یکی از بهترین ویژگیهای قابلیتهای هوش مصنوعی این است که دادههای پیچیده و چندمنبعی را بهسادگی به داشبوردهایی تبدیل میکند که هر کسی میتواند آنها را بفهمد.
این را با فرصت ساختن ابزارها و پلتفرمهای تازه برای فضای جستوجوی هوش مصنوعی کنار هم بگذارید؛ نتیجه، انبوهی از ابزارهای جستوجوی هوش مصنوعی و نیاز به پر کردن خلأ یک کانال بازاریابی است. خطر اینجاست که برای آرامش خاطر به داشبوردها پناه ببریم، بهویژه وقتی با ناشناختهها روبهرو هستیم.
رهبران بازاریابی آرامش خاطر یک داشبورد نرمافزاری را دوست دارند.
جستوجو از نظر ابزارها و پلتفرمها همیشه بر چارچوبی قابل پیشبینی و استاندارد کار کرده است. یک مجموعه سازمانی را لایسنس میگیرید، پرسشهای هدف را وارد میکنید، جایگاههای قطعی را از یک تا صد رصد میکنید و گزارشهای فصلی میسازید که ذینفعان با یک نگاه آن را میفهمند.
وقتی جستوجوی مولد پدید آمد، طبیعتاً به دنبال همان نسخه نرمافزارمحور رفتیم. بازاریابان به دنبال پلتفرمی گشتند که تعیین کند دیدهشدن برند در هوش مصنوعی باید چه شکلی داشته باشد.
وقتی اجازه میدهید نرمافزار رهبری استراتژی هوش مصنوعی شما را بر عهده بگیرد، سازمان خود را به بازاری نابالغ و پرنوسان از نرمافزار گره میزنید. و با اینهمه عرضه تازه، کدام ابزار را انتخاب میکنید؟
Product Hunt، G2 و LinkedIn را بررسی کردم و ۱۹۴ ابزار یافتم که در دو سال گذشته عرضه شدهاند و بر کمک به برندها برای بهبود دیدهشدنشان در هوش مصنوعی تمرکز دارند.
چشمانداز پلتفرمهای هوش مصنوعی
با نگاهی به چشمانداز پلتفرمهای هوش مصنوعی، تعداد ابزارها و سرعت عرضه آنها توهمی کاذب از بلوغ این دسته میسازد. بررسی ۱۹۴ ابزار این نمونه در دو تا سه سال گذشته نشان میدهد کمی بیش از ۶۰٪ آنها آزمایشهای سبکوزن بوتاسترپی، پروژههای جانبی و ساختههای بنیانگذار تنها هستند. نرخ مرگومیر ذهنیت استارتاپی بین ۵۵٪ و ۶۰٪ است. این آمار شامل ابزارهایی نمیشود که نتوانستهام شناسایی و رصد کنم و حضوری در این پلتفرمها ندارند. هر ماه، بسیاری از ابزارهای فعلی APIها را خاموش میکنند، تمدید نام دامنه را متوقف میکنند یا به اپلیکیشنهای پوششی مولد بیربط روی میآورند.
محرک اصلی این وضعیت، تأثیر هزینه است. در پایش سنتی جستوجو، استخراج داده برای اهداف رصدی خودمان نسبتاً باثبات بوده و تنها در سالهای اخیر پرنوسانتر شده است. اما فرستادن درخواست به یک موتور جستوجو و تجزیه نشانهگذاری HTML، کسری از هزینه اجرای ماتریسهای پیچیده پرسش چندنوبتی را دارد، آن هم وقتی مرور وب زنده فعال است.
بعد این را در نظر بگیرید که Google فعالانه با این کار مقابله میکند؛ یعنی باید مدام دوباره سرمایهگذاری کنید و نحوه کار مجموعه ابزارهایتان را تنظیم کنید تا همان سرویس را ارائه دهید. فراخوانیهای استنتاج، مرورگرهای بدون رابط، پروکسیهای دور زدن ضدربات و توکنهای زمینه، همه بیوقفه جمع میشوند، بهویژه هرچه کسبوکارتان موفقتر و بزرگتر شود.
برای یک ابزار خودخدمت با قیمت ماهانه ۱۰۰ دلار که تنوعهای جامع هفتگی پرسش را برای نمونهای بهاندازه کافی بزرگ در کاتالوگ محصولات اصلی یک مشتری اجرا میکند، حاشیه سودی باقی نمیماند. همان لحظه که ارائهدهنده مدل زیربنایی قیمت استنتاج خود را بهروز کند، محدودیتهای نرخ را سختتر کند یا رابطش را تغییر دهد، این پروژهها واقعاً نشان میدهند چقدر شکنندهاند و از نظر اقتصادی و عملیاتی از هم میپاشند.
بیشتر بخوانید: دیدهشدن در هوش مصنوعی کلاهبرداری نیست؛ بیشتر روشهای اندازهگیری آن هستند
ناسازگاری شاخصها
تله دیگری که با سپردن رهبری استراتژی هوش مصنوعی به یک ابزار پیش میآید این است که با آن مثل یک فروشنده رفتار کنید. ابزارها اغلب قراردادهای چندساله یا چنددورهای دارند. وقتی قرارداد تمام شود یا پیشنهاد بهتری از ارائهدهنده دیگری برسد، میخواهید مهاجرت کنید. اغلب تصور میشود که فقط میتوانید دادهها را خروجی بگیرید و به پلتفرم بعدی منتقل شوید.
از ابزارهای سنتی سئو میدانیم که همهچیز کمی متفاوت اندازهگیری میشود. هرچند این ابزارها در طول سالها نسبتاً همگن شدهاند، این بازار هنوز بسیار نابالغ است. هیچ استاندارد یا اندازهگیری زیربنایی یکسانی برای معنای واقعی دیدهشدن در هوش مصنوعی وجود ندارد. پس وقتی یک ابزار دیدهشدن در هوش مصنوعی را با ابزار دیگری عوض میکنیم، معنایش جایگزینی مشابه با مشابه نیست؛ یعنی داریم فلسفههای متفاوتی از اندازهگیری و معنا را با هم عوض میکنیم.
تفاوت معماری | پلتفرم A | پلتفرم B | پیامد استراتژیک
منبع استنتاج | دسترسی مستقیم به هوش مصنوعی (پرسیدن سؤال مستقیماً از مدل) | مرور وب زنده (جستوجو مثل یک کاربر واقعی واردشده) | دسترسی مستقیم به هوش مصنوعی جزئیات شخصی کاربر و مرور زنده را از دست میدهد؛ مرور وب پیوندهای زنده را نشان میدهد اما اغلب خراب میشود.
شاخص دیدهشدن | اشاره بله/خیر (آیا نام برند شما آمد؟) | حضور و لحن (برند شما چقدر برجسته و مثبت بود؟) | یک اشاره کوتاه و حاشیهای در یک ابزار برد حساب میشود، اما در ابزار دیگر به امتیاز شما آسیب میزند.
توالی پرسش | پرسشهای تکمرحلهای (یک بار پرسیدن) | گفتوگوهای رفتوبرگشتی (گفتوگوی پیوسته) | گفتوگوهای رفتوبرگشتی موضوع را تغییر میدهند و منابعی متفاوت از یک پرسش سریع تکمرحلهای نشان میدهند.
واقعیت پایه مبنا | امتیاز رتبه ثابت (برخورد با رتبهها بهعنوان اعداد تعیینشده) | طیفی از نتایج (رصد اینکه رتبهها در آزمونهای متعدد چقدر تغییر میکنند) | یک ابزار میگوید در ۸۰٪ پاسخها رتبه ۱ هستید، در حالی که ابزار دیگر شما را کاملاً از دست میدهد، چون پاسخهای هوش مصنوعی بهطور تصادفی تغییر میکنند.
چون هیچ استاندارد پذیرفتهشده جهانی برای اندازهگیری خروجی هوش مصنوعی و گفتوگویی وجود ندارد، هر ابزار شاخص ترکیبی اختصاصی خودش را میسازد و آن را بهعنوان تمایز اصلی و مزیت منحصربهفرد خود بازاریابی میکند.
بیشتر بخوانید: شاخصهای جستوجوی هوش مصنوعی که برای رصد قیف مشتریان استفاده میکنم
چرخه نویز
بر اساس تجربه من و احساسات صنعت در شبکههای اجتماعی، فشار اجرایی زیادی برای رصد هوش مصنوعی وجود دارد؛ یعنی این ابزارها نیازی را پر میکنند که درون سازمانها شکل گرفته است. یک ممیزی اولیه تولید میکنند، برای ارائه در جلسه هیئتمدیره از یک اشاره به برند اسکرینشات میگیرند و بعد با واقعیت روزمره نویز تصادفی روبهرو میشوند. منابعی که در پاسخهای مولد استناد میشوند میتوانند دچار رانش استناد بسیار زیادی با سطوح بالای واریانس شوند.
این اتفاق بدون هیچ تغییری در وبسایت برند یا رقبا رخ میدهد. صرفاً مدل دچار تغییر میشود. اگر با این مثل یک رصدکننده رتبه برخورد کنید، ساعتها صرف بررسی افتهای خیالی و رشدهای تصادفی میکنید که ناشی از تغییرات دمای استنتاج یا توهمهای مدل است.
اجازه دادن به یک ابزار برای دیکته کردن شاخصها، ناگزیر تیمها و مدیریت را وادار میکند بهجای مبانی کسبوکار، ویژگیهای عجیب ابزار را رصد کنند.
بیشتر بخوانید: رصدکننده دیدهشدن در هوش مصنوعی شما بیصدا تحلیلها و استراتژیتان را خراب میکند
استراتژی را به پایهها لنگر بیندازید، نه به ویژگیها
نرمافزار نمیتواند لنگر استراتژی جستوجوی هوش مصنوعی شما باشد. ثبات استراتژیک از جدا کردن اجرا از فروشندگان مشخص میآید. گفتنش آسانتر از انجام دادن است و ابزارهای شخص ثالث مسیر آسانتری بدون نیاز به مهندسی راهکارهای خودتان ارائه میدهند. با این حال، عناصر اصلیای وجود دارد که باید مالکیتشان را بر عهده بگیرید.
باید ماتریس پرسش را درون سازمان خودتان در اختیار داشته باشید و نگذارید پلتفرم شخص ثالث تعیین کند کدام پرسشها مهماند. باید مجموعههای داخلی خودتان از پرسشها را بر اساس قصد و دستهبندی مشتری، پرسشهای مقایسهای پرارزش و پرسشهای دستهساز بسازید. این مجموعه پرسش را باید در مستندات داخلی متعلق به سازمان خودتان نگه دارید، مستقل از هر اشتراک خارجی.
همچنین باید مالک مجموعههای پرسش آزمایشی، مجموعههای پرسش برند و دیگر عناصر اصلی باشید تا بتوانید تغییرات را در یک مجموعه رصد کنید و نرخ رانش استناد خودتان را اندازه بگیرید. این رویکرد با رصد سنتی رتبه یکی نیست.
بکوشید پلتفرمهای خارجیای بیابید که خروجی خام وبهوک، اتصالدهنده BigQuery یا فایلهای CSV استاندارد ارائه میدهند. میخواهید تمام متن پاسخ، داده زمان، نشانی منابع و ورودیهای پرسش را مستقیماً به زیرساخت داده خودتان منتقل کنید. اگر فروشندهتان منطق محاسبهاش را تغییر دهد، مشاهدات خام تاریخی شما دستنخورده میمانند.
مهمتر از همه، باید دیدهشدن را بهعنوان یک نتیجه ببینید، نه یک ورودی. یک داشبورد رصد هیچ اعتباری تولید نمیکند.
مدلهای زبانی بزرگ به این دلیل به برندها ارجاع نمیدهند که شرکت نرمافزار دیدهشدن خریده است. بر اساس تجربه من، آنها به برندهایی ارجاع میدهند که تعاریف موجودیت معتبر و متراکم، معماریها و طرحوارههای روشن و ردپای دیجیتال فعال دارند.
چشمانداز نرمافزاری جستوجوی گفتوگویی و مولد سالها طول میکشد تا به بلوغ برسد. ادغامها شتاب میگیرند، یارانههای سرمایهگذاری خطرپذیر خشک میشوند و اکثریت قاطع ابزارها از بین میروند. نقشه راه اجرایی خود را حول ویژگیهای یک دسته ابزار ناپایدار نسازید.
منابع بیشتر:
میانبر پشت برخی ابزارهای بهینهسازی هوش مصنوعی
محتوای تولیدشده با هوش مصنوعی مشکل نیست؛ استراتژی شما مشکل است
چرا مدیران مالی بودجههای هوش مصنوعی را قطع میکنند (و سه شاخصی که آنها را نجات میدهد)



