با آغاز فصل برنامه‌ریزی بودجه برای سال ۲۰۲۷، تیم‌های بازاریابی و تدارکات (Procurement) شرکت‌ها در حال بازنگری در هزینه‌های خود هستند. در شرایطی که نااطمینانی‌های اقتصادی ناشی از تعرفه‌ها، تورم، جنگ‌های مداوم و انتخابات، چشم‌انداز آینده را مبهم کرده است، بازاریابان رویکردی بسیار محافظه‌کارانه در پیش گرفته‌اند. در این میان، بخش تدارکات به ابزار جدیدی مجهز شده که مستقیماً از ارائه‌های فروش آژانس‌های تبلیغاتی به دست آمده است: وعده بهره‌وری ناشی از هوش مصنوعی (AI-driven efficiency).
وعده هوش مصنوعی عامل فشار بر آژانس‌ها
در ۱۸ ماه گذشته، آژانس‌های تبلیغاتی و پلتفرم‌های رسانه‌ای به شدت بر این روایت پافشاری کرده‌اند که فرآیندهای آن‌ها سریع‌تر، ارزان‌تر و کاملاً مبتنی بر عوامل هوشمند (Agentic) شده است. آن‌ها وعده جریان‌های کاری خودکار و تیم‌های اجرایی کوچک‌تر را داده‌اند. از پلتفرم‌های اختصاصی آژانس‌ها مانند WPP Open و Omnicom Omni گرفته تا Publicis Marcel و Dentsu Connect، اکنون محور اصلی تمام ارائه‌های فروش آژانس‌ها بر یک پلتفرم هوش مصنوعی عامل‌محور (Agentic AI) و سرتاسری استوار است.
علاوه بر این، ابزارهایی مانند Meta Advantage+، Google Performance Max (PMax) & AI Max، Amazon Marketing Cloud & Automated Ad Suites، Salesforce (Agentforce)، Workday و Microsoft (Copilot Studio) نیز به این موج دامن زده‌اند. بخش تدارکات شرکت‌ها با شنیدن این ادعاها، آن‌ها را مبنای کار خود قرار داده و اکنون از همین وعده‌ها برای توجیه کاهش همه‌جانبه هزینه‌های ثابت (Retainers) آژانس‌ها استفاده می‌کند. با این حال، کل این گفتگوها بر پایه درک نادرست از داده‌های بهره‌وری شکل گرفته است.
شکاف میان آمارهای تئوریک و واقعیت‌های عملیاتی
هنگامی که مدیران بازاریابی و تدارکات خواستار کاهش هزینه‌ها می‌شوند، اغلب به آمارهای برجسته‌ای مانند برآورد موسسه مک‌کینزی (McKinsey) استناد می‌کنند که نشان می‌دهد هوش مصنوعی مولد می‌تواند کارهایی را که ۶۰ تا ۷۰ درصد از زمان کارکنان را به خود اختصاص می‌دهد، خودکارسازی کند. اما واقعیت این است که هیچ کارمندی ۱۰۰ درصد زمان کاری خود را صرف وظایفی نمی‌کند که بتوان آن‌ها را به هوش مصنوعی واگذار کرد. بررسی مطالعات تجربی تصویر عملیاتی متفاوتی را نشان می‌دهد.
بر اساس مطالعه مشترک گروه مشاوره بوستون (BCG) و دانشگاه هاروارد، مشاورانی که از هوش مصنوعی استفاده کردند، وظایف خاصی را ۲۵ درصد سریع‌تر و با ۴۰ درصد کیفیت بالاتر انجام دادند. تحقیقات دانشگاه ام‌آی‌تی (MIT) نیز نشان داد که عملکرد کارکنان ماهر در وظایفی که در محدوده توانایی‌های هوش مصنوعی قرار دارد، ۳۸ درصد بهبود یافته است، در حالی که کارکنان با عملکرد ضعیف‌تر، بهره‌وری بیشتری کسب کرده‌اند. همچنین مطالعه گیت‌هاب کوپایلت (GitHub Copilot) مایکروسافت نشان داد که توسعه‌دهندگان وظایف برنامه‌نویسی خاص را ۵۶ درصد سریع‌تر انجام داده‌اند. در نهایت، در مطالعه سال ۲۰۲۶ موسسه BCG با عنوان «هوش مصنوعی در محل کار» (AI at Work)، حدود ۴۰ درصد از کارکنان دفتری غیرمدیر گزارش دادند که تقریباً یک روز کامل کاری در هفته (معادل حدود ۲۰ درصد از کل زمان کاری خود) را صرفه‌جویی کرده‌اند.
پیامدهای کاهش بودجه و ضرورت تغییر مدل قراردادها
با تکیه بر این آمارها، بخش تدارکات ممکن است با فرض کاهش ۳۰ درصدی هزینه‌ها بر اساس وعده‌های آژانس وارد مذاکره شود. آژانس نیز این کاهش را می‌پذیرد و تعداد نیروهای اختصاص‌یافته به آن مشتری را کاهش می‌دهد. اما به زودی هر دو طرف متوجه می‌شوند که هوش مصنوعی نمی‌تواند دستورالعمل‌های استراتژیک (Strategic briefs) بنویسد، در پیچ‌وخم‌های سیاست‌های داخلی مشتری حرکت کند یا هماهنگی میان ذینفعان پیچیده را مدیریت کند. در نتیجه، کیفیت عملیاتی سقوط می‌کند، رابطه دو طرف تیره می‌شود و هر دو طرف با سرخوردگی مواجه می‌شوند.
برای حل این مشکل، بازاریابان باید مذاکرات خود را از بحث درباره بهره‌وری تئوریک به سمت محدوده عملیاتی (Operational scope) تغییر دهند. پس‌اندازهای مالی باید نتیجه اصلاح فرآیندها و محدوده‌ها باشد، نه نقطه شروع آن. پیشنهاد می‌شود که برندها به جای درخواست تخفیف کلی برای بهره‌وری هوش مصنوعی، یک حسابرسی عملیاتی (Operational audit) را الزامی کنند که کارها را به سه بخش تقسیم کند: کارهای استراتژیک، کارهای اجرایی تکراری، و کارهایی با پیچیدگی بالا که به تعامل انسانی قوی نیاز دارند. در این مدل، هزینه‌ها باید در بخش کارهای اجرایی تکراری که هوش مصنوعی واقعاً در زمان صرفه‌جویی می‌کند کاهش یابد، اما بودجه بخش تصمیم‌گیری‌های استراتژیک حفظ شود.
سنجش بهره‌وری هوش مصنوعی از طریق برگه‌های ثبت ساعت کار آژانس‌ها (Timesheets) شفافیت لازم را ایجاد نخواهد کرد. بازاریابان باید قراردادهای خود را به سمت قیمت‌گذاری مبتنی بر خروجی (Deliverable-based pricing) یا هزینه‌های ثابت مرتبط با نتایج تجاری مشخص سوق دهند. پرداخت بر اساس خروجی، آژانس را مجبور می‌کند تا برای حفظ حاشیه سود خود به سراغ پذیرش هوش مصنوعی برود، در حالی که کارفرما مطمئن می‌شود که هزینه ارزش خروجی را پرداخت می‌کند، نه ساعت‌های صرف‌شده پشت میز یا توکن‌های مصرف‌شده را.