گذر از توهم هوش عمومی به اقتدار هوش سازمانی؛ نقشه راه مدیران مارکتینگ در عصر دادههای ساختاریافته
مرکز توسعه کسب و کار صنعت 4، در بعدازظهر چهارشنبه ۱۱ شهریورماه، میزبان نخستین دوره از نشستهای تخصصی «AI Connect» با عنوان «نشست مدیران سازمان با نگاهی به آینده و هوش مصنوعی؛ همنشینی اول: ویژه مدیران مارکتینگ» بود. تحلیل راهبردی تحول بازاریابی با هوش مصنوعی، ن…
خلاصه تحلیلی خبر
مرکز توسعه کسب و کار صنعت 4، در بعدازظهر چهارشنبه ۱۱ شهریورماه، میزبان نخستین دوره از نشستهای تخصصی «AI Connect» با عنوان «نشست مدیران سازمان با نگاهی به آینده و هوش مصنوعی؛ همنشینی اول: ویژه مدیران مارکتینگ» بود. تحلیل راهبردی تحول بازاریابی با هوش مصنوعی، ن…
موضوعات اصلی: پشتیبانی شبکه، هوش مصنوعی، هوش، مصنوعی، دادههای، مدلهای
مرکز توسعه کسب و کار صنعت 4، در بعدازظهر چهارشنبه ۱۱ شهریورماه، میزبان نخستین دوره از نشستهای تخصصی «AI Connect» با عنوان «نشست مدیران سازمان با نگاهی به آینده و هوش مصنوعی؛ همنشینی اول: ویژه مدیران مارکتینگ» بود. تحلیل راهبردی تحول بازاریابی با هوش مصنوعی، نقش حیاتی چارچوب سازمانی، دادههای ساختار یافته و هوش عملیاتی مراکز تماس از جمله محورهای این نشست بود.
اینرویداد نخبگانیبه همت رسانه تخصصی XNET، کنسرسیوم هوش مصنوعی ایران (iRAIC)آکادمی آرمانمجموعه فناوران اطلاعات سخن و با حمایت مرکز توسعه کسبوکارهای صنعت ۴.۰ صندوق سرمایهگذاری خطرپذیر فولاد مبارکه برگزار شد. نشست اول با مدیریت محمد شکاری، مدیر مسئول رسانه XNET، بستری عمیق برای تحلیل واقعبینانه چالشها و پارادایمهای نوین پیادهسازی هوش مصنوعی در بدنه عملیاتی و راهبردی کسبوکارهای ایرانی فراهم آورد. دستاورد محوری و پیام مشترک سخنرانان، ضرورت حیاتی عبور از موج هیجانی «هوش مصنوعی عمومی» (General AI) و حرکت شتابان به سمت خلق «چارچوب سازمانی» (Organizational Context) و ساماندهی دادههای ساختار یافته بود؛ امری که از دیدگاه خبرگان، تنها مزیت رقابتی پایدار برندها در عصر ایجنتهای هوشمند به شمار میرود.
هوش مصنوعی در فرایند خرید
بخش نخست نشست با ارائه دادهمحور دکتر«رامین خاورزاده»مدیرعامل شرکت دانشبنیان پوزیترون (از مجموعههای زیستبوم فناوری دانشگاه شریف با بیش از ۱۰ سال سابقه تخصصی در پردازش داده) آغاز شد. خاورزاده سیر تطور جستجوی اینترنتی را به سه عصر تقسیم کرد؛ عصر نخست (پیش از ۲۰۲۰) در انحصار گوگل و الگوریتمهای بهینهسازی وبسایت (SEO)؛ عصر دوم (۲۰۲۰ تا ۲۰۲۵) با محوریت فیدها و الگوریتمهای شبکههای اجتماعی؛ و عصر سوم (از ۲۰۲۶ به بعد) که در آن دستیاران هوش مصنوعی (AI Assistants) جایگزین درگاههای سنتی جستجو میشوند.
به گفته مدیرعامل پوزیترون، تفاوت بنیادین عصر جدید در این است که دستیاران هوش مصنوعی توجهی به داستانسراییهای تبلیغاتی، بیلبوردها و سفرای برند ندارند و اصالت را به «دادههای ساختاریافته» (Structured Data) میدهند. اگر فید محصول یک شرکت شامل موجودی لحظهای، قیمت، تخفیف، مشخصات فنی و شرایط خرید دقیق نباشد، برندها از سهم پیشنهادات هوش مصنوعی (AI Share of Voice) حذف خواهند شد.
در ادامه، آمارهای متعددی از تجربیات بینالمللی تبیین شد. خاورزاده به پروژه مشترک OpenAI و پلتفرم Shopify اشاره کرد که در آن امکان ثبت سفارش و پرداخت مستقیم از داخل چتبات فراهم شده بود. با وجود این زیرساخت سنگین، تنها ۳۰ فروشگاه این ویژگی را فعال کردند و در نهایت این پروژه به دلیل عدم استقبال کاربران خاموش شد؛ زیرا مصرف کنندگان تمایلی به دور زدن قواعد سنتی فروشگاه، پروموشنهای سبد خرید و باشگاه مشتریان نداشتند.
همچنین آمارهای پژوهشی آمازون نشان میدهد نرخ تبدیل کاربران در چتبات آمازون سه برابر کمتر از وبگردی مستقیم در سایت است. در مقابل، چتبات ChatGPT در مقایسه با موتورهای جستجو، دو برابر نرخ تبدیل بالاتری در جذب مشتریان جدید ثبت کرده است. تحقیقات سمراش (Semrush) روی ۱۳۰۰ خریدار آمریکایی نیز تایید میکند که ۵۰ درصد خریداران تحقیق درباره محصول را در ابزارهای هوش مصنوعی انجام دادهاند، اما تنها ۲۲ درصد تجربه خرید مستقیم داشتهاند. با توجه به ۷۵ میلیون کاربر فعال ماهانه جمنای و روزانه ۵۰ میلیون پرسش خریدمحور در ChatGPT، و نیز پیشبینی بازار ۵ تریلیون دلاری پیشنهادات هوشمند تا سال ۲۰۳۵، نتیجه راهبردی تبیین شد: «هوش مصنوعی در حال حاضر یک کانال کشف (Discovery Channel) فوقالعاده، اما یک کانال فروش و پرداخت ضعیف است.» این پنجره زمانی، فرصتی حیاتی برای مدیران مارکتینگ است تا زیرساخت دادههای خود را برای پذیرش ایجنتها آماده سازند.
عصر چارچوب سازمانی
در ادامه این نشست به نظرسنجی مؤسسه BCG از ۳۰۰ مدیر ارشد بازاریابی اشاره کرد که طبق آن ۹۶ درصد مدیران معتقدند هوش مصنوعی صنعت بازاریابی را دگرگون کرده است؛ اما تنها ۸ درصد توانستهاند ایجنتهای هوشمند را در کمپینهای واقعی به کار گیرند.
علت این فاصله بزرگ در این است که دسترسی به مدلهای عمومی زبانی (LLM) نظیر ChatGPT یا Gemini به یک کالای عمومی تبدیل شده است. آنچه در عصر جدید تعیین کننده است، «غنای چارچوب سازمانی» (Context-Rich Organization) است. یک مدل عمومی بدون دادههای اختصاصی بیزینس، رفتارهای خرید مشتریان ایرانی، حاشیه سود و پویاییهای بازار داخلی، قادر به اتخاذ تصمیمات تجاری ارزشمند نیست.
در این راستا، معماری زیرساختی مجموعه استیتها (Statehood) تشریح شد. در این مدل، دادههای بیزینس به دو جهان تقسیم میشوند؛ نخست، «جهان بیرونی سازمان» شامل اطلاعات محصولات و رفتار خرید که در سامانههای بومی نظیر «بندو» (در ۲۰ تا ۳۰ کافه و رستوران تهران)، «ایسون» (توزیع مویرگی برندهای FMCG نظیر صنایع غذایی مجید)، «کاریلو» (قطعات خودرو) و «منگو» (تجارت الکترونیک چونیکسپلاس و پوزیترون) ذخیره میشوند. دوم، «جهان درون سازمان» شامل دادههای تعاملات و تصمیمات انسانی که در سامانه عملیات دیجیتال هوشمند (SDO) یکپارچه میگردند.
محصول نهایی این یکپارچهسازی، امکان خلق همزاد دیجیتال (Digital Twin) برای مدیران، کارشناسان و پروژهها است. به عنوان نمونه، همزاد دیجیتال یک مدیر یا پروژه بزرگ (مانند پروژههای شونیز یا بانک کشاورزی) با دادههای تاریخی آموزش میبیند؛ به طوری که در جلسات کارشناسی یا آنبوردینگ نیروهای جدید، همزاد دیجیتال پاسخگوی ابهامات است و دانش سازمان با خروج نیروها نابود نمیشود. توصیه قاطع این بخش، پرهیز از هزینههای سنگین برای توسعه مدلهای اختصاصی (جز در موارد استثنایی نظیر XNET یا بانکها) و تمرکز بر ساختاردهی به دادههای داخلی بود.
واقعیتهای اکوسیستم ایران؛ از چالشهای زیرساختی تا عارضه ابزارزدگی
در بخش دیگری از اولین نشست AI Connect به آسیبشناسی چالشهای پیادهسازی هوش مصنوعی در ایران اختصاص داشت. حاضران چند چالش کلیدی را مطرح کردند؛ نخست، «نگاه کوتاه مدت» حاکم بر اقتصاد کشور به دلیل بیثباتیهای اقتصادی که مدیران را به سمت راهکارهای زود بازده مقطعی میکشاند؛ دوم، «بینشناپذیری دادهها» که در آن دادههای انبوه جمعآوری میشوند اما در لایه اطلاعات ابتدایی متوقف میمانند و به لایه بینش (Insight) و تصمیمسازی هوشمند نفوذ نمیکنند.
در ادامه، عارضه «ابزارزدگی» و اشتباه متداول سازمانها در جایگزینی مدلهای پیچیده زبانی (LLM) به جای مدلهای پایه آماری نقد شد. متخصصان تایید کردند که برای بسیاری از دادههای عددی و ساختار یافته، مدلهای آماری کلاسیک نظیر رگرسیون و تحلیلهای سری زمانی (Time Series)، پاسخی سریعتر، دقیقتر و ارزانتر ارائه میدهند و اصرار بر استفاده از LLM ناشی از تب هیجانی بازار است.
در این میان، «محمدنیا»، بنیانگذار کیبوردی و بلکیت به تشریح پروژه «AI Monitor» پرداخت که در حوزه Generative Engine Optimization (GEO) پایش میکند برندها با چه کیفیتی در خروجی مدلهای زبانی ظاهر میشوند. وی اظهار داشت که الگوریتمهای هوش مصنوعی اعتبار پلتفرمهایی چون X و Reddit را در سنجش برندها بسیار بالا میدانند. همچنین در بلکیت، به دلیل ضعف مدلهای عمومی در مپینگ دقیق واژگان فارسی، اقدام به فاینتیون اختصاصی مدلهای امبدینگ (Embedding Models) روی دادههای فروشگاهی شده است.
از سوی دیگر، «جدیدی»، مدیر سابق محصول کارگزاری مفید با اشاره به سابقه بهرهگیری از هوش مصنوعی در تحلیل مکالمات مرکز تماس و پیشبینی ریزش مشتریان، بر گسترش هوش مصنوعی به حوزه بینایی ماشین تاکید کرد. وی به پروژههای تحلیلی در فروشگاههای زنجیرهای بزرگ (نظیر دیلیمارکت و والماس با بیش از ۱۵۰۰ شعبه) اشاره کرد که در آنها از دوربینهای فروشگاهی با حفظ حریم خصوصی برای تحلیل الگوی رفتار خرید مشتریان استفاده میشود.
هوش عملیاتی در مراکز تماس؛ ماتریس ارزش کسبوکار در برابر پیچیدگی فنی
بخش بعدی این نشست به ارائه تخصصی «مسعود جباروند»، مدیرعامل شرکت فناوران اطلاعات سخن، به بررسی مطالعات واقعی پیادهسازی هوش مصنوعی در مراکز تماس اختصاص یافت. شرکت سخن با ارائه پلتفرمهای هوشمندی چون «رستا» (حذف منوهای تلفن گویا و مسیریابی گفتاری) و «کوالیک» (ارزیابی خودکار و ۱۰۰ درصدی کیفیت مکالمات)، راهکارهای عملیاتی ارتقای مرکز تماس را تشریح کرد.
جباروند ماتریس استراتژیک «ارزش کسبوکار در برابر پیچیدگی فنی» را برای اولویتبندی پروژهها معرفی کرد. وی با استناد به قانون ۸۰/۲۰ خاطر نشان کرد که در اکثر مراکز تماس، تنها ۲۰ درصد از سناریوها (نظیر استعلام وضعیت سفارش، سود سهام یا ثبتنام) بیش از ۸۰ درصد حجم تماسهای روزانه را تشکیل میدهند.
به عنوان نمونه، پیادهسازی این سیستم در کارگزاری آگاه تشریح شد. در این پروژه، تیم هوش مصنوعی از ورود به موضوعات کمتکرار خودداری کرد و تمرکز خود را بر فرایندهای پرفرکانس قرار داد که نتیجه آن کاهش ۲۰ تا ۴۳ درصدی ریزش تماسها در زمانهای پیک ترافیک بود.
مدیرعامل سخن همچنین بر استراتژی «دستیار اپراتور» (Agent Assist) تاکید کرد. با توجه به اینکه مدلهای پردازش گفتار فارسی دارای تأخیر حدود ۵ تا ۶ ثانیهای هستند، جایگزینی کامل انسانی میتواند به تجربه مشتری آسیب بزند. بنابراین، قرارگیری هوش مصنوعی در کنار اپراتور جهت پیشنهاد زنده پاسخها و خودکارسازی ثبت اطلاعات پس از تماس، زمان پاسخگویی را کاهش میدهد. علاوه بر این، در بخش کنترل کیفیت، سیستمهای هوشمند قادرند بهجای نمونهبرداری دستی ۱ درصدی، ۱۰۰ درصد مکالمات را تحلیل کرده و بازگشت سرمایه قابل توجهی ایجاد کنند.
آینده بازاریابی و تولید محتوا؛ از اشباع بصری تا تعامل ایجنتها
در بخش پایانی نشست، موضوع تولید محتوا و رسانه با حضور «احمد فضروی»، مدیرعامل مجموعه هومان و فعال حوزه سرمایهگذاری رسانهای بررسی شد. فضروی با تشریح سرمایهگذاری روی ۱۶ استودیوی هنری و سینمایی، تاکید کرد که هیجان اولیه دیدن تصاویر و ویدیوهای تماماً هوش مصنوعی فروکش کرده و مخاطبان دچار نوعی اشباع و پسزدگی نسبت به محتوای بیاصالت شدهاند. به اعتقاد فضروی، هوش مصنوعی زمانی در صنعت رسانه و بازاریابی به موفقیتی پایدار میرسد که در خدمت سناریونویسی عمیق و داستانگویی قوی باشد، نه اینکه صرفاً جایگزین هنر انسانی گردد.
در جمعبندی افقهای آتی، حاضرین به پارادایم نوظهوری اشاره کردند که در آن آینده بازاریابی شاید دیگر صحبت کردن برندها با انسانها نباشد، بلکه تعامل و مذاکره مستقیم «ایجنت هوش مصنوعی خریدار» با «ایجنت هوش مصنوعی فروشنده در کسری از ثانیه باشد؛ نقطهای که تنها برندهایی برنده خواهند بود که دادههای ساختار یافتهتری سامان داده باشند.
نخستین نشست از سلسله نشستهای AI Connect تصویر شفاف و واقعبینانهای از جایگاه هوش مصنوعی در مارکتینگ و مدیریت سازمان ارائه داد. پیام واضح و دستاورد نهایی این همایش برای مدیران ارشد بازاریابی این است که هوش مصنوعی یک ابزار مجزا یا تزئینی نیست، بلکه لایهای هوشمند بر بستر دادههای یکپارچه سازمان است. سازمانهایی که امروز توان خود را صرف ساختاردهی به دادههای داخلی، ایجاد کانتکست غنی، تمیزسازی فیدهای محصولی و ارتقای هوش عملیاتی کنند، رهبران بازار فردا در عصر تعاملات ایجنتمحور خواهند بود.
برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.