هوش مصنوعی در حال تغییر کشف است. این برای کسب و کار شما چه معنایی دارد؟

نحوه کشف محصولات و اطلاعات مشتریان به طور مداوم در حال تغییر است.

موتورهای جستجو، رسانه‌های اجتماعی و بازارهایی مانند آمازون و ای‌بی، قبلا نحوه کشف برندها توسط مشتریان را شکل می‌دادند. اما اکنون مدل‌های زبان بزرگ مبتنی بر هوش مصنوعی (LLM) لایه دیگری از آن اکوسیستم را تشکیل می‌دهند، به گفته فورستر، بیش از 50 درصد از بزرگسالان آنلاین از هوش مصنوعی مولد برای یافتن پاسخ سؤالات استفاده کرده‌اند.

به لطف LLM، مردم می‌توانند از جستجوی سنتی فراتر رفته و از طریق مکالمه طبیعی، اغلب قبل از بازدید از وب‌سایت، سؤال بپرسند و گزینه‌ها را مقایسه کنند.

کسب و کارها برای انطباق با آن تأثیر چه چیزهایی باید بدانند؟

کشف در حال تبدیل شدن به مکالمه است

برای همیشه، کلمات کلیدی کشف دیجیتال را شکل دادند. مشتریان یک پرسش کوتاه را در موتور جستجو تایپ می کنند و لیستی از پیوندها را دریافت می کنند. اما LLM ها این پویایی را تغییر داده اند و افراد را قادر می سازند تا نیازهای خود را به روشی دقیق تر و طبیعی تر حل کنند.

به جای جستجوی ساده برای «بهترین کفش‌های دویدن»، مصرف‌کنندگان اکنون می‌توانند بپرسند که چه محصولاتی برای تمرینات ماراتن نیاز دارند، آیا کفش‌های خاصی برای یک نوع پا خاص مناسب هستند، چگونه با جایگزین‌ها مقایسه می‌شوند و از کجا می‌توان آنها را خریداری کرد.

این نقش رابط جستجو را تغییر می دهد. به جای اینکه خود صفحه ای از نتایج را غربال کنند، کاربران به طور فزاینده ای راحت به هوش مصنوعی اجازه می دهند که میدان را برای آنها محدود کند قبل از اینکه تصمیم بگیرند کجا بروند.

مصرف کنندگان در حال حاضر از ابزارهای هوش مصنوعی برای تحقیقات عملی و تصمیمات مربوط به خرید استفاده می کنند. ما دریافتیم که درخواست های اطلاعاتی (39٪) و تراکنشی (37٪) بیش از سه چهارم استفاده از LLM را تشکیل می دهند.

و هوش مصنوعی فقط به عنوان یک فهرست خنثی از گزینه ها عمل نمی کند. 70 درصد از پاسخ‌های LLM یک برند را به عنوان توصیه اصلی قرار می‌دهند.

به‌طور فزاینده‌ای، به‌جای صفحه‌ای از نتایج برای مقایسه خود، به مردم یک توصیه واحد و سرپرست داده می‌شود.

قبل از اینکه مصرف کنندگان به وب باز برسند، قصد شروع به شکل گیری می کند

LLM ها نه تنها بر کشف تأثیر می گذارند، بلکه مکان توسعه تحقیق و قصد خرید را تغییر می دهند.

از لحاظ تاریخی، سازمان‌ها برای درک جستجوی کاربر، به شدت به پرس و جوهای جستجو، کلیک‌ها و رفتار مرورگر متکی بوده‌اند. اما هوش مصنوعی محاوره‌ای سیگنال دیگری را معرفی می‌کند، در قالب سوالاتی که افراد حتی قبل از اینکه بدانند چه چیزی را جستجو کنند، می‌پرسند.

خریدی را در نظر بگیرید که مواد تشکیل دهنده مراقبت از پوست را با هم مقایسه می کند، مسافری که یک برنامه سفر خانوادگی برنامه ریزی می کند، یا خریدار تجاری که فروشندگان نرم افزار را ارزیابی می کند. همه از طریق مکالمات خود زمینه بیشتری را نشان می دهند تا از طریق جستجوهای ساده کلمه کلیدی.

به گفته گارتنر، مصرف‌کنندگان از هوش مصنوعی برای تحقیق و مقایسه محصولات استفاده می‌کنند، اما تنها ۱۱ درصد از مصرف‌کنندگان گفته‌اند که مایلند به هوش مصنوعی اجازه دهند از طرف آن‌ها برای خرید تصمیم بگیرد.

بنابراین، در حالی که معامله نهایی ممکن است هنوز در وب‌سایت، اپلیکیشن یا یک فروشگاه فیزیکی خرده‌فروش اتفاق بیفتد، فرآیند تحقیق و تصمیم‌گیری خیلی زودتر و در داخل یک مکالمه هوش مصنوعی آغاز می‌شود.

در همین حال، سفرهای تحت تأثیر هوش مصنوعی اغلب پس از پنج تا شش درخواست به بالاترین نقطه تبدیل خود می‌رسند، با 75 تا 85 درصد از این سفرها در عرض دو هفته. مصرف‌کنندگان برای محدود کردن انتخاب‌ها، آزمایش فرضیات و ایجاد اعتماد، قبل از رفتن به وب باز، به هوش مصنوعی متکی هستند.

این پیامدهایی برای چگونگی درک سازمان ها از تقاضا دارد، اما همچنین نحوه درک و صحبت با مصرف کنندگانی که آن را هدایت می کنند، دارد.

اولا، ممکن است به این معنی باشد که ترافیک کمتری مستقیما به وب سایت آنها وارد می شود - اما کاربرانی که پس از مکالمه با هوش مصنوعی در آنجا فرود می آیند احتمالا با درک واضح تری از محصول و احتمال خرید بالاتر وارد می شوند.

دوم، ماهیت سیگنال هایی را که سازمان ها می توانند از آنها بیاموزند را تغییر می دهد.

داده‌های جستجوی سنتی معمولا مختصر و تراکنشی هستند، در حالی که مکالمات هوش مصنوعی طولانی‌تر، اکتشافی‌تر، احساسی‌تر هستند و اطلاعات بیشتری در مورد آنچه مردم قبل از خرید سعی در درک آن دارند نشان می‌دهند. نگاهی به سوالاتی که مصرف کنندگان می پرسند و پاسخ هایی که دریافت می کنند، تصویر غنی تری از نحوه شکل گیری تصمیمات خرید ارائه می دهد.

مدل های مختلف به معنای تصاویر متفاوت از مصرف کننده است

تفاوت فقط نوع داده ها نیست، بلکه سازگاری آنها نیز متفاوت است.

LLM های مختلف از منابع مختلف، وزن دادن به اطلاعات و سیگنال ها به روش های مختلف استفاده می کنند. شرکتی که اغلب در یکی ظاهر می شود ممکن است به سختی در دیگری ثبت شود، در واقع توصیه های برند می تواند تا 27 درصد در ChatGPT، Gemini، Claude و Perplexity متفاوت باشد.

اما بسیاری از آنچه به عنوان بینش مصرف کننده هوش مصنوعی به بازار عرضه می شود، بر اساس رفتار مصرف کننده واقعی نیست.

اغلب بینش هوش مصنوعی با استفاده از عبارات جستجوی برتر، وارد کردن آنها به یک مدل، و در نظر گرفتن خروجی به عنوان یک پروکسی برای آنچه مصرف کنندگان فکر می کنند یا می خواهند ساخته می شود. این تمرکز AEO یا GEO مدل را درک می کند اما مصرف کننده را درک نمی کند.

یک رویکرد مفیدتر با رفتار مصرف کننده واقعی شروع می شود. نگاه کردن به اینکه مردم واقعا چه چیزی می پرسند، چگونه آن را بیان می کنند و سعی می کنند به چه چیزی دست پیدا کنند. همه به طور مستقیم مشاهده می شوند و از خروجی یک مدل استنباط نمی شوند.

تعریف موفقیت در چشم انداز هوش مصنوعی

همانطور که هوش مصنوعی به لایه کشف دیگری تبدیل می شود، سازمان ها باید نحوه اندازه گیری عملکرد دیجیتال را گسترش دهند. رتبه بندی جستجو، ترافیک وب سایت و نرخ تبدیل مهم باقی خواهند ماند. اما آنها داستان کامل را نمی گویند.

روش تحقیق و تصمیم گیری مصرف کنندگان لایه لایه تر شده است و در جستجو، شبکه های اجتماعی، بازارها و اکنون مکالمات هوش مصنوعی، اغلب قبل از اینکه یک برند یک وب سایت بازدید کند، انجام می شود.

درک این تغییر به معنای فراتر رفتن از نحوه رفتار یک مدل برای درک اینکه مردم واقعا چگونه فکر می کنند، می پرسند و انتخاب می کنند. برای موفقیت کسب‌وکارها در این دوره جدید، نکته کلیدی صرفا داشتن بزرگترین مجموعه داده نیست، بلکه داشتن مجموعه‌ای است که کامل‌ترین تصویر را از قصد مصرف‌کننده ارائه می‌دهد و درک آنچه در مورد فرصت پیش رو نشان می‌دهد.

ما بهترین چت ربات هوش مصنوعی را برای تجارت معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit