یک پژوهش دانشگاهی تازه نشان میدهد که ایجنتهای هوش مصنوعی نهتنها تبلیغات آنلاین را نادیده نمیگیرند، بلکه بسته به مدل زبانیشان، رفتارهای متفاوتی در برابر آگهیها از خود نشان میدهند. محققان در اتریش، سه مدل زبانی بزرگ را در یک وبسایت شبیهسازیشدهٔ رزرو هتل آزمایش کردند تا بفهمند چه عناصری بیشترین تأثیر را بر تصمیمگیری آنها دارد.
یافتههای این تحقیق که با عنوان «آیا ایجنتها با تبلیغات هوش مصنوعی تعامل دارند؟» (Are AI Agents Interacting With AI Ads) منتشر شده، دریچهای تازه به سوی مفهومی به نام «بازاریابی برای ماشینها» میگشاید.
پژوهش چطور انجام شد؟
محققان از دو بستر اصلی برای این پژوهش استفاده کردند:
- OpenAI’s Operator (یک سیستم بسته که با اسکرینشات صفحات وب را درک میکند)
- چارچوب متنباز Browser Use که مدلهای GPT-4o، Claude Sonnet 3.7 و Gemini 2.0 Flash را از طریق API به آن متصل کردند
هر عامل ده درخواست مختلف برای رزرو هتل دریافت کرد؛ از «ارزانترین پلن را برای یک تعطیلات عاشقانه رزرو کن» تا «یک هتل خوب برای شب ولنتاین پیدا کن». آنچه در پایان آزمایش آشکار شد، تنها تفاوتهای عددی نبود، بلکه هر مدل شخصیت تصمیمگیری متفاوتی از خود نشان داد: یکی قاطع و تکگزینهای، دیگری محتاط و چندگزینهای و سومی متکی بر ابزارهای فیلتر و مرتبسازی.
این تنوع رفتاری، تصویر روشنی از آیندهٔ بازاریابی دیجیتال ترسیم میکند؛ آیندهای که در آن تبلیغدهندگان با مجموعهای از عاملهای هوشمند با الگوهای تصمیمگیری متفاوت روبهرو خواهند بود.
مهمترین یافتههای این پژوهش را میتوان در چند محور خلاصه کرد:
-
قاطعیت در تصمیمگیری: GPT-4o با ۹۵٪ قاطعیت، تقریباً همیشه یک گزینهٔ واحد را انتخاب میکرد. Claude با ۷۴٪ در رتبهٔ بعدی قرار گرفت و Gemini با ۶۰٪ کمترین قاطعیت را داشت و اغلب فهرستی از گزینهها ارائه میداد
-
تعامل با فرمتهای تبلیغاتی: تبلیغات بنری بیشترین کلیک را دریافت کردند، اما آنچه واقعاً اثرگذار بود، کلمات کلیدی درون متن بود، نه تصاویر. تبلیغاتی که در متن خود کلمات کلیدی داشتند، بسیار بیشتر از آنهایی که متنشان در تصویر تعبیه شده بود، بر رفتار مدلها اثر گذاشتند
-
بازتولید زبان تبلیغات: Claude Sonnet 3.7 در مواردی که هتل تبلیغشده را توصیه میکرد، بهطور میانگین ۳۵.۷۹٪ از عناصر زبانی آگهی را در پاسخ خود بازتولید میکرد
-
استفاده از فیلترها: Gemini بهطور گسترده از ابزارهای فیلتر و مرتبسازی استفاده میکرد، GPT-4o بهندرت سراغ آنها میرفت و Claude رفتاری میانه داشت
-
قدرت ساختاردهی اطلاعات: اطلاعات ساختاریافتهٔ درون صفحه، مانند قیمتها و موقعیت مکانی، بیشترین تأثیر را بر تمام مدلها داشتند
پیشینه پژوهش: زنگ خطر برای صنعت تبلیغات
پژوهشگران پیش از آغاز این بررسیها، به چند یافتهٔ مهم از تحقیقات قبلی اشاره کردهاند که تصویر نگرانکنندهای از تعامل ایجنتها با تبلیغات ترسیم میکند:
-
آسیبپذیری در برابر پاپآپ: عاملهای هوش مصنوعی مبتنی بر Vision-Language که برای اجتناب از تبلیغات برنامهریزی نشدهاند، ممکن است با نرخ ۸۶٪ روی تبلیغات پاپآپ کلیک کنند.
-
اختلال در مدلهای درآمدی: پژوهشی دیگر هشدار داده که گرچه ایجنتها از تبلیغات اسپانسرشده عبور میکنند، اما فروشندگان میتوانند ایجنتها را وادار کنند بر روی هرچیزی کلیک کنند.
-
چرخش به سوی بازاریابی ماشینمحور: مقالهای دیگر استدلال میکند که آیندهٔ بازاریابی به سمت تعاملات ماشینبهماشین و بازاریابی API-محور پیش میرود. تحولی که میتواند نقش مخاطب انسانی در فرآیند بازاریابی را کاهش دهد.
این یافتهها چه معنایی برای کارشناسان بازاریابی دارد؟
تبلیغات باید به سمت فرمتهای متنوع محتوایی، اطلاعات ساختاریافته و غنی از کلمات کلیدی حرکت کنند. این یعنی «خوانایی ماشین» (Machine Readability) ممکن است بهزودی به اندازهٔ تجربهٔ کاربری اهمیت پیدا کند. تفاوت رفتار مدلهای مختلف هم نشان میدهد که استراتژی تبلیغاتی نمیتواند صرفا برای همهٔ عاملها یکسان باشد.
پژوهشگران میگویند:
«برای بهینهسازی تبلیغات هدفگذاریشده ایجنتیک، محتوای متنی باید با پرسوجوهای کاربران هماهنگ شود. عناصر بصری نقش مهم اما ثانویه دارند.»
این مطالعه تأیید میکند که بازاریابی دیجیتال در آستانهٔ یک چرخش پارادایمی قرار دارد: از طراحی برای متقاعد کردن انسان، به طراحی برای فهمیده شدن توسط ماشین
تحریریه ژاکت
مشاهده تیم تحریریه
