آینده هوش مصنوعی برای تیم مارکتینگ دیگر یک پرسش نظری نیست. سؤال واقعی این است: امروز کدام بخش از کار محتوا و کمپین را می‌شود به مدل سپرد؟ کدام بخش را باید در تیم نگه داشت؟ و برای چه کاری هنوز زود است؟
در این مقاله سه لایه را از هم جدا می‌کنیم. اول، آنچه امروز در دسترس است و در عمل جواب داده. دوم، آنچه با احتمال بالا در چند سال آینده رایج می‌شود. سوم، آنچه هنوز نامعلوم است و ساختن تصمیم روی آن ریسک دارد. جدا کردن این سه لایه جلوی دو اشتباه رایج را می‌گیرد: سپردن همه‌چیز زودتر از موعد، و عقب ماندن از ترس خطا.
این نسخه در آبان ۱۴۰۵ به‌روزرسانی شده است.
امروز هوش مصنوعی در چه نقطه‌ای است؟
امروز هوش مصنوعی در کارهای تک‌مرحله‌ای خوب کار می‌کند. کارهایی که نتیجه‌شان را می‌شود سریع سنجید: نوشتن پیش‌نویس، خلاصه‌سازی، ترجمه، بازنویسی متن موجود و ساختن تصویر. در تیم‌های مارکتینگ، بیشتر کارهای سپرده‌شده از همین جنس‌اند؛ پژوهش کلمه کلیدی، پیش‌نویس مقاله و کپشن، آماده کردن چند نسخه از یک پیام و زمان‌بندی انتشار.
این کارها یک شرط دارند: بازبینی انسانی. با این شرط، در حجم بالا به‌صرفه‌اند. بدون آن، خطاها جمع می‌شوند و در نهایت کار را دوباره از اول باید نوشت.
آنچه هنوز جا نیفتاده، کارهای چندمرحله‌ای و طولانی است که در چند نقطه به قضاوت نیاز دارند. مدل در این حالت خطای مرحله اول را جلوتر می‌برد. خروجی نهایی خط‌خطی می‌شود و پیدا کردن محل خطا سخت است. تفاوت میان ابزاری که در دسترس است و ابزاری که می‌شود به آن تکیه کرد، همین‌جاست.
نکته دومی هم هست که در تصمیم‌گیری‌ها کمتر حساب می‌شود: ارزش اصلی در لایه فرایند ساخته می‌شود، نه در خود مدل. دو تیم با دسترسی به یک مدل، اگر یکی بریف روشن، حافظه برند و نقطه بازبینی داشته باشد، نتیجه کاملا متفاوتی می‌گیرد. مدل کالای مشترک است. آنچه فرق می‌سازد داده و روش کار است.
روند ابزارهای چندوجهی
روند محتمل بعدی، یکی شدن وجه‌ها در یک مدل است: متن، تصویر، صدا و ویدیو در یک گفت‌وگو. برای تیم محتوایی این یعنی یک بریف می‌تواند کپشن، تصویر و نریشن بدهد و لحن را یکدست نگه دارد.
اما کیفیت در این وجه‌ها برابر نیست. متن هنوز دقیق‌تر از ویدیو است و ساختن ویدیو هزینه و زمان می‌برد. تصمیم درست این است که هر وجه را جدا بسنجید و تجربه خوب در متن را به بقیه تعمیم ندهید.
اتوماسیون تولید محتوا وقتی معنا پیدا می‌کند که همین چند وجه در یک فرایند مشخص و تکرارشونده اجرا شوند، نه به‌صورت آزمایش پراکنده. یک نشانه عملی هم داریم: اگر یک بریف را بدهید و بدون توضیح اضافه چند خروجی قابل انتشار بگیرید، فرایند آماده است. اگر هر وجه هنوز دستور و اصلاح جدا می‌خواهد، زمانش نرسیده.
حرکت به سمت ایجنت‌ها
قدم بعدی که این روزها بیشتر درباره‌اش حرف زده می‌شود، حرکت از پاسخ دادن به کار انجام دادن است. چت‌بات پاسخ می‌دهد و شما مرحله بعد را می‌سازید. ایجنت یک وظیفه کامل را با ابزار و حافظه پیش می‌برد و در پایان تحویل می‌دهد.
یک پله بالاتر، تیم ایجنت‌هاست. در یک کمپین معرفی محصول، استراتژیست مسیر و پیام را می‌چیند، متخصص سوشال سناریو و کپشن را آماده می‌کند و متخصص تبلیغات برنامه پخش را می‌نویسد. خروجی هر مرحله به مرحله بعد می‌رسد.
برای مارکتینگ این تغییر مهم است، چون بیشتر کارها تک‌مرحله‌ای نیستند. محدودیت هم روشن است: ایجنت بدون داده برند، بریف دقیق و نقطه بازبینی، جواب کلی می‌دهد که صدای هیچ برندی را ندارد. ساختن همین سه چیز از انتخاب ابزار سخت‌تر است و بیشتر شکست‌ها از همین‌جا می‌آید. اگر برای دیدن یک نمونه واقعی از این ساختار، ایجنت تولید محتوا را ببینید، هر مرحله خروجی مشخص خودش را دارد.
تغییر وظایف شغلی و مهارت‌ها
کمتر پیش می‌آید که یک نقش کامل با هوش مصنوعی از بین برود. بیشتر پیش می‌آید که مرز نقش‌ها جابه‌جا شود. کارهای اجرایی و تکراری کوچک می‌شوند و بخش سنجش، تعریف مسئله و بازبینی بزرگ می‌شود.
در کار محتوا، نوشتن پیش‌نویس اولیه زمان کمتری می‌گیرد. در عوض تطبیق با لحن برند، داوری کیفیت و تصمیم درباره انتشار زمان بیشتری می‌خواهد. یعنی همان بخشی که به قضاوت انسانی نیاز دارد، بزرگ‌تر می‌شود.
مهارت‌هایی که با زیاد شدن ابزار ارزشمندتر می‌شوند: نوشتن بریف روشن، تشخیص کار متوسط از کار قابل انتشار، ساختن حافظه و استاندارد برند، و اندازه‌گیری نتیجه. نقش تازه‌ای هم در حال شکل گرفتن است: کسی که فرایند و ایجنت‌ها را می‌چیند، کیفیت را نگه می‌دارد و می‌داند کدام مرحله باید انسانی بماند.
فرصت‌هایی که همین امروز قابل استفاده است
جدا از بحث کلی، چند فرصت مشخص هست که تیم‌های مارکتینگ همین امروز می‌توانند از آن‌ها استفاده کنند. اول، کوتاه کردن فاصله بریف تا پیش‌نویس. بخش زیادی از زمان کار محتوا در جابه‌جایی بین این دو مرحله می‌گذرد، نه در نوشتن.
دوم، یکدست کردن لحن در کانال‌های مختلف. وقتی لحن، نمونه‌های تاییدشده و کلمه‌های ممنوع یک‌جا ثبت شده باشند، هر خروجی از همان نقطه شروع می‌شود و بازنویسی کمتر می‌شود.
سوم، بالا بردن حجم بدون بالا بردن تعداد افراد. اینجا باید مراقب بود: حجم بیشتر تنها وقتی فایده دارد که کیفیت ثابت بماند و بازبینی هم رشد کند. اگر بازبینی عقب بماند، حجم فقط کارِ برگشتی تولید می‌کند.
چهارم، پاسخ سریع‌تر به روندها و خبرهای بازار. برای تیم محتوا این یعنی می‌شود در همان روز واکنش نشان داد، بدون اینکه برنامه هفتگی به هم بریزد.
موانع فنی و اقتصادی
چند مانع هم سرعت این تغییر را تعیین می‌کند. اول، خطا: مدل گاهی چیزی می‌سازد که در منبع نبوده و در متن تجاری گران تمام می‌شود. دوم، قیمت تمام‌شده: در حجم بالا، هزینه تولید هر خروجی و هزینه بازبینی آن با هم جمع می‌شود.
سوم، داده: بریف، لحن و نمونه‌های تاییدشده معمولا در فایل‌ها و سر آدم‌ها پخش است، نه در یک جای قابل استفاده. چهارم، امنیت: هرچه داده بیشتری به ابزار برود، مرز محرمانگی دقیق‌تر باید تعریف شود. پنجم، یکپارچگی: ابزاری که به جریان کار موجود وصل نشود، خودش یک کار اضافه است.
هیچ‌کدام از این‌ها با مدل بهتر تنها حل نمی‌شود. به همین دلیل، روند آینده بیشتر از آنکه به نسخه بعدی مدل‌ها بستگی داشته باشد، به این بستگی دارد که تیم‌ها چقدر داده و فرایند خودشان را مرتب می‌کنند.
سناریوهای محتمل و نشانه‌های ارزیابی آن‌ها
سه سناریو برای آینده هوش مصنوعی در کار محتوا محتمل‌تر است. سناریوی اول، بهبود تدریجی ابزارها در همان کارهای امروز است. نشانه‌اش این است که زمان بریف تا پیش‌نویس کوتاه می‌شود، ولی نرخ بازبینی انسانی تقریبا ثابت می‌ماند.
سناریوی دوم، ورود ایجنت‌ها به بخشی از فرایند است. نشانه‌اش این است که بعضی وظایف بدون دخالت انسانی تمام می‌شوند و فقط تایید می‌گیرند و سهم کارهای برگشتی برای بازنویسی کم می‌شود.
سناریوی سوم، بازچینش تیم و بودجه است. نشانه‌اش جابه‌جا شدن بخشی از هزینه نیروی اجرایی به هزینه ابزار و عوض شدن شرح وظیفه‌هاست.
کنار این سناریوها، چیزهایی هم هست که هنوز نامعلوم است و تاریخ ندارد: رسیدن به هوش مصنوعی عمومی، شکل مقررات، مسیر قیمت مدل و میزان پذیرش کاربر. برای همین بهتر است تصمیم‌ها روی نشانه بسته شود، نه روی پیش‌بینی.
سه عدد را می‌شود در داده‌های خود تیم رصد کرد: سهم محتوایی که بدون بازنویسی منتشر می‌شود، هزینه هر خروجی تاییدشده، و فاصله زمانی بریف تا انتشار. اگر این‌ها بهتر شد، فرایند جواب داده. اگر بدتر شد، مشکل جای دیگری است و ابزار تازه‌تر حلش نمی‌کند.
جمع‌بندی ساده است. هوش مصنوعی امروز در کارهای تک‌مرحله‌ای قابل اتکاست و در کارهای چندمرحله‌ای به بازبینی نیاز دارد. حرکت به سمت ایجنت‌ها محتمل است، اما سرعتش را داده برند و موانع اقتصادی تعیین می‌کند، نه فقط توان مدل. سرمایه‌گذاری درست، همزمان روی ابزار و روی داده و استاندارد تیم است.
