اگر مدیریت حساب‌های Google Ads را بر عهده دارید، «ماهر بودن» در هوش مصنوعی از شما انتظار می‌رود؛ اما احتمالاً کارفرمایان هرگز بررسی نکرده‌اند (یا نمی‌دانسته‌اند چطور بررسی کنند) که واقعاً ماهر هستید یا نه. اگر بتوانید قضاوت خود را نشان دهید، این کار برای مسیر شغلی‌تان یک ضرورت است و اگر نتوانید، یک ریسک.

پژوهش تازه‌ای از CodeSignal با نظرسنجی از ۱۰۰۰ کارمند و ۱۰۰۰ مدیر در آمریکا دربارهٔ آمادگی برای هوش مصنوعی، دو عدد را کنار هم قرار داده است. ۷۲٪ کارکنان شرکت‌کننده می‌گویند مهارت‌های هوش مصنوعی‌شان هرگز به‌طور رسمی ارزیابی نشده است، در حالی که ۶۹٪ مدیران توانایی کار با هوش مصنوعی را عامل مهم یا نسبتاً مهمی در استخدام می‌دانند. این یعنی کارفرمایان برای مهارتی استخدام می‌کنند که عمدتاً آن را اندازه نمی‌گیرند.

۱۵ پرسش دربارهٔ استحکام این اعداد و کاری که متخصصان این حوزه باید انجام دهند برای CodeSignal فرستادم. پاسخ‌های مکتوب صریح‌تر از آن بود که انتظار داشتم؛ از جمله دربارهٔ تعارض منافع آشکار یک شرکت سازندهٔ ارزیابی که نتیجه گرفته هیچ‌کس چیزی را ارزیابی نمی‌کند. در ادامه می‌خوانید چه چیزی معتبر است، کجا باید پانویس گذاشت و این یافته‌ها برای کسانی که شغلشان مدیریت تبلیغات جست‌وجوی پولی است چه معنایی دارد.

CodeSignal در واقع از چه کسانی نظرسنجی کرد؟

اول روشن کنیم این نظرسنجی چه هست و چه نیست. CodeSignal دو نظرسنجی آنلاین را در سپتامبر ۲۰۲۶ از طریق Pollfish سفارش داد و هر دو نمونه کاملاً در آمریکا بودند. این شرکت کارکنان دانشی را بر اساس نوع کارشان تعریف کرد، نه بر اساس عنوان شغلی؛ یعنی کسانی که کارشان عمدتاً با رایانه و ابزارهای دیجیتال انجام می‌شود. همچنین افرادی را که از هوش مصنوعی استفاده نمی‌کنند کنار نگذاشت. ۱۲٪ گفتند هرگز در محل کار از آن استفاده نمی‌کنند.

CodeSignal گزارش می‌دهد نقش‌هایی که در آن‌ها استفاده از هوش مصنوعی الزامی یا مورد انتظار است «۷۸٪ جهش کرده‌اند». پرسیدم آیا منظور واحد درصد است. پاسخ منفی بود. این یک افزایش نسبی است که خود کارکنان دربارهٔ نقش‌هایشان گزارش کرده‌اند و در طول مدت حضور هر فرد در شغل فعلی‌اش اندازه‌گیری شده است. وقتی پاسخ‌دهندگان این شغل‌ها را شروع کردند، ۹٫۴٪ گفتند استفاده از هوش مصنوعی از آن‌ها الزامی یا مورد انتظار بود. امروز ۱۶٫۷٪ چنین می‌گویند.

این تقریباً دو برابر است. اما هنوز کمتر از یکی از هر پنج نفر است.

افراد فعال در تبلیغات جست‌وجوی پولی احتمالاً مدت‌هاست از این منحنی عبور کرده‌اند، چون پیشنهاد قیمت خودکار سال‌هاست توصیهٔ پیش‌فرض گوگل است. بنابراین پرسش مفید برای حوزهٔ ما این است که آیا کسی می‌تواند تشخیص دهد چه کسی از هوش مصنوعی خوب استفاده می‌کند.

بیشتر بخوانید: از مدل T به مدل M؛ تحول مسیر شغلی PPC که کسی درباره‌اش حرف نمی‌زند

آموزش برگزار می‌شود، اما ماندگار نیست

۶۲٪ کارکنان به CodeSignal گفتند کارفرمایشان دربارهٔ نحوهٔ استفاده از هوش مصنوعی در محل کار آموزش داده است. تنها ۳۵٪ گفتند مهارت‌های هوش مصنوعی‌ای را که واقعاً به کار می‌برند در آموزش کارفرما ساخته‌اند.

پرسیدم آیا بیشتر آن آموزش‌ها اصلاً دربارهٔ هوش مصنوعی نبوده، یا کارکنان آن را به حساب نمی‌آورند. CodeSignal گفت هیچ‌کدام. آموزش‌ها مشخصاً دربارهٔ استفاده از هوش مصنوعی در محل کار بود و این شرکت این شکاف را نشانهٔ آن می‌داند که آموزش‌ها به‌اندازهٔ کافی جدی یا مشخص نبوده‌اند تا در عمل به کار بیایند.

عدد پرسش بعدی بدتر است. تنها حدود یکی از هر چهار کارمند آموزش‌دیده گفت می‌تواند بیشتر یا همهٔ آموزش هوش مصنوعی کارفرمایش را به کار ببندد. ۷۴٪ دیگر بخشی، مقدار بسیار کمی یا هیچ‌کدام از آن را به کار می‌بندند. اگر این را به کل نمونه تعمیم دهیم، حدود ۴۶٪ همهٔ کارکنان آموزشی دربارهٔ هوش مصنوعی دیده‌اند که نمی‌توانند کاملاً از آن استفاده کنند. وقتی CodeSignal پرسید چه چیزی مانع می‌شود، کارکنان کمبود وقت، آموزشی که با نقششان همخوان نیست و نبود دسترسی به آموزش مرتبط را نام بردند.

پس مردم از کجا یاد می‌گیرند؟ این پرسش چندپاسخی بود و به همین دلیل درصدها به ۱۰۰ نمی‌رسند. منابع رایگانی که خود افراد پیدا کرده بودند با ۴۶٪ در صدر بود، پس از آن آزمون‌وخطا در حین کار با ۳۹٪ و آموزش کارفرما با ۳۵٪. همکاران ۲۲٪ و دوره‌هایی که افراد با هزینهٔ خودشان گذرانده بودند ۱۲٪ را به خود اختصاص دادند.

تیگران اسلویان (Tigran Sloyan)، هم‌بنیان‌گذار و مدیرعامل CodeSignal، گفت: «شرکت‌ها دوره‌های هوش مصنوعی می‌خرند یا خودشان می‌سازند، اما اگر بیشتر کارکنان جای دیگری یاد می‌گیرند، باید بپرسید آیا این آموزش واقعاً کمکی می‌کند.»

تبلیغات جست‌وجوی پولی مدت‌هاست همین‌طور کار می‌کند. بسیاری از مدیران PPC پیشنهاد قیمت را با تماشای حساب‌های خودشان و خواندن مطالب متخصصان در LinkedIn و X یاد گرفته‌اند. چیزی که تغییر کرده این است که آنچه اکنون با آزمون‌وخطا یاد می‌گیرند، هوش مصنوعی خودِ پلتفرم تبلیغاتی است و هزینهٔ هر خطا از بودجهٔ مشتری پرداخت می‌شود.

هوش مصنوعی مسئلهٔ اندازه‌گیری را نساخت؛ آن را آشکار کرد

۷۲٪ کارکنان می‌گویند مهارت‌های هوش مصنوعی‌شان هرگز به‌طور رسمی ارزیابی نشده است، اما ۶۶٪ همین را دربارهٔ مهارت‌های عمومی‌شان می‌گویند. این شکاف شش‌واحدی است.

از CodeSignal پرسیدم آیا داستان واقعی این نیست که شرکت‌ها تقریباً هیچ چیزی را ارزیابی نمی‌کنند و هوش مصنوعی فقط این را آشکار کرده است. پاسخ با «بله، دقیقاً» آغاز شد. شرکت‌ها مدت‌هاست تصمیم‌های مربوط به افراد را بر شاخص‌های غیرمستقیم مثل رزومه، عنوان شغلی، سابقهٔ کار و برداشت مدیر بنا می‌کنند. استدلال CodeSignal این است که این‌ها همیشه نشانه‌های ضعیفی بوده‌اند و وقتی نقش‌ها در چند ماه تغییر می‌کنند، پرهزینه می‌شوند. بیش از شش نفر از هر ده مدیر در این نظرسنجی گفتند تصمیم‌های مربوط به افراد را بر پایهٔ فرض‌ها و نه داده‌های قابل اتکا می‌گیرند.

این موضوع برای من در تبلیغات پولی بیش از تقریباً هر جای دیگری آزاردهنده است. ما کمپین‌ها را تا رقم اعشار اندازه می‌گیریم. دربارهٔ پنجره‌های اِسناد، آزمون‌های افزایشی و تأخیر تبدیل بحث می‌کنیم. بعد افراد اداره‌کنندهٔ همان کمپین‌ها را با یک «انتظارات را برآورده می‌کند» سالانه قضاوت می‌کنیم. برای رشته‌ای که بر اندازه‌گیری بنا شده، این استاندارد دوگانه عجیب است و هوش مصنوعی دفاع از آن را سخت‌تر می‌کند.

CodeSignal می‌گوید سمت استخدام هم از قبل فشار را نشان می‌دهد. وقتی تسلط بر هوش مصنوعی معیاری باشد که هیچ‌کس آن را اندازه نگرفته، افراد بر اساس چیزهایی قضاوت می‌شوند که دیدنشان آسان است؛ مثل اینکه چه کسی بیشتر دیده می‌شود یا با اعتمادبه‌نفس‌تر حرف می‌زند، نه بر اساس کیفیت کارشان.

هر کسی که در جلسهٔ ارائهٔ یک آژانس نشسته باشد می‌داند این وضع چطور پیش می‌رود. کسی که می‌گوید خودکارسازی همه‌چیز را حل می‌کند ممکن است مسلط‌تر از کسی به نظر برسد که بعدازظهرش را صرف خواندن عبارت‌های جست‌وجو و افزودن کلمات منفی کرده است. فقط یکی از این دو نفر از بودجه محافظت می‌کند.

اسلویان گفت: «رزومه داستانی است که کسی دربارهٔ مهارت‌هایش تعریف می‌کند. کار، مدرک است. الان بیشتر شرکت‌ها بزرگ‌ترین تصمیم‌هایشان دربارهٔ افراد را بر اساس همان داستان می‌گیرند.»

بیشتر بخوانید: لایه‌بندی خودکارسازی در PPC؛ تبلیغ‌دهندگان هوشمند چطور خودکارسازی را با استراتژی ترکیب می‌کنند

تسلط بر هوش مصنوعی برای مدیر PPC چه معنایی دارد؟

از CodeSignal خواستم «AI fluency (تسلط بر هوش مصنوعی)» را از AI literacy (سواد هوش مصنوعی) و prompt-writing (نوشتن پرامپت) جدا کند، چون این اصطلاحات طوری به کار می‌روند که گویی یکی هستند. این شرکت مرزها را این‌طور کشید: سواد یعنی درک اینکه هوش مصنوعی چیست. نوشتن پرامپت یک تاکتیک است. تسلط یعنی بدانید چه کاری را به هوش مصنوعی بسپارید، خروجی‌اش را بررسی و اصلاح کنید و تشخیص دهید چه زمانی اصلاً نباید از آن استفاده کرد.

این بهترین شرح کوتاه شغل برای یک مدیر PPC مدرن است که امسال خوانده‌ام.

آن را روی یک حساب Google Ads پیاده کنید تا هر بخش به چیزی تبدیل شود که می‌توانید به آن اشاره کنید. واگذاری یعنی تصمیم بگیرید کدام کمپین‌ها Smart Bidding داشته باشند، کدام اقدام‌های تبدیل را به آن بدهید و چه بودجه‌ای برای یادگیری در اختیارش بگذارید. بررسی یعنی عبارت‌های جست‌وجو، جایگاه‌ها و دارایی‌های خودکارساخته‌ای را که سیستم تولید می‌کند بخوانید و اشتباه‌ها را اصلاح کنید. دانستن اینکه چه زمانی از هوش مصنوعی استفاده نکنید، همان قضاوتی است که به‌ندرت در داشبورد دیده می‌شود. مثلاً ممکن است یعنی یک کمپین با داده‌های تبدیل خیلی کم را متوقف نگه دارید، یا در یک حوزهٔ مقررات‌محور دست انسان را روی متن تبلیغ نگه دارید.

هیچ‌کدام از این‌ها در یک گواهی‌نامه دیده نمی‌شود. همه‌شان در حساب دیده می‌شوند.

بیشتر بخوانید: خطاهای راه‌اندازی تبدیل که Smart Bidding را از کار می‌اندازند

گواهی‌نامهٔ Skillshop چه چیزی را نمی‌تواند نشان دهد

همچنین از CodeSignal خواستم دستهٔ محصول خودش را نقد کند: یک ارزیابی زمان‌دار و شبیه‌سازی‌شده چه چیزی را نمی‌تواند دربارهٔ خوب استفاده‌کردن از هوش مصنوعی در محل کار به شما بگوید؟ این شرکت پاسخ داد ارزیابی فقط تا حدی مفید است که برای اندازه‌گیری چیزی طراحی و اعتبارسنجی شده باشد. به گفتهٔ آن، برای درک عملکرد یک فرد در طول زمان باید کار واقعی او را دید.

این پاسخ دربارهٔ مدرکی که بیشتر فعالان PPC از قبل دارند هم صادق است. گواهی‌نامهٔ AI-Powered Performance Ads Certification گوگل در Skillshop رایگان است و راهنماهای مطالعهٔ شخص ثالث آن را آزمونی زمان‌دار با ۵۰ پرسش توصیف می‌کنند. گرفتنش ارزش دارد، چون یاد می‌دهد گوگل می‌خواهد انواع کمپین هوش مصنوعی‌اش چطور استفاده شوند. اما نویسندهٔ آن همان پلتفرمی است که یک مدیر PPC خوب گاهی توصیه‌هایش را نادیده می‌گیرد. قبولی در آن نشان می‌دهد کتاب راهنمای گوگل را می‌شناسید. نمی‌تواند آن بعدازظهری را نشان دهد که تصمیم گرفتید از آن پیروی نکنید، یا وقتی پیروی نکردید هزینهٔ هر جذب چه شد.

بعد هم تعارض منافع مطرح است. CodeSignal ارزیابی می‌فروشد و نظرسنجی‌اش نتیجه می‌گیرد مهارت‌ها ارزیابی نمی‌شوند. پرسیدم خوانندگان باید این را چطور بسنجند و کدام یافته خلاف منافع کسب‌وکارش بود.

این شرکت گفت علاقه‌اش به مهارت‌ها دلیل سفارش این مطالعه بوده است. سپس خودش عددی را مطرح کرد که خلاف جهت دیگر را نشان می‌دهد. ۸۲٪ کارکنان گفتند مدیرشان مهارت‌هایشان را خیلی خوب یا تا حدی خوب می‌فهمد. CodeSignal این شناخت را واقعی و ارزشمند خواند. اما قید آن این است که این شناخت غیررسمی است، از مدیری به مدیر دیگر فرق می‌کند، وقتی افراد تیم عوض می‌کنند با آن‌ها نمی‌آید و در سطح شرکت قابل مقایسه نیست.

افراد آژانسی بخش آخر را خوب می‌شناسند. وقتی یک مدیر حساب به تیم مشتری دیگری می‌رود، معمولاً هر آنچه رئیس قبلی‌اش دربارهٔ قضاوت او می‌دانست جا می‌ماند.

به CodeSignal برای مطرح‌کردن آن ۸۲٪ اعتبار می‌دهم. با این حال ترجیح می‌دهم پیش از پذیرفتن قطعی هر یک از این اعداد، پرسش‌نامهٔ کامل را ببینم؛ اعلامیهٔ عرضهٔ محصول Agentic Skills Intelligence این شرکت هم اصلاً روش نظرسنجی را شرح نمی‌دهد. جزئیات بالا از پاسخ‌هایش به پرسش‌های من آمده است.

چطور قضاوت خود در هوش مصنوعی را در Google Ads ثابت کنید

توصیهٔ CodeSignal به کارکنان صریح بود. گفتن اینکه از هوش مصنوعی برای همه‌چیز استفاده می‌کنید چیز زیادی ثابت نمی‌کند. تسلط یعنی بتوانید دقیقاً توضیح دهید چطور از آن استفاده می‌کنید و به همان اندازه مهم، چه زمانی استفاده نمی‌کنید. برای یک مدیر PPC، این به یک روال کوتاه تبدیل می‌شود.

یک دفترچهٔ خودکارسازی نگه دارید. change history (تاریخچهٔ تغییرات) در Google Ads ثبت می‌کند در حساب چه چیزی تغییر کرده است، اما ثبت نمی‌کند چرا. هر بار که کاری از سیستم را می‌پذیرید، رد می‌کنید یا بازنویسی می‌کنید، بنویسید: کار چه بود، چه چیزی را به خودکارسازی سپردید، چه چیزی را بررسی یا تغییر دادید و نتیجه چه شد. رد یک توصیهٔ خودکارِ اعمال‌شده، دسته‌ای کلمهٔ منفی پس از گسترش تطبیق گسترده، یا توقف یک عنوان خودکارساخته، همه در این شمار می‌آیند.

موارد بازنویسی‌شده را به جلسهٔ بازبینی ببرید. تا زمان بازبینی، به‌جای ادعاهای کلی، داستان‌های مشخصی خواهید داشت. CodeSignal پیشنهاد می‌کند از مدیرتان بخواهید آن کار را در برابر مهارت‌هایی که نقش فعلی یا نقش بعدی‌تان می‌طلبد بررسی کند. اگر می‌خواهید مدیر شوید، این همان گفت‌وگویی است که باید داشته باشید.

به کسی آموزش دهید. یک همکار تازه‌کار را قدم‌به‌قدم همراهی کنید و نشان دهید در هفته‌های اول یک کمپین تازهٔ Performance Max یا Smart Bidding را چطور بررسی می‌کنید. نکتهٔ CodeSignal این است که توضیح دادن فکرتان با صدای بلند، مهارت‌تان را بدون اینکه لازم باشد آن را بفروشید، آشکار می‌کند.

اگر رهبر یک تیم PPC هستید یا آژانس اداره می‌کنید، توصیهٔ این شرکت برای کسب‌وکاری ۲۰۰ نفره بدون بودجهٔ ارزیابی خوب جواب می‌دهد. از مدیران شروع کنید، چون بیشتر کارکنان فکر می‌کنند مدیرانشان از قبل مهارت‌هایشان را می‌فهمند. بعد با نوشتن اینکه استفادهٔ خوب از هوش مصنوعی برای هر نقش در تیم چه شکلی است، چیزی مشخص‌تر از «انتظارات را برآورده می‌کند» به آن مدیران بدهید. استاندارد یک متخصص ممکن است شناسایی عبارت‌های جست‌وجوی نامرتبط در عرض یک هفته باشد. استاندارد یک استراتژیست ممکن است تشخیص این باشد که ردیابی تبدیل مشتری چه زمانی به‌قدر کافی پاک است که بتوان به value-based bidding (قیمت‌گذاری مبتنی بر ارزش) رفت.

بعد، پیش از آموزش و دوباره پس از آن، کار واقعی حساب را بررسی کنید. نمونه‌ای از چند حساب برای هر نفر کافی است تا ببینید چیزی تغییر کرده یا نه.

متخصصان خودآموخته‌تان را هم پیدا کنید. با توجه به اینکه ۴۶٪ کارکنان از منابع رایگان به‌طور مستقل یاد می‌گیرند، احتمالاً کسی در تیم شما از قبل فهمیده است خودکارسازی کجا اشتباه می‌کند. از او بخواهید به بقیه نشان دهد.

در پایان، آموزش را حول کارهایی بسازید که افراد هر هفته انجام می‌دهند و برای تمرین به آن‌ها وقت بدهید. کمبود وقت اولین مانعی بود که کارکنان نام بردند. دنبال این باشید که آیا افراد از آموخته‌هایشان استفاده می‌کنند، نه اینکه دوره را تمام کرده‌اند یا نه. نشان Skillshop یک معیار تکمیل است و هرگز اجازه نمی‌دهید مشتری کمپینی را فقط بر اساس نمایش‌ها قضاوت کند.

روایت اسلویان از این موضوع ارزش نقل‌کردن دارد: «آموزش فقط وقتی کار می‌کند که حول شغلی ساخته شود که فرد واقعاً انجام می‌دهد.»

تاریخچهٔ حساب، مدرک شماست

نظر من این است که مدیران PPC مزیتی دارند که بیشتر کارکنان دانشی در این نظرسنجی ندارند. کار ما از قبل ردی از خود باقی می‌گذارد. هر تغییر استراتژی پیشنهاد قیمت، هر کلمهٔ کلیدی منفی و هر توصیه‌ای که رد کرده‌ایم جایی ثبت شده است، همراه با داده‌های عملکرد.

بیشتر ما این سابقه را کارهای دفتری می‌دانیم. مدیرانی که آن را به مدرکی از قضاوت تبدیل می‌کنند، همان‌هایی هستند که ارتقا می‌گیرند، در حالی که کارفرمایانشان هنوز در حال کشف این هستند که مهارت‌های هوش مصنوعی را چطور اندازه بگیرند.

بقیه فقط داستانی تعریف خواهند کرد.

منابع بیشتر:

از PPC بپرسید: نقش مدیر PPC در عصر هوش مصنوعی چیست؟

مهارت‌های PPC که خودکارسازی جایشان را نمی‌گیرد

چطور عملکرد PPC را وقتی هوش مصنوعی حراج را کنترل می‌کند اندازه بگیریم

منبع: Search Engine Journal

متن و تصاویر اصلی از منبع بالا. ترجمه و ویرایش در دیجیتال سرآمد.

تصویر شاخص: ImageFlow/Shutterstock