هوش مصنوعی دستاوردهای قابلاندازهگیری متعددی برای بازاریابی به همراه داشته است، اما اثبات ارزش مالی واقعی این دستاوردها به شکلی غافلگیرکننده دشوار است. با افزایش شتابزده بودجههای تخصیصیافته به این فناوری، شکاف میان بهکارگیری هوش مصنوعی و اثبات تاثیر مالی آن عمیقتر شده و نادیده گرفتن آن دیگر ممکن نیست.
آمارها چه میگویند؟ شکاف بزرگ میان هزینه و بازدهی عملیاتی
بر اساس گزارش نظرسنجی مدیران بازاریابی (The CMO Survey)، تا سال ۲۰۲۹ بیش از ۵۰ درصد از کل فعالیتهای بازاریابی در ایالات متحده توسط هوش مصنوعی هدایت خواهد شد. همچنین در سال گذشته، این فناوری به افزایش ۱۴.۱ درصدی بهرهوری فروش و بهبود ۱۰.۸ درصدی رضایت مشتریان کمک کرده است. در همین حال، هزینههای بالاسری بازاریابی نیز با کاهش ۱۴.۶ درصدی نسبت به سال قبل مواجه شده که بهبود سالانه چشمگیری به شمار میرود.
با این حال، اثبات نرخ بازگشت سرمایه (ROI) در پروژههای هوش مصنوعی همچنان یک چالش جدی است. بر اساس نظرسنجی موسسه Witness.AI، تنها ۹ درصد از مدیران ارشد اعلام کردهاند که بیش از ۷۵ درصد از طرحهای هوش مصنوعی آنها بازدهی مالی معناداری داشته است. علاوه بر این، ۶۸ درصد از آنها تایید کردهاند که برنامههای هوش مصنوعی سازمانشان در مقطعی از ۱۲ ماه گذشته، از بودجه پیشبینیشده فراتر رفته است.
در حوزه بازاریابی نیز وضعیت مشابهی حاکم است؛ تنها ۱۶ درصد از پاسخدهندگان در یک نظرسنجی جهانی از مدیران ارشد بازاریابی (CMOs) توانستهاند با اطمینان نتایج سرمایهگذاریهای خود در هوش مصنوعی را اثبات کنند. نزدیک به ۷۰ درصد از شرکتکنندگان قادر به اندازهگیری دقیق نتایج نبودهاند و ۲۱ درصد نیز اساساً فاقد زیرساختهای لازم برای سنجش مستمر بودهاند. یکی از دلایل اصلی این امر، پراکندگی تاثیر هوش مصنوعی در بخشهای مختلف عملیاتی است.
چالش دادهها و معماری اطلاعات در پیادهسازی هوش مصنوعی
بخش دشوار کسب ارزش از هوش مصنوعی دیگر دسترسی مدلها به دادههای بیشتر نیست، بلکه تعیین این موضوع است که مدلها به چه اطلاعاتی نیاز دارند و آیا میتوان به دادههای پایه اعتماد کرد یا خیر.
اتصال سیستمهای بیشتر به یکدیگر، هوش مصنوعی را در معرض تعاریف متناقض، رکوردهای تکراری، اطلاعات قدیمی و سیگنالهای ناسازگار قرار میدهد. یک عامل هوش مصنوعی (AI agent) باید بداند که یک فیلد اطلاعاتی چه معنایی دارد، چه زمانی بهروزرسانی شده، کدام منبع داده اولویت دارد و چه اقداماتی بر اساس این اطلاعات مجاز است. از این رو، معماری دادهها (data architecture) به بخشی جداییناپذیر از معماری هوش مصنوعی تبدیل میشود.
سنجش فرآیند به جای سنجش فعالیت: تمرکز بر جریان کار
محاسبه نرخ بازگشت سرمایه هوش مصنوعی زمانی گمراهکننده میشود که سازمانها به جای سنجش تغییرات ایجادشده، به اندازهگیری فعالیتهای انجامشده توسط هوش مصنوعی بسنده کنند. تولید داراییهای محتوایی بیشتر، افزایش سرعت تولید یا صرفهجویی در ساعات کاری کارکنان، تنها نشاندهنده بهبود عملیاتی است.
ارزیابی باید از فرآیندی آغاز شود که هوش مصنوعی آن را تغییر داده است؛ به ویژه بررسی این موضوع که فرآیند مذکور قبل از پیادهسازی فناوری چگونه عمل میکرده است. هرچه مزیت ادعاشده از فعالیت مستقیمی که هوش مصنوعی تحت تاثیر قرار داده دورتر باشد، اثبات نقش هوش مصنوعی در ایجاد آن دشوارتر خواهد بود.
محاسبات ROI همچنین باید هزینههای یکپارچهسازی، آمادهسازی دادهها، حاکمیت داده، نظارت، آموزش و بازبینی انسانی را شامل شود. تولید سریع صدها نسخه محتوایی ارزش چندانی نخواهد داشت اگر کارکنان ناچار باشند ساعتها وقت خود را صرف بررسی دقت، انطباق با هویت برند، تکراری نبودن و ریسکهای حقوقی آنها کنند. همین قاعده برای عوامل هوش مصنوعی نیز صادق است؛ آنها میتوانند زمان تحقیق را کاهش دهند اما همزمان حجم کار بررسی موارد استثنا و نظارت بر تصمیماتشان را افزایش میدهند. کاهش ۷۰ درصدی زمان انجام یک وظیفه، بهرهوری چندانی ایجاد نمیکند اگر کار صرفاً به بخش دیگری از زنجیره منتقل شود. به همین دلیل، سنجش کل جریان کار (workflow) بسیار منطقیتر از سنجش تکتک وظایف انجامشده توسط هوش مصنوعی است.
همین اصل در انتخاب ابزارهای هوش مصنوعی نیز کاربرد دارد. یک ابزار خیرهکننده ارزش چندانی خلق نخواهد کرد اگر کارکنان مجبور باشند مدام دادهها را بین سیستمها جابجا کنند، زمینههای اطلاعاتی مفقودشده را تامین کنند، خروجیها را اصلاح نمایند یا منتظر تایید بمانند. در مقابل، ابزاری با قابلیتهای کمتر که به آرامی در جریان کار فعلی ادغام میشود، ممکن است در نهایت زمان و هزینه بیشتری را ذخیره کند. میزان سازگاری یک ابزار با روش واقعی کار افراد، بسیار مهمتر از تعداد ویژگیهای فنی آن است.
هزینههای پنهان در بخشهای دیگر سازمان
مشکل دیگری نیز در محاسبه نرخ بازگشت سرمایه هوش مصنوعی وجود دارد: هزینهها و مزایا اغلب در بخشهای متفاوتی از سازمان ظاهر میشوند. ممکن است بخش بازاریابی از افزایش بهرهوری بهرهمند شود، اما بخش فناوری اطلاعات (IT) هزینه زیرساختها را بپردازد، تیم مهندسی فرآیند یکپارچهسازی را مدیریت کند، بخش حقوقی و امنیت مسئولیت حاکمیت داده را بر عهده بگیرد و سایر کارکنان بار کارهای نظارتی اضافی را به دوش بکشند.
این وضعیت میتواند یک پروژه هوش مصنوعی در بازاریابی را سودآورتر از آنچه واقعاً هست نشان دهد، چرا که بخشی از هزینهها در بودجه بخشهای دیگر ثبت شده است. یک محاسبه دقیق باید فراتر از ارقام تیم بازاریابی را ببیند. برای این منظور، باید تغییرات رخداده در کل جریان کار را بسنجید، هزینهها را در هر بخشی که ایجاد شدهاند محاسبه کنید و تنها نتایج مالی را به هوش مصنوعی نسبت دهید که به طور منطقی با کار تغییریافته توسط آن مرتبط هستند.