هوش مصنوعی در مارکتینگ: ۷ نمونه واقعی با عدد و رقم

بیشتر مطالب «هوش مصنوعی در مارکتینگ» که آنلاین می‌خوانید، تبلیغ شرکت‌های سازنده ابزار است. عددهای قهرمانانه را می‌گویند، اما از هزینه، زمان واقعی اجرا و شکست‌ها حرفی نمی‌زنند. لیلاک بولاک (Lilach Bullock)، مشاور مارکتینگ با ۲۳ سال سابقه، در مقاله‌ای هفت پروژه واقعی را با عددهایشان منتشر کرده است. یکی از آن‌ها شکست خورده و عمداً در فهرست آمده. ما این مقاله را خوانده‌ایم و با نگاه به کسب‌وکارهای ایرانی برایتان بازنویسی کرده‌ایم.

هوش مصنوعی در مارکتینگ کجا جواب می‌دهد؟

الگوی تکرارشونده در هر هفت نمونه ساده است: یک کار کند و تکراری را انتخاب کن، برایش یک گردش‌کار (workflow) با هوش مصنوعی بساز، نتیجه را اندازه بگیر و بعد سراغ کار بعدی برو. گردش‌کار یعنی زنجیره‌ای از مراحل که خودکار یکی بعد از دیگری اجرا می‌شوند.

نویسنده یک نکته مهم را هم یادآوری می‌کند. هوش مصنوعی وقتی برنده است که قضاوت و کار عملیاتی انسان را چند برابر کند. جایی که جای قضاوت تحریریه یا لمس انسانی را بگیرد، شکست می‌خورد.

نکته دیگر این است که در منبع، جزئیات هزینه برای بیشتر نمونه‌ها نیامده. فقط زمان داخلی تیم و چند عدد پراکنده ذکر شده. پس ما هم عدد دلاری از خودمان نمی‌سازیم.

نمونه ۱: غنی‌سازی سرنخ‌ها در یک شرکت نرم‌افزاری B2B

B2B یعنی کسب‌وکاری که به کسب‌وکارهای دیگر می‌فروشد. سرنخ (lead) هم یعنی مشتری احتمالی که ابراز علاقه کرده است.

مسئله

تیم فروش روزی ۲/۵ ساعت صرف تحقیق درباره سرنخ‌ها و اولویت‌بندی‌شان می‌کرد. حجم درخواست‌ها از ظرفیت تحقیق بیشتر شده بود و حدود ۳۰٪ سرنخ‌های واجد شرایط، پیش از تماس فروش سرد می‌شدند.

راه‌حل

تیم، سیستم CRM خود (HubSpot؛ نرم‌افزاری برای ثبت و پیگیری مشتریان) را از طریق ابزارهای n8n و API مدل Claude به یک مدل زبانی بزرگ وصل کرد. مدل زبانی بزرگ (LLM) همان هوش مصنوعی متنی مثل ChatGPT است. این مدل با پرامپت‌های ساختاریافته سه کار می‌کرد:

• دسته‌بندی شرکت‌ها
• امتیازدهی به تناسب سرنخ با «مشتری ایدئال» (ICP)
• پیشنهاد روش مناسب برای اولین تماس

مراحل اجرا

• هفته ۱: طراحی گردش‌کار و نوشتن پرامپت‌ها
• هفته ۲ و ۳: ساخت و آزمایش در یک نسخه آزمایشی از CRM
• هفته ۴: اجرای آزمایشی روی ۱۰۰ سرنخ جدید، همراه با بررسی دستی موازی
• هفته ۵: اصلاح بر اساس نتیجه آزمایش
• هفته ۶: اجرای کامل

هزینه‌ای که در منبع آمده، حدود ۳۰ ساعت وقت مدیر عملیات فروش در دوره ساخت است.

نتیجه بعد از ۹۰ روز

• فاصله ورود سرنخ تا اولین تماس فروش: از ۴/۲ ساعت به ۳۸ دقیقه
• دقت دسته‌بندی در مقایسه با روش دستی: ۸۹٪ توافق
• زمان آزادشده برای هر فروشنده: حدود ۱/۵ ساعت در روز

چه چیزی بار اول جواب نداد؟ پرامپت‌های اولیه هر شرکتی را که «Inc» در نامش بود، «شرکت بزرگ» حساب می‌کردند. دو دور اصلاح پرامپت لازم شد. برای نمونه، در بازار ما هم ممکن است کلماتی مثل «گروه» یا «صنایع» در نام یک شرکت کوچک، مدل را گمراه کند.

نمونه ۲: نوشتن پیشنهاد قیمت در یک شرکت خدماتی

مسئله

مشاوران ارشد برای هر پیشنهاد (proposal) بین ۶ تا ۱۲ ساعت وقت می‌گذاشتند و ماهی ۳ تا ۴ پیشنهاد می‌نوشتند. سرعت پایین نوشتن پیشنهاد، چرخه فروش را کند کرده بود.

راه‌حل

متن پیاده‌شده تماس‌های اولیه با مشتری (با ابزار Granola که جلسه را به متن تبدیل می‌کند) به Claude داده می‌شد. پرامپت ساختاریافته، پیش‌نویس اول را بر اساس قالب، لحن و سطوح قیمت‌گذاری شرکت می‌ساخت. مشاور ارشد آن را بررسی و ویرایش می‌کرد و به‌جای یک روز کامل، ظرف ۹۰ دقیقه می‌فرستاد.

مراحل اجرا:

• هفته ۱: استخراج لحن و قالب از ۸ پیشنهاد قبلی
• هفته ۲: نوشتن پرامپت و آزمایش روی ۵ تماس قدیمی
• هفته ۳: آزمایش زنده با مشتریان واقعی، با بازبینی کامل مشاور ارشد

نتیجه بعد از ۶۰ روز

• میانگین زمان آماده‌سازی پیشنهاد: از ۸/۵ ساعت به ۲/۸ ساعت (۶۷٪ کمتر)
• نرخ پذیرش پیشنهاد: از ۴۱٪ به ۴۷٪. نویسنده این بهبود کوچک را به سرعت بیشتر و جذب مشتریان «داغ» نسبت می‌دهد.
• تعداد پیشنهادهای ارسالی در ماه: از ۳/۲ به ۵/۸

سخت‌ترین بخش: درست‌کردن لحن. چهار دور اصلاح لازم بود، چون پیش‌نویس‌های اول عمومی و بی‌روح بودند. پرامپت نهایی، ۸ الگوی صریح از لحن شرکت را در خود دارد.

نمونه ۳: توضیح محصول برای فروشگاه آنلاین

مشتری، یک برند بریتانیایی بود که مستقیم به مصرف‌کننده می‌فروشد (DTC). تیمش ۸ نفر بود و ۴۵۰ محصول داشت.

راه‌حل

گردش‌کار، مشخصات محصول را از فروشگاه‌ساز Shopify می‌خواند. برای هر محصول، توضیحی حدود ۲۰۰ کلمه با لحن برند و متادیتای سئو می‌ساخت. بعد توضیح‌ها در صف بازبینی انسانی می‌رفتند و فقط موارد تأییدشده دوباره در فروشگاه منتشر می‌شدند. اگر فروشگاهتان روی ووکامرس یا هر پلتفرم دیگری است، منطق کار همان است.

• هفته ۱: استخراج لحن از ۲۰ توضیح قدیمیِ موفق
• هفته ۲ و ۳: ساخت گردش‌کار و آزمایش روی ۵۰ محصول
• هفته ۴ و ۵: طراحی فرایند بازبینی و تأیید
• هفته ۶ تا ۸: اجرا روی هر ۴۵۰ محصول، با بازبینی ۱۰۰٪ خروجی‌ها

هزینه ذکرشده، حدود ۴۰ ساعت وقت مدیر مارکتینگ برای بازبینی است.

نتیجه ۹۰ روز بعد از اجرا

• ترافیک ارگانیک غیربرندی: ۲۲٪ بیشتر
• میانگین زمان ماندن در صفحه محصول: ۱۸٪ بیشتر
• نرخ افزودن به سبد خرید در صفحاتی که قبلاً توضیح ضعیف داشتند: ۱۴٪ بیشتر
• نرخ تبدیل در همان صفحات: ۹٪ بیشتر

ترافیک ارگانیک غیربرندی یعنی بازدیدی که از گوگل می‌آید و جست‌وجوکننده اسم برند را نمی‌دانسته است.

چه کارهایی عمداً نشد؟

• توضیح‌ها انبوه تولید و خودکار منتشر نشدند. همه را انسان بازبینی کرد.
• مشخصات فنی را هوش مصنوعی ننوشت. آن‌ها از پایگاه داده تأمین‌کننده آمدند.
• توضیح محصولات شاخص را دستی نوشتند.

برای فروشگاه‌های اینستاگرامی و سایت‌های فروشگاهی ایرانی هم همین درس صدق می‌کند. هوش مصنوعی پیش‌نویس بسازد، ولی مشخصات دقیق محصول را از منبع معتبر خودتان بگیرید.

نمونه ۴: آماده‌سازی و پیگیری تماس فروش

مشتری، یک شرکت خدمات IT آمریکایی با ۸ فروشنده بود. فروشندگان برای هر تماس ۳۰ تا ۵۰ دقیقه آماده می‌شدند و ۶۰ تا ۹۰ دقیقه هم صرف پیگیری می‌کردند. زمان لازم برای بستن هر قرارداد قابل رقابت نبود.

دو گردش‌کار جفت‌شده

• آماده‌سازی: ۳۰ دقیقه پیش از هر جلسه با مشتری جدید، پروفایل لینکدین، سایت شرکت و خبرهای مرتبط جمع می‌شد. خروجی یک برگه یک‌صفحه‌ای بود: موضوعات محتمل، سؤال‌های پیشنهادی و اعتراض‌هایی که ممکن است مطرح شود.
• پیگیری: ابزار Granola تماس را به متن تبدیل می‌کرد. مدل زبانی یک ایمیل پیگیری ساختاریافته می‌نوشت: مرور مسئله، تأیید گام بعدی و پیوست منابع مرتبط. فروشنده آن را مرور و ظرف ۳۰ دقیقه ارسال می‌کرد.

اجرا چهار هفته طول کشید: دو هفته برای گردش‌کار اول، یک هفته برای دوم و یک هفته برای آموزش فروشندگان.

نتیجه ۹۰ روز بعد

• زمان آماده‌سازی هر تماس: از ۴۲ دقیقه به ۸ دقیقه
• زمان پیگیری هر تماس: از ۷۵ دقیقه به ۱۸ دقیقه
• طول چرخه فروش: از ۳۱ روز به ۱۸ روز (۴۱٪ کمتر)
• نرخ برد: تغییر معناداری نکرد (در محدوده ۲٪ بالا یا پایین)

نکته مهم این است که سرعت بیشتر، لزوماً به معنای فروش بیشتر نبود. فقط فروش سریع‌تر شد. مشکل اولیه: ایمیل‌های پیگیری در نسخه اول زیادی رسمی و خشک بودند. سه دور اصلاح لازم شد تا لحن به سبک طبیعی فروشندگان نزدیک شود.

نمونه ۵: تولید محتوا در یک کسب‌وکار کوچینگ

مسئله

تولید محتوا روی ۱ مقاله در هفته و ۳ پست شبکه اجتماعی در هفته گیر کرده بود. بدون استخدام نمی‌شد بیشتر تولید کرد، و استخدام حاشیه سود را می‌خورد.

راه‌حل: گردش‌کار ترکیبی

مربی (کوچ) چند بخش را خودش انجام می‌داد: انتخاب موضوع، طرح کلی، شروع مقاله، دیدگاه مخالف‌خوانی و پایان‌بندی. هوش مصنوعی هم این کارها را برعهده داشت:

• تحقیق
• اعتبارسنجی ساختار
• نوشتن بخش‌های پشتیبان
• تبدیل مقاله به پست شبکه اجتماعی
• متادیتای سئو
• تولید تصویر
• زمان‌بندی انتشار

در هفته اول، لحن از ۲۰ نوشته موفق قبلی استخراج و کتابخانه پرامپت‌ها ساخته شد. هفته دوم، کل گردش‌کار اجرا شد و دو هفته بازبینی روزانه داشت.

نتیجه ۹۰ روز بعد

• انتشار مقاله: از هفته‌ای ۱ به هفته‌ای ۳، بدون افت کیفیت
• پست شبکه اجتماعی: از ۳ به ۱۲ در هفته
• رشد لیست ایمیل: ۲۸٪ (محتوای بیشتر یعنی دیده‌شدن بیشتر هدیه‌های جذب مشترک)
• وقت مربی برای محتوا: از ۱۲ ساعت به ۶ ساعت در هفته

چرا جواب داد؟ مربی نظر قوی و لحن مشخصی داشت. هوش مصنوعی نمی‌توانست جای این صدا را بگیرد، اما می‌توانست اصطکاک عملیاتی انتشار را کم کند. نویسنده تقسیم ۸۰/۲۰ انسان و هوش مصنوعی را برای محتوا درست می‌داند.

نمونه ۶: ماجرای خود نویسنده؛ اتوماسیون سایت و احیای سئو

مسئله

کسب‌وکار مشاوره نویسنده بعد از افت پایپ‌لاین فروش نیاز به بازسازی داشت. سایت شخصی‌اش هم فرسوده بود: نقشه سایت (sitemap) خراب بود، دادهٔ ساختاریافته (schema) کم بود، لینک‌سازی داخلی ضعیف بود و ترافیک ارگانیک ثابت مانده بود.

راه‌حل

او در ۶ آخر هفته و با Claude Code، یک اتوماسیون کامل ساخت:

• خط تولید انتشار در WordPress: از فایل ورد تا پیش‌نویس آماده سئو
• تولیدکننده schema برای FAQPage، HowTo و BreadcrumbList
• تشخیص مشکل نقشه سایت و یک ترفند «ذخیره دوباره» برای پست‌های گیرکرده
• تحلیلگر و پیاده‌کننده لینک داخلی
• دریافت داده از Google Search Console، GA4 و Bing Webmaster

هزینه بیرونی صفر بود. فقط حدود ۶۰ ساعت از وقت آخر هفته‌هایش را صرف کرد.

نتیجه بعد از ۴ ماه

• نقشه سایت: از ۹۰۴ آدرس به بیش از ۱۳۰۰ آدرس
• ۲۸۰ پست گیرکرده با ترفند ذخیره دوباره آزاد شدند و حدود ۸۳ هزار نمایش ماهانه برگشت
• بیش از ۷۰ پست schema نوع FAQPage و ۱۷ پست schema نوع HowTo گرفتند
• ۱۵ مقاله ستون‌فقرات (cornerstone) در یک ماه اخیر منتشر شد
• ترافیک ارگانیک: در میانه ۲۰۲۵ به‌خاطر تکیه زیاد به محتوای هوش مصنوعی ۳۵٪ افت کرده بود. تا ماه چهارم کاملاً برگشت و ۱۲٪ بالاتر از خط پایه رفت.
• صرفه‌جویی زمانی: حدود ۴۰۰ ساعت در سال، فقط روی عملیات انتشار محتوا

او می‌گوید راز موفقیتش این بود که بازسازی را مثل یک مطالعه موردی دید. هر اصلاح مستند شد و هر گردش‌کار قابل تکرار است.

نمونه ۷: شکست؛ ایمیل سرد انبوه با هوش مصنوعی

مشتری، یک آژانس B2B آمریکایی با ۱۸ نفر تیم بود. یک کارمند توسعه کسب‌وکار (BDR) هفته‌ای ۸۰ ایمیل سرد می‌فرستاد. هدف این بود که با هوش مصنوعی و شخصی‌سازی، به ۱۰۰۰ ایمیل در هفته برسند. ایمیل سرد یعنی پیام به کسی که قبلاً با شما آشنا نبوده.

چه کردند؟

مدل زبانی پروفایل لینکدین هر مخاطب را می‌خواند، یک جمله آغازین «شخصی‌سازی‌شده» می‌نوشت و متن ایمیل را بر اساس تیپ حدسی مخاطب تغییر می‌داد. ارسال هم با ابزار Smartlead انجام می‌شد. دو هفته ساخت و آزمایش، و دو هفته اجرای کامل با ۱۰۰۰ ایمیل در هفته.

چه شد؟

• نرخ پاسخ پایه، با ایمیل‌های انسانی ۸۰ تایی در هفته: ۱۱/۲٪
• نرخ پاسخ با ایمیل‌های هوش مصنوعی ۱۰۰۰ تایی در هفته: ۳/۸٪
• در ماه اول، ۴۷ پاسخ صریحاً گفتند «این واضحاً هوش مصنوعی است».
• دو مخاطب در لینکدین علناً به آژانس اعتراض کردند.
• یکی از این اعتراض‌ها ظرف ۲۴ ساعت به ۳۰ هزار نمایش رسید.

پروژه ظرف ۶ هفته لغو شد. بازسازی اعتبار برند هم ۴ ماه طول کشید، با کاهش حجم ارسال و عذرخواهی شخصی از مخاطبان آسیب‌دیده.

چه چیزی اشتباه بود؟

• فرض اولیه غلط بود. در پیام سرد، گلوگاه حجم نیست، کیفیت است. ده برابر کردن حجم با کیفیت پایین‌تر، در مجموع ضرر است.
• شخصی‌سازیِ مشخصاً هوش مصنوعی، ضدِ شخصی‌سازی است. جمله‌ای که به پست مخاطب اشاره می‌کرد، باز هم عمومی به نظر می‌رسید، چون به شیوه یک هوش مصنوعی اشاره می‌کرد.
• آسیب به برند سریع‌تر از سود کمپین پخش شد.

درس: هوش مصنوعی نمی‌تواند چیزی را مقیاس بدهد که به توجه انسانیِ ادراک‌شده وابسته است. پیام سرد دقیقاً از همین دسته است. شبکه‌سازی، پیگیری مشتریان گرم و ارتباط با مشتریان فعلی هم همین‌طورند. اگر می‌خواهید برای پیام‌رسانی از هوش مصنوعی کمک بگیرید، آن را برای تحقیق درباره مخاطب به کار ببرید، نه برای نوشتن خود پیام.

این نمونه‌ها درباره هوش مصنوعی در مارکتینگ چه می‌گویند؟

• کار عملیاتی سریع بازگشت سرمایه می‌دهد. نمونه‌های ۱، ۲، ۴، ۵ و ۶ عملیاتی بودند و همگی کمتر از ۸ هفته برگشت سرمایه داشتند. این کارها قبلاً روتین انسانی بودند و هوش مصنوعی اصطکاکشان را کم کرد، بدون اینکه کیفیت را تغییر دهد.
• محتوا با انضباط جواب می‌دهد. نمونه‌های ۳ و ۵ هر دو انسان را در حلقه نگه داشتند. تله تولید انبوه محتوای هوش مصنوعی مرتب کسب‌وکارها را زمین می‌زند. رویکرد «هوش مصنوعی به‌عنوان ضریب» آن‌ها را می‌سازد.
• جایی که ارتباط مستقیم انسان با انسان است، جایگزینی شکست می‌خورد. پیام سرد، شبکه‌سازی، پیام‌های حساس به مشتری و اظهارنظر عمومی از این دسته‌اند.
• ساخت درون‌خانه‌ای رقابتی است. نمونه ۶ که خود نویسنده ساخت، بازگشت سرمایه‌ای بهتر از چند پروژه مشاوره‌ای داشت. به گفته او، بنیان‌گذاران غیرفنی هم با ابزارهای امروز می‌توانند بخش زیادی از این کارها را خودشان بسازند.

رایج‌ترین اشتباه در اجرا: ابزار را می‌خرند و داده را تمیز نمی‌کنند

نویسنده می‌گوید وقتی نتیجه‌شان با گزارش‌ها نمی‌خواند، در ۹ مورد از ۱۰ مورد پاسخ یکی است: ابزار را خریده‌اند، اما پاک‌سازی داده را رد کرده‌اند. چت‌باتی که با سندهای شلوغ و متناقض پرسش‌وپاسخ تغذیه شود، جواب‌های شلوغ و متناقض می‌دهد. مدل امتیازدهی سرنخ هم اگر با شش ماه داده بد برچسب‌خورده در CRM آموزش ببیند، سرنخ نامناسب را «داغ» و سرنخ خوب را «سرد» حساب می‌کند.

یک مثال از خود او: در یک کسب‌وکار برگزاری رویداد، ابزار هوشمند بخش‌بندی ایمیل بدون آماده‌سازی راه‌اندازی شد. نرخ باز شدن ایمیل در ماه اول فقط حدود ۲٪ بالا رفت. بعد کار را متوقف کردند و در HubSpot مخاطبان تکراری را ادغام کردند. برچسب‌های ناسازگار «شرکت‌کننده‌های قبلی» و «مشتریان احتمالی» را هم درست کردند. شش هفته بعد بخش‌بندی را دوباره اجرا کردند. این بار نرخ باز شدن ۳۴٪ جهش کرد و نرخ کلیک تقریباً دو برابر شد. خود ابزار تغییری نکرده بود. ورودی تغییر کرده بود.

نکته دوم: بیشتر نمونه‌های منتشرشده نتیجه را در روز ۹۰ یا بعدتر گزارش می‌کنند و افت معمول هفته دوم یا سوم را نشان نمی‌دهند. تیم‌ها هیجان‌زده می‌شوند و محتوا یا توالی‌های خودکار را سریع‌تر از توان بازبینی منتشر می‌کنند. کیفیت اول پایین می‌آید، بعد بالا می‌رود. پس انتظار یک منحنی U شکل داشته باشید، نه خط صاف رو به بالا. از قبل برایش آماده باشید تا بعد از دو هفته بد، ابزار خوب را دور نیندازید.

نکات کاربردی برای کسب‌وکارها

این تحلیل از ماست، نه ادعای منبع. چند نکته برای مدیران و بازاریابان ایرانی:

• ابزار مهم نیست، منطق مهم است. بعضی ابزارهای بالا ممکن است برای شما در دسترس نباشند یا مناسب نباشند. منطق همه نمونه‌ها با ابزار جایگزین هم اجراشدنی است: داده ورودی، یک مدل زبانی، پرامپت ساختاریافته، بازبینی انسانی و اندازه‌گیری.
• CRM لازم نیست گران باشد. اگر سرنخ‌هایتان از دایرکت اینستاگرام، تلگرام و تماس تلفنی می‌آیند، اول آن‌ها را در یک جدول یکپارچه و تمیز جمع کنید. بدون این کار، هیچ هوش مصنوعی‌ای کمکتان نمی‌کند.
• پیشنهاد قیمت و پاسخ به مشتری را قالب‌بندی کنید. اگر آژانس یا شرکت خدماتی هستید، پیشنهادهای قبلی موفق را جمع کنید و لحن و ساختارشان را مبنای پرامپت قرار دهید. ولی هر پیش‌نویس را یک آدم باتجربه ببیند.
• فروشگاه آنلاین؟ از مشخصات واقعی شروع کنید. توضیح محصول را با هوش مصنوعی پیش‌نویس کنید، اما مشخصات فنی را از منبع خودتان بگیرید و محصولات شاخص را دستی بنویسید.
• پیام‌رسانی انبوه را اشتباه نگیرید. درس نمونه ۷ برای دایرکت و تلگرام و پیامک هم صادق است. پیام شخصی‌نما و انبوه، اعتبار برند را می‌سوزاند. هوش مصنوعی را برای تحقیق درباره مخاطب به کار ببرید، نه برای نوشتن جای شما.
• پیش از شروع، عدد خط پایه را ثبت کنید. بدون آن نمی‌فهمید پروژه جواب داده یا نه.

چک‌لیست اجرایی

• داده موجود را قبل از وصل کردن هر ابزار هوش مصنوعی بررسی و تمیز کنید.
• یک کار کند و تکراری را انتخاب کنید.
• پیش از شروع، معیار و عدد پایه را مشخص کنید.
• آزمایش ۲ تا ۳ هفته‌ای را فقط روی یک بخش یا یک کانال اجرا کنید، نه کل لیست.
• لحن برندتان را از بهترین نوشته‌های قبلی استخراج کنید.
• بازبینی انسانی را حذف نکنید.
• انتظار افت کوتاه در هفته دوم را داشته باشید و عجله نکنید.
• فقط وقتی مقیاس بدهید که هفته دوم پشت‌سرهم بهبود دیده باشید، نه فقط یک روز خوب.

پرسش‌های متداول

برای شروع، کدام کار مارکتینگ را به هوش مصنوعی بسپاریم؟

کاری که کند، تکراری و عملیاتی است، مثل تحقیق درباره سرنخ‌ها، پیش‌نویس پیشنهاد قیمت، آماده‌سازی تماس فروش یا انتشار محتوا. در نمونه‌های مقاله، این کارها در کمتر از ۸ هفته هزینه‌شان را برگرداندند.

آیا می‌شود ایمیل یا پیام سرد را با هوش مصنوعی نوشت و انبوه فرستاد؟

مطابق نمونه شکست‌خورده، نه. نرخ پاسخ از ۱۱/۲٪ به ۳/۸٪ رسید و برند آسیب دید. بهتر است هوش مصنوعی را فقط برای تحقیق درباره مخاطب استفاده کنید و پیام را انسان بنویسد.

چرا نتیجه ما با عددهای این نمونه‌ها فرق دارد؟

یک دلیل رایج، داده کثیف است. دلیل دیگر، انتظار رشد صاف بدون افت اولیه است. نویسنده هم تأکید می‌کند که نمی‌تواند نتایج را تضمین کند و هر کسب‌وکار فرق دارد.

جمع‌بندی

هوش مصنوعی در مارکتینگ وقتی کار می‌کند که کار عملیاتی را سریع‌تر کند و قضاوت انسان را کنار نگذارد. هفت نمونه لیلاک بولاک همین را نشان می‌دهند: پنج نمونه عملیاتی سریع جواب دادند، دو نمونه محتوایی با بازبینی انسانی موفق شدند و پیام سرد انبوه شکست خورد. قبل از خرید ابزار بعدی، داده‌تان را تمیز کنید، یک کار را انتخاب کنید، عدد پایه را ثبت کنید و کوچک شروع کنید.