چرا برای مدیریت معنای محتوای هوش مصنوعی به افراد نیاز دارید؟

استراتژی داده شما چیست؟

اولین فکر شما ممکن است در مورد جمع آوری داده های شخص اول، معیارهای عملکرد یا ابرداده برای محتوای هدفمند باشد. اما این چیزی نیست که من به آن می پردازم.

در عوض، من می‌پرسم: استراتژی شما برای شکل‌دهی به رهبری فکری، ساختن داستان‌ها، ساختن پیام برندتان، و ارائه مواد فروش که درگیر و متقاعدکننده باشد، چیست؟

ممکن است بگویید: «صبر کن». “آیا این استراتژی محتوا نیست؟”

خوب، بله. اما همچنین، نه.

آیا این محتوا است یا داده است؟

هوش مصنوعی مولد خطوط بین محتوا و داده ها را محو می کند.

چه زمانی شما به مقالات، پادکست ها و ویدیوهای خود فکر کنید، احتمالاً آنها را به عنوان “داده” نمی بینید. اما ارائه دهندگان هوش مصنوعی این کار را انجام می دهند.

ارائه دهندگان هوش مصنوعی در مورد مدل های خود صحبت نمی کنند که از «محتوای جذاب» یا «داستان های خوش ساخت» یاد می گیرند. در عوض، آنها در مورد دسترسی و پردازش “داده ها” (متن، تصاویر، صدا و ویدئو) صحبت می کنند. ارائه دهندگان هوش مصنوعی معمولاً از اصطلاح “داده های آموزشی” استفاده می کنند” به عنوان روشی دقیق برای ارجاع به مجموعه داده هایی که برای توسعه و یادگیری مدل به آنها تکیه می کنند.

این دیدگاه اشتباه نیست – ریشه در تاریخچه موتورهای جستجو دارد، جایی که الگوها و فرکانس ارتباط را تعیین می‌کردند، و «شاخص‌های» موتورهای جستجو فقط سطل‌های بزرگی از فایل‌ها و متن‌های بدون ساختار (یعنی داده‌ها) بودند.

هیچ ، هرگز وانمود نکرد که موتورهای جستجو این را درک می کنند معنی در سطل غول پیکر خود از هر نوع محتوایی که قابل تصور است. کاهش آن به «داده» مناسب به نظر می رسید.

اما شرکت های هوش مصنوعی اکنون درک و شهود را به این داده ها نسبت می دهند. آنها ادعا می کنند که همه آن اطلاعات را دارند و توانایی تنظیم مجدد آن و شهود بهترین پاسخ.

اما بیایید واضح بگوییم: هوش مصنوعی اینطور نیست درک کنند. پیش بینی می کند.

محتمل‌ترین کلمه یا تصویر بعدی را تولید می‌کند – اطلاعات ساختاریافته بدون هدف یا معنی. معنا یک سازه انسانی است – و همیشه خواهد بود – که ناشی از هدفمندی در پشت ارتباط است.

مبارزه برای معنا

این تفاوت زمینه ساز تنش فزاینده بین سازندگان محتوا و ارائه دهندگان هوش مصنوعی است.

فروشندگان هوش مصنوعی استدلال می‌کنند که اینترنت مجموعه وسیعی از داده‌های در دسترس عموم است – به همان اندازه که برای ماشین‌ها در دسترس است و برای انسان‌ها – و ابزار آنها به معنای عمیق‌تری کمک می‌کند.

سازندگان محتوا استدلال می کنند که مردم از محتوای آغشته به هدف یاد بگیرید، اما هوش مصنوعی صرفاً محصولات را می‌دزدد و بدون توجه به معنای اصلی آنها را مرتب می‌کند.

جالب اینجاست که تضاد بر سر چیزی است که هر دو بر سر آن توافق دارند – اینکه ماشین معنی را تعیین می کند.

اما اینطور نیست.

اینترنت داده ها (محتوا) را در اختیار هوش مصنوعی قرار می دهد، اما فقط انسان ها می توانند از آن معنا بسازند.

و این باعث می‌شود که تمایز بین محتوا و داده‌ها مهم‌تر از همیشه باشد.

چه فرقی دارد؟

یک مطالعه اخیر نشان داد که مصرف کنندگان وقتی معتقدند محتوای عاطفی توسط هوش مصنوعی به جای انسان ایجاد شده است، دهان به دهان و وفاداری کمتری نشان می دهند.

جالب توجه است، این مطالعه بر روی این موضوع تمرکز نکرد که آیا شرکت‌کنندگان می‌توانند تشخیص دهند که آیا محتوا توسط هوش مصنوعی تولید شده است یا خیر. در عوض، همان محتوا به دو گروه ارائه شد: به یکی گفته شد که توسط یک انسان ساخته شده است (گروه کنترل)، در حالی که به دیگری اطلاع داده شد که توسط هوش مصنوعی تولید شده است.

نتیجه‌گیری این مطالعه: «شرکت‌ها باید به دقت بررسی کنند که آیا و چگونه ارتباطات نویسندگان هوش مصنوعی را افشا کنند یا خیر».

هشدار اسپویلر: هیچ ، این کار را نخواهد کرد.

با این حال، در مطالعه دیگری، محققان آزمایش کردند که آیا افراد می توانند بین محتوای تولید شده توسط هوش مصنوعی و تولید شده توسط انسان تمایز قائل شوند. شرکت‌کنندگان فقط در 53 درصد مواقع متن تولید شده توسط هوش مصنوعی را به درستی شناسایی کردند – به سختی بهتر از حدس زدن تصادفی، که دقت 50 درصد را به دست می‌آورد.

هشدار اسپویلر: نه، نمی توانیم.

ما به سختی می خواهیم این اشتباه را درک کنیم

در سال 2008، مایکل شرمر، مورخ علم، کلمه “patternity” را ابداع کرد. او در کتاب خود به نام «مغز مؤمن» این اصطلاح را «تمایل به یافتن الگوهای معنادار در نویزهای معنادار و بی‌معنا» تعریف می‌کند.

او گفت که انسان ها تمایل دارند «این الگوها را با معنا، قصد و اختیار القا کنند» و این پدیده را «عاملیت» می نامند.

بنابراین، به عنوان انسان، ما می‌توانیم دو نوع خطا انجام دهیم:

• خطاهای نوع 1، جایی که ما مثبت کاذب را می بینیم – الگویی را می بینیم که وجود ندارد.
• خطاهای نوع 2، جایی که ما منفی کاذب را می بینیم – الگوی موجود را از دست می دهیم.

وقتی صحبت از هوش مصنوعی مولد به میان می آید، افراد در معرض خطر هر دو نوع خطا هستند.

ارائه‌دهندگان هوش مصنوعی و تمایل افراد به انسان‌سازی فناوری، افراد را برای خطاهای نوع 1 آماده می‌کند. به همین دلیل است که راه حل ها به عنوان «کمک خلبان»، «دستیار»، «محقق» یا «شریک خلاق» به بازار عرضه می شوند.

ذهنیت محتوای مبتنی بر داده، بازاریابان را به دنبال الگوهای موفقیتی که ممکن است وجود نداشته باشند، سوق می دهد. آنها خطر اشتباه ، پیش‌نویس‌های سریع اولیه را با محتوای چابک دارند، بدون اینکه سؤال کنند آیا پیش‌نویس‌ها ارزش یا تمایز واقعی دارند یا خیر.

«استراتژی‌ها» و «تحقیق» تولید شده توسط هوش مصنوعی فقط به این دلیل معتبر هستند که به وضوح نوشته شده‌اند (و فروشندگان ادعا می‌کنند که این فناوری به دانش عمیق‌تری نسبت به دانش مردم کمک می‌کند).

بسیاری از مردم این پاسخ‌های سریع را با دقت برابر می‌دانند، غافل از اینکه سیستم فقط آنچه را که جذب کرده است پس می‌گیرد – درست یا نادرست.

و طنز ماجرا اینجاست: آگاهی ما از این خطرات می‌تواند ما را به خطاهای نوع 2 برساند و ما را از درک مزایای ابزارهای هوش مصنوعی بازدارد. ممکن است نتوانیم الگوهایی را ببینیم که واقعاً وجود دارند. به عنوان مثال، اگر باور کنیم که هوش مصنوعی همیشه محتوای متوسط ​​یا «نادرست» تولید می‌کند، نمی‌توانیم الگویی را ببینیم که نشان می‌دهد هوش مصنوعی چقدر در حل چالش‌های پیچیده پردازشی خوب است.

با پیشرفت فناوری، ریسک به «به اندازه کافی خوب» کاهش می یابد – هم از طرف خودمان و هم از ابزارهایی که استفاده می کنیم.

تحقیقات اخیر CMI این روند را برجسته می کند. در مطالعه «چشم‌انداز شغلی برای محتوا و بازاریابی» در سال ۲۰۲۵، رایج‌ترین کاربرد هوش مصنوعی در میان بازاریابان «طوفان فکری درباره موضوعات جدید» است. با این حال، پنج پاسخ متداول بعدی – که هر کدام توسط بیش از 30٪ از پاسخ دهندگان ذکر شده است – بر وظایفی مانند خلاصه ، محتوا، نوشتن پیش نویس، بهینه سازی پست ها، ایجاد کپی ایمیل و ایجاد محتوای رسانه های اجتماعی متمرکز شده اند.

اما تحقیقات معیارها، بودجه‌ها و روندهای بازاریابی محتوای B2B CMI، تردید رو به رشد هوش مصنوعی را نشان می‌دهد. سی و پنج درصد از بازاریابان دقت را به عنوان اصلی ترین نگرانی خود در زمینه هوش مصنوعی ذکر می کنند.

در حالی که اکثر پاسخ دهندگان فقط سطح اعتماد متوسط ​​به این فناوری را گزارش می کنند، 61٪ هنوز کیفیت محتوای تولید شده توسط هوش مصنوعی را عالی (3٪)، بسیار خوب (14٪) یا خوب (44٪) ارزیابی می کنند. 35 درصد دیگر آن را منصفانه و 4 درصد ضعیف ارزیابی می کنند.

بنابراین، ما از این ابزارها برای تولید محتوایی استفاده می‌کنیم که آن را رضایت‌بخش می‌دانیم، اما در مورد صحت آن مطمئن نیستیم و فقط به نتایج اعتماد متوسطی داریم.

این رویکرد به هوش مصنوعی مولد نشان می‌دهد که بازاریابان تمایل دارند از آن برای تولید محتوای معاملاتی در مقیاس استفاده کنند. بازاریابان به جای اینکه به این وعده عمل کنند که هوش مصنوعی «خلاقیت ما را باز می‌کند»، این ریسک را می‌کنند که احتمال قفل ، خود در آن را کاهش دهند.

به جای پاسخ‌های سریع‌تر به دنبال سؤال‌های بهتر باشید

ماهیت بازاریابی مدرن بخشی از داده ها، بخشی از محتوا – و درک زیاد و معنا بخشیدن به مشتریان است. این در مورد کشف رویاها، ترس ها، آرزوها و خواسته های آنها است – رشته های نامرئی که آنها را به جلو هدایت می کند.

به تعبیر قهرمان بازاریابی من، فیلیپ کاتلر، بازاریابی مدرن فقط به اشتراک ذهن یا اشتراک قلب نیست. این در مورد است سهم روح، چیزی که فراتر از منافع شخصی محدود است.

بنابراین، چگونه ما بازاریابان مدرن می توانیم همه آن چیزها را متعادل کرده و معنای ارتباطات خود را عمیق تر کنیم؟

اول، متوجه شوید که محتوایی که مردم امروز ایجاد می‌کنند، تبدیل به مجموعه داده‌ای می‌شود که فردا ما را تعریف می‌کند. مهم نیست که چگونه تولید می شود، محتوای ما دارای سوگیری های ذاتی و درجات متفاوتی از ارزش است.

برای اینکه محتوای تولید شده توسط هوش مصنوعی ارزشی فراتر از داده‌هایی که در حال حاضر دارید ارائه کند، از ایده استفاده از این فناوری صرفاً برای افزایش سرعت یا مقیاس ایجاد کلمات، تصاویر، صدا و ویدیو عبور کنید.

در عوض، آن را به‌عنوان ابزاری برای بهبود فرآیند مستمر استخراج بینش‌های معنادار و تقویت روابط عمیق‌تر با مشتریان خود بپذیرید.

اگر قرار است هوش مصنوعی مولد در طول زمان موثرتر شود، به چیزی بیش از اصلاحات تکنولوژیکی نیاز دارد. مردم رشد ، مردم باید خلاق‌تر، همدل‌تر و عاقل‌تر شوند تا مطمئن شوند که هم فناوری و هم افرادی که از آن استفاده می‌کنند به چیزی بی‌معنا تبدیل نمی‌شوند.

تیم های ما نیاز خواهند داشت بیشترنقش‌هایی نه کمتر، که می‌توانند بینش‌های ارزشمندی را از محتوای تولید شده توسط هوش مصنوعی استخراج کرده و آن‌ها را به ایده‌های معنادار تبدیل کنند.

افرادی که این نقش ها را ایفا می کنند لزوماً روزنامه نگار یا طراح نخواهند بود. اما آنها مهارت پرسیدن سؤالات متفکرانه، تعامل با مشتریان و تأثیرگذاران، و تبدیل اطلاعات خام به بینش معنادار از طریق گوش دادن، گفتگو و ترکیب را خواهند داشت.

ویژگی‌های مورد نیاز شبیه ویژگی‌های هنرمندان، روزنامه‌نگاران، محققان با استعداد یا کارشناسان موضوع است. شاید این حتی می تواند تکامل بعدی نقش اینفلوئنسر باشد.

راه پیش رو هنوز در حال باز شدن است.

یک چیز واضح است: اگر قرار است هوش مصنوعی مولد چیزی بیش از یک چیز بدیع باشد، کسب‌وکارها به نقش جدیدی نیاز دارند – یک مدیر معنا – برای هدایت روشی که ایده‌های مبتنی بر هوش مصنوعی به ارزش واقعی تبدیل می‌شوند.

این داستان شماست خوب بگو

مطالب مرتبط دستچین شده:

تصویر روی جلد توسط جوزف کالینوفسکی/موسسه بازاریابی محتوا