هشت سال پیش، دورهای آموزشی با عنوان «مبانی خرید برنامهریزیشده تبلیغات» (Programmatic Buying Foundations) تدریس میشد که ایده اصلی آن، توانایی دادهها و فناوری برای ارائه تبلیغات بسیار مرتبط، مؤثر و قابل اندازهگیری در مقیاس بزرگ بود. با این حال، نگاهی به ستون جدید کوین ایندیگ (Kevin Indig) در خبرنامه Growth Memo درباره ساعتهای پنهانِ دفنشده در جریانهای کاری بازاریابی مبتنی بر هوش مصنوعی (AI)، جنبه تاریک همان ایده قدیمی را آشکار میکند؛ وعده افزایش بهرهوری که در دوران تبلیغات برنامهریزیشده محقق نشد، امروز نیز در عصر هوش مصنوعی بیپاسخ مانده است.
تکرار تاریخ؛ از تبلیغات برنامهریزیشده تا هوش مصنوعی
این ادعا صرفاً یک یادآوری تاریخی نیست، بلکه هشداری جدی درباره نقاط ضعف استدلالهای مدافع بهرهوری ابزارهای هوش مصنوعی در بازاریابی است. پیش از این، برندهای بزرگی مانند Mondelez، Campbell’s و Ford India با ارائه نمونههای پژوهشی متعدد تلاش کردند نشان دهند که خودکارسازی فرآیند خرید تبلیغات، اثربخشی و قابلیت اندازهگیری را به همراه خواهد داشت. اما در این میان، چالشهای بزرگی نادیده گرفته شد.
در دوران اوج تبلیغات برنامهریزیشده (Programmatic)، موضوعاتی مانند تقلب تبلیغاتی (Ad Fraud)، امنیت برند (Brand Safety) و مقررات عمومی حفاظت از داده اتحادیه اروپا (GDPR) به بحرانهای جدی برای مخاطبان تبدیل شدند. در حالی که به تبلیغدهندگان گفته میشد خودکارسازی باعث دقیقتر شدن هدفگیری میشود، آنها ناچار بودند روشهای شناسایی موجودیهای تبلیغاتی تقلبی، مقابله با عدم شفافیت سیستمها و حل چالشهای ناشی از قوانین حریم خصوصی جدید را یاد بگیرند؛ قوانینی که ردیابی نرخ تبدیل در دستگاههای مختلف را دشوارتر از آمارهای نمایشدادهشده در داشبوردها میکرد. ابزاری که قرار بود اندازهگیری را دقیقتر کند، خود به عاملی برای کاهش قابلیت اطمینان به دادهها تبدیل شد.
آمارهایی که توهم سرعت را فاش میکنند
استدلال اصلی ایندیگ این است که هوش مصنوعی کار بازاریابی را حذف نکرده، بلکه آن را منتقل کرده است. آمارهای موجود نیز این موضوع را با دقتی بیشتر از دوران تبلیغات برنامهریزیشده تایید میکنند. مؤسسه METR با بهکارگیری ۱۶ توسعهدهنده باسابقه برای انجام ۲۴۶ وظیفه واقعی در دنیای واقعی، عملکرد آنها را با و بدون کمک هوش مصنوعی بررسی کرد. در حالی که توسعهدهندگان انتظار داشتند هوش مصنوعی سرعت کار آنها را حدود یکچهارم افزایش دهد، نتایج نشان داد که آنها با استفاده از این ابزارها تقریباً یکپنجم کندتر کار خود را به پایان رساندند؛ هرچند همچنان باور داشتند که هوش مصنوعی سرعت آنها را افزایش داده است.
بخش بازاریابی نیز با شکاف مشابهی روبهرو است. نظرسنجی مشترک BetterUp Labs و دانشگاه استنفورد از بیش از هزار کارمند نشان داد که اصلاح محتوای بیکیفیت تولیدشده توسط هوش مصنوعی (که در ظاهر کامل به نظر میرسد اما اینطور نیست)، به طور متوسط هر بار نزدیک به ۲ ساعت زمان میبرد. این اتلاف وقت در شرکتهای بزرگ سالانه هزینهای بالغ بر ۹ میلیون دلار به همراه دارد. پژوهش شرکت Workday نیز این اتلاف وقت را کمیسازی کرده است؛ به طوری که به ازای هر ۱۰ ساعت زمانی که هوش مصنوعی ذخیره میکند، تقریباً ۴ ساعت صرف بازنویسی و اصلاح خروجیهای ضعیف میشود. علاوه بر این، مؤسسه Upwork با نظرسنجی از ۲۵۰۰ مدیر و کارمند دریافت که بخش عمدهای از زمان آزادشده، صرف بررسی و اصلاح خروجیهای هوش مصنوعی، یادگیری خود ابزارها یا صرفاً پذیرش حجم کار بیشتری نسبت به قبل میشود.
چالش ابزارهای داخلی و نگهداری پنهان
دادههای HubSpot نشان میدهد چرا این موضوع در مقیاس بزرگ اهمیت دارد. اکثریت قاطع رهبران بازاریابی گزارش میدهند که تیمهای آنها در حال حاضر از هوش مصنوعی استفاده میکنند و بخش بزرگی از آنها اعلام کردهاند که شرکتهایشان به جای خرید ابزارهای آماده، در حال توسعه ابزارهای هوش مصنوعی اختصاصی و داخلی هستند. نکته کلیدی ایندیگ این است که فرآیند ساخت این ابزارهای داخلی پس از عرضه آنها به پایان نمیرسد، بلکه به یک کار تعمیر و نگهداری دائمی و عمدتاً نامرئی تبدیل میشود که باید فردی مسئولیت آن را بر عهده بگیرد. زمانی که این مسئول به مرخصی میرود، جریان کاری دوباره به حالت دستی بازمیگردد.
خودکارسازی در تبلیغات برنامهریزیشده، نیروی کار انسانی را حذف نکرد، بلکه آن را به نیروی کار ناظر بر تقلب، امنیت برند و انطباق با قوانین تبدیل کرد؛ وظایفی که هیچکدام در ارائههای اولیه فروش ابزارها ذکر نشده بودند. امروز ابزارهای بازاریابی هوش مصنوعی نیز دقیقاً همان سناریو را تکرار میکنند. تلاش برای نوشتن پرامپتها، ساخت و نگهداری سیستمها از بین نمیرود، بلکه به عنوان کارهایی طبقهبندی میشود که در برنامهریزی پروژهها به عنوان «کار واقعی» دیده نمیشوند؛ تا زمانی که ذینفعان بپرسند چرا تولید انبوه محتوا هنوز به سوددهی نرسیده است.
سه راهکار استراتژیک برای مدیران بازاریابی
اگر مدیریت یک تیم بازاریابی را بر عهده دارید که در حال توسعه ابزارهای هوش مصنوعی اختصاصی خود است، سه اقدام کلیدی بر اساس دادههای ایندیگ و تجربیات گذشته پیشنهاد میشود:
- تعیین مالک و تاریخ انقضا برای هر ابزار داخلی: مشکل تقلب در تبلیغات برنامهریزیشده تا حدی از طریق استاندارد صنعتی ads.txt حل شد که مسئولیتپذیری را ساختاریافته کرد. جریانهای کاری هوش مصنوعی داخلی شما نیز به چنین انضباطی نیاز دارند. هر ابزار باید یک مالک مشخص و یک تاریخ بازبینی داشته باشد، در غیر این صورت به یک هزینه نامرئی و دائمی برای سازمان تبدیل میشود.
- ردیابی ساعتهای محاسبهنشده: از تیم خود نپرسید «آیا این ابزار هوش مصنوعی در زمان شما صرفهجویی کرد؟» بلکه بپرسید «چند ساعت در این ماه صرف ساخت، اصلاح یا نگهداری ابزار هوش مصنوعی به جای انجام کار اصلی شده است؟» مطالعه METR نشان میدهد که افراد حتی در صورت صداقت، به سوال اول پاسخ اشتباه میدهند.
- محافظت از فعالیتهای با بازگشت سرمایه کند: تولید محتوای عمیق، روابط عمومی دیجیتال (Digital PR) و مواردی که در پاسخهای هوش مصنوعی به عنوان منبع ذکر میشوند، دقیقاً همان کارهایی هستند که بازاریابان در دوران تبلیغات برنامهریزیشده تحت فشار زمان از دست دادند، زیرا نتایج آنها ماهها بعد مشخص میشود. سهم مشخصی از زمان تیم خود را به این امور اختصاص دهید، پیش از آنکه ابزارهای هوش مصنوعی به طور پیشفرض تمام وقت آنها را ببلعند.