-API som Google Vision, AWS Rekognition eller open source-modellen CLIP. Modellerne er trænet på milliarder af billeder fra det åbne internet, så de kender generelle begreber som bil, strand, kvinde, bærbar og pizza.
Det er fint, hvis du skal holde styr på private billeder. For en virksomhed er det stort set ubrugeligt.
Det er heller ikke nyt. Generisk auto-tagging er omkring 15 år gammel teknologi. Da den kom frem, var den et reelt gennembrud: At en computer kunne se på et foto og sige »det her er en hund«, var et skridt fremad i begyndelsen af 2010’erne. Men resultaterne er ikke blevet nævneværdigt bedre i det seneste årti. Til gengæld har flere og flere leverandører funktionen med – for at kunne sætte flueben på en sammenligningsliste. Ofte bliver den stadig markedsført som »AI-drevet«, som om den var ny. Det er den ikke. Og søger dit team efter billeder på bestemte produktnavne, har den aldrig virket.
Et modebrand, der leder efter »Aurora Shell-jakken i Storm Blue fra SS26-lookbooken«, finder aldrig det billede via generiske tags. Den generiske AI taggede det jakke, udendørs, blå, person, bjerg. Taggene er teknisk set korrekte. Men de hjælper ikke det mindste – for alle de andre jakker i mediebiblioteket har de samme tags. Du har ikke brug for en blå jakke. Du har brug for præcis den blå jakke. Og generisk AI kan på ingen måde skelne den ene fra den anden.
Problemet vokser med mængden. Et mediebibliotek med 500 billeder kan du gennemse i hånden. Et med 50.000 billeder og generiske tags er værre end et helt uden tags. Taggene får det til at se ud, som om du kan søge i det. Det kan du ikke, og det spilder alles tid.
Generisk AI har et loft over, hvor præcis den kan blive. Den kender en hund, men ikke en Aussiedoodle. Den kender en stol, men ikke en Herman Miller Aeron. Den kender morgenmadsprodukter, men ikke din SKU med havreklynger i den nye juleemballage. For næsten alle virksomheder er kataloget mere detaljeret, end en offentligt tilgængelig billedmodel kan følge med i. Loftet er nået allerede på dag ét.
Generisk AI er også inkonsekvent, når billederne ligner hinanden. Det samme produkt fotograferet fra forskellige vinkler kan få beslægtede, men forskellige tags: skjorte på ét billede, top på det næste og bluse på det tredje. Ingen af taggene er forkerte. Men søger du på »skjorte«, får du kun en tredjedel af de resultater, du burde få.
Når generisk AI ikke virker, giver teams i praksis op og tagger i hånden. En designer, en marketingmedarbejder eller en praktikant sætter sig med et regneark og skriver det rigtige tag på hvert billede. Et katalog med 5.000 SKU’er og 20 billeder pr. SKU giver 100.000 beslutninger om tagging. Selv med ét minut pr. billede er det et helt årsværk. Det gør intet team i virkeligheden. Taggingen går i stedet i stå, mediebiblioteket forfalder, og søgningen bliver til »spørg Sarah – hun tog billederne«.
Custom AI tagging er en helt anden slags produkt. Her kører billederne ikke gennem en færdigtrænet model til alt muligt. En model bliver trænet på dine rigtige produkter, med egne billeder af kataloget som eksempler. AI’en lærer, hvordan hvert produkt ser ud, og sætter det rigtige tag på hver fil, du uploader.
Kernen er produkter. Et brand i detailhandlen får AI’en trænet på hvert produkt i kataloget. En møbeludlejer får den trænet på alt inventar til udlejning. En hardwareproducent får den trænet på hver SKU, også varianter, der ligner hinanden. Fra da af får hvert nyt billede i mediebiblioteket et tag med det rigtige produktnavn, ikke et generisk synonym.
Custom AI tagging bruges i praksis mest til produkter, men metoden virker også ud over produkter. Et universitet kan få en skræddersyet model trænet til at genkende bestemte bygninger på campus. Et eventfirma kan få den trænet på bestemte eventsteder. Et sportshold kan få den trænet på bestemte stadioner eller anlæg. Alt, der ser ens ud hver gang, og som dit team skal finde ved navn, er en god kandidat. Resten af guiden handler mest om produkter, for det er dér, det meste af værdien ligger. Men husk, at metoden rækker videre.
Custom AI tagging er ikke, at du selv føjer nye tags til en rullemenu. Det er metadatahåndtering. Det har alle DAM-systemer, og der skal stadig et menneske til selve taggingen.
Det er heller ikke auto-tagging ud fra søgeord, hvor systemet scanner filnavne eller beskrivelser og kopierer teksten over i tagfelter. Det virker, når filnavnene er ryddelige, og fejler, når de ikke er det (hvilket de som regel ikke er).
Custom AI tagging er en model, der ser på, hvad der faktisk er på hvert nyt billede og i hver ny video. Den finder selv det rigtige produkt. Intet menneske skal ind over selve taggingen.
Custom AI tagging er ikke ét problem, men en hel familie af problemer med vidt forskellige sværhedsgrader. Det er ligetil at skelne mellem to stole, der ser tydeligt forskellige ud. To næsten ens borde kan være reelt svære at skelne fra hinanden. Elektronik har ofte læsbar tekst på selve produktet, fx modelnumre, logoer og etiketter. Den tekst kan et velbygget taggingsystem udnytte. Mode kræver, at AI’en genkender tekstur og silhuet. Udlejningsudstyr har ofte serienumre og mærker, der hjælper.
Et seriøst produkt til Custom AI tagging bruger forskellige teknikker til forskellige typer problemer. Det betyder forskellige AI-modeller til forskellige tilfælde og tekstgenkendelse (OCR), når produktet selv har tekst, der viser, hvad det er. En platform med samme metode til alle kunders kataloger klarer sig dårligere dér, hvor metoden ikke passer.
Du behøver ikke at forstå teknologien for at vurdere en leverandør. Stil i stedet ét spørgsmål: »Hvordan håndterer I tagging i vores kategori?« Kan leverandøren forklare, hvorfor tagging af mode er noget andet end tagging af elektronik? Så er der tale om rigtigt udviklingsarbejde. Siger leverandøren »vores AI gør det hele på samme måde«, er det nok ikke tilfældet.
Det er dyrt at træne og drive en billedmodel til hver enkelt kunde. Det kræver infrastruktur, ML-ingeniører og et produktteam, der vil bygge funktionen, selvom mange mindre kunder ikke kommer til at bruge den. Hovedparten af DAM-systemerne tog den nemme vej: koble et generisk billed-API på, kalde det »AI-tagging« og sende det på markedet. Mange præsenterer stadig den 15 år gamle teknologi som en flagskibsfunktion.
Billedmodeller trænet til den enkelte kunde findes godt nok uden for DAM-verdenen. Cloududbydere som AWS, Google og Azure tilbyder alle tjenester til skræddersyet billedgenkendelse. Men det er værktøjer til udviklere, og det kræver et udviklingsteam at integrere, vedligeholde og drive dem. Det er ikke det samme som en skræddersyet AI-model indbygget i et DAM-system. Den kan det team, der ejer mediebiblioteket, selv bruge – hvad enten det er marketing, drift eller events.
Så vidt vi ved, er Tagbox.io i dag det eneste DAM-system med Custom AI tagging som en færdig funktion, dit team selv bruger. Ikke et API til udviklere, som du selv skal koble op.
Processen er enklere, end de fleste tror. Den består af fire trin.
Første trin er bare en liste over det, AI’en skal genkende. For de fleste brands er det produktkataloget: hver SKU, hver produktlinje, variant eller model, du vil kunne søge efter. For et universitet kan det være campusbygningerne. For en eventvirksomhed er det eventstederne.
Inden for hvert produkt kan du tilføje mere struktur: farvevariant, sæson, billedtype, kampagne og så videre. Men i bund og grund siger listen bare: »Det her skal AI’en kunne genkende«.
Til hvert punkt på listen leverer du eksempelbilleder. Med de nuværende systemer skal du typisk bruge 25 til 50 eksempler pr. punkt. Svære grænsetilfælde kan kræve op til 100, fx produkter, der ligner andre i kataloget til forveksling. Teknologien udvikler sig hurtigt. Den næste generation af modeller presser det typiske antal helt ned på fem eksempler for de fleste tags.
Ved mere diffuse eller visuelt varierede tags som »lifestylebillede« over for »packshot« skal du op i den høje ende, så modellen ser nok variation til at kunne generalisere.
Eksempelbillederne er det eneste reelle manuelle arbejde. For de fleste teams er det en engangsindsats på cirka en dag. Det er langt mindre end at tagge hele det eksisterende mediebibliotek i hånden.
Platformen træner en skræddersyet model på dine eksempler. Det klarer platformens eget team typisk som en del af opsætningen – det er ikke noget, du selv skal stå for. Hele projektet tager normalt to til fire uger, fra produktlisten over træning og validering til modellen er i drift. Tiden afhænger af, hvor mange punkter projektet omfatter, og hvor rene de første træningsdata er.
Når det gøres seriøst, er det sjældent noget, du klarer selv. En skræddersyet model, der virker godt, kræver et vist samarbejde: at blive enige om omfanget, gennemgå den første models resultater, justere, når noget tagges dårligt, og tjekke nøjagtigheden på billeder, der er holdt uden for træningen. Lover en platform, at en skræddersyet model kører fem minutter efter upload, så lover den for meget.
Når modellen er i drift, tjekker den automatisk hvert nyt billede, du uploader, og sætter de tags på, der passer. Den går også tilbage gennem hele det eksisterende mediebibliotek og tagger det historiske indhold. Så betaler indsatsen sig for alt, der allerede ligger i mediebiblioteket – ikke kun for nye uploads.
Fra da af kan en fotograf uploade en serie produktbilleder. Få sekunder efter er hvert billede korrekt tagget med produkt, farvevariant, sæson og billedtype – uden manuelt arbejde. En marketingmedarbejder i en detailkæde søger på »Aurora Shell Storm Blue packshot« og får præcis de billeder. Ikke 200 tilfældige billeder af blå jakker.
Kataloger ændrer sig. Nye produkter kommer til, nye kampagner kører, og nye SKU’er afløser de gamle. Med Custom AI tagging kan modellen trænes igen eller lære nye tags lidt ad gangen. Send et lille sæt eksempler på den nye SS27-kollektion, så kender modellen den efter næste træning. Resten af kataloget bliver ikke rørt.
Ja. Træningen behøver ikke foregå på engelsk. En dansk detailvirksomhed kan få trænet sin skræddersyede model på danske produkt- og kategorinavne, og så kommer taggene også ud på dansk. Det betyder mere, end det lyder. Tvinger man et internationalt team over på en engelsk taksonomi, står der altid et oversættelsesled mellem mediebiblioteket og de folk, der bruger det.
Billeder kan du trods alt skimme. Du kan åbne en mappe med 500 produktbilleder og kigge dig frem til det rigtige på et par minutter, hvis det endelig skal være. Det er en pine, men det kan lade sig gøre.
Video er anderledes. Video kan du ikke skimme. En eventoptagelse på 60 minutter kan rumme et klip på to sekunder med din kundes produkt. En lanceringsvideo viser måske en bestemt SKU i minut 38. En keynote klipper måske til et slide med brandet efter 22 minutter. Uden søgning er den eneste mulighed at se det hele. Gang det med et mediebibliotek med hundredvis eller tusindvis af videoer, og hele mediebiblioteket bliver ubrugeligt. Ikke besværligt. Ubrugeligt.
Det er her, Custom AI tagging gør den største forskel. Når modellen kører på både video og billeder, kan du finde hver eneste gang, et produkt optræder i en video. Du skal ikke spole dig gennem timevis af optagelser i håb om at ramme øjeblikket. Søg på produktnavnet, og resultaterne viser hvert klip med produktet – med tidskoder.
For brands med mange produkter er videosøgning i dag et minimumskrav. Sociale medier er først og fremmest video. Produktdemoer og unboxing er video. Marketingreels, TikTok-indhold, YouTube Shorts, lanceringsoptagelser og kundeudtalelser: Det hele er video. En platform, der kun tagger stillbilleder, gør en stor og voksende del af mediebiblioteket usynlig.
For eventfirmaer, udlejningsfirmaer og alle, der producerer lange videoer, er argumentet for video endnu stærkere. Kan du finde »et klip på 90 sekunder af vores nye loungeopstilling fra brandeventet i Odense« i en eventoptagelse på fire timer, kan du genbruge materialet. Ellers skal det optages helt forfra.
Kort sagt: Hvis din Custom AI tagging kun virker på billeder, har du løst den nemme halvdel af problemet og ladet den svære ligge.
Custom AI tagging kan langt mere end at tagge produkter automatisk til e-handel. Her er de arbejdsgange, hvor den ændrer måden, teams faktisk arbejder på.
Det her er det klassiske eksempel. Et brand med tusindvis af SKU’er og en fotograf i sving hver uge har et mediebibliotek i eksponentiel vækst: packshots, lifestylebilleder, kampagnefotos, indhold til sociale medier, brugergenereret indhold og stillbilleder fra video. Uden Custom AI tagging er hver ny fil så godt som usynlig fra det øjeblik, den lander i mediebiblioteket.
Med Custom AI tagging får hvert foto automatisk tags med det rigtige produktnavn, farvevariant, sæson og billedtype. Marketingteamet finder »alle lifestylebilleder i Storm Blue fra SS26« på få sekunder, når en kampagne skal sættes sammen. SoMe-teamet finder »alle detaljebilleder af Aurora-serien« uden at spørge nogen. Og teamet bag produktsiderne (PDP) finder de primære topbilleder ud fra SKU, når et produkt skal lanceres.
En sidegevinst er, at mediebiblioteket holder sig organiseret, mens det vokser. Når et brand fordobler sit sortiment, behøver det ikke også at fordoble antallet af folk i contentteamet.
Bedst til: Mode og beklædning | Fodtøj | Skønhed og hudpleje | Bolig og interiør | Møbler | Tilbehør | Markedspladser med mange brands
Firmaer inden for eventudlejning står og falder med deres tilbud. En kunde beder om »noget i stil med jeres lounge fra sidste års brandevent i Odense, men med sidebordene i messing i stedet«, og en fra salgsteamet skal hurtigt finde referencebilleder. Uden Custom AI tagging betyder det at grave sig gennem mapper med tusindvis af eventbilleder.
Løsningen er Custom AI tagging, trænet på hver eneste del af udlejningssortimentet: de konkrete sofaer, barer, scener, loungemøbler, sideborde og så videre. Nye eventbilleder får automatisk tags med de produkter, der faktisk er med på dem. Salg finder referencebilleder på få sekunder. Designteamet laver moodboards ud fra rigtige tidligere events. Og marketing får et levende bibliotek med kundecases, sorteret efter produkt i stedet for efter event.
Blueprint Studios er et eksempel fra virkeligheden. Firmaet i San Francisco producerer events og udlejer eventudstyr. Det bruger Custom AI tagging til at holde styr på sine eventmøbler og sit inventar i tusindvis af eventbilleder. Teamets egne tags – bestemte loungemøbler, bartyper og produktfamilier – lander automatisk på hvert nyt eventbillede. Salg og design finder relevante referencebilleder til nye tilbud på få sekunder i stedet for at rode mapperne igennem.
Bedst til: Udlejning af eventmøbler og inventar | Udlejning til bryllupper og fester | Telte og scener | Produktion af firmaevents | Styling og design af eventsteder
Her taler vi om produktkataloger, hvor hvert varenummer tæller: PCB-layouts, komponenter, monteringsvarianter, industrimaskiner, laboratorieudstyr og bildele. Produkterne på billederne ligner hinanden – et rack med servere, der ser helt ens ud, eller ti varianter af samme printkort. Generisk AI kan ikke se forskel på dem.
Det er også her, teksten på selve produktet betyder mest. Modelnumre, serienumre og mærkater med brandnavn er ofte det tydeligste kendetegn. Når Custom AI tagging kombinerer OCR med billedgenkendelse, bliver katalogerne tagget med langt større nøjagtighed end med en AI, der kun ser på produktets form.
Gevinsten er til at tage og føle på. Ingeniør- og produktteams finder det rigtige referencebillede ud fra SKU eller varenummer. Den tekniske dokumentation får automatisk billeder af den rigtige variant. Og marketing kommer ikke til at sende et datablad ud med et foto af den forkerte model.
Bedst til: Elektronikproducenter | Industriudstyr | Bildele | Laboratorie- og forskningsudstyr | Halvledere og komponenter
Events får gavn af Custom AI tagging på to forskellige måder. Den første er logogenkendelse for sponsorer. En konference med 20 sponsorer giver tusindvis af billeder, og hver sponsor vil have et udvalg af billeder med sit brand senest 48 timer efter eventet. Når Custom AI er trænet på hver sponsors logo, standdesign eller brandmærke, samler den automatisk sponsorernes egne billedsæt fra eventets samlede mediebibliotek. Det, der før var tre dages manuel sortering, kører nu af sig selv.
Den anden måde handler om det, der går igen fra event til event: bestemte sceneelementer, skilteskabeloner og opstillinger til brandaktiviteter. Elementerne får de samme tags ved hvert eneste event, virksomheden står bag. Resultatet er et arkiv, hvor du kan søge i alt det, der er bygget før.
Sportsevents passer særlig godt. Når tv- og sponsorrettigheder er på spil, skal du vide præcis, hvornår og hvor bestemte sponsorlogoer er med i hvert minut af optagelserne. Custom AI – især på video – finder de oplysninger frem automatisk.
Bedst til: Konferencer med mange sponsorer | Sportsevents med sponsorbranding | Messer | Firmaevents med stande og brandaktiviteter | Prisuddelinger
Fødevarebrands har et præcisionsproblem, der ligner modebranchens: Generisk AI tagger alt som mad, skål eller tallerken, og det kan ingen bruge til noget. Custom AI, der er trænet på de faktiske SKU’er, produktserier, emballagevarianter og opskriftsstile, gør det reelt muligt at søge i hele mediebiblioteket.
Fødevarebrands har ofte filer til bestemte kampagner: juleemballage, smagsvarianter i begrænset oplag og regionale varianter. Med Custom AI tagging kan du stadig søge i filerne, længe efter, at kampagnen er slut. Når kampagnen vender tilbage, finder du også fotoshootet fra for to år siden.
Bedst til: Emballerede fødevarer og snacks | Drikkevarebrands med flere SKU-serier | Restaurantkæder | Måltidskasser og D2C-fødevarer | Skønheds- og plejeprodukter (FMCG)
Bureauer fotograferer på vegne af deres kunder. Mediebiblioteket er organiseret efter kunde, men inden for hver kunde gælder den samme præcision på produktniveau. Når Custom AI tagging er trænet pr. kunde, bliver bureauets fælles mediebibliotek til et arkiv, hvor du kan søge i hver enkelt kundes filer.
En ekstra mulighed er at markere filer efter rettigheder, godkendelsesstatus eller brug, fx godkendt til SoMe, PR-godkendt eller juridisk gennemgået. Når markeringen afhænger af, hvad der er på billedet (en bestemt person, et varemærkebeskyttet element), kan Custom AI sætte den automatisk. Så er rettighedsstyring ikke længere manuelt arbejde.
Bedst til: Kreative bureauer | Produktionsstudier | Contentbureauer med flere kunders mediebiblioteker
For de fleste brands med over 10.000 billeder er Custom AI tagging det eneste, der giver økonomisk mening. Manuel tagging kan ikke følge med, når mediebiblioteket vokser. Generisk AI sælges stadig som en flagskibsfunktion, femten år efter, at den var et gennembrud. Men de tags, den giver, er ikke pladsen på harddisken værd. Kun Custom AI rammer dine produkter præcist, uanset hvor stort mediebiblioteket bliver.
En skræddersyet AI-model behøver ikke at blive i DAM-systemet. Samme model kan nemlig også bruges via et API. Derfor kan den tagging, der er bygget til dit katalog på få uger, stå bag søgning og organisering på alle de platforme, teamet allerede bruger.
Eksempler fra praksis:
Mediebiblioteket i DAM-systemet bliver den fælles facitliste. Modellen, der er trænet på biblioteket, bliver en ressource, som alle dine systemer kan trække på. Derfor bør du vælge et DAM-system med Custom AI tagging og et API frem for en lukket DAM-funktion eller et rent udvikler-API. Så får du både den færdige brugerflade og rækkevidden på tværs af platforme.
Ikke al AI-tagging, der sælges som skræddersyet, er det i virkeligheden. Spørgsmålene nedenfor viser, hvad du skal kigge efter, og hvad du skal passe på med i praksis.
Er det en DAM-funktion eller et udviklerværktøj?
AWS, Google og Azure tilbyder alle API’er til skræddersyet billedgenkendelse. API’erne er stærke, men de er ikke systemer til at organisere billeder. Det er op til dig eller udviklerteamet at integrere og vedligeholde dem og bygge den brugerflade, som marketingteamet bruger. For de fleste brands er det rigtige svar Custom AI tagging, der er bygget ind i et DAM-system. Ikke et udviklerværktøj, der udgiver sig for at være et.
Er modellen faktisk trænet på dine egne data, eller er det en fælles model med et søgeordsfilter?
En ægte skræddersyet model lærer dine visuelle kendetegn. Et søgeordsfilter skjuler bare de tags, der ikke står på din liste. Det virker kun på ord, som den generiske model allerede kender.
Hvordan håndterer leverandøren netop din kategori?
Spørg leverandøren direkte: »Hvordan håndterer I tagging af vores type produkter?« Kan leverandøren forklare, hvorfor mode skal tagges anderledes end industrikomponenter? Eller hvordan systemet bruger teksten på selve produktet ved elektronik? Så er der tale om ægte ingeniørarbejde. Lyder svaret »vores AI håndterer alt på samme måde«, er det ikke tilfældet.
Hvor mange træningseksempler pr. produkt?
Systemer, der kan nøjes med 25 til 50 eksempler pr. produkt, er på niveau med det bedste, der findes i dag. Systemer, der kræver tusindvis af eksempler, skubber omkostningen over på dig.
Kan modellen trænes videre og lære nye produkter lidt ad gangen?
Kataloget ændrer sig. Kræver hvert nyt produkt en helt ny træning fra bunden, kan systemet ikke følge med.
Hvor lang tid tager onboarding?
Regn realistisk med to til fire uger for en seriøs opsætning af Custom AI tagging. Tager det meget længere, laver leverandøren konsulentarbejde, der burde have været bygget ind i produktet. Går det meget hurtigere, lover leverandøren for meget.
Hvilken nøjagtighed kan jeg forvente?
Veltrænede modeller når typisk over 90 % nøjagtighed. Det reelle tal afhænger af tre ting: hvor forskellige produkterne ser ud, kvaliteten af træningsdataene og kvaliteten af de billeder, der skal tagges.
Virker det på video og ikke kun på billeder?
For de fleste produkttunge virksomheder er det nu et krav, der kan afgøre hele valget. Et system, der kun tagger stillbilleder, gør en stor og voksende del af mediebiblioteket usynlig.
Hvilke sprog understøtter systemet?
Custom AI trænet på engelske tags hjælper kun, hvis teamet arbejder på engelsk. Flersprogede brands har brug for en platform, hvor søgningen virker på tværs af sprog. Så kan hvert team finde taggene på sit eget sprog.
Er der et API?
Vil du bruge den samme trænede model til søgning i webshoppens backend, PIM-systemet, marketing automation eller interne værktøjer, er API-adgang helt nødvendig. Uden den er modellens værdi låst inde i én platform.
Hvad hvis AI’en tager fejl?
Tjek to ting. For det første kan du rette tags i brugerfladen på de fleste platforme. Rettelserne bliver til træningsdata, næste gang modellen trænes igen. For det andet bør et tag kun sættes på over en vis sikkerhedstærskel. Så bliver usikre gæt aldrig sat på i det stille.
Hvad med databeskyttelse?
Seriøse platforme træner på hver kundes data for sig. Dine træningseksempler og den færdige model bruges ikke til at forbedre andre kunders modeller.
Hvad hvis jeg ikke har taggede eksempler endnu?
Det hjælper de fleste platforme dig gerne med. Tre gode steder at starte: Eksporter de produktbilleder, der allerede er tagget i webshoppens backend (Shopify, Magento eller et skræddersyet PIM-system). Brug regnearket fra leveringen af din seneste fotografering. Eller spørg fotografen, hvordan filerne blev organiseret.
Custom AI tagging er mere end en lille produktivitetsgevinst. Den afgør, om mediebiblioteket bliver mere værd, jo større det bliver – eller mindre værd.
Et brand, der tagger rigtigt fra første dag, kan stadig finde SKU’en, farvevarianten og lifestylebilledet seks år senere. Mediebiblioteket bliver en reel værdi: et indekseret arkiv over brandets visuelle historie. Marketing, SoMe, salg, PR og kundeservice kan alle hente fra det på få sekunder. Den samme model kan også tagge video og bruges i alle værktøjer via API. Så gør arkivet nytte alle de steder, teamet arbejder.
Brands, der ikke tagger eller kun får generiske AI-tags, ender samme sted som de fleste teams. En harddisk fuld af billeder. Virksomhedens viden samlet i én persons hoved. Og nye fotograferinger hver uge af indhold, de allerede har, men ikke kan finde.
Teknologien bag har fandtes i årevis. Alligevel er den ikke blevet hverdag. Det skyldes, at næsten ingen platforme har bygget den til kunder uden for de store koncerner med eget udviklerteam. Det er ved at ændre sig. For produkttunge virksomheder går Custom AI tagging fra at være en luksus for de store til at være et praktisk krav. Det gælder detailhandel, udlejning, hardware, events og fødevarer – og de bureauer, der arbejder for dem.
En del af Tagbox.io’s guideserie om håndtering af mediebiblioteker.
Flere guides: Sammenligning af DAM-software · De bedste DAM-systemer til e-handel · De bedste DAM-systemer til videoanalyse · De bedste DAM-systemer til en fornuftig pris · Guide til flytning af DAM-system
Læs også: Brug dine egne billeder i AI-indhold – lad AI finde og sætte dine billeder ind for dig.
