تبلیغات عاملمحور به عنوان مرز جدید بازاریابی دیجیتال شناخته میشود، اما پیشرفت در این حوزه نه با مدلهای زبانی عمومی، بلکه با زیرساختهای اجرایی منسجم رقم میخورد. بزرگترین چالشی که سازمانها در استفاده از دستیارهای هوش مصنوعی با آن مواجه هستند، شکاف میان تولید بینش و قابلیت اجرای مطمئن در محیطهای تبلیغاتی است.
در واقع، هوش مصنوعی زمانی به ابزاری قدرتمند تبدیل میشود که بتواند از طریق رابطهای استاندارد و ابزارهای ساختاریافته، به سیستمهای پیچیده متصل شده و جریانهای کاری چندمرحلهای را بدون نیاز به دخالت انسانی مداوم، پیش ببرد.
نکته کلیدی در طراحی این سیستمها، جذب پیچیدگیهای اجرایی توسط زیرساخت و حفظ کنترل نظارتی برای انسان است. موفقترین سازمانها کسانی هستند که به جای تمرکز بر خودکارسازیِ محض، بر زیرساختهای قابلاعتماد، شفاف و هوشمندی سرمایهگذاری میکنند که به متخصصان اجازه میدهد به جای مدیریت مکانیکهای اجرایی، بر استراتژی، نوآوری و تجربه مشتری تمرکز کنند.
نویسنده: راچیت چاولا، مدیر در آمازون ادز (Rachit Chawla)
تاریخ انتشار: ۱۸ فوریه ۲۰۲۶ (۲۹ بهمن ۱۴۰۴)
منبع انگلیسی: آمازون ادز (Amazon Ads)
منبع فارسی: شارا ـ شبکه اطلاعرسانی روابطعمومی ایران
کارآمدترین زیرساخت در تبلیغات، آن است که دیده نمیشود. وقتی همهچیز درست کار میکند، تیمها نیازی به فکر کردن درباره آن ندارند؛ کمپینها اجرا میشوند، بودجهها تنظیم میگردند و عملکرد بهبود مییابد. سیستم، کار خود را بهآرامی و بهصورت خودکار در پسزمینه انجام میدهد.
ساخت چنین قابلیت اطمینانی برای هوش مصنوعی در تبلیغات هنوز در مراحل اولیه است و روش انجام آن اهمیت حیاتی دارد. درون یک سیستم واحد که زمینه و جریانهای کاری بههمپیوسته هستند، میتوان از همان ابتدا قابلیت اطمینان را طراحی کرد. «دستیار تبلیغات»، همان هوش مصنوعی محاورهای ما در کنسول آمازون ادز، نمونه خوبی است؛ این ابزار به تبلیغکنندگان کمک میکند تا کمپینها را بهشکلی مطمئن برنامهریزی، اجرا و بهینهسازی کنند، زیرا هر آنچه برای این کار لازم است، در یک مکان واحد وجود دارد.
چالش اصلی، گسترش این وضعیت به فراتر از یک محیط واحد است. در حالی که تبلیغکنندگان، آژانسها و ارائهدهندگان فناوری در حال ساخت دستیارهای هوش مصنوعی خود هستند، این دستیارها درون یک سیستم واحد عمل نمیکنند؛ آنها در حال کار در میان سیستمهای تبلیغاتی متعددی هستند که هر کدام منطق، قوانین و دادههای خاص خود را دارند. آنها نیازمند دسترسی مداوم به زمینهها و قابلیتهای اجرایی هستند که در هر یک از این سیستمها وجود دارد. بدون این ارتباط، دستیارها فاقد اتصالات لازم برای تبدیل بینش به اقدام هستند.
پرسش اصلی این نیست که آیا هوش مصنوعی میتواند توصیههای هوشمندانه تولید کند یا خیر؛ پرسش این است که آیا هوش مصنوعی بهگونهای طراحی شده که بتواند با قابلیت اطمینان درون قوانین دنیای واقعی تبلیغات عمل کند یا نه.
پیشرفت در لایه مدل و محدودیتهای آن
در سراسر صنعت، «مغز» پشت هوش مصنوعی بهسرعت در حال بهبود است. این مدلهای زبانی بزرگ که با نام مدلهای زبانی بزرگ شناخته میشوند، برای شناسایی الگوها و تولید خروجیهایی مثل بینشها، پیشبینیها یا اقدامات پیشنهادی آموزش دیدهاند.
بهجای تکیه بر مدلهای بزرگ و چندمنظوره، تغییری به سمت رویکردهای تخصصیتر و کوچکتر در حال وقوع است. این مدلها بر اساس سیگنالهای بازاریابی و تبلیغاتی تنظیم میشوند تا ارتباط، کارایی و عملکرد را بهبود بخشند. اما حتی یک مدل بسیار تخصصی هم به معنای سیستمی نیست که بر پایه نحوه عملکرد واقعی تبلیغات بنا شده باشد.
تبلیغات در مرحله تولید بینش شکست نمیخورد؛ در مرحله اجرا شکست میخورد. به همین دلیل است که بسیاری از جریانهای کاری مبتنی بر هوش مصنوعی نیمهکاره رها میشوند و برای انجام مطمئن و درست اقدامات واقعی تبلیغاتی، مانند بهینهسازی کمپین، همچنان به انسان متکی هستند.
چالش زمانی بزرگتر میشود که دستیارها با چندین سیستم تبلیغاتی تعامل میکنند. انتظار اینکه یک مدل واحد بتواند تمام این پیچیدگیها را درک کند و با تغییر سیستمها، دانش خود را بهروز نگه دارد، واقعبینانه نیست. ساخت هوش مصنوعی که واقعاً برای تبلیغات کار کند، بیش از مدلهای بهتر، به ساختار نیاز دارد.
برای اینکه هوش مصنوعی از مرحله توصیهگری فراتر برود و بتواند با اطمینان دست به اقدام بزند، به روشی منسجم برای اتصال به سیستمهای تبلیغاتی نیاز دارد؛ روشی که شکننده، سفارشی و یا تکراری برای هر جریان کاری نباشد.
پروتکل زمینه مدل (MCP) به عنوان یک استاندارد باز در حال ظهور است تا راهی مشترک برای اتصال آسان دستیارهای هوش مصنوعی به سیستمهای خارجی باشد. دستیارها بهجای ساخت ادغامهای جدید برای هر سیستم تبلیغاتی یا منبع داده، میتوانند یکبار متصل شوند و نحوه تعامل با سیستم را بفهمند، زیرا به یک زبان جهانی صحبت میکنند. این لایه اتصال بنیادی است، اما فقط نقطه شروع است. وقتی یک دستیار بتواند بهطور مطمئن متصل شود، پرسش بعدی این است: به او چه اجازه داد شود که انجام دهد و چگونه میتوان آن اقدامات را قابلاعتماد کرد؟ در تبلیغات، اجرا یک اقدام واحد نیست؛ بلکه شامل چندین گام وابسته به یکدیگر است که باید به ترتیب درست و در چارچوب محافظهای مشخص انجام شوند.
تبدیل اجرا به ابزارهای قابلاعتماد
همانطور که هوش مصنوعی از بینش به سمت اقدام حرکت میکند، چالش اصلی، اجرای کار در چارچوب واقعیتهای سیستمهای تبلیغاتی است. اما رابطهای برنامهنویسی سنتی که ستون فقرات اتوماسیون تبلیغات هستند، برای نمایش قابلیتهای خاص طراحی شدهاند، نه برای هماهنگسازی جریانهای کاری چندمرحلهای که دستیارهای هوش مصنوعی باید بهصورت خودکار مدیریت کنند. رویکرد بادوامتر این است که جریانهای کاری اثباتشده تبلیغاتی را در قالب ابزارهایی بستهبندی کنیم که مانند دفترچه راهنما عمل کنند و حدس و گمان را برای دستیار از بین ببرند.
در آمازون ادز، این ابزارها از طریق سرور پروتکل زمینه مدل آمازون ادز در دسترس قرار میگیرند که راهی استاندارد برای دستیارهای هوش مصنوعی جهت دسترسی به جریانهای کاری پیشرفته تبلیغاتی فراهم میکند. برای مثال، ابزار مدیریت کمپین ما میتواند یک کمپین کامل را در یک جریان کاری واحد راهاندازی کند؛ کاری که معمولاً به سه یا چند فراخوانی رابط برنامهنویسی نیاز داشت. در پشت صحنه، ابزار، کمپینها و تبلیغات را ایجاد کرده و گروههای تبلیغاتی را تنظیم میکند، بهطوریکه یک دستور کاربر، کمپینی آماده را تولید میکند که کاربر میتواند آن را بررسی و تأیید کند.
اجرای قابلاعتماد، فرصتهای جدیدی را باز میکند
بنیان درست، راه را به روی نوع متفاوتی از تجربه دستیارمحور باز میکند. در آینده، جریانهای کاری دستیارمحور بهگونهای طراحی میشوند که قابلاعتماد باشند و توسط سیستمهایی شکل بگیرند که اجرا را شفاف و قابلپیشبینی میکنند. پیچیدگی تبلیغات از بین نمیرود، بلکه در زیرساخت جذب میشود؛ در ابزارهایی که برای مدیریت آن طراحی شدهاند تا هم انسان و هم هوش مصنوعی بتوانند با اعتماد بیشتری با سیستمهای تبلیغاتی تعامل کنند.
با افزایش توانمندی جریانهای کاری، زمان کمتری صرف مدیریت اجرا میشود و وقت برای تمرکز بر استراتژی، خلاقیت و رشد آزاد میگردد.
خدمات تبلیغاتی مسئولیت عملیاتی عظیمی دارند. جریانهای کاری، محافظها و توالیهایی که کمپینها را در مقیاس بزرگ قابلاعتماد میکنند، آن چیزی نیستند که بیشتر آژانسها یا تبلیغکنندگان بخواهند وقت خود را صرف آن کنند. تیم من در آمازون ادز بر درک این موضوع تمرکز دارد که کجا هوش مصنوعی میتواند جریانهای کاری چندمرحلهای تبلیغات را ساده کند تا مشتریان بتوانند بهجای مکانیکهای اجرا، بر استراتژی و تمایز تمرکز کنند.
هدف ما جذب پیچیدگیهای غیرتمایزبخش اجرای تبلیغات است؛ کاری که باید انجام شود اما مزیت رقابتی ایجاد نمیکند، تا دیگران بتوانند بر نوآوریهای باارزشتر تمرکز کنند.
ساخت هوشمندانه و حفظ کنترل توسط انسان
با افزایش توانمندی سیستمهای هوش مصنوعی، نظارت اهمیت بیشتری پیدا میکند، نه کمتر. این به معنای کند کردن هوش مصنوعی نیست، بلکه به معنای ساخت سیستمهایی است که تیمها بتوانند به آنها اعتماد کنند. قابلاعتمادترین هوش مصنوعی در چارچوبهای مشخص عمل میکند؛ جاهایی که قضاوت انسانی ضروری است و دستیارها میدانند چه زمانی باید موضوع را به انسان ارجاع دهند، نه اینکه بداههپردازی کنند.
وقتی هوش مصنوعی شفاف، محدود و طراحیشده برای برجسته کردن تصمیماتی باشد که نیاز به ورودی انسانی دارند، به ابزاری تبدیل میشود که تخصص را تقویت میکند، نه ابزاری که نیاز به نظارت دائمی داشته باشد.
تبلیغات یکشبه پیچیده نشد و با میانبرها هم ساده نخواهد شد. پیشرفت واقعی از هوش مصنوعیای حاصل میشود که متفکرانه ساخته شده است: مدلهای تخصصی آگاه از سیگنالهای تبلیغاتی، جریانهای کاری پیشرفته ارائهشده از طریق ابزارهای ساختاریافته، رابطهای زیرساختی قوی که از تعاملپذیری پشتیبانی میکنند و محافظهایی که انسان را محکم بر صندلی تصمیمگیری نگه میدارند.
سازمانهایی که بیشترین بهره را از هوش مصنوعی میبرند، کسانی نخواهند بود که به دنبال حداکثر استقلال هستند. آنها کسانی خواهند بود که بر زیرساختی سرمایهگذاری میکنند که بهگونهای طراحی شده که در پسزمینه محو شود؛ قابلاعتماد، باز و از ابتدا برای تبلیغات ساخته شده است.
نکات کلیدی
- شکست در اجرا: مشکل تبلیغات با هوش مصنوعی، ضعف در تولید ایده نیست، بلکه ناتوانی در اجرای مطمئن است.
- زیرساخت فراتر از مدل: برای موفقیت، مدلهای تخصصی به تنهایی کافی نیستند؛ سیستمهای اجرایی ساختاریافته ضروریاند.
- نقش استانداردها (MCP): استفاده از استانداردهای باز برای اتصال دستیارها به سیستمهای تبلیغاتی، وابستگی به ادغامهای پیچیده را کاهش میدهد.
- سادهسازی پیچیدگیها: زیرساخت باید کارهای اجرایی عمومی را جذب کند تا انسان بر استراتژی و خلاقیت تمرکز کند.
- نظارت انسانی: سیستمهای هوشمند باید شفاف باشند و تصمیمات مهم را برای تایید به انسان ارجاع دهند.
پرسش و پاسخ
۱. چرا مدلهای هوش مصنوعی به تنهایی برای تبلیغات کافی نیستند؟
مدلهای زبانی در تولید ایده و تحلیل عالی هستند، اما تبلیغات در مرحله «اجرا» به دلیل وجود قوانین پیچیده و سیستمهای مختلف دچار شکست میشود. مدلها فاقد توانایی هماهنگی در محیطهای اجرایی با دادههای واقعی هستند؛ بنابراین، به زیرساختی نیاز دارند که از مدلها پشتیبانی کند.
۲. پروتکل زمینه مدل (MCP) چیست و چه کاربردی دارد؟
این پروتکل یک استاندارد باز است که به دستیارهای هوش مصنوعی اجازه میدهد بهجای نیاز به ساخت ادغامهای سفارشی برای هر سیستم، یکبار متصل شوند و به زبان جهانی با سیستمهای تبلیغاتی تعامل کنند. این پروتکل، زیربنای اتصالات ایمن و استاندارد را فراهم میکند.
۳. چگونه زیرساخت تبلیغات میتواند پیچیدگی را کاهش دهد؟
با بستهبندی جریانهای کاری اثباتشده در قالب ابزارهایی که بهعنوان دفترچه راهنما عمل میکنند، سیستم میتواند مراحل تکراری و فنی را انجام دهد. این کار، «پیچیدگیهای غیرتمایزبخش» را جذب کرده و وقت تیمها را برای تمرکز بر خلاقیت و استراتژی باز میکند.
۴. نقش انسان در تبلیغات عاملمحور چیست؟
نقش انسان به نظارت استراتژیک تغییر میکند. سیستمهای هوشمند باید شفاف باشند و تصمیمات مهم یا مواردی که نیاز به قضاوت انسانی دارند را به کاربر ارجاع دهند. این مدل، تخصص انسان را تقویت میکند، نه اینکه جایگزین آن شود.
۵. آیا هوش مصنوعی در تبلیغات باعث کاهش نیروی انسانی میشود؟
خیر، هدف هوش مصنوعی عاملمحور، رها کردن متخصصان از کارهای عملیاتی تکراری است. وقتی زیرساخت، مکانیکهای پیچیده اجرا را مدیریت کند، بازاریابان و آژانسها زمان بیشتری برای کار بر روی استراتژی، تمایز محصول و رشد کسبوکار خواهند داشت.