هوش مصنوعی مولد در بازاریابی: ۶ یافته پژوهشی برای مدیران

استفاده از هوش مصنوعی مولد در بازاریابی حالا برای بسیاری از تیم‌ها عادی شده است. ولی هنوز کم می‌دانیم کجا واقعاً کمک می‌کند و کجا فقط ظاهر کار را خوب نشان می‌دهد. گروه پژوهشی Wharton Human-AI Research در دانشکده وارتون کنفرانسی برگزار کرده که پژوهشگران دانشگاهی و صنعتی در آن یافته‌های تازه‌شان را ارائه کرده‌اند. در این مقاله چند پژوهش مرتبط با بازاریابی و مدیریت را مرور می‌کنم و بعد می‌گویم برای یک کسب‌وکار ایرانی چه معنایی دارند.

یک نکته را از ابتدا بگویم: بخشی از این پژوهش‌ها هنوز مقدماتی است. بنابراین آن‌ها را مثل چراغ راهنما ببینید، نه حکم قطعی.

کنفرانس چه بود و چرا به آن توجه کنیم؟

این رویداد «کسب‌وکار و هوش مصنوعی مولد» نام داشت و ۹ و ۱۰ سپتامبر ۲۰۲۶ در پردیس وارتون در سان‌فرانسیسکو برگزار شد. سخنرانی‌های کلیدی، ارائه مقاله و بحث‌های گروهی داشت. موضوعش این بود که هوش مصنوعی مولد چگونه بر کسب‌وکار، بازار و جامعه اثر می‌گذارد.

از میان ارائه‌ها، چند مورد مستقیم به کار بازاریاب، برندساز و مدیر مربوط است. سراغ همان‌ها می‌رویم.

۱. مدل زبانی جای مشتری را نمی‌گیرد

خیلی‌ها حالا از مدل‌های زبانی بزرگ (LLM؛ همان مدل‌هایی که پشت ChatGPT هستند) به‌جای پاسخ‌دهنده انسانی استفاده می‌کنند. مثلاً از مدل می‌خواهند خودش را جای مشتری بگذارد و به پرسشنامه جواب بدهد. فرض رایج این است که هرچه توصیف شخصیت (پرسونا) غنی‌تر باشد، مدل بهتر جای یک آدم مشخص می‌نشیند.

دهوان آن، استادیار دانشگاه جورجیا، این فرض را در مقیاس بزرگ آزمایش کرده است. داده‌ها چهار مجموعه بود با بیش از ۴۰۰ هزار شرکت‌کننده و بیش از ۶ هزار پرسش.

• میانگین پاسخ‌های مدل به میانگین پاسخ انسان‌ها خیلی نزدیک بود (ضریب همبستگی ۰٫۷۸).
• اما وقتی میانگین هر پرسش کنار گذاشته شد، مدل فقط ۳٫۰۵ درصد از تفاوت‌های فردی را توضیح می‌داد. اگر یک نفر را دو بار با فاصله آزمون کنیم، پاسخ‌های خودش حدود ۵۳٫۶ درصد این تفاوت را توضیح می‌دهد.
• پرسونای غنی‌تر، مدل‌های دیگر و فاین‌تیون (آموزش بیشتر مدل روی داده خاص) هم فاصله را پر نکرد. بهترین حالت به ۴٫۴۴ درصد رسید.

یعنی مدل بیشتر «میانگین جامعه» را خوب حدس می‌زند، نه رفتار یک مشتری مشخص را. پژوهشگران توصیه می‌کنند تطابق در سطح کل جامعه فقط نقطه شروع اعتبارسنجی باشد، نه دلیل کافی برای جایگزین‌کردن آدم‌ها.

۲. مصاحبه با مشتری، این بار با مصاحبه‌گر هوشمند

یوتینگ دنگ از دانشکده کسب‌وکار کلمبیا مصاحبه‌های اداره‌شده با هوش مصنوعی را بررسی کرده است. در آزمایش او ۳۱۷ نفر شرکت داشتند: ۱۳۹ نفر با مصاحبه‌گر هوش مصنوعی، ۱۵۴ نفر با مصاحبه ثابت (پرسش‌های از پیش تعیین‌شده) و ۲۴ نفر با مصاحبه‌گر انسانی.

• مصاحبه‌گر هوش مصنوعی از نظر عمق با مصاحبه‌گر انسانی برابر بود.
• موضوعات بیشتری را پوشش می‌داد.
• با بودجه ثابت، نیازهای مشتری بیشتری را کشف می‌کرد.
• اما شرکت‌کنندگان وقتی با انسان زنده حرف می‌زدند، از نظر احساسی درگیرتر به نظر می‌رسیدند.

«دوقلوی دیجیتال» مشتری چقدر دقیق است؟

دوقلوی دیجیتال یعنی مدلی که از روی داده‌های یک مشتری ساخته می‌شود تا واکنش او را پیش‌بینی کند. پژوهشگران دوقلوهایی از روی مصاحبه‌ها ساختند و پیش‌بینی‌شان را با پاسخ واقعی همان افراد به شش محرک بازاریابی سنجیدند. دوقلوهای ساخته‌شده از مصاحبه‌های هوش مصنوعی از پرسونای ساده مبتنی بر مشخصات جمعیتی (سن، جنسیت و مانند آن) بهتر پیش‌بینی می‌کردند. ولی غنای بیشتر این مصاحبه‌ها نسبت به مصاحبه ثابت، پیش‌بینی عددی بهتری نداد.

متن منبعی که در اختیار داشتم در همین‌جا قطع می‌شود، پس بقیه نتیجه‌ها را اینجا نمی‌آورم.

۳. جست‌وجوی هوشمند، توجه کاربر را جابه‌جا می‌کند

بینگ بای از دانشگاه مک‌گیل آزمایشی تصادفی روی یکی از بزرگ‌ترین پلتفرم‌های ویدیوی کوتاه در برزیل انجام داده است. گروهی از کاربران جست‌وجوی تازه‌ای می‌دیدند: راهنمایی هنگام نوشتن پرسش، مرور پاسخ تولیدشده با هوش مصنوعی و امکان پرسش‌های ادامه‌دار به‌صورت گفتگو. گروه کنترل همان جست‌وجوی قدیمی را داشت.

• مشارکت فعال در جست‌وجو ۳٫۵۲ درصد بیشتر شد.
• احتمال ورود به پلتفرم با قصد جست‌وجو ۵٫۷۳ درصد بالا رفت.
• پرسش‌ها کوتاه‌تر و سؤال‌محورتر شدند و به ازای هر پرسش ویدیوی کمتری نشان داده شد.
• زمان تماشا بعد از جست‌وجو تغییری نکرد.

روی مصرف کل پلتفرم اثری دیده نشد، چون جست‌وجو فقط ۰٫۴ درصد کل بازدیدها را می‌سازد. ولی کاربران گروه آزمایش به‌طور معنادار کمتر از محتوای دارای حق کپی‌رایت اختصاصی پلتفرم دیدند. این محتوا بیشتر خارج از جست‌وجو دیده می‌شود. نتیجه پژوهشگران این است که تغییر کوچک در جست‌وجو می‌تواند از مسیر سیستم پیشنهاددهنده روی کل محتوایی که کاربر می‌بیند اثر بگذارد.

۴. محتوای جذاب‌تر، گاهی قطبی‌تر

منگجی (مَجی) چنگ از دانشگاه تگزاس در آستین، مقاله‌های نیویورک تایمز را بررسی کرده است. یافته اول: محتوای جذاب‌تر که انسان نوشته، معمولاً قطبی‌کننده‌تر هم هست. یافته دوم: اگر ساده‌لوحانه از مدل زبانی بخواهیم محتوا را جذاب‌تر کند، قطبی‌شدن هم می‌تواند بیشتر شود.

راه‌حل پیشنهادی او الگوریتمی به نام MODPO است که دو هدف را هم‌زمان در نظر می‌گیرد: جذابیت بیشتر و حفظ موضع تحریریه. مدل نهایی این تعادل را با کم‌کردن زبان تحریک‌آمیز و دادن جا به دیدگاه‌های متعادل‌تر ساخت. این یعنی بخشی از ویژگی‌هایی که قطبی‌شدن را زیاد می‌کنند، اثر کمتری روی جذابیت دارند. پژوهشگر می‌گوید این رویکرد برای تبلیغات و شبکه‌های اجتماعی هم قابل استفاده است.

۵. وقتی تولید از توان ارزیابی جلو می‌زند

هانچنگ کائو از دانشگاه اموری به مشکلی اشاره می‌کند که در تیم‌های محتوا هم آشناست. هوش مصنوعی تولید پیشنهاد، تحلیل و نمونه اولیه را آسان کرده، ولی توان ما برای ارزیابی و اولویت‌بندی همان‌قدر زیاد نشده. او این شکاف را «شکاف تشخیص» می‌نامد و راهکارش را «کیوریشن ناب» (Lean Curation) می‌گذارد. ایده از تولید ناب گرفته شده، اما به‌جای کم‌کردن ضایعات مواد، هدفش کم‌کردن «هدررفت ذهنی» است: توجهی که سازمان بد خرج می‌کند.

او برای نمونه داوری مقاله‌های علمی را بررسی کرده است. بیشتر سامانه‌های داوری با مدل زبانی هر مقاله را جدا نمره می‌دهند، اما این نمره‌ها فشرده‌اند و مقایسه‌شان دشوار است. روش جایگزین، مقایسه دوتایی است: عامل هوش مصنوعی هر بار دو مقاله را با هم می‌سنجد و بعد با مدلی مثل برادلی–تری این نتیجه‌ها به یک رتبه‌بندی کلی تبدیل می‌شود. شواهدی از کنفرانس‌های یادگیری ماشین نشان می‌دهد این روش تفکیک‌کننده‌تر است و می‌تواند به داوری انسانی نزدیک شود. با این حال، نویسنده از خطرهایی مثل تفاوت بین حوزه‌ها و تمرکز نهادی هم می‌گوید و تأکید می‌کند هدف بازطراحی است، نه جایگزینی؛ نظارت انسانی و قضاوت راهبردی باید بماند.

۶. دانش ضمنی کارشناسان را می‌شود روی کاغذ آورد

دانش ضمنی یعنی همان «بلدی» که در تجربه است و گفتنش سخت است. وقتی کارشناس ورزیده از شرکت می‌رود، این دانش هم با او می‌رود. مینا چو از دانشگاه مینه‌سوتا بررسی کرده که مدل زبانی می‌تواند الگوهای پنهان رفتار کارشناسان را بیرون بکشد و به زبان ساده بنویسد یا نه.

نتیجه: دانشی که مدل از رفتار کارشناسان استخراج کرد، کیفیت تصمیم‌گیری را بهتر کرد و تازه‌کارها را به سطح نزدیک به کارشناس رساند. در بسیاری موارد، حتی از دانشی که خود کارشناسان توضیح داده بودند بهتر عمل کرد. تحلیل‌ها نشان داد مدل واقعاً از گفتگوها یاد می‌گیرد و فقط سبک آن‌ها را تقلید نمی‌کند.

تیم شما درباره هوش مصنوعی چه حسی دارد؟

لوجینا عبدالواحد از Revelio Labs نظر کارکنان را بررسی کرده است. او از میلیون‌ها نقد کارکنان آمریکایی در سایت گلس‌دور (Glassdoor؛ سایتی که کارکنان به کارفرما امتیاز می‌دهند) بین سال‌های ۲۰۱۹ تا ۲۰۲۵ استفاده کرد. نتیجه مقدماتی: بعد از عرضه ChatGPT، در شرکت‌هایی که هوش مصنوعی را بیشتر به کار گرفتند، رضایت کارکنان حدود ۰٫۱۷ امتیاز (در مقیاس ۵) بیشتر از شرکت‌های کم‌مصرف افت کرد. این افت در همه بخش‌های امتیازدهی دیده شد.

در نقدهای مثبت، رشد مهارت بیشترین سهم را داشت. در نقدهای منفی، نگرانی از حجم کار مهم‌ترین عامل بود. یعنی هوش مصنوعی برای بعضی فرصت یادگیری است و برای بعضی فشار اضافه.

این یافته‌ها برای فضای ایران یعنی چه؟

بیشتر داده‌ها از آمریکا و برزیل است و نباید آن‌ها را مستقیم به بازار ایران تعمیم داد. ولی منطق کار قابل انتقال است. مثلاً اگر به‌جای مشتری واقعی از چت‌بات نظر بگیرید، فقط میانگین بازار را می‌بینید، نه رفتار مشتری‌های خودتان. یا اگر محتوای اینستاگرام و تلگرام را فقط برای جذابیت بیشتر بهینه کنید، ممکن است لحن برندتان تندتر از چیزی شود که می‌خواهید.

مقاله بهار درباره قوانین ایالت‌های آمریکا (بیش از ۲۵۰۰ لایحه بین ۲۰۱۹ تا ۲۰۲۶) هم نکته‌ای دارد. مقررات پراکنده برای شرکت‌های کوچک‌تر هزینه رعایت بیشتری دارد. برای ما نتیجه عملی این است که قوانین و شرایط استفاده ابزارهای هوش مصنوعی می‌تواند تغییر کند، پس بهتر است کار حیاتی کسب‌وکار به یک ابزار واحد گره نخورد.

نکات کاربردی برای کسب‌وکارها

• پرسونای ساخته‌شده با هوش مصنوعی را آزمون نهایی ندانید. برای ایده‌پردازی خوب است، اما قبل از تصمیم بزرگ مثل قیمت‌گذاری یا عرضه محصول، با چند مشتری واقعی گفتگو کنید.
• برای تحقیق اولیه از مصاحبه‌گر هوشمند استفاده کنید. اگر بودجه محدود است (مثلاً یک فروشگاه آنلاین کوچک)، پرسش‌های چت‌محور می‌تواند نیازهای بیشتری را روشن کند. برای شناخت احساس مشتری، همچنان یک مصاحبه انسانی هم بگذارید.
• جذابیت را با لحن برند بسنجید. محتوای تولیدشده را قبل از انتشار از نظر زبان تحریک‌آمیز و جانب‌داری بازبینی کنید.
• ارزیابی را هم طراحی کنید. اگر تیم‌تان ده ایده کمپین تولید کرد، به‌جای نمره‌دادن جداگانه، دو‌به‌دو مقایسه‌شان کنید و بعد رتبه بگیرید.
• دانش کارشناسان را ثبت کنید. از مصاحبه یا گفتگوی فروشنده‌های باتجربه خلاصه‌ای از «روش کار» بسازید و آن را در آموزش تازه‌کارها به کار ببرید.
• به فشار کاری تیم توجه کنید. ابزار جدید را با آموزش و فرصت یادگیری وارد کنید، نه فقط با انتظار تولید بیشتر.

پرسش‌های متداول

آیا می‌شود نظرسنجی مشتری را کامل با هوش مصنوعی انجام داد؟

طبق پژوهش دهوان آن، مدل‌ها میانگین پاسخ‌ها را خوب حدس می‌زنند ولی تفاوت‌های فردی را ضعیف. پس برای تصمیم‌های مهم، تأیید با مشتری واقعی لازم است.

مصاحبه با هوش مصنوعی از مصاحبه انسانی بهتر است؟

در آزمایش دنگ، از نظر عمق برابر بود و با بودجه ثابت نیازهای بیشتری کشف کرد. اما شرکت‌کنندگان در مصاحبه انسانی از نظر احساسی درگیرتر بودند. پس هر کدام نقطه قوت خودش را دارد.

جست‌وجوی هوشمند در پلتفرم‌ها چه اثری روی دیده‌شدن محتوا دارد؟

در پژوهش بای، جست‌وجوی هوشمند کارایی را بالا برد و روی کل مصرف اثری نداشت. ولی مواجهه کاربران با بخشی از محتوا تغییر کرد. تولیدکنندگان محتوا باید حواسشان باشد که قواعد دیده‌شدن می‌تواند عوض شود.

جمع‌بندی

پیام مشترک این پژوهش‌ها برای هوش مصنوعی مولد در بازاریابی این است: ابزار قدرتمند است، اما نه جای مشتری را می‌گیرد و نه جای قضاوت مدیر را. بیشترین ارزش آن در جاهایی دیده می‌شود که کار را سریع‌تر و دقیق‌تر می‌کند: مصاحبه، انتقال دانش و ارزیابی ایده‌ها. در عوض، باید مراقب جذابیت بی‌قیدوشرط، تصمیم‌گیری روی میانگین‌های گمراه‌کننده و فشار روی تیم باشید. با یک آزمایش کوچک شروع کنید و نتیجه را با مشتری واقعی بسنجید.