ظهور مدلهای زبانی بزرگ (LLM) و موتورهای پاسخدهی مبتنی بر هوش مصنوعی، مسیر دسترسی کاربران به اطلاعات را به شدت کوتاه کرده است. در گذشته، یافتن پاسخ برای یک پرسش جدی مستلزم مراجعه به کتابخانه، مطالعه کتابها، یادداشتبرداری و دنبال کردن ارجاعات بود؛ فرایندی که روزها به طول میانجامید. موتورهای جستجو این مسیر را به چند ساعت کاهش دادند و اکنون، موتورهای پاسخدهی هوش مصنوعی این زمان را به چند ثانیه رساندهاند. با این حال، این سرعت بیسابقه با حذف یک عنصر حیاتی همراه بوده است: «فرادادههای مسیر» (path metadata) که به کاربر کمک میکرد ارزش و اعتبار پاسخ دریافتی را بسنجد.
شواهد تجربی از کاهش درگیری کاربران با منابع اصلی
پژوهشهای اخیر نشان میدهند که حذف اصطکاک در مسیر جستجو، به کاهش عمق یادگیری و درک کاربران منجر شده است. در اکتبر ۲۰۲۵، دو استاد بازاریابی دانشگاه وارتون (Wharton) به نامهای شیری ملوما (Shiri Melumad) و جین هو یون (Jin Ho Yun)، نتایج هفت آزمایش را با حضور ۱۰٬۴۶۲ شرکتکننده در نشریه PNAS Nexus منتشر کردند. در این آزمایشها، شرکتکنندگان درباره موضوعات عمومی مانند باغبانی یا شناسایی کلاهبرداریهای مالی، از طریق خلاصههای هوش مصنوعی یا لینکهای استاندارد گوگل آموزش دیدند.
یافتههای این پژوهش نشان داد افرادی که از هوش مصنوعی استفاده کرده بودند، در نهایت اطلاعات کمتری کسب کردند؛ حتی زمانی که فکتهای ارائه شده به هر دو گروه کاملاً یکسان بود. این کاربران زمان کمتری را صرف تعامل با محتوا کردند و توصیههایی که پس از آن برای دیگران نوشتند، کوتاهتر، کمجزئیاتتر و از نظر اصالت ضعیفتر بود. نکته مهمتر اینکه حتی وقتی مدل هوش مصنوعی لینکهای وب زنده را در کنار پاسخ خود ارائه داد، کاربران تمایلی به کلیک روی آنها نشان ندادند و با دریافت خلاصه، جستجو را متوقف کردند.
این رفتار در دنیای واقعی نیز توسط مرکز تحقیقات پیو (Pew Research Center) تایید شده است. این مرکز در مارس ۲۰۲۵، رفتار وبگردی ۹۰۰ بزرگسال آمریکایی را در جریان ۶۸٬۸۷۹ جستجوی گوگل ردیابی کرد. بر اساس این مطالعه، هنگامی که خلاصه هوش مصنوعی در صفحه نتایج ظاهر میشد، کاربران تنها در ۸ درصد مواقع روی نتایج جستجوی معمولی کلیک میکردند، در حالی که این آمار در غیاب خلاصه هوش مصنوعی ۱۵ درصد بود. همچنین، نرخ کلیک روی منابع ذکر شده در داخل خلاصه هوش مصنوعی تنها حدود ۱ درصد برآورد شد. علاوه بر این، کاربران در ۲۶ درصد از صفحات دارای خلاصه هوش مصنوعی، کل جلسه وبگردی خود را پایان دادند، در حالی که این رقم در صفحات بدون خلاصه ۱۶ درصد بود.
توهم آگاهی و از کار افتادن سیستم دفاعی اقتصاد اطلاعات
پیش از توسعه این فناوری نیز نشانههایی از این رفتار دیده شده بود. در سال ۲۰۱۵، سه پژوهشگر دانشگاه ییل (Yale) با انجام نه آزمایش دریافتند که جستجو در اینترنت، تصور افراد از میزان دانش خودشان را به طور کاذب افزایش میدهد؛ به طوری که کاربران دسترسی به اطلاعات را با فهم واقعی آن اشتباه میگیرند. این اثر حتی زمانی که جستجوها به هیچ نتیجهای منجر نمیشد نیز مشاهده شد.
در مدل سنتی جستجو، وجود اصطکاک، زمان سپریشده و تنوع منابع به کاربر کمک میکرد تا ارزش پاسخ را ارزیابی کند. اگر کاربری به یک خلاصه ضعیف یا نادرست برمیخورد، به مسیر خود ادامه میداد و با فرود روی صفحه اصلی یک برند یا رسانه، اطلاعات خود را اصلاح میکرد. این چرخه اصلاح خودکار که روزانه میلیونها بار رخ میداد، به عنوان سیستم ایمنی اقتصاد اطلاعات عمل میکرد. اما با نرخ کلیک ۱ درصدی روی منابع در موتورهای پاسخدهی، این سیستم دفاعی عملاً از کار افتاده است.
پژوهش دیگری در سال ۲۰۲۵ توسط مایکروسافت ریسرچ (Microsoft Research) و دانشگاه کارنگی ملون (Carnegie Mellon) با بررسی ۳۱۹ کارمند حوزه دانش درباره ۹۳۶ مورد استفاده واقعی از هوش مصنوعی در محیط کار نشان داد که اعتماد بیشتر به هوش مصنوعی با کاهش تفکر انتقادی رابطه مستقیم دارد. همچنین دیرک لواندوفسکی (Dirk Lewandowski) در مطالعه سال ۲۰۲۶ خود درباره «پشیمانی اطلاعاتی» (information regret) به نتایج مشابهی در مقیاس کوچکتر دست یافت.
تغییر پارادایم در استراتژی محتوای برندها
برای بیش از یک دهه، استراتژی محتوای برندها بر پایه یک ساختار پلکانی بنا شده بود: محتوای ساده و تعریفی در بالای قیف برای جذب مخاطبان تازهکار، محتوای مقایسهای در میانه قیف، و محتوای عمیق و تخصصی در پایین قیف برای تصمیمگیرندگان نهایی. اما اکنون این ساختار کارایی خود را از دست داده است.
کاربرانی که از مسیر موتورهای پاسخدهی هوش مصنوعی عبور میکنند، با اعتماد به نفس کاذب ناشی از مطالعه یک خلاصه تکپاراگرافی به سایت برندها میرسند. در این شرایط، محتوای ابتدایی و آموزشی برندها برای آنها بیش از حد سادهانگارانه به نظر میرسد و از سوی دیگر، محتوای تخصصی پایین قیف نیز از اصطلاحاتی استفاده میکند که کاربر هرچند آنها را تکرار میکند، اما درک عمیقی از آنها ندارد. این شکاف باعث میشود کاربر به سرعت سایت را ترک کند.
راهکار این چالش، حذف محتوای پایه نیست؛ زیرا این محتوا همچنان خوراک اصلی مدلهای هوش مصنوعی را تامین میکند. تغییر اصلی باید در چیدمان و معماری محتوا رخ دهد. محتوای منحصربهفرد و غیرقابلتقلیدی که پیش از این در انتهای قیف قرار داشت، اکنون باید به عنوان نقطه ورود اصلی و درگاه ورودی سایت (front door) عمل کند تا بتواند مخاطبی را که بخش مقدماتی تحقیق خود را خارج از سایت و به کمک هوش مصنوعی انجام داده است، به درستی جذب و هدایت کند.