بازاریابان به این درک رسیدهاند که هوش مصنوعی دیگر برندها را رتبهبندی نمیکند، بلکه تصمیم میگیرد که آیا اصلاً نامی از آنها برده شود یا خیر. این تغییر رویکرد در حال بازتعریف ساختار صنعت تبلیغات و بازاریابی است. اتحادیه تبلیغات تعاملی (IAB) در حال تدوین چارچوبی برای استانداردسازی نحوه اندازهگیری این میزان دیدهشدن (visibility) است؛ چرا که هنوز هیچ معیار پایهای برای جمعآوری دادههای مناسب یا عوامل محرک توصیههای هوش مصنوعی وجود ندارد.
این بلاتکلیفی خود را در ساختار نیروی انسانی شرکتها نیز نشان داده است؛ به طوری که موقعیتهای شغلی جدیدی تحت عنوان «مدیر جستجوی هوش مصنوعی» ایجاد شدهاند، زیرا در حال حاضر هیچکس به طور دقیق نمیداند این سیستمها چگونه کار میکنند. برخی برندها منتظر حل این ابهام نمانده و بودجههای تبلیغاتی خود را به سمتی هدایت کردهاند که نحوه توصیف آنها توسط چتباتها را تغییر دهند. کاهش ناگهانی توصیههای ردیت (Reddit) در ChatGPT نشان میدهد که چرا برندها به جای تمرکز بر یک مسیر، به طور همزمان در تمامی این جبههها فعال شدهاند.
تفاوتهای بنیادین در منابع اطلاعاتی مدلهای بزرگ زبانی
دادهها نشان میدهند که منبع اصلی اطلاعات برای یک مدل بزرگ زبانی (LLM)، ممکن است برای مدلی دیگر کاملاً بیاهمیت باشد. ردیابی رفتار ارجاعدهی پلتفرمها (platform-level citation) روزبهروز برای بازاریابانی که استراتژیهای تجارت و جستجوی هوش مصنوعی خود را توسعه میدهند، حیاتیتر میشود. به عنوان مثال، بر اساس دادههای آژانس Tinuiti، میزان دیدهشدن شرکت آمازون (Amazon) در پلتفرمهای مختلف به شدت متفاوت است؛ این شرکت در ماه ژوئیه سهمی معادل ۴ درصد از ارجاعات مایکروسافت کوپایلت (Microsoft Copilot) را به خود اختصاص داد، در حالی که این رقم در ChatGPT تنها ۰.۱ درصد و در جمینای (Gemini) گوگل صفر بوده است. عملکرد قوی آمازون در کوپایلت توانسته است میانگین سهم ارجاعات آن را در دستهبندیهای مختلف محصولات به طور چشمگیری افزایش دهد.
آنجلا سایتس (Angela Seits)، معاون استراتژی در آژانس Dept، در این باره میگوید: «ما اکنون در حال تاثیرگذاری بر قابلیت کشفشدن (discoverability) در بسترهای متعدد و متنوعی هستیم. تمرکز ما بر این است که مشتریان را راهنمایی کنیم تا به نحوه تولید محتوا برای تمامی روشهای تعامل کاربران با برندشان فکر کنند و مطمئن شوند که در نتایج درست در این سیستم بزرگتر حضور دارند.»
مدلهای بزرگ زبانی مانند انسانها ترجیحات خاص خود را دارند. دو مدل ممکن است در پاسخ به سوالی درباره کفشهای ورزشی، نام برندهای یکسانی را ذکر کنند، اما معمولاً برای اثبات ادعای خود به منابع متفاوتی ارجاع میدهند. بر اساس مطالعه Semrush (متعلق به ادوبی) روی دادههای ایالات متحده در ۲۲ دستهبندی بین ماههای ژانویه و ژوئن، پلتفرم ChatGPT تمایل دارد به منابع اجتماعی و مرجع استناد کند. این پژوهش نشان داد که ردیت (Reddit) با ۲۸.۹ درصد از کل ارجاعات، منبع شماره یک ChatGPT است. در مقابل، گوگل بیشتر به ویدیو و شبکههای اجتماعی متکی است؛ یوتیوب (YouTube) با ۲۱.۱ درصد در رتبه اول و فیسبوک (Facebook) با ۱۷ درصد در رتبه دوم منابع گوگل قرار دارند.
گیب فلدمن (Gabe Feldman)، همبنیانگذار و مدیر ارشد آژانس The Now Agency، میگوید: «هیچ راهکار جادویی و تکبعدی در این زمینه وجود ندارد. یوتیوب، ساختار نشانهگذاری (schema) وبسایت شما، روابط عمومی، تولیدکنندگان محتوا و ناشران همگی باید در کنار هم کار کنند. اگر فقط روی یکی از این موارد تمرکز کنید، تصویر بزرگتر را از دست خواهید داد.»
نقش ویدیو و چالشهای سنجش اعتبار
با این حال، ادعای ترجیح جهانی مدلهای زبانی برای یوتیوب را باید با احتیاط بررسی کرد. تحلیل ابزار Scrunch متعلق به Sitecore روی پاسخهای هوش مصنوعی بین ماههای مه و ژوئیه نشان میدهد که ابزارهای Google AI Mode، Google AI Overviews، Gemini و Perplexity به طور منظم به یوتیوب ارجاع میدهند، اما این موضوع در مورد ChatGPT و کوپایلت مایکروسافت چندان صدق نمیکند.
بر اساس نظرسنجی مصرفکنندگان ادوبی در ژوئیه ۲۰۲۶ که از میان بیش از ۵,۰۰۰ پاسخدهنده آمریکایی انجام شد، اکثر مردم (۹۵ درصد) که از هوش مصنوعی استفاده میکنند، پاسخهای آن را حداقل به اندازه موتورهای جستجوی سنتی قابل اعتماد میدانند؛ از این میان، ۲۹ درصد آنها را بسیار قابل اعتماد توصیف کردهاند. این اعتماد با افزایش آشنایی کاربران بیشتر میشود؛ به طوری که ۹ درصد از افرادی که از هوش مصنوعی استفاده نمیکنند آن را قابل اعتماد میدانند، اما این رقم در میان کاربران آزمایشی به ۹۴ درصد و در میان کاربران دائمی به ۹۷ درصد میرسد.
بسیاری از بازاریابان تازه در حال درک نحوه بقا و رشد در این پارادایم جدید هستند. آنها اکنون پیش از شروع کمپینها بررسی میکنند که آیا یک تولیدکننده محتوا در پاسخهای تولیدشده توسط هوش مصنوعی ظاهر میشود یا خیر؛ معیاری که پیش از این تنها بر اساس میزان دسترسی (reach) و تعامل (engagement) سنجیده میشد. برخی نیز در حال ساخت ابزارهایی برای سنجش جایگاه واقعی خود در مدلهای زبانی هستند تا به جای حدس و گمان، منابع ارجاع داده شده و دلایل آن را ردیابی کنند. حتی برخی برندها محتوای مدیران ارشد، تماسهای سرمایهگذاران و گزارشهای مدیرعامل خود را با همان معیارهایی که ویدیوی یک تولیدکننده محتوا سنجیده میشود، ارزیابی میکنند.
کریستال دانکن (Crystal Duncan)، معاون ارشد تعامل برند در Tinuiti، معتقد است: «من فکر میکنم به زودی بهینهسازی موتورهای پاسخگو (AEO) جایگاهی مشابه بزرگترین کانالهای رسانهای سنتی پیدا خواهد کرد.»
چالشهای اندازهگیری در دنیای غیرقطعی هوش مصنوعی
یکی از بزرگترین موانع در این مسیر، ماهیت متغیر پاسخهاست. یک پرسش یکسان میتواند در هر بار اجرا، پاسخ متفاوتی به همراه داشته باشد که این امر سنجش میزان دیدهشدن برند را به یک هدف متحرک تبدیل میکند. علاوه بر این، با هر بار بهروزرسانی مدلها، تمام دادههای ردیابیشده توسط برندها ممکن است یکشبه تغییر کند، بدون اینکه تغییری در خود برند ایجاد شده باشد. این بیثباتی باعث بروز اختلافنظر میان شرکتهای ارائهدهنده خدمات سنجش شده و مدیران بازاریابی (CMOs) را وادار کرده تا سوالات جدیتری درباره معنای واقعی برندسازی در عصر حاضر بپرسند.
این چالشها توضیح میدهند که چرا بازاریابان، سنجش و اندازهگیری را بزرگترین چالش فعلی خود میدانند، بهویژه زمانی که نوبت به مقایسه مسیر مشتری در هوش مصنوعی در مقابل مسیرهای سنتی میرسد. نزدیک به نیمی از بازاریابان (۴۵ درصد) از میان ۲۰۰ تصمیمگیرنده سرمایهگذاری تبلیغاتی برندها و آژانسها که توسط IAB مورد نظرسنجی قرار گرفتند، این موضوع را تایید کردهاند.
کارولین گیگریچ (Caroline Giegerich)، معاون هوش مصنوعی در IAB که رهبری تلاش چهارماهه برای تدوین چارچوب جدید سنجش دیدهشدن هوش مصنوعی را بر عهده داشته، میگوید: «ما همگی در تلاشیم تا در زمان واقعی بفهمیم چگونه این کار را انجام دهیم، آن هم در شرایطی که مدلها قطعی و تکرارپذیر (deterministic) نیستند. بازار آشفته است. اندازهگیری دشوار است زیرا ممکن است سوال "بهترین کفش ورزشی زیر ۲۰۰ دلار چیست؟" را بپرسید و ۱۰۰ بار نتایج متفاوتی دریافت کنید. به عنوان یک بازاریاب، وقتی این اتفاق میافتد چه میکنید؟ شما همچنین نتایج متفاوتی از مدلهای مختلف دریافت میکنید و باز هم باید بپرسید چگونه باید آن را اندازهگیری کرد.»