بسیاری از صفحات معرفی محصول در کسب‌وکارهای B2B به‌گونه‌ای طراحی می‌شوند که تا حد امکان خریداران بیشتری را در گردونه رقابت حفظ کنند؛ ادبیات تبلیغاتی نظیر «مناسب برای سازمان‌های بزرگ و شرکت‌های نوپا»، «قدرتمند اما ساده برای تازه‌کارها» یا «پاسخ‌گوی نیاز هر کسب‌وکار دارای بودجه» نمونه‌های رایج این رویکرد هستند. اما این کلی‌گویی‌ها، مسئولیت تشخیص مناسب بودن محصول را به عهده خریدار — یا ابزارهای هوش مصنوعی مورد استفاده او — می‌گذارد. Andrew Au، هم‌بنیان‌گذار و مدیرعامل مشترک آژانس B2B به نام Intercept، تاکید می‌کند که شرکت‌ها باید مرزهای بسیار شفاف‌تری پیرامون مخاطبان هدف، نقاط ضعف و سناریوهای عدم تناسب محصول خود منتشر کنند؛ زیرا در غیر این صورت، مدل‌های هوش مصنوعی این جاهای خالی را به تشخیص خود پر خواهند کرد.
تحلیل ۲ میلیون گفتگو و تغییر رفتار خریداران B2B
بر اساس تحلیل آژانس Intercept و پلتفرم هوش مخاطبان آن با نام Watchtower روی داده‌های حدود ۲ میلیون گفتگوی B2B، اعضای فنی و غیرفنی کمیته‌های خرید به شکل فزاینده‌ای از هوش مصنوعی برای کشف تامین‌کنندگان جدید یا کمتر شناخته‌شده استفاده می‌کنند. مصاحبه‌های کیفی این آژانس نیز نتایج مشابهی را نشان داده است.
Andrew Au در این زمینه می‌گوید: «خریداران قبلاً ارزیابی را با گزینه‌های شناخته‌شده آغاز می‌کردند، اما اکنون از هوش مصنوعی برای پیدا کردن تامین‌کنندگان تخصصی و نیچ که پیشتر نمی‌شناختند استفاده می‌کنند. نکته کلیدی این است که کمیته‌های خرید از هوش مصنوعی دقیقاً برای یافتن نقاط ضعف تامین‌کنندگان استفاده می‌کنند، زیرا در متن‌های بازاریابی همه خود را کامل و بی‌نقص جلوه می‌دهند.»
توهم هوش مصنوعی و ریسک عدم شفافیت در محتوا
وقتی یک شرکت ادعا می‌کند برای هر نوع خریداری مناسب است بدون آنکه هزینه‌ها و محدودیت‌های جانبی را توضیح دهد، سیستم‌های هوش مصنوعی در صورت عدم دسترسی به محتوای مرجع و دقیق، دست به استنباط و حتی «توهم» (Hallucination) می‌زنند. Au اشاره می‌کند که در ممیزی‌های محتوایی مواردی مشاهده شده که مدل‌های بزرگ زبانی (LLM) به اشتباه اعلام کرده‌اند محصول یک مشتری برای سناریوهای خاصی مناسب نیست؛ ادعایی که کاملاً نادرست بوده اما به دلیل نبود محتوای استنادی در سایت شرکت، توسط هوش مصنوعی حدس زده شده است.
برای حل این چالش، شرکت‌ها باید داده‌های شفاف‌تری در اختیار الگوریتم‌ها قرار دهند. برای نمونه:
- یک نرم‌افزار طراحی‌شده برای تیم‌های بزرگ سازمانی (Enterprise) می‌تواند به صراحت اعلام کند که پلن خودخدمت (Self-serve) ندارد.
- نرم‌افزاری که برای یک صنعت مشخص ساخته شده، می‌تواند قید کند که از کاربردهای صنایع مجاور پشتیبانی نمی‌کند.
- یک پلتفرم پیچیده سازمانی می‌تواند توضیح دهد که کسب‌وکارهای کوچک فعلاً نیازی به پیچیدگی‌های این ابزار ندارند.
چالش‌های درون‌سازمانی و ارزیابی کیفیت ترافیک هوش مصنوعی
ایجاد چنین محتوایی از نظر نگارش ساده است، اما چالش اصلی ایجاد توافق درون‌سازمانی میان تیم‌های بازاریابی محصول، فروش، موفقیت مشتری و توسعه محصول است. متقاعد کردن تیم فروش برای حذف یک متقاضی دارای بودجه از قیف فروش یا پذیرش اینکه در برخی سناریوها رقیب گزینه بهتری است، گفتگوهای دشواری را به همراه دارد. به گفته Au، بسیاری از مشتریان در برابر انتشار صریح نقاط ضعف مقاومت می‌کنند، زیرا نگران از دست دادن بخشی از بازار خود هستند.
با این حال، جذب ارجاعات غیرمرتبط از سوی هوش مصنوعی هیچ ارزش تجاری ندارد. اگر هوش مصنوعی یک پلتفرم حسابداری سازمانی را به یک فریلنسر جویای ابزار ارزان پیشنهاد دهد، کاربر بلافاصله سایت را ترک می‌کند و در صورت ورود به قیف، زمان تیم فروش تلف خواهد شد. تیم‌های عملیات بازاریابی (Marketing Operations) باید ترافیک ارجاعی از هوش مصنوعی را بر اساس اتفاقات پس از بازدید ارزیابی کنند؛ اگر ترافیک ورودی افزایش یابد اما نرخ تایید کیفیت (Qualification) یا ایجاد فرصت فروش افت کند، نشان‌دهنده دیده‌شدن بدون جذب تقاضای واقعی است.
این اطلاعات نیازی نیست که در صفحه اصلی (Landing Page) درج شوند، بلکه جایگاه طبیعی آن‌ها در صفحات معرفی محصول، بخش قیمت‌گذاری، سوالات متداول (FAQ)، راهنماهای خرید و صفحات مقایسه است.
بازنگری در صفحات مقایسه و حفظ حقیقت برند
رویکرد سنتی صفحات مقایسه — که در آن رقیب به ظاهر تایید اما در نهایت محصول شرکت برنده مطلق اعلام می‌شود — کارایی خود را از دست داده است. آژانس Intercept راهنماهای خریدی بر اساس نظرات واقعی کاربران تولید کرده که نقاط قوت، نقاط ضعف و مقایسه شفاف مشتری با ۲ یا ۳ رقیب اصلی را نمایش می‌دهد. این الگوی مقایسه مشروط («اگر این اولویت‌ها را دارید ما را انتخاب کنید، و اگر موارد دیگری اهمیت دارد رقیب را انتخاب کنید») هم نزد مدل‌های زبانی بزرگ و هم نزد خریداران انسانی عملکرد بسیار موفقی داشته است.
Au هشدار می‌دهد که سکوت برند، مانع از طرح نقاط ضعف در پاسخ‌های هوش مصنوعی نمی‌شود: «اگر شما مرزهای محصول خود را تعریف نکنید، مدل‌های هوش مصنوعی از منابع دیگر و حتی ادعاهای رقبا برای پاسخ به کاربران استفاده خواهند کرد. بنابراین یا کنترل گفتگو را به دست می‌گیرید و منابع استنادی معتبر ایجاد می‌کنید، یا اجازه می‌دهید رقبا نقاط ضعف شما را روایت کنند.»