خطرناک ترین فرض تجاری این است که شما یک مشتری را بشناسید | نظر

هوش مصنوعی مولد، تولید ایده‌های بیشتر، راه‌اندازی کمپین‌های بیشتر و توسعه محصولات بیشتر را برای هر شرکتی آسان‌تر کرده است. برندگان کسانی خواهند بود که می دانند چه ایده هایی مستحق سرمایه گذاری هستند قبل از اینکه مشتریان آنها را رد کنند.

این نیاز به تغییر اساسی در نحوه درک کسب و کارها از مردم دارد. هوش مصنوعی باید یادگیری مشتری را مستمر کند، نه اینکه صرفا تحقیقات قدیمی را ارزان‌تر کند.

شرکت‌هایی که این حق را دریافت می‌کنند می‌توانند ضایعات را کاهش دهند و محصولاتی بسازند که مردم واقعا می‌خواهند. کسانی که اشتباه می کنند نقاط کور خود را خودکار می کنند.

برای مدت طولانی، تحقیقات بازار به‌عنوان یک هزینه دوره‌ای تلقی می‌شد تا یک قابلیت تجاری اصلی.

یک تیم تحقیقی را سفارش می‌دهد، هفته‌ها منتظر یافته‌ها می‌ماند و گزارشی را ارائه می‌کند که ممکن است آنچه را که رهبری قبلا معتقد است تأیید کند.

تا آن زمان، بودجه متعهد شده است، محصول طراحی شده است و به چالش کشیدن تصمیم از نظر سیاسی ناخوشایند شده است.

سازمان بدون اینکه لزوما درک عمیقی از رفتار مشتریان خود داشته باشد، اطلاعات را خریداری کرده است.

هوش مصنوعی فرصتی برای شکستن این چرخه ایجاد می کند. وقتی تست سریعتر و کم هزینه تر می شود، شرکت ها می توانند ایده های بیشتری را قبل از تخصیص منابع بررسی کنند، یافته های غیرمنتظره را بررسی کنند و جایگزین ها را به طور مکرر آزمایش کنند.

به جای بحث در مورد اینکه کدام کمپین ممکن است کار کند، تیم ها می توانند مفاهیم را مقایسه کنند، مفروضات خود را به چالش بکشند و انتخاب های خود را اصلاح کنند، در حالی که تغییر هنوز ارزان است.

این یک تغییر اقتصادی عمیق است. هزینه ایجاد به طرز چشمگیری کاهش یافته است. هزینه انتخاب بد نیست.

هنگامی که یک شرکت محصول اشتباهی را عرضه می کند، تقاضا را نادرست ارزیابی می کند، یا میلیون ها دلار را برای کمپینی خرج می کند که ارتباط برقرار نمی کند، مشتریان و سهامداران عواقب آن را متحمل می شوند.

در بازاری که رقبا می‌توانند با سرعت بی‌سابقه‌ای آزمایش کنند، تصمیم‌های ضعیف باعث از دست رفتن درآمد، منابع هدر رفته و کاهش ارتباط می‌شود.

اما یک نکته خطرناک وجود دارد: هوش مصنوعی می‌تواند تحقیقات بد را به آسانی به اندازه تحقیقات خوب مقیاس کند.

یک درخواست هوشمندانه که به یک مدل می‌گوید «مانند یک جوان 19 ساله زوریخ رفتار کنید»، اطلاعات قابل اعتمادی برای مشتری ایجاد نمی‌کند.

شبیه‌سازی هوش مصنوعی یک مدل احتمالی است، نه یک کپی دیجیتالی از یک انسان که پاسخ‌هایش به طور خودکار واقعیت را منعکس می‌کند.

بدون داده های شخص اول مرتبط و مدل سازی رفتاری پویا، خروجی آن ممکن است قانع کننده به نظر برسد در حالی که اساسا اشتباه است.

به یک مدل شواهد ضعیف و یک سوال با چارچوب ضعیف ارائه دهید، و مدل های پیشرفته هوش مصنوعی به تنهایی نتیجه را نجات نمی دهند.

سهام فراتر از سود شرکت است. تصمیماتی که کسب‌وکارها می‌گیرند تعیین می‌کنند که چه چیزی به قفسه‌های فروشگاه‌ها می‌رسد، خدمات چگونه طراحی می‌شوند، مردم با چه قیمت‌هایی مواجه می‌شوند و کدام پیام‌ها انتخاب‌های آنها را شکل می‌دهند.

وقتی شرکت‌ها پاسخ‌های قابل قبول تولید شده توسط هوش مصنوعی را به عنوان شواهد اشتباه می‌گیرند، مصرف‌کنندگان و کارمندان هزینه اشتباهات را می‌پردازند.

مطالعه ای در سال 2026 از دانشکده مدیریت اسلون MIT نشان می دهد که چرا پذیرش موفقیت آمیز هوش مصنوعی بیش از دسترسی به ابزارهای قدرتمند نیاز دارد.

محققان با بررسی دو سازمان دریافتند که یکی از 141 راه حل هوش مصنوعی در سطح سازمانی در حال استفاده است، در حالی که دیگری تنها سه راه حل دارد.

تفاوت در پشتیبانی ارائه شده برای آزمایش، همکاری و اصلاح مستمر بود، نه صرفا دسترسی فناوری.

درس هوش مشتری این است که سازمان ها باید سیستم هایی بسازند که یادگیری را ممکن کند.

این بدان معناست که شبیه‌سازی‌های هوش مصنوعی را به‌عنوان فرضیه‌هایی برای آزمایش تلقی کنیم، نه اوراکل‌هایی که باید از آنها تبعیت کنیم. کسب‌وکارها باید آنها را در داده‌های واقعی مشتری قرار دهند و متغیرهای رفتاری مربوط به هر تصمیم را انتخاب کنند.

درآمد ممکن است بر حساسیت قیمت تأثیر بگذارد. زبان و زمینه فرهنگی ممکن است بر ترجیحات محصول تأثیر بگذارد. یک شخصیت عمومی نمی تواند جایگزین این سخت گیری شود.

مهم‌تر از همه، شرکت‌ها باید پیش‌بینی‌ها را در برابر رفتار واقعی تأیید کنند. نظرسنجی محدودیت هایی دارد. مردم همیشه منظورشان را نمی گویند یا آنچه را که می گویند انجام نمی دهند.

در صورت امکان، پیش‌بینی‌های هوش مصنوعی باید در برابر سوابق تراکنش‌ها، الگوهای خرید و پاسخ‌های مشاهده‌شده مشتری آزمایش شوند.

فروشندگان باید دقت خود را در برابر این معیارهای واقعی نشان دهند، محدودیت‌ها را فاش کنند و ثابت کنند که مدل‌های آنها برای تصمیم‌گیری‌های خاصی که کسب‌وکارها باید بگیرند، کار می‌کنند.

سود قابل توجهی است. تصور کنید قبل از شروع تولید، یک مفهوم ضعیف محصول را شناسایی کنید، قبل از خرید رسانه، یک کمپین امیدوارکننده را اصلاح کنید، یا قبل از طراحی مجدد کل فروشگاه، کشف کنید که مشتریان واقعا برای چه چیزی ارزش قائل هستند.

شرکت ها می توانند زمان و پول کمتری را صرف دفاع از مفروضات شکست خورده و بهبود بیشتر ایده هایی با پتانسیل واقعی کنند.

یادگیری به جای ناپدید شدن در گزارش های غیرمرتبط انباشته می شود.

رهبران کسب و کار باید هم اکنون وارد عمل شوند. فرآیند تحقیق خود را حسابرسی کنید. تصمیمات ناشی از یافته های منسوخ، سیاست داخلی یا غریزه اجرایی را شناسایی کنید.

درخواست اعتبار مستقل از فروشندگان هوش مصنوعی، اصرار بر مقایسه با رفتار واقعی مشتری، و ایجاد یک فرآیند آزمایش مداوم که به شواهد اجازه می دهد تا نظرات رهبران ارشد را باطل کند.

به یاد داشته باشید که در دوره بعدی رقابت، خطرناک ترین چیزی که یک رهبر می تواند بگوید این است: "ما از قبل می دانیم مشتریانمان چه می خواهند."

Anne Scherer یک محقق رفتار مصرف کننده و یکی از بنیانگذاران Delta Labs است که شبیه سازی های مشتری با هوش مصنوعی را توسعه می دهد. نظرات بیان شده در این مقاله مربوط به خود اوست.