هشت سال پیش دورهای تدریس میکردم به نام «مبانی خرید برنامهایک» (Programmatic Buying Foundations). وعده همانجا در عنوان دوره بود: داده و فناوری میتوانند تبلیغات بسیار مرتبط، مؤثر و قابل اندازهگیری را در مقیاس تحویل دهند. حالا ستون جدید «گرث ممو» (Growth Memo) کوین ایندیگ درباره ساعتهای پنهانی که در جریانهای کاری هوش مصنوعی بازاریابی دفن شدهاند را بخوانید و سمت تاریک آن وعده قدیمی من را خواهید شناخت. وعده کارایی همانوقت شکسته شد و حالا هم شکسته است.
این بازشناسی ادعایی نیست که «این فیلم را قبلاً دیدهام». هشداری است درباره جایی که استدلال کارایی برای ابزارهای بازاریابی هوش مصنوعی احتمالاً ترک میخورد؛ چون یک بار در رشتهای که سالها تدریسش کردم ترک خورده.
دوره مبانی خرید برنامهایک، بازاریابها را با یک جریان کاری پنجمرحلهای آشنا میکرد: ۱) سازماندهی بینشهای مخاطب، ۲) طراحی خلاقانه قانعکننده، ۳) اجرا با فناوری یکپارچه، ۴) رسیدن به مخاطبان در همه صفحهها، و ۵) اندازهگیری تأثیر. هر مرحله با مطالعات موردی برندهایی مثل Mondelez، کمپبل و فورد هند همراه بود که موفقیت جریان کاری را نشان میداد. چارچوب همیشه کارایی اول بود، با این فرض که خودکارسازی خرید، اثربخشی و قابلاندازهگیری بودن را بهعنوان محصول جانبی همراه میآورد.
اما بخشی که وقتی مردم با حسرت از عصر طلایی برنامهایک حرف میزنند از قلم میافتد این است: همان دوره یک بخش کامل درباره کلاهبرداری تبلیغاتی و ایمنی برند داشت و بخش دیگری درباره GDPR؛ چون هر دو برای همان مخاطبانی که وعده کارایی به آنها داده شده بود به مشکلاتی زنده تبدیل شده بودند. به تبلیغدهندگان گفته شد خودکارسازی هدفگیریشان را دقیقتر میکند. بعد مجبور بودند در همان برنامه درسی یاد بگیرند چطور موجودی تقلبی را تشخیص دهند، چطور «کمبود شفافیت» به یکی از مهمترین نگرانیهای صنعت تبدیل شده، و چطور قوانین جدید حریم خصوصی، تبدیلهای view-through و cross-device را کمتر از آنچه داشبوردها نشان میدادند قابل اعتماد کرده. ابزاری که supposed بود اندازهگیری را قابلاعتمادتر کند، با یک واحد درسی کامل درباره اینکه چرا اندازهگیری دارد کمتر قابلاعتماد میشود همراه بود.
استدلال ایندیگ این است که هوش مصنوعی کار بازاریابی را حذف نکرده؛ جابهجایش کرده. اعداد او این را با دقتی بیشتر از چیزی که برنامهایک به دست آورد نشان میدهد. مؤسسه METR ۱۶ توسعهدهنده باتجربه را روی ۲۴۶ وظیفه واقعی گذاشت؛ بخشی با کمک هوش مصنوعی و بخشی بدون آن. توسعهدهندهها انتظار داشتند هوش مصنوعی حدود یکچهارم سرعتشان را زیاد کند. در عوض، حدود یکپنجم کندتر تمام کردند — و بعد از آن هم همچنان باور داشتند سرعتشان زیاد شده.
بازاریابی هم نسخه خودش از همین شکاف را دارد. نظرسنجی BetterUp Labs و استنفورد از بیش از هزار کارگر نشان داد «ورکاسلاپ» تولیدشده با هوش مصنوعی — محتوایی که شبیه تمامشده است اما نیست — هر بار که کسی دریافتش میکند به طور میانگین نزدیک به ۲ ساعت زمان برای اصلاح میبرد؛ هزینهای که در یک شرکت بزرگ از ۹ میلیون دلار در سال هم میگذرد. پژوهش Workday هم بازپسدادن زمان را کمّی میکند: از هر ۱۰ ساعتی که هوش مصنوعی صرفهجویی میکند، حدود ۴ ساعت صرف بازانجامدادن خروجی ضعیف میشود. آپورک هم که از ۲۵۰۰ مدیر و کارگر نظرسنجی کرده، این زمان بازپسگرفتهشده را بیشتر تجزیه میکند؛ بخش زیادی از آن صرف بررسی و اصلاح خروجی هوش مصنوعی، یادگیری خود ابزارها، یا صرفاً قبولکردن کار بیشتر از قبل میشود.
دادههای هاباسپات نشان میدهد چرا این موضوع در مقیاس مهم است. اکثریت قاطع مدیران بازاریابی گزارش میدهند تیمهایشان از هوش مصنوعی استفاده میکنند و اکثریت قابل توجهی میگویند شرکتشان دارد ابزارهای هوش مصنوعی داخلی میسازد نه اینکه بخرد. نکته ایندیگ این است که این ساخت داخلی با عرضه ابزار از بین نمیرود؛ به یک شغل نگهداری دائمی و عمدتاً نامرئی تبدیل میشود و کسی باید صاحبش باشد. وقتی آن صاحب به تعطیلات میرود، جریان کاری تا برگشتنش به حالت دستی برمیگردد.
جاربو اعتراف میکند باید یک دهه پیش این را میفهمید. برنامهایک وعده داد خودکارسازی جایگزین کار دستی خرید رسانه میشود. کاری که واقعاً کرد تبدیل کار خرید دستی به کار مانیتورینگ کلاهبرداری، کار ایمنی برند و کار انطباق بود؛ هیچکدام در پیتچدک اصلی نبودند. ابزارهای بازاریابی هوش مصنوعی هم دقیقاً همین حرف را میزنند. کار پرامپتنویسی، ساخت و نگهداری ناپدید نمیشود؛ به چیزی بازطبقهبندی میشود که در پروژهپلن شبیه «کار واقعی» نیست — تا لحظهای که یک ذینفع میپرسد چرا تولید محتوای در مقیاس هنوز نتیجه نداده.
نظر بیپرده جاربو این است که این داستان دقیقاً درباره فروشبیشازحد هوش مصنوعی نیست؛ داستان درباره ادعاهای کارایی در فناوری بازاریابی است که مدام در سمت اشتباه ترازنامه اندازهگیری میشوند: ساعتهای صرفهجوییشده در کار قابل مشاهده، هرگز ساعتهای صرفشده برای راهاندازی و نگهداری سیستمی که آنها را صرفهجویی میکند. این در ۲۰۱۸ درباره برنامهایک صادق بود. در ۲۰۲۶ درباره جریانهای کاری خانگی هوش مصنوعی هم صادق است. فناوری عوض شده. خطای حسابداری نه.
اگر تیم بازاریابیای را مدیریت میکنید یا در آن کار میکنید که ابزارهای هوش مصنوعی خودش را میسازد، سه اقدام مستقیماً از کتاب بازی برنامهایک و دادههای ایندیگ بیرون میآید.
اول: روی هر ابزار هوش مصنوعی داخلی یک نام و تاریخ پایان بگذارید. مشکل کلاهبرداری تبلیغاتی برنامهایک تا حدی با ads.txt حل شد؛ استانداردی صنعتی که پاسخگویی را ساختاری کرد نه اختیاری. جریانهای کاری هوش مصنوعی خانگی شما هم به همان انضباط نیاز دارند. هر ابزار باید یک مالک و یک تاریخ بازبینی داشته باشد، وگرنه به یک کارمند دائمی نامرئی تبدیل میشود.
دوم: ساعتهایی را ردیابی کنید که هیچکس نمیشمارد، نه فقط ساعتهای صرفهجوییشده. از تیمتان نپرسید «این جریان کاری هوش مصنوعی در زمان صرفهجویی کرد؟» بلکه بپرسید «این ماه چند ساعت صرف ساخت، تعمیر یا نگهداری یک ابزار هوش مصنوعی شد به جای انجام کاری که supposed بود سرعتش را زیاد کند؟» مطالعه METR نشان میدهد مردم حتی وقتی صادقانه جواب میدهند هم به سؤال اول اشتباه جواب میدهند.
سوم: بهعمد از کارهای با بازده کند محافظت کنید. عمق محتوا، دیجیتال پیآر و اشارههایی که واقعاً در پاسخهای هوش مصنوعی نقل میشوند دقیقاً همان کارهایی است که بازاریابهای عصر برنامهایک زیر فشار زمان اول از همه رها میکردند؛ چون ماهها نتیجه نشان نمیدهد. قبل از اینکه ابزارهای هوش مصنوعی بخواهند بقیه وقت را بهطور پیشفرض تصاحب کنند، سهم ثابتی از وقت تیم را برای این کارها کنار بگذارید.
جاربو میگوید من یک بار وعده کارایی را تدریس کردم و در همان دوره یک واحد کامل هم درباره اینکه چرا بهتنهایی دوام نمیآورد. اگر تیم بازاریابیتان دنبال کارایی هوش مصنوعی است بدون اینکه بپرسد ساعتهایی که نمیشمارد کجا رفته، به مشکل جدیدی نگاه نمیکنید؛ به برنامه درسی قدیمی من با جلد جدید نگاه میکنید.