تیمهای بازاریابی امروز بیش از هر زمان دیگری وقت خود را صرف کار با ابزارهای هوش مصنوعی مولد میکنند. بسیاری از بازاریابان، بهویژه متخصصان بهینهسازی موتور جستجو (SEO)، همواره فهرستی از ابزارها یا میانبرهای دلخواه خود را در ذهن دارند که مایلند بدون محدودیتهای مهندسی آنها را بسازند. با این حال، در این فرآیند، تیمها اغلب اقدام به ساخت ابزارهایی میکنند که میتوانستند با هزینهای بسیار اندک آنها را خریداری کنند. کوین ایندیگ (Kevin Indig)، تحلیلگر برجسته بازاریابی دیجیتال، معتقد است اگرچه استفاده از هوش مصنوعی و اتوماسیون اثرات مثبتی دارد، اما کارآمدی به صورت خودکار حاصل نمیشود؛ بلکه نیازمند پرسش از «زمان»، «چیستی» و «چرایی» استفاده از این فناوری است.
پارادوکس بهرهوری: وقتی هوش مصنوعی کارها را کندتر میکند
در اواخر سال ۲۰۲۵، مؤسسه METR آزمایشی را با حضور ۱۶ توسعهدهنده باسابقه انجام داد که طی آن ۲۴۶ وظیفه واقعی را بررسی کردند؛ نیمی از این وظایف با کمک ابزارهای هوش مصنوعی و نیم دیگر بدون آنها انجام شد. پیش از آزمایش، توسعهدهندگان انتظار داشتند که هوش مصنوعی سرعت کار آنها را ۲۴ درصد افزایش دهد. اما در عمل، استفاده از هوش مصنوعی سرعت آنها را ۱۹ درصد کاهش داد. نکته جالبتر این بود که حتی پس از مشاهده زمانهای واقعی ثبتشده، این توسعهدهندگان همچنان باور داشتند که هوش مصنوعی کار آنها را حدود ۲۰ درصد سریعتر کرده است.
این شکاف عمیق، همان «پارادوکس بهرهوری هوش مصنوعی» (AI productivity paradox) است. هوش مصنوعی میتواند حس سرعت بیشتری را در کار القا کند، اما در واقعیت، تلاش و زمان تیم را به بخشهای دیگری مانند نوشتن پرامپتها، انتظار برای دریافت پاسخ، بررسی صحت اطلاعات، اصلاح خطاها و نگهداری سیستم منتقل میکند. تیمهای بازاریابی به طور ویژهای در معرض این آسیب قرار دارند، زیرا در حال طراحی و ساخت جریانهای کاری اختصاصی خود هستند. هر ساعتی که صرف نگهداری یک ابزار داخلی میشود، ساعتی است که از انتشار محتوا، کسب ارجاعات بیرونی یا تقویت برندی که موتورهای جستجو و سیستمهای هوش مصنوعی توصیه میکنند، کسر شده است.
این مدل جدید از «کارهای هوش مصنوعی خانگی» (homebrew AI work) فاقد شفافیت و وضوح کارهای واقعی است؛ به همین دلیل اغلب در محاسبات مدیریتی نادیده گرفته میشود و هزینههای واقعی آن پیشبینی نمیشود. این نوع فعالیت در واقع یک «متا-کار» (meta work) است؛ یعنی کار کردن روی نحوه انجام کار، به جای خود کار.
پدیده «آشغالکاری» و آمارهای HubSpot و Workday
بر اساس گزارش هاباسپات (HubSpot)، حدود ۹۱ درصد از رهبران بازاریابی اعلام کردهاند که تیمهایشان از هوش مصنوعی استفاده میکنند و ۶۶ درصد نیز میگویند شرکت آنها در حال ساخت ابزارهای هوش مصنوعی داخلی برای بخش بازاریابی است. بسیاری از این پروژهها هرگز در برنامههای بازاریابی یا ابزارهای مدیریت پروژه تیم ثبت نمیشوند. بنابراین، صرفاً با پرسیدن از تیم بازاریابی درباره اینکه آیا ابزارهای داخلی باعث صرفهجویی در زمان شدهاند یا خیر، نمیتوان به حقیقت پی برد؛ چرا که آنها نیز مانند شرکتکنندگان در مطالعه METR، با وجود پاسخ مثبت، احتمالاً در اشتباه هستند.
آزمایشگاههای بترآپ (BetterUp Labs) و دانشگاه استنفورد (Stanford) در نظرسنجی از ۱,۱۵۰ کارمند تماموقت آمریکایی به بررسی پدیدهای پرداختند که آن را «آشغالکاری هوش مصنوعی» (workslop) مینامند؛ یعنی خروجیهای هوش مصنوعی که در ظاهر کامل به نظر میرسند اما اینگونه نیستند:
- حدود ۴۱ درصد از شرکتکنندگان در ماه گذشته چنین خروجیهای بیکیفیتی را دریافت کرده بودند. اصلاح هر کدام از این موارد به طور متوسط ۱ ساعت و ۵۶ دقیقه زمان برده است. در یک شرکت ۱۰ هزار نفری، این اتلاف وقت هزینهای بالغ بر ۹ میلیون دلار در سال به همراه دارد.
- فرستنده پیام با استفاده از هوش مصنوعی تنها ۲۰ دقیقه در زمان خود صرفهجویی کرده بود، در حالی که شخص دیگری مجبور شده بود دو ساعت را صرف بررسی و اصلاح خروجی ارسالی کند. در داشبوردهای مدیریتی، فرستنده بسیار کارآمد به نظر میرسد، اما صرفهجویی ظاهری او در جای دیگری از سازمان بلعیده شده است.
مطالعه شرکت ورکدی (Workday) نیز این حجم از دوبارهکاری را با ارقام نشان میدهد: به ازای هر ۱۰ ساعتی که هوش مصنوعی در ظاهر صرفهجویی میکند، شرکتها حدود ۴ ساعت را صرف اصلاح و بازنویسی خروجیهای ضعیف میکنند. همچنین، نظرسنجی آپورک (Upwork) از ۲,۵۰۰ رهبر و کارمند نشان داد در میان کارکنانی که از هوش مصنوعی استفاده میکنند و معتقدند این ابزارها حجم کارشان را افزایش داده است، ۳۹ درصد به زمان صرفشده برای بررسی و اصلاح خروجیها، ۲۳ درصد به زمان یادگیری ابزارها و ۲۱ درصد به واگذاری کارهای بیشتر به آنها اشاره کردهاند.
قربانی شدن استراتژیهای بلندمدت برند
هنگامی که تمرکز تیم بازاریابی به سمت کارهای جانبی هوش مصنوعی منحرف میشود، فعالیتهایی که بازگشت سرمایه (ROI) طولانیتر یا سنجش اثربخشی دشوارتری دارند، قربانی این «متا-کارها» میشوند. کارهای غیرجذاب اما حیاتی که اعتبار برند را چندبرابر میکنند، معمولاً اولین مواردی هستند که زمان آنها دزدیده میشود؛ زیرا این کارها اهدافی بلندمدت برای جذب مشتری هستند. مواردی مانند:
- تولید محتوای عمیق و جامع درباره یک موضوع به گونهای که برند به منبع اصلی آن حوزه تبدیل شود.
- کسب ارجاع و لینک در وبسایتهایی که سیستمهای پاسخدهی هوش مصنوعی اطلاعات خود را از آنها استخراج میکنند.
- حضور فعال در تاپیکهای ردیت (Reddit) و یوتیوب (YouTube) که خریداران واقعی آنها را مطالعه میکنند.
هیچکدام از این کارها نتایج فوری یا لیدهای قابل ردیابی سریع در چند هفته یا حتی چند ماه اول ارائه نمیدهند. این هزینه فرصت، یکی از دلایلی است که تیمها در برابر پذیرش جریانهای کاری سفارشی هوش مصنوعی مقاومت میکنند.
هزینههای دائمی نگهداری ابزارهای خانگی
یک جریان کاری هوش مصنوعی در روزی که ساخت آن به پایان میرسد، به خوبی کار میکند. تمام زمان صرفشده در جلسات، مهندسی هوش مصنوعی و مصاحبه با اعضای تیم به عنوان کار مفید ثبت میشود. اما از همان روز نخست استفاده، فرآیند فرسایش ابزار آغاز میشود. با تغییر نسخه مدلهای زبانی، بروز مشکلات جدید در حین استفاده یا آپدیت شدن ابزارهای متصل به آن، ناگهان سیستم در اواسط هفته از کار میافتد و کل برنامهریزی تیم را مختل میکند.
از منظر کاربردی، هر جریان کاری که تیم شما میسازد، یک وظیفه دائمی کوچک برای نگهداری و پشتیبانی ایجاد میکند که این وظایف به مرور زمان انباشته میشوند. کوین ایندیگ تجربه مشابهی را در زمان مدیریت مهندسان در شرکت شپیفای (Shopify) به یاد میآورد که در آن زمان، بخش زیادی از ظرفیت تیم مهندسی صرف ساخت ابزارهایی از صفر شد که امکان خرید آماده آنها وجود داشت؛ اشتباهی که مانع از تمرکز بر کارهای بااثرتر گردید.
در نهایت، مهارت کلیدی برای رهبران بازاریابی امروز، توانایی تشخیص و دفاع از این موضوع است که چه زمانی اتوماسیون و جریانهای کاری هوش مصنوعی واقعاً برای تیم منطقی است و چه زمانی این آزمایشها به جای افزایش کارآمدی، منابع حیاتی را از کارهای واقعی برندسازی و جذب لید دور میکنند.