برند خود را برای دوران هوش مصنوعی عاملمحور آماده کنید
مدلهای زبانی بزرگ و عاملهای هوشمند در حال دگرگونی شیوه تحقیق و خرید مصرفکنندگان هستند؛ اما بیشتر شرکتها هنوز برای این تحول آماده نیستند. در سال ۲۰۲۴، «گوکچن کاراجا» (Gokcen Karaca)، مدیر بخش دیجیتال و طراحی در شرکت فرانسوی تولیدکننده مشروبات الکلی Pernod R…
خلاصه تحلیلی خبر
مدلهای زبانی بزرگ و عاملهای هوشمند در حال دگرگونی شیوه تحقیق و خرید مصرفکنندگان هستند؛ اما بیشتر شرکتها هنوز برای این تحول آماده نیستند. در سال ۲۰۲۴، «گوکچن کاراجا» (Gokcen Karaca)، مدیر بخش دیجیتال و طراحی در شرکت فرانسوی تولیدکننده مشروبات الکلی Pernod R…
موضوعات اصلی: پشتیبانی شبکه، هوش مصنوعی، هوش، مصنوعی، عاملهای، کنند
مدلهای زبانی بزرگ و عاملهای هوشمند در حال دگرگونی شیوه تحقیق و خرید مصرفکنندگان هستند؛ اما بیشتر شرکتها هنوز برای این تحول آماده نیستند.
در سال ۲۰۲۴، «گوکچن کاراجا» (Gokcen Karaca)، مدیر بخش دیجیتال و طراحی در شرکت فرانسوی تولیدکننده مشروبات الکلی Pernod Ricard، از شنیدن این نکته شگفتزده شد که دوسوم مصرفکنندگان نسل زد و بیش از نیمی از نسل هزاره برای تحقیق درباره محصولات، از مدلهای زبانی بزرگ استفاده میکنند.
نمونه موردی
اما یافتهها او را دلسرد کرد؛ دادههای مدلهای زبانی بزرگ اغلب ناقص یا نادرست بود. بهعنوانمثال، یک مدل هوش مصنوعی محبوب، ویسکی اسکاچ Ballantine’s را که یک محصول مقرونبهصرفه برای بازار انبوه است، بهاشتباه بهعنوان یک محصول لوکس و پرستیژ دستهبندی کرده بود.
برای مقابله با این مشکل، کاراجا و تیمش ابتکاری را برای رصد و بازسازی پدیدهای که آن را «سهم از مدل» (Share of Model) مینامند، آغاز کردند؛ معیاری که نشان میدهد برندها در مقایسه با رقبای خود، چقدر و با چه کیفیتی در نتایج هوش مصنوعی ظاهر میشوند. برای بهبود سهم از مدلِ برندهای شرکت، تیم کاراجا اکنون به طور منظم بهتمامی مدلهای محبوب پرامپت میدهند، سؤالاتی درباره محصولات پرنود ریکارد میپرسند و پاسخهای مدلها را کاتالوگنویسی میکنند. سپس اعضای تیم، متن وبسایت و متنهای تبلیغاتی را بهروزرسانی میکنند تا مدلهای زبانی بزرگ پیامهای تجاری آنها را تکرار کنند.
آنها از طریق تکرار و تنظیمات دقیق و پرزحمت توانستند درک مدلهای هوش مصنوعی را از سبد برندهای شرکت اصلاح کنند. اکنون مدلهای زبانی بزرگ، Ballantine’s را بهدرستی بهعنوان یک اسکاچ مقرونبهصرفهتر شناسایی میکنند.
تجربه پرنود ریکارد نشاندهنده یک تغییر بنیادین است که هر برندی با آن روبروست. در طول دو دهه گذشته، برندها یاد گرفتند که استراتژیهای کلمات کلیدی خود را بهینهسازی کنند تا در صدر نتایج موتورهای جستوجو قرار گیرند. آنها اکنون با چالش جدیدی مواجه هستند: یعنی بهینهسازی برای هوش مصنوعی. همانطور که کاراجا و تیمش دریافتند، بسیاری از مصرفکنندگان از قبل برای تحقیق درباره محصولات یا مقایسه قیمتها از مدلهای زبانی بزرگ استفاده میکنند.
چالش آینده پیش رو
نظرسنجی ژوئیه ۲۰۲۵ از ۷۵۰ مصرفکننده آمریکایی که توسط شرکت مشاوره مدیریت Kearney انجام شد، نشان داد که ۶۰ درصد از خریداران انتظار دارند ظرف ۱۲ ماه آینده از هوش مصنوعی عاملمحور برای انجام خریدهای خود استفاده کنند. هر شرکت بزرگ هوش مصنوعی در پیشبینی پذیرش همگانی این فناوری، در حال توسعه عاملهای هوشمند است. برای ذکر یک نمونه، OpenAI در حال همکاری با پردازشگرهای پرداخت مانند Stripe و PayPal و خردهفروشانی مانند Walmart و پلتفرم خرید Shopify است تا فرایند خرید را در داخل ChatGPT تسهیل کند. این اقدام در حال پایهریزی بستری برای یک سفر مشتری خودکار و کامل است. این بدان معناست که شرکتها بهزودی برندهای خود را در عصری مدیریت خواهند کرد که هوش مصنوعی عاملمحور، ساختهشده بر بستر مدلهای زبانی بزرگ، به نیابت از مشتریان کار کرده و تراکنشها را بدون نیاز به کمک انسان کامل میکند.
بیشتر برندها برای این تغییر آمادگی ندارند. مدیران اجرایی باید سؤالات حیاتی زیر را از خود بپرسند
- چگونه استراتژی ارتباطی خود را زمانی که مخاطب اصلی ما ممکن است انسان نباشد، تطبیق دهیم؟
- چه بلایی سر روابط برند در دنیایی میآید که توسط عاملهای هوش مصنوعی میانجیگری میشود؟
- چگونه میتوانیم برای آیندهای آماده شویم که در آن هر دو سوی رابطه مشتری توسط هوش مصنوعی مدیریت میشود؟
این مسئله با یک راهکار فنی ساده حل نخواهد شد. شرکتها باید به طور اساسی در نحوه تعامل برندها، مشتریان و هوش مصنوعی بازنگری کنند.
نویسندگان HBR در این مقاله، با اتکا به تحقیقات گسترده خود بر روی هزاران مصرفکننده از کشورهای مختلف از جمله ایالات متحده و بریتانیا و همچنین تکیه بر فعالیتهای خود در توسعه چارچوبهای پذیرش هوش مصنوعی برای شرکتها و استارتاپها، طیف روابط میان برند و مصرفکننده را که از طریق کاربرد عاملهای هوش مصنوعی در حال شکلگیری است، تبیین میکنند. نویسندگان نشان میدهیم که چگونه شرکتهای پیشرو مانند AG1، لامبورگینی و ServiceNow از هماکنون استراتژیهای خود را برای بهینهسازی در فضای هوش مصنوعی تطبیق میدهند و یک نقشه راه برای شروع کار در اختیار مدیران قرار میدهیم.
انواع سهگانه تعاملات عاملهای هوش مصنوعی
بیشتر مصرفکنندگان هنوز فرایند خرید را به هوش مصنوعی واگذار نمیکنند، اما از مدلهای زبانی بزرگ مانند ChatGPT همانند گوگل استفاده میکنند؛ یعنی برای تحقیق پیش از خرید. آنها درباره ویژگیهای محصول سؤال میکنند، گزینهها را مقایسه میکنند و خلاصه نظراتِ سنتزشده توسط هوش مصنوعی را قبل از تصمیمگیری نهایی برای خرید میخوانند. همانطور که نمونه پرنود ریکارد نشان میدهد، شرکتها باید حضور خود در هوش مصنوعی را رصد و بهینهسازی کنند؛ خواه مصرفکنندگان تصمیمات خرید را تفویض کنند و خواه نکنند.
انواع عاملهایی که توصیف خواهیم کرد، تکامل طبیعی این رفتارِ پژوهشی را نشان میدهند، چرا که جمعآوری غیرفعال اطلاعات (Passive information-gathering) به یک میانجیگری فعال (Active intermediation) تبدیل میشود. خوشبختانه، بسیاری از استراتژیهایی که به شرکتها در مدیریت خرید از طریق هوش مصنوعی عاملمحور کمک میکنند، به آنها کمک خواهند کرد تا با مصرفکنندگانی که در حال انجام تحقیقات اولیه با استفاده از مدلهای زبانی بزرگ هستند نیز تعامل بهتری داشته باشند.
با رواج بیشتر عاملهای هوش مصنوعی، رابطه سنتی میان برندها و مصرفکنندگان جای خود را به مجموعه جدیدی از حالتهای تعاملی میدهد؛ برخی از آنها توسط هوش مصنوعی میانجیگری میشوند و برخی دیگر کاملاً توسط آن هدایت میگردند. در کنار تعامل مستقیم انسان با انسان، سه نوع تعامل نوظهور در حال همزیستی در بازار هستند
- عامل برند با مشتری انسانی به طور مستقیم تعامل داردبرخلاف چتباتهای سنتی هوش مصنوعی که صرفاً به سؤالات پاسخ میدهند، این عاملهای به مصرفکنندگان کمک میکنند تا محصولات را کشف کنند، تصمیم بگیرند و به روشهای جدیدی به خدمات دسترسی داشته باشند. سیستم Auto Navigator Chat Concierge متعلق به Capital One یک نمونه عالی است. این سیستم میتواند موجودی نمایندگیها را بررسی کند، تست رانندگی با خودرو را زمانبندی کند، ارزش خودروی کارکرده را تخمین بزند و به سؤالات مربوط به تأمین مالی پاسخ دهد. مشتریان میتوانند بخش عمدهای از سفر خرید را از طریق یک عامل هوش مصنوعی، پیش از قدمگذاشتن به نمایندگی کامل کنند.
- عاملهای مصرفکننده به نیابت از افراد در قبال چندین برند عمل میکنندبهعنوانمثال، قابلیت «استفاده از کامپیوتر» (Computer use) در Claude به یک عامل اجازه میدهد تا به طور خودکار در صفحات وب جابهجا شود، فرمها را پر کند و خریدها را انجام دهد. این عامل تقریباً بهعنوان نماینده دیجیتال شخصی مصرفکننده عمل میکند.
- میانجیگری کامل هوش مصنوعی (Full AI Intermediation)عاملهای هوش مصنوعی بهصورت خودکار در هر دو سوی تراکنش بدون دخالت مستقیم انسان با یکدیگر تعامل دارند. در این حالت، نیات، احساسات و ترجیحات انسانی با استفاده از الگوریتمها پیشفیلتر میشوند. ما در حال حاضر شاهد مراحل اولیه این روند هستیم. عامل هوش مصنوعی ChatGPT در پلتفرم OpenTable جستوجو میکند، رستورانها را انتخاب میکند، جزئیات رزرو را به طور خودکار پر میکند و رزرو را نهایی میکند. در سوی دیگر، دستیار هوش مصنوعی Hostie که یک سیستم دستیار هوشمند همراه یا اصطلاحاً AI concierge است به پرسشها پاسخ میدهد، ظرفیت را ارزیابی میکند و تأییدیه رزرو را به نیابت از رستورانها ارسال میکند. اگرچه نظارت انسانی ممکن است امروز یک هنجار باشد، اما این سیستمها نمونههای اولیهای از فرایندهای کاملاً مستقل هستند؛ از شروع تحقیق درباره محصول گرفته تا تکمیل تراکنش.
برندها باید ارزیابی کنند که کدام جنبه از روابط سنتی با مشتری را حفظ کرده و کدام جنبهها را تکامل دهند. برای هدایت این تغییر، مدیران برند باید بر سه مرحله حیاتی از پذیرش هوش مصنوعی عاملمحور تمرکز کنند
- مرحله اولتعیین کنید که آیا اصلاً نیازی به استقرار یک عامل هوش مصنوعی دارید یا خیر.
- مرحله دومدر صورت نیاز، باید مصرفکنندگان را متقاعد کنید که بهجای عامل هوشمند خود، از عامل برند شما استفاده کنند.
- مرحله سومبرای مصرفکنندگانی که عاملهای هوش مصنوعی اختصاصی خود را ترجیح میدهند، باید اطمینان حاصل کنید که این میانجیهای مستقل، برند شما را انتخاب میکنند.
مرحله ۱: تصمیمگیری درباره اینکه آیا به یک عامل هوش مصنوعی نیاز دارید یا خیر
اولین سؤالی که برندها باید به آن پاسخ دهند این است که آیا مصرفکنندگان آنها واقعاً مایل به تعامل با یک عامل هوشمند هستند؟
استقرار هوش مصنوعی در زمینههایی که مشتریان تعامل انسانی را ترجیح میدهند، بیاثر است و میتواند به روابط برند آسیب برساند. پاسخ به چندین عامل بستگی دارد
- ماهیت محصول یا خدمت شما
- زمینه مصرف (Consumption context)
- اهمیت ارتباط انسانی در ارزش پیشنهادی شما (Value proposition)
- درک مشتریان شما از هوش مصنوعی
تحقیقات دانشگاهی توسط «بینگچینگ لی» (Bingqing Li)، «ادوارد یوهانگ لای» (Edward Yuhang Lai) و «شین وانگ» (Xin Wang) نشان میدهد که مردم تمایل دارند از عاملهای هوش مصنوعی در زمینههایی با ریسک پایین، تصمیمات روتین و نتایج قابلپیشبینی استفاده کنند. شرکتهای کمی این موضوع را بهتر از آمازون درک میکنند که نزدیک به یک دهه است که بهآرامی چنین تصمیماتی را خودکار کرده است. آمازون در سال ۲۰۱۵ «دکمه دش» (Dash Button) را راهاندازی کرد؛ دستگاه کوچکی متصل به وایفای که مشتریان میتوانستند با ضربهزدن روی آن، کالاهای خانگی را فوراً دوباره سفارش دهند. با تکامل انتظارات مشتریان، رویکرد آمازون نیز تکامل یافت. این شرکت دکمههای دش مجازی و خدمات «تدارک دش» (Dash Replenishment) را معرفی کرد که به دستگاههای هوشمند اجازه میداد تجهیزات را بر اساس میزان مصرف بهصورت خودکار بازسفارش دهند.
اما جهش واقعی با گسترش سیستم Subscribe&Save در سال ۲۰۱۹ رخ داد که به مشتریان اجازه میداد تحویلهای دورهای را در صدها دسته محصول، از دستمال مرطوب کودک گرفته تا تیغ اصلاح، در فواصل زمانی انتخابی خود خودکار کنند. در سال ۲۰۲۴، حدود ۲۳ درصد از مشتریان آمازون در ایالات متحده یک سفارش فعال در این سیستم داشتند. امروزه آمازون با +Alexa AI وارد فاز جدیدی در استراتژی عاملمحور خود میشود؛ یک دستیار هوشمند که برای تفسیر نیت، تصمیمگیری و اجرای خودکار وظایف چندمرحلهای خرید طراحی شده است. پرامپتی مانند «مواد غذایی من را شارژ کن» میتواند زنجیرهای از اقدامات را ایجاد کند؛ از جمله بررسی سطح موجودی انبار خانه از طریق یکپارچهسازی با خانه هوشمند، ارجاع به سفارشهای گذشته، انتخاب برندهای ترجیحی و تأیید زمان تحویل و همگی بدون دخالت کاربر.
برندها باید در حوزههایی که مصرفکنندگان دوست ندارند یا حتی در برابر هوش مصنوعی مقاومت میکنند، محتاط باشند. تحقیق لی، لای و وانگ که شامل چندین مطالعه و ۱۱۹,۰۰۰ شرکتکننده است، چندین زمینه ازایندست را برجسته میکند. میزان بیمیلی در طول خریدهایی که از نظر شخصی معنادار هستند، بالاست؛ یعنی زمانی که مصرفکنندگان مانند افرادی که سرگرمی خاصی دارند و هویت شخصیشان با آن خرید گرهخورده است، مشارکت مستقیم را ترجیح میدهند.
به طور مشابه، در حوزههایی که تلاش انسانی نشاندهنده توجه و تفکر است؛ مانند هدیهدادن یا نوشتن پیامهای شخصی، حضور هوش مصنوعی غیرشخصی به نظر میرسد، زیرا مردم برای تلاش انسانیِ درکشده در تعاملات عاطفی مهم ارزش قائل هستند. تصمیمات با ریسک بالا حوزه دیگری از مقاومت است. مصرفکنندگان تمایل دارند کنترل خود را بر روی انتخابهای پیامددار حفظ کنند. بهعنوانمثال، تحقیقات دانشگاه بوستون و یک نظرسنجی از مصرفکنندگان توسط Salesforce نشان میدهد که مردم اغلب نسبت به هوش مصنوعی در حوزه مراقبتهای بهداشتی مردد هستند. مردم همچنین تمایل بیشتری به استفاده از هوش مصنوعی برای وظایفی دارند که آنها را عینی یا اصطلاحاً Objective میدانند؛ مانند تحلیل دادهها یا آدرسدهی تا وظایف ذهنی یا Subjective مانند توصیه در رابطه عاطفی یا فیلم.
مقاومت در حوزههایی که روابط انسانی و خدمات شخصیسازیشده در آنها حیاتی است، مانند محصولات لوکس یا تجربیات پرمیوم بالاتر است. در این شرایط، مردم اغلب به همان اندازه که برای خود محصول پول میدهند، برای راهنمایی انسانی نیز هزینه میکنند.
ترجیحات هوش مصنوعی در میان نسلها، فرهنگها و دستههای محصولات متفاوت است و با پیشرفت فناوری تغییر میکند. ازآنجاکه مدلهای زبانی بزرگ میتوانند بهسرعت تکامل یابند، برندها باید نگرشهای در حال تغییر مشتریان را رصد کنند تا بتوانند روشهای خود را برای استفاده از هوش مصنوعی بهگونهای تطبیق دهند که واقعاً نیازهای مشتریان را برآورده کند. لامبورگینی نمونه بارز این رویکرد در قبال فناوری رانندگی خودران است. درحالیکه شرکتهایی مانند تسلا قابلیتهای خودران را به سنگ بنای نقشه راه نوآوری خود تبدیل کردهاند، لامبورگینی عمداً مسیر متفاوتی را ترسیم کرده است. «استفان وینکلمان» (Stephan Winkelmann)، مدیرعامل این شرکت، زمانی گفت: «هدف از خودرویی مانند لامبورگینی، رانندگی با آن است، نه اینکه برای شما رانندگی کند.»
او معتقد است انگیزه اصلی مشتریانش راحتی یا کارایی نیست، بلکه تجربه درونی و غریزی کنترل یک ماشین با عملکرد فوقالعاده بالا است. همین منطق در مورد تجربیات خرید پرمیوم نیز صدق میکند، جایی که مصرفکنندگان اغلب برای سفرِ کشف و جستوجو ارزش قائل هستند. مشتری که یک ساعت پتک فیلیپ (Patek Philippe) یا یک کیف هرمس (Hermès) خریداری میکند؛ از فرایند تحقیق، انتظار و تخصص داخل فروشگاه لذت میبرد. آن سفر نباید توسط یک عامل هوش مصنوعی خودکار شود.
انتخاب شما مجبور نیست دوتایی (یا این یا آن) باشد. حتی در حوزههایی که انتظار میرود مصرفکننده مقاومت کند، هوش مصنوعی میتواند نقش مهمی ایفا کند. بهعنوانمثال، تجربیات ترکیبی هوش مصنوعی و انسان (AI-human hybrid experiences) که با دقت طراحی شدهاند، هم کارایی هوش مصنوعی و هم راهنمایی انسانی را ممکن میسازند.
وقتی شرکت AG1 (شرکت جهانی تغذیه که پیشتر با نام Athletic Greens شناخته میشد) در بحبوحه توسعه سریع جهانی با دهها هزار پرسش مشتری مواجه شد، فشار روی تیم پشتیبانی آن بسیار شدید بود. «لیلا فرانسیس» (Leala Francis)، نایبرئیس ارشد بخش بینش مشتری و تجربه اعضا، فرصتی را برای بازنگری در نحوه خدمترسانی برند به مشتریان دید. او بهجای انتخاب دوتایی بین اتوماسیون و خدمات شخصی، یک استراتژی انتخابی هوش مصنوعی را توسعه داد که ارتباط انسانی را که هسته اصلی مأموریت برند است را حفظ میکند. این برنامه بر دو اصل استوار است
- آموزش عامل هوش مصنوعی بهعنوان یک نماینده پشتیبانی جدیدبه آن دسترسی به سیستمهای بکاند بدهید، لحن صدای برند (Tone of Voice) را در آن ادغام کنید و آن را با دادههای مشتری در زمان واقعی هدایت کنید. بهعنوانمثال، اگر کسی به تعطیلات میرود، عامل میتواند تعلیق موقت اشتراک را پیشنهاد دهد یا بستههای مسافرتی را عرضه کند.
- انسانی نگهداشتن تعاملات جامعهسازی (Community-building)بهعنوانمثال، تیم انسانی AG1 شخصاً به هر نظر مشتری پاسخ میدهد.
از زمان راهاندازی این برنامه در سال ۲۰۲۴، نتایج دلگرمکننده بودهاند. عاملهای هوش مصنوعی در ۹۹ درصد تعاملات نمرات کاملی کسب کردند که با استانداردهای بالای خدمات انسانی برند مطابقت دارد. مشتریان نیز بهجای مقاومت، این تغییر را پذیرفتهاند. این شرکت متوجه یک جابهجایی دورقمی در درصد تعاملات از ایمیل به تعامل با عامل هوش مصنوعی خود شده است. از همه مهمتر، دستاوردهای کارایی به نمایندگان انسانی اجازه داده است تا زمان بیشتری را صرف مسائل پیچیده مشتریان کنند که از همدلی و حل خلاقانه مسئله بهره میبرند.
برند پوشاک ورزشی پرمیوم ووآری (Vuori) نیز با فشارهای مشابهی در عملیات پشتیبانی مشتریان خود مواجه شد. در اوایل سال ۲۰۲۳، این شرکت با پلتفرم خدمات مشتریان Kustomer همکاری کرد تا عاملهای هوش مصنوعی اختصاصی خود را توسعه دهد که بازتابدهنده صدای برند باشند و پارامترهای زبان، لحن و دسترسی به دانش را بهدقت تعریف کنند. ووآری نیز مانند AG1 رویکردی ترکیبی اتخاذ کرد. هوش مصنوعی را برای پرسشهای روتین مستقر کرد و مسائل پیچیده را به متخصصان انسانی ارجاع داد. نتایج نویدبخش بود؛ با مدیریت حدود ۴۰ درصد از گفتگوهای چت توسط هوش مصنوعی، کارکنان توانستند بر تعاملاتی تمرکز کنند که توجه شخصی در آنها ارزش بیشتری ایجاد میکرد و پیوندهای عمیقتری با مشتری برقرار میساخت.
نویسندگان HBR پیشبینی میکنند که بیشتر شرکتها استراتژی ترکیبی را اتخاذ خواهند کرد. عاملهای هوش مصنوعی برخی از درخواستها را مدیریت میکنند. آنها همچنین در صورت نیاز یا زمانی که به نفع مشتری باشد، مشتریان را به کارمندان ارجاع میدهند. سؤال استراتژیک این است که
چگونه آنها را بهدرستی مستقر کنیم؟
مشتریان در کجا ارزش مشارکت مستقیم را درک میکنند؟
چه زمانی کمک هوش مصنوعی تجربه را ارتقا میدهد؟
ایجاد این تعادل مستلزم آزمایش مداوم و بازخورد مشتری است.
مرحله ۲: ترغیب مشتریان به استفاده از عامل اختصاصی شما
زمانی که مشتریان شما به استفاده از عاملهای هوش مصنوعی تمایل پیدا کنند، با چالش جدیدی روبرو میشوید: متقاعدکردن آنها به انتخاب عامل برند شما نسبت به گزینههای شخص ثالث. انتخاب بین Rufus آمازون و عامل ChatGPT را در نظر بگیرید. هر دو میتوانند در خرید کمک کنند، اما پویاییهای کاملاً متفاوتی را منعکس میکنند. Rufus توسط آمازون کنترل میشود، درحالیکه عامل ChatGPT یک عامل مصرفکننده (Consumer Agent) است که برای اقدام بهجای کاربران طراحی شده است. عامل ChatGPT به اطلاعات شخصی ارائهشده توسط کاربر دسترسی دارد و برای خدمت به آمازون یا هر خردهفروش خاصی طراحی نشده است. از دیدگاه مصرفکننده، عاملهای هوش مصنوعی مستقل در دو حوزه اعتماد (Trust) و داده (Data) مزایای ذاتی دارند.
مردم به طور طبیعی به عاملهایی که مستقیماً کنترل میکنند اعتماد دارند و آنها را بهعنوان حامیان بیطرف میبینند که صرفاً در جهت منافع کاربران عمل میکنند، بسیار شبیه به مشاوران مالی که وظیفه امانتداری دارند. در مقابل، مردم ممکن است به عاملهای برند با تردید نگاه کنند؛ زیرا این عاملهای در درجه اول برای خدمت به اهداف شرکت طراحی شدهاند.
سازمان غیرانتفاعی ConsumerReports که به دلیل بررسیهای مستقل محصولات از خودرو و لوازمخانگی گرفته تا نرمافزار شناخته میشود، این چالش اعتماد را شناسایی کرده است. «دازا گرینوود» (Dazza Greenwood)، سرپرست پروتکل در آزمایشگاه دیجیتال این سازمان میگوید: «جذابترین کاربرد عاملهای هوش مصنوعی شخصی، توانایی آنها در حمایت از مصرفکنندگان بدون سوگیری یا تضاد منافع است.» این سازمان سیستم AskCR را راهاندازی کرده است؛ چتباتی برای کمک به مصرفکنندگان جهت دسترسی سریع به اطلاعات قابلاعتماد. همچنین این شرکت در حال بررسی عاملهای هوش مصنوعی خاصی است که به طور خاص برای «اولویتدادن به منافع کاربر فراتر از هر چیز دیگری» ساخته شدهاند و از چارچوبهای نظارتی دیرینهای الهام میگیرند که ظهور عاملهای الکترونیکی به نیابت از افراد را پیشبینی کرده بودند.
عاملهای مصرفکننده همچنین از مزیت داده برخوردارند. آنها میتوانند دادههایی را جمعآوری، تحلیل و اصلاح کنند که حوزهها و برندهای متعددی را در بر میگیرد. این امر به آنها درک جامعتری از ترجیحات و رفتارهای یک فرد میدهد. بهعنوانمثال، قابلیت حافظه (Memory function) در ChatGPT به آن اجازه میدهد اطلاعات کاربر را از گفتوگوهای گذشته حفظ کند و بهمرورزمان یک پروفایل دقیق از کاربر در میان تمامی برندها تشکیل دهد. این وسعت و عمق بینش به آن اجازه میدهد تا توصیههای بسیار شخصیسازیشده و آگاه از زمینه ارائه دهد.
اما این مزایای ذاتی عاملهای مصرفکننده یک تنش استراتژیک ایجاد میکند. برندها خواهان روابط مستقیم با مشتریان از طریق عاملهای خود برای کنترل بیشتر هستند، درحالیکه مصرفکنندگان دلایل مستحکمی برای ترجیحدادن عاملهای مستقل خود دارند. برای پیمودن این چالش، برندها باید روی قابلیتهایی تمرکز کنند که عاملهای شخصی نمیتوانند بهراحتی آنها را شبیهسازی کنند.
یکی از مزیتهای بزرگ عاملهای برند، توانایی آنها در اتکا به دانش عمیق و اختصاصی محصول (Proprietary product knowledge) است. برخلاف عاملهای همهمنظوره مانند ChatGPT که به دادههای شخص ثالث و اطلاعات عمومی محصول تکیه میکنند که ممکن است قدیمی باشند، عاملهای برند به دادههای ساختاریافته و بلادرنگ محصول دسترسی دارند و میتوانند به پرسشهای ظریف با سطحی از دقت پاسخ دهند که ابزارهای عمومی قادر به آن نیستند. هنگامی که این امر با دادههای دستاول مشتری (First-party customer data) ترکیب میشود، این عاملها میتوانند تجربیات مشاورهای و شخصیسازیشدهای را ارائه دهند که بر درک غنی از ترجیحات، رفتارها و تاریخچه هر مشتری با برند استوار است. بهعنوانمثال، گفتوگو با عامل یک مشاور مالی درباره تصمیمات سرمایهگذاری بسیار منطقیتر از گفتگو با نسخه استاندارد یا حتی حرفهای ChatGPT است. چالش برندها این است که مصرفکنندگان را با این منطق متقاعد کنند.
وقتی سفورا (Sephora) تصمیم گرفت هوش مصنوعی را با تجربه مشتری خود یکپارچه کند، بر نقاط قوت موجود خود تکیه کرد. این سیستم عاملمحور که در ابتدا در سال ۲۰۱۲ راهاندازی و در سال ۲۰۲۱ با قابلیتهای پیشرفته هوش مصنوعی ارتقا یافت، از داراییهای اختصاصی بهره میبرد که عاملهای عمومی به آنها دسترسی ندارند؛ از جمله کاتالوگ محصولات با تاکسونومیهای دقیق شید (Shade) و فرمول، فناوریColor IQکه ۱۴۰,۰۰۰ تن رنگ پوست را تمایز میدهد و پروفایلهای دستاول از بیش از ۳۴ میلیون عضو BeautyInsider. وقتی مشتری توصیهای برای کرمپودر میخواهد، هوش مصنوعی به تن رنگ پوست خاص آن فرد، خریدها و مرجوعیهای قبلی و موجودی زنده فروشگاه ارجاع میدهد. مشتریان سفورا که از این ابزارها استفاده میکنند، سه برابر بیشتر احتمال دارد خرید خود را کامل کنند. این ابزارها همچنین به کاهش ۳۰ درصدی مرجوعی کالا کمک کردهاند.
یکی دیگر از تمایزدهندههای قدرتمند برای عاملهای برند، توانایی گنجاندن مدل «انسان در چرخه» (Human-in-the-loop) است. برندهایی که سیستمهای عاملمحوری میسازند که نظارت انسانی را حفظ کرده و به طور یکپارچه مسائل پیچیده را به متخصصان انسانی ارجاع میدهند، میتوانند نسبت به عاملهای مصرفکننده مزیت کسب کنند و شکاف اعتماد را کاهش دهند. این نوع از مدل ترکیبی معمولاً برای عاملهای مصرفکننده در دسترس نیست، زیرا تنها افراد درگیر، خود مشتریان و مصرفکنندگان هستند.
عامل هوش مصنوعی شرکت ServiceNow که در زمینه اتوماسیون جریان کار فعالیت میکند، نمونه بارز این رویکرد است. این شرکت یک عامل هوش مصنوعی مستقر کرد که قادر است به طور مستقل ۸۰ درصد از پرسشهای ورودی مانند بهروزرسانی سفارش، دسترسی به سیستم و عیبیابی اولیه را حل کند. برای ۲۰ درصد باقیمانده که شامل پیچیدگی یا ظرافت بیشتری است، سیستم به طور خودکار موضوع را به کارکنانی ارجاع میدهد که خروجیهای تولید شده توسط هوش مصنوعی را بررسی میکنند، قضاوت تخصصی خود را به کار میگیرند و تصمیمات نهایی را اتخاذ میکنند. این تلفیق هوش مصنوعی عاملمحور و مداخله انسانی، زمان حل پروندههای پیچیده را تا ۵۲ درصد کاهش داده است و نشان میدهد که چگونه برندها میتوانند کارایی را بهبود بخشند و درعینحال اعتماد، دقت و کنترل را حفظ کنند.
نکته مهم این است که ارزش ویژه برند سنتی (Traditional brand equity) هنوز برای ترغیب مشتریان به استفاده از عامل برند شما اهمیت دارد. وقتی مصرفکنندگان تجربیات قبلی مثبتی با یک برند دارند، بیشتر احتمال دارد به عامل آن برند اعتماد کنند. اما این پایه بهتنهایی کافی نیست. اعتماد باید توسط خود عاملهای هوش مصنوعی نیز به دست آید. نظرسنجی اخیر Salesforce نشان داد که بیشتر مصرفکنندگان باور ندارند شرکتها از هوش مصنوعی بهصورت اخلاقی استفاده کنند و ۷۲ درصد از پاسخدهندگان خواستار شفافیت در این باره بودند که چه زمانی با هوش مصنوعی تعامل دارند و چه زمانی با یک انسان. این یک فرصت استراتژیک را ایجاد میکند. برندهایی که شیوههای هوش مصنوعی مسئولانه (Responsible AI) را اتخاذ کرده و بهوضوح اعلام میکنند، نهتنها میتوانند اعتماد به عاملهای خود را ایجاد کنند، بلکه بخشی از شکاف اعتماد ذاتی میان عاملهای برند و عاملهای مصرفکننده را پر میکنند.
برای بررسی اینکه چگونه هوش مصنوعی مسئولانه بر انتخاب مصرفکننده تأثیر میگذارد، یکی از نویسندگان این گزارش و همکارانش برای انجام سه آزمایش انتخاب گسسته (Discrete-choice experiments) در مقیاس بزرگ شامل ۳,۲۶۸ شرکتکننده از بریتانیا همکاری کردند. از مصرفکنندگان خواسته شد تا بین محصولات هوش مصنوعی با سطوح مختلف ویژگیهای هوش مصنوعی مسئولانه مانند حریم خصوصی (Privacy)، قابلیت حسابرسی (Auditability) و قابلفهم بودن (Understandability) در برابر سایر ویژگیهای رایج مانند قیمت، عملکرد، شخصیسازی و خودمختاری (Autonomy)، قضاوت کنند.
یافتهها شگفتانگیز بود. در یک مطالعه که بر روی یک اپلیکیشن برنامهریزی بازنشستگی مبتنی بر هوش مصنوعی تمرکز داشت، حریم خصوصی بهعنوان مؤثرترین عامل در تصمیمگیری (۳۱ درصد) ظاهر شد و پس از آن قابلیت حسابرسی یا نظارت انسانی (۲۶ درصد) قرار گرفت. در مطالعه دیگری که مربوط به یک ابزار سرمایهگذاری مبتنی بر هوش مصنوعی بود، حریم خصوصی بار دیگر یک محرک اصلی بود و پابهپای قیمت اهمیت داشت. حتی زمانی که گزینههایی با عملکرد بالا در دسترس بودند، ویژگیهای هوش مصنوعی مسئولانه به طور قابلتوجهی ترجیحات مصرفکننده را شکل دادند. شاید گویاتر از همه این باشد که وقتی ویژگیهای هوش مصنوعی مسئولانه در طراحی محصول گنجانده شد، نرخ پذیرش پیشبینیشده برای اپلیکیشن بازنشستگی از ۲.۴ درصد به ۶۳.۲ درصد جهش کرد و برای اپلیکیشن سرمایهگذاری ۲۷.۵ درصد افزایش یافت.
متقاعدکردن مصرفکنندگان به انتخاب عامل شما در برابر گزینههای مستقل مستلزم دو اقدام بهینه است
- برندها باید از آنچه عاملهای مستقل نمیتوانند شبیهسازی کنند بهره ببرند؛ یعنی تجربیات بسیار ساختاریافته و وابسته به زمینه که مبتنی بر دانش اختصاصی محصول است.
- آنها همچنین باید سیستمهای انعطافپذیری بسازند که به عاملهای اجازه میدهد گفتوگوها را به متخصصان انسانی ارجاع دهند. ارائه این سطح از شخصیسازی و سازگاری به مشتریان یک گزینه هوشمندانه میدهد که میتوانند از آن استفاده کنند یا آن را نادیده بگیرند که بستگی به ترجیحات آنها دارد.
مرحله ۳: کاری کنید که سایر عاملهای هوش مصنوعی برند شما را انتخاب کنند
حتی باوجوداینکه برندها عاملهای هوش مصنوعی اختصاصی خود را تبلیغ میکنند، بسیاری از مصرفکنندگان احتمالاً عاملهای مستقل مانند ChatGPT، Claude یا Gemini را انتخاب خواهند کرد. این امر یک ضرورت استراتژیک جدید ایجاد میکند؛ اطمینان از اینکه برند شما برای عاملهای هوش مصنوعی مصرفکننده مرئی بوده و در نهایت توسط آنها توصیه میشود.
دستیابی به این هدف مستلزم چیزی فراتر از ساختن عامل خودتان است. برندها همچنین باید نقاط یکپارچهسازی یکپارچه را با اکوسیستم گستردهتر هوش مصنوعی توسعه دهند. سازگاری سریع اینستاکارت (Instacart) با خرید به کمک هوش مصنوعی را در نظر بگیرید. وقتی OpenAI در سال ۲۰۲۳ پلاگینهای ChatGPT را معرفی کرد، اینستاکارت با یک استراتژی دوگانه پاسخ داد
- درونبرنامهایتوسعه ابزارAsk Instacart مبتنی بر ChatGPT در اپلیکیشن خود
- برونبرنامهایتوسعه پلاگین اختصاصی در داخل اپلیکیشن ChatGPT برای افزودن مستقیم کالا به سبد خرید
مشتریان با یک پرسش شروع میکنند؛ مانند «چگونه یک کیک هویج ساده درست کنم؟» و سپس پلاگین اینستاکارت یک دستور پخت ارائه میدهد و به طور خودکار مواد اولیه را در داخل سبد خرید در اپلیکیشن ChatGPT قرار میدهد. این رویکرد تأکید میکند که چرا توسعه نقاط یکپارچهسازی با عاملهای هوش مصنوعی مصرفکننده ضروری است. اینستاکارت با تعبیه خدمات خود در اپلیکیشن خود و پلتفرمهای هوش مصنوعی خارجی، به طور مؤثری خود را برای پاسخگویی به طیف گستردهای از پرسشهای مربوط به مواد غذایی برای بسیاری از مصرفکنندگان، بدون توجه به اینکه گفتوگو از کجا شروع شده است، موقعیتدهی کرد.
آمادهسازی برندها برای عاملهای هوش مصنوعی همچنین نیازمند یادگیری، آزمایش و سازگاری مداوم است. بهعنوانمثال، وقتی OpenAI نسخههای سفارشی GPTs را معرفی کرد، اینستاکارت دوباره خود را تطبیق داد و GPT اختصاصی خود را برای حفظ موقعیتش در این پلتفرم راهاندازی کرد. بخش اصلی سازگاری، ارزیابی عملکرد برند شما در مدلهای زبانی بزرگ پیشرو و بهینهسازی برای آنهاست. مشابه رویکرد پرنود ریکارد، شرکت دانون (Danone) به طور منظم نحوه تصویرسازی برندهای خود توسط مدلهای زبانی بزرگ را رصد میکند و برای مدیریت درک مبتنی بر هوش مصنوعی در زمان واقعی، مداخلات هدفمندی انجام میدهد. هنگامی که اختلافات یا بازنماییهای نادرست رخ میدهد، دانون تغییرات مشخصی در ارتباطات بازاریابی خود ایجاد میکند و بهبودهای قابلاندازهگیری را در نحوه توصیف و توصیه محصولاتش توسط عاملهای هوش مصنوعی ردیابی میکند.
تحقیقات اخیر دانشکده بازرگانی هاروارد ابزارهای اضافی را برای مدیریت نحوه درک عاملهای هوش مصنوعی از برند شما بررسی میکند. در یک مطالعه، محققان استفاده از یک توالی متنی استراتژیک (Strategic Text Sequence – STS) را بررسی کردند. به زبان ساده، STS یک توالی متنی تولید شده توسط الگوریتم است که اغلب برای خوانندگان انسانی بیمعنی است، اما به صفحه اطلاعات محصول اضافه میشود تا احتمال فهرستشدن محصول بهعنوان توصیه برتر مدلهای زبانی بزرگ را افزایش دهد.
پژوهشگران دو برند فرضی قهوه به نامهای ColdBrewMaster و QuickBrewExpress را آزمایش کردند. ColdBrew در ابتدا به دلیل قیمت بالاتر از پیشنهادهای حذف شده بود، اما پس از درج یک STS به یک گزینه با بالاترین میزان توصیه تبدیل شد. برند QuickBrew Express نیز که پیش از آن در نتایج ظاهر میشد، از درج STS سود برد و جایگاهش در مدلهای زبانی بزرگ ارتقا یافت. مطالعات دیگر سوگیریهای مثبت هوش مصنوعی را نسبت به برندهای جهانی یا محتوای تولید شده توسط هوش مصنوعی برجسته میکنند و اهرمهای بیشتری را برای برندها فراهم میسازند تا از آنها استفاده کنند.
مدلهای استدلالی نسل آینده ابزار قدرتمند دیگری را به جعبهابزار بهینهسازی برند اضافه میکنند. این مدلها فرایند تصمیمگیری مدلهای زبانی بزرگ را آشکار میکنند و به برندها اجازه میدهند درک کنند چرا برخی محصولات نسبت به سایرین بیشتر توصیه میشوند. یک مثال کاربردی را در نظر بگیرید. مصرفکنندهای که از مدل R1 پرپلکسیتی برای جستوجوی یک شارژر بیسیم در بریتانیا استفاده میکند. وقتی پرامپت داده میشود: «بهترین محصولات موجود آنلاین کداماند؟»؛ مدل فرایند خود را بهصورت شفاف نمایش میدهد. این مدل نشان میدهد که اطلاعات را از منابع رسانهای معتبر استخراج میکند و مشتری را از میان معیارهایی مانند قیمت، سازگاری و نظرات کاربران عبور میدهد. توصیه برتر آن در این مورد شارژر Ugreen Qi2 بود. برای مدیران محصول در برندهای رقیب، این امر یک نقشه راه برای همراستایی (Alignment) ارائه میدهد.
با تأکید بر ویژگیهایی که مصرفکنندگان به آنها اهمیت میدهند (مانند شارژ Qi2 یا پشتیبانی از چندین دستگاه) و با قیمتگذاری محصول خود بهگونهای که برای خریداران منصفانه به نظر برسد، میتوانید اطمینان حاصل کنید که محصول شما هنگام کوئری گرفتن از سیستمهای هوش مصنوعی ظاهر میشود و شانس اینکه دستیارهای هوش مصنوعی آن را انتخاب کنند بهشدت افزایش مییابد.
اما تلاشهای بهینهسازی در صورت عدم درک صحیح از نحوه پرامپتنویسی واقعی مصرفکنندگان برای عاملهای هوش مصنوعی، با خطر شکست مواجه میشوند. تحقیقات اخیر دانشگاه کارنگی ملون نشان میدهد که حتی تغییرات جزئی در واژگان جستوجو میتواند توصیههای برند را به طور قابلتوجهی تغییر دهد. محققان از مترادفها برای تغییر پرامپتهای اولیه مانند «به من کمک کن بهترین سرویس VPN را انتخاب کنم» استفاده کردند و دریافتند که حتی یک تغییر واژه ساده میتواند احتمال انتخاب یک برند توسط مصرفکنندگان را تا ۷۸.۳ درصد افزایش دهد.
خلاصه اینکه، دانستن نحوه فرمولبندی کوئریها توسط مصرفکنندگان باید پایه و اساس اصلاح و بهینهسازی محتوای بازاریابی باشد. این بدان معناست که باید به طور منظم نحوه عملکرد اطلاعات محصول را در میان تغییرات مختلف پرامپت آزمایش کرد و همچنین از طریق لاگهای جستوجو و تعاملات خدمات مشتری، عبارتهای واقعی را که مصرفکنندگان استفاده میکنند، رصد کرد. با تکامل سیستمهای هوش مصنوعی، بهینهسازی مبتنی بر پرامپت باید یک تلاش مداوم باشد، نه یک اقدام یکباره.
با نگاه به آینده، برندها باید پذیرش استانداردهای نوظهور برای دسترسیپذیری هوش مصنوعی را آغاز کنند. یکی از پیشنهادهایی که استقبال زیاد از آن شده، فرمت llms.txt است؛ یک فرمت قابلخواندن برای ماشین که به طور خاص برای مدلهای زبانی بزرگ طراحی شده است. برخلاف محتوای سنتی وب، llms.txt به برندها اجازه میدهد اطلاعات محصول را بهگونهای ساختاردهی و نمایان کنند که عاملهای هوش مصنوعی بتوانند بهراحتی آنها را تجزیهوتحلیل و اولویتبندی کنند. برندهای پیشرو مانند Cloudflare، HubSpot و Stripe هماکنون این کار را انجام میدهند. نتایج اولیه نیز نویدبخش است؛ برخی از برندها مزایای قابلاندازهگیری را ثبت کردهاند، از افزایش ۱۲ درصدی در ترافیک تولیدشده توسط هوش مصنوعی ظرف دو هفته گرفته تا افزایش ۲۵ درصدی در ترافیک ارگانیک.
برندها همچنین باید برای ظهور مدلهای درآمدزایی مبتنی بر هوش مصنوعی آماده شوند. چارچوبهای پرداخت برای نمایش (Pay-to-Play)، مشابه تبلیغات در موتورهای جستوجو، ممکن است بر اینکه عاملهای هوش مصنوعی کدام محصولات را توصیه میکنند تأثیر بگذارند. برای رقابتی ماندن، برندها به استراتژیهایی برای حفظ مشاهدهپذیری در بازارهای میانجیگریشده توسط هوش مصنوعی نیاز دارند و درعینحال باید شفافیت را در مورد تبلیغات پولی، در راستای مقررات جهانی در حال تکامل تضمین کنند.
نتیجهگیری
ظهور عاملهای هوش مصنوعی به طور اساسی قرارداد میان شرکتها و مصرفکنندگان را بازنویسی میکند. پیوندهایی که زمانی پایه و اساس روابط برند را شکل میدادند، در حال بازسازی، میانجیگری و گاهی مدیریت کامل توسط هوش مصنوعی هستند. برای موفقیت، شرکتها باید به طور مؤثر در تمام طیفها عمل کنند؛ از تبادلات کاملاً انسانی گرفته تا تعامل با عاملهای برند و عاملهای مصرفکننده و در نهایت میانجیگری کاملاً مستقل هوش مصنوعی.
استفاده مصرفکننده از عاملهای هوشمند بر اساس رابطه مشتری با برند و ماهیت محصول یا خدمت متفاوت خواهد بود. حتی در چارچوب یک برند واحد، یک مصرفکننده ممکن است حالتهای ترکیبی را ترجیح دهد؛ مانند تفویض وظایف روتین به عاملهای مصرفکننده، مشاوره با عاملهای برند برای پرسشهای دقیق و نهایی کردن تراکنشهای مهم با کارمندان انسانی. بررسی کنید که کدام گزینهها برای مشتریان شما بهترین کارایی را دارند و از آنها در زمانهای مناسب برای کمک به موفقیت برند خود استفاده کنید.
گزارش حاضر در نسخه March April 2026 نشریه HBR منتشر شده است.
برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.