یک عامل هوش مصنوعی (AI agent) می‌تواند کاملاً در چارچوب بودجه تعیین‌شده خود باقی بماند و با این حال، مبالغ بسیار زیادی را هدر دهد. این عامل‌ها قادرند بر اساس سیگنال‌های دریافتی از منابع شناخته‌شده خرید کنند، در محدوده اختیارات اعطاشده خود عمل نمایند و تمامی تصمیماتشان را ثبت کنند؛ اما شواهد مربوط به اثبات اثربخشی این تصمیمات ممکن است زمانی به دست آیند که پول از قبل متعهد و هزینه شده است.
در صنعت تبلیغات دیجیتال، حتی اگر فرض کنیم عامل‌های هوش مصنوعی به سیگنال‌های غنی‌تر، بازخوردهای سریع برای قیمت‌گذاری مجدد نمایش‌ها و استانداردهای مشخصی برای تعیین اختیارات دسترسی دارند، همچنان یک خلاء بزرگ مالی وجود دارد که مستقیماً با ارقام بودجه در ارتباط است.
مفهوم «شکاف اثبات» در تبلیغات مبتنی بر هوش مصنوعی
فرض کنید یک برند بودجه‌ای معادل ۲۰۰ هزار دلار در اختیار یک عامل هوش مصنوعی قرار می‌دهد و این عامل تصمیم می‌گیرد در هر ساعت ۱,۰۰۰ دلار را به ترکیب جدیدی از CTV و رسانه‌های خرده‌فروشی (Retail Media) اختصاص دهد.
اولین گزارش فروش که بتوان بر اساس آن کارآمدی این تغییر را ارزیابی کرد، دست‌کم ۴۸ ساعت زمان نیاز دارد تا نهایی شود. تا آن زمان، ۴۸ هزار دلار متعهد به تصمیمی شده است که هنوز هیچ‌کس آن را ارزیابی نکرده است. حتی اولین گزارش دریافتی نیز تکلیف کل این ۴۸ هزار دلار را روشن نمی‌کند، بلکه تنها یک تخمین با حاشیه خطا درباره تغییری ارائه می‌دهد که خود متعلق به دو روز پیش است.
این پدیده را «شکاف اثبات» (Proof Gap) می‌نامند؛ یعنی بودجه‌ای که متعهد به پرداخت آن شده‌ایم، در حالی که شواهد لازم برای ارزیابی آن تصمیم هنوز در دست بررسی و تعلیق است. در بیشتر برنامه‌های رسانه‌ای، این شکاف نادیده گرفته می‌شود. سقف بودجه کمپین تنها کل هزینه را محدود می‌کند و سرعت پخش (Pacing) نرخ هزینه را تعیین می‌نماید، اما هیچ‌کدام به خودی خود میزان تعهد مالی روی یک تغییر آزمایش‌نشده را در زمان باز بودن فرآیند تست محدود نمی‌کنند.
اندازه‌گیری سریع‌تر می‌تواند این شکاف را باریک‌تر کند، اما هرگز آن را کاملاً از بین نمی‌برد. یک مدل می‌تواند تخمین خود را در چند میلی‌ثانیه به‌روزرسانی کند، اما تبدیل آن به یک نتیجه واقعی کسب‌وکار هفته‌ها زمان می‌برد. در سیستم‌های مبتنی بر عامل‌های هوش مصنوعی، این شکاف انباشته می‌شود؛ زیرا عامل به طور هم‌زمان پیشنهادهای قیمت، مخاطبان و ترکیب کانال‌ها را تغییر می‌دهد و یک حدس ضعیف می‌تواند هزینه‌ها را در چندین بودجه مختلف به طور هم‌زمان هدایت کند.
بودجه ریسک؛ ابزاری برای مهار تصمیمات تاییدنشده
در اوایل دهه ۱۹۹۰، بحث‌های شدیدی در صنعت تبلیغات پیرامون «مسئولیت متوالی» (Sequential Liability) وجود داشت؛ یعنی اینکه آیا یک آژانس تبلیغاتی پیش از دریافت پول از برند، به ناشر بدهکار است یا خیر. آن چالش درباره ریسک اعتباری بود، اما نسخه امروزی آن در عصر هوش مصنوعی درباره «ریسک اثبات» (Proof Risk) است: اگر نتیجه وعده‌داده‌شده حاصل نشود، چه کسی زیان را متحمل خواهد شد؟
برای مدیریت این شرایط، برندها باید در کنار بودجه کمپین، یک «بودجه ریسک» (Risk Budget) تعریف کنند. بودجه ریسک حداکثر مبلغی است که یک عامل هوش مصنوعی می‌تواند تحت یک تغییر تاییدنشده متعهد شود، پیش از آنکه ملزم به ارائه شواهد توافق‌شده یا دریافت تاییدیه جدید باشد. به عنوان مثال، ممکن است به یک عامل تنها ۱۲ هزار دلار برای تست یک ترکیب جدید داده شود و تا زمانی که نتایج از آستانه مشخصی عبور نکنند، بودجه بیشتری تخصیص نیابد.
برای کارآمدی این رویکرد، رعایت سه قاعده الزامی است:
- توافق پیشینی بر سر استانداردهای اثبات: همه طرف‌ها باید قبل از ثبت اولین پیشنهاد قیمت، روی معیارهای پیشرفت، روش اندازه‌گیری و پارامترهای لازم برای توسعه فعالیت عامل توافق کنند. یک پیکسل صرفاً یک رویداد را ثبت می‌کند، اما یک آزمون علّی معتبر میزان تغییر نتایج توسط تبلیغات را با ذکر عدم قطعیت تخمین می‌زند. نمره اطمینان خود عامل هوش مصنوعی، یک ارزیابی مستقل و معتبر محسوب نمی‌شود.
- هماهنگی بازه زمانی با اهداف: تصمیم‌گیری برای خرید خودرو، وام مسکن یا یک کمپین برندسازی در ۴۸ ساعت به نتیجه نمی‌رسد. بنابراین، معیارهای فروش کوتاه‌مدت نباید به عنوان پیش‌فرض برای فعالیت‌هایی که بازدهی آن‌ها ماه‌ها طول می‌کشد، در نظر گرفته شوند. در صورت تاخیر در ارائه شواهد، حالت پیش‌فرض باید توقف فعالیت باشد، نه تزریق منابع جدید.
- استقلال بودجه ریسک از اهداف عامل: سقفی که عامل هوش مصنوعی برای رسیدن به آن پاداش می‌گیرد، دیگر یک سقف بازدارنده نیست. عامل نباید اجازه داشته باشد این سقف را افزایش دهد یا با انتقال بودجه به یک کانال جدید یا واگذاری آن به عاملی دیگر، شمارش ریسک را بازنشانی کند.
تضمین‌های مالی و انتقال ریسک اثبات
در حالی که بودجه ریسک تعهدات خریدار را در حین یادگیری محدود می‌کند، یک تضمین مالی زیان مشخصی را در صورت برآورده نشدن شرایط توافق‌شده به طرف مقابل واگذار می‌نماید. برای اجرای این تضمین، قرارداد باید به طور دقیق مشخص کند که چه عاملی پرداخت را فعال می‌کند، چه مبلغی باید پرداخت شود، چه مواردی مستثنی هستند و چه کسی پشتوانه مالی این تعهد را تامین می‌کند.
یک برند می‌تواند هزینه‌های جدید را متوقف کند، اما نمی‌تواند پول‌های از قبل متعهدشده را پس بگیرد. ناشر همچنان به دریافت هزینه رسانه‌ای که ارائه داده نیاز دارد و واسطه‌ها نیز ممکن است نمایش‌هایی را خریداری کرده باشند که هزینه‌های خود را جبران نکرده‌اند. این ریسک‌ها نیازمند شرایط قراردادی مجزا هستند.
در صنعت تبلیغات، یک نمونه سنتی برای این رویکرد وجود دارد که به آن «جبران پخش» (Make-Good) می‌گویند؛ به این معنا که اگر فروشنده نمایش کمتری از حد انتظار ارائه دهد، با تخصیص موجودی بیشتر آن را جبران می‌کند. اما با ورود هوش مصنوعی، مرزهای این رویکرد در حال تغییر است.
به عنوان نمونه، شرکت Munich Re از سال ۲۰۱۸ تضمین‌های عملکردی ارائه‌دهندگان هوش مصنوعی را با ترازنامه خود پشتیبانی می‌کند. همچنین TikTok به کمپین‌های واجد شرایط GMV Max در صورتی که بازگشت سرمایه (ROI) آن‌ها به کمتر از ۹۰ درصد هدف روزانه برسد، اعتبار تبلیغاتی اعطا می‌کند. تفاوت این دو در این است که اولی سرمایه شخص ثالث است که به صورت نقدی پرداخت می‌شود، در حالی که دومی اعتبار خود فروشنده است که با لیست بلندی از استثناها (مانند روزی که کمپین متوقف شده) پرداخت می‌شود.
چشم‌انداز آینده: تسویه حساب‌ها از طریق حساب‌های امانی
اگر دو فروشنده پیشنهادی با هزینه به ازای هر اقدام (CPA) یکسان و روش اندازه‌گیری مشابه ارائه دهند، اما یکی از آن‌ها خسارت نقدی محدودی را برای جبران کسری عملکرد با پرداخت هزینه مشخص تضمین کند، میزان ریسک خریدار تغییر می‌کند. این پوشش بیمه‌ای استراتژی را تغییر نمی‌دهد، بلکه مشخص می‌کند چه کسی زیان ناشی از عدم تحقق هدف را متحمل می‌شود.
اوگنی پوپوف (Evgeny Popov) پیش‌بینی می‌کند که تا پایان سال ۲۰۲۷، حداقل یک معامله رسانه‌ای بین شرکت‌های مستقل از طریق حساب امانی (Escrow) تسویه خواهد شد. شرایط این معامله منبع مورد استفاده برای شمارش نتایج را مشخص کرده و جبران نقدی را برای خطاهای شمارش پیش‌بینی خواهد کرد.
با گسترش استفاده از عامل‌های هوش مصنوعی، باید به یاد داشت که اگرچه هوش مصنوعی می‌تواند داده‌ها را تفسیر کند، اما نمی‌تواند صحت آن‌ها را تضمین نماید؛ همان‌طور که سرمایه نیز نمی‌تواند چنین کاری انجام دهد. یک تست تخمین می‌زند که بودجه چه اثری داشته است، قرارداد مشخص می‌کند که در صورت عدم موفقیت چه کسی پاسخگوست و ترازنامه مالی نشان می‌دهد که آیا آن پاسخگویی ارزشی دارد یا خیر.