خرید رسانه‌ای مبتنی بر عامل‌های هوشمند (Agentic Media Buying) با سرعتی بالا از یک ایده نظری در کنفرانس‌ها به ابزاری کاربردی در تیم‌های اجرایی تبدیل می‌شود. بر اساس گزارش چشم‌انداز سال ۲۰۲۶ انجمن تبلیغات تعاملی (IAB)، حدود ۹۶ درصد از خریداران تبلیغات با مفهوم هوش مصنوعی مبتنی بر عامل در خرید رسانه آشنا هستند و ۶۶ درصد از آن‌ها تمرکز خود را بر استفاده از این فناوری برای خرید تبلیغات و اجرای کمپین‌ها افزایش داده‌اند.
این تغییر رویکرد بسیار حائز اهمیت است، زیرا این سیستم‌ها اکنون به کنترل‌های اصلی نزدیک‌تر شده‌اند؛ آن‌ها می‌توانند شرایط را تحلیل کنند، تصمیم بگیرند و بدون نیاز به تایید مداوم انسان در هر مرحله، اقدام کنند. در این میان، تایید انسانی از یک ضرورت برای تک‌تک تصمیم‌ها، به ایستگاه‌های بازرسی مشخصی منتقل شده است. با این حال، انتقال کنترل به عامل‌های هوشمند، چالش‌های امنیتی جدیدی را به همراه دارد که فراتر از محدودیت‌های بودجه‌ای سنتی است.
چالش سیگنال‌های گمراه‌کننده و ضرورت مرزبندی برای هوش مصنوعی
وقتی عامل‌های هوشمند کنترل را به دست می‌گیرند، چارچوب‌های سنتی نظارت بر هزینه‌ها و تاییدهای مالی تنها بخشی از مسیر را پوشش می‌دهند. پرسش اساسی دیگری که در لایه‌های زیرین مطرح می‌شود این است: عامل هوشمند به چه سیگنال‌هایی اجازه اعتماد دارد؟ یک سیستم خرید رسانه خودکار می‌تواند کاملاً در محدوده بودجه تعیین‌شده باقی بماند، اما در صورت دریافت سیگنال‌های ورودی ناقص یا نادرست، اشتباهات بسیار پرهزینه‌ای مرتکب شود. اگر به یک سیستم خودکار ورودی‌های مشکوک داده شود، سرعت خود را برای بازنگری کاهش نمی‌دهد، بلکه ممکن است با کارایی فوق‌العاده‌ای مسیر اشتباه را دنبال کند.
خریداران تبلیغات به خوبی آگاهند که این خودمختاری نیازمند مرزبندی است. در گزارش دیگری از IAB تحت عنوان «گزارش استراتژی و هزینه تبلیغات ویدئویی دیجیتال در ژوئیه ۲۰۲۶»، حدود ۹۶ درصد از خریداران ویدئوی دیجیتال اعلام کردند که نقشی برای هوش مصنوعی عامل‌محور در خرید برنامه‌ریزی‌شده (Programmatic) قائل هستند. با این حال، ۴۰ درصد از آن‌ها خواستار حضور انسان در چرخه تصمیم‌گیری (Human in the loop) بودند، ۳۶ درصد وجود مسیر ممیزی برای توضیح‌پذیری تصمیمات سیستم (Explainability) را لازم دانستند و ۳۱ درصد نیز بر اعمال محدودیت‌های صریح بر توانایی‌های این عامل‌ها تاکید کردند. این ابزارهای کنترلی به تعریف دقیق‌تر محدوده فعالیت عامل‌های هوشمند کمک می‌کنند.
آمار امنیت تبلیغات؛ رشد تهدیدهای بدافزاری در برابر کاهش رد کمپین‌ها
داده‌های تعدیل و ایمنی تبلیغات نشان می‌دهند که چرا توجه به امنیت فنی در این سیستم‌ها حیاتی است. بر اساس داده‌های ایمنی تبلیغات سه ماهه دوم سال ۲۰۲۶ در پلتفرم PropellerAds، کل کمپین‌های ردشده با کاهش ۴۲ درصدی نسبت به سه ماهه قبل، از ۳۶,۰۸۵ کمپین به ۲۰,۷۹۰ کمپین رسیده است. با این حال، موارد رد صلاحیت مرتبط با آنتی‌ویروس و بدافزارها در جهت مخالف حرکت کرده است. سهم این موارد از کل کمپین‌های ردشده از ۲۳.۳ درصد در سه ماهه اول به ۴۵.۹ درصد در سه ماهه دوم افزایش یافته و تعداد مطلق آن‌ها نیز حدود ۱۴ درصد رشد داشته است. شایان ذکر است که این آمار مربوط به داده‌های اختصاصی پلتفرم PropellerAds است و نباید به عنوان شاخصی برای کل بازار تلقی شود.
این ارقام نشان می‌دهند که سیگنال‌های عملکردی به تنهایی نمی‌توانند بازگوکننده تمام واقعیت باشند. سیگنال‌های امنیت فنی باید در طول چرخه عمر کمپین قابل مشاهده باقی بمانند، به ویژه زمانی که یک سیستم خودکار به طور مداوم تصمیم‌گیری می‌کند. پدیده کلوکینگ (Cloaking) یا پنهان‌کاری محتوا نمونه دیگری از این چالش‌هاست که ۶۷.۳ درصد از تعلیق‌های تبلیغ‌کنندگان را در سه ماهه دوم به خود اختصاص داده است، رقمی که در سه ماهه اول ۶۸.۱ درصد بود و تغییر چندانی نکرده است. کلوکینگ با نمایش محتوای متفاوت به سیستم‌های نظارتی و کاربران نهایی کار می‌کند و این عدم تقارن اطلاعاتی برای عامل‌های خرید خودکار بسیار خطرناک است. همچنین تحقیقات خارجی شرکت GeoEdge نشان می‌دهد که هدایت‌های خودکار (Auto-redirects) حدود ۴۵ درصد از کل حملات را تشکیل می‌دهند که نسبت به سال قبل ۲۵ درصد افزایش یافته است.
ادغام امنیت و بهینه‌سازی؛ رویکرد دو چراغ راهنما
سال‌هاست که سیستم‌های بهینه‌سازی عملکرد و سیستم‌های امنیتی در بخش‌های مجزا و بدون ارتباط مستقیم با یکدیگر فعالیت می‌کنند. سیستم بهینه‌سازی بر عملکرد و کسب نتایج بهتر تمرکز دارد، در حالی که سیستم‌های امنیتی و تعدیل ترافیک به دنبال شناسایی ریسک‌ها و مداخله در صورت عبور از خطوط قرمز هستند. این ساختار دوگانه زمانی که یک عامل هوشمند به طور مستقل اقدام به صرف بودجه می‌کند، دیگر قابل دفاع نیست.
یک راهکار کاربردی، تصور این فرآیند به عنوان یک جفت چراغ راهنمایی مجزاست:
- چراغ سبز عملکرد: سیگنال عملکردی قوی به عامل هوشمند اجازه می‌دهد تا مقیاس کمپین را افزایش دهد.
- چراغ زرد هشدار: یک ناهنجاری جزئی امنیتی، چراغ سبز را به زرد تبدیل کرده و سرعت سیستم را برای جمع‌آوری شواهد بیشتر کاهش می‌دهد.
- چراغ قرمز توقف: یک هشدار امنیتی با ضریب اطمینان بالا، سیستم را به توقف کامل و ارجاع موضوع به بررسی انسانی ملزم می‌کند.
هدف اصلی این است که سیگنال‌های ریسک از همان مسیرهای فنی عبور کنند که داده‌های بهینه‌سازی عبور می‌کنند، تا از شناسایی دیرهنگام تهدیدها جلوگیری شود.
نقش انسان در چرخه تصمیم‌گیری و تجربه عامل هوشمند NIKO
حضور انسان در چرخه تصمیم‌گیری نباید به معنای تایید تک‌تک تغییرات جزئی بودجه یا قیمت‌گذاری باشد، زیرا در این صورت کارایی سیستم خودکار از بین می‌رود. رویکرد منطقی‌تر، ارجاع موارد خاکستری و پیچیده به انسان است؛ مواردی مانند زمانی که عملکرد کمپین قوی است اما سیگنال‌های امنیتی رفتاری غیرعادی نشان می‌دهند.
پلتفرم PropellerAds نمونه‌ای از این تقسیم کار را در عامل هوشمند خود به نام NIKO پیاده‌سازی کرده است. این عامل هوشمند نرخ‌ها، گزینه‌های هدف‌گیری و آمارهای حساب کاربری را به طور مستقل بررسی می‌کند، اما هر اقدامی که مستقیماً بر کمپین یا صرف بودجه تاثیر بگذارد، مستلزم تایید صریح انسانی به همراه نمایش کامل پارامترها است. این رویکرد به خریداران اجازه می‌دهد تا مستندات تصمیم‌گیری (Audit trail) دقیقی در اختیار داشته باشند؛ امری که طبق گزارش IAB، خواست ۳۶ درصد از خریداران برای شفافیت و توضیح‌پذیری هوش مصنوعی است. در نهایت، یک عامل خرید هوشمند علاوه بر شناخت پدال گاز، باید معنای چراغ‌های هشدار دهنده را نیز به خوبی درک کند.