چگونه نوع کسب‌وکار پرامپت هوش مصنوعی را تغییر می‌دهد؟

بررسی پاسخ سه مدل هوش مصنوعی به یک چالش استراتژیک یکسان نشان می‌دهد که هرچه اطلاعات مرتبط با نوع فعالیت کسب‌وکار کامل‌تر می‌شود، کیفیت، دقت و کاربردپذیری توصیه‌های حاصل از یک پرامپت هوش مصنوعی نیز افزایش پیدا می‌کند. تقریباً تمام داستان‌های موفقیت در زمینه هوش مصنوعی پایان مشابهی دارند. فردی یک خروجی قابل‌توجه از هوش مصنوعی منتشر می‌کند و بلافاصله این سؤال مطرح می‌شود: «پرامپت مورد استفاده چه بوده است؟»

چنین درخواستی قابل درک است، اما در اکثر موارد بیش از اندازه به نقش پرامپت اهمیت داده می‌شود. پیش از نوشته شدن یک پرامپت هوش مصنوعی، معمولاً اهداف مشخص شده‌اند، اطلاعات موردنیاز جمع‌آوری شده، محدودیت‌ها و مصالحه‌های احتمالی بررسی شده‌اند و تعریف مشخصی از موفقیت شکل گرفته است. در واقع، یک پرامپت اغلب نتیجه مجموعه‌ای از گفت‌وگوها، فرضیات، اصلاحات و تصمیم‌های تحلیلی و ویرایشی است که مدت‌ها قبل از تایپ شدن دستور نهایی انجام شده‌اند.

برای بررسی میزان اهمیت این فرایند، یک ماموریت استراتژیک یکسان در اختیار سه مدل هوش مصنوعی قرار گرفت و تنها متغیر آزمایش، میزان اطلاعات و زمینه‌ای بود که پیش از ارائه پرامپت در اختیار مدل‌ها قرار می‌گرفت.

تصویر(1)

شروع آزمایش مدل ها با پرامپت هوش مصنوعی اولیه

ماموریت اصلی نسبتاً ساده بود. یک شرکت برای سال‌ها روی سئو سرمایه‌گذاری کرده و وب‌سایتی قدرتمند و تثبیت‌شده در اختیار داشت. مدیران مجموعه می‌دانستند که رفتار کاربران در جست‌وجوی اینترنتی با گسترش پاسخ‌های تولید شده توسط هوش مصنوعی رو به تغییر است، اما مشخص نبود این تحول چه تأثیری باید بر استراتژی بازاریابی شرکت داشته باشد.

یک ماموریت یکسان در اختیار سه مدل هوش مصنوعی قرار گرفت. هدف، تدوین یک نقشه راه استراتژیک بود که موارد زیر را مشخص کند:

• چه اطلاعاتی باید جمع‌آوری شود.
• کدام فرصت‌ها ارزش توجه بیشتری دارند.
• کدام فرضیات به اعتبارسنجی نیاز دارند.
• پیش از آغاز تولید محتوا چه اقداماتی باید انجام شود.

هدف این آزمایش، انتخاب بهترین مدل هوش مصنوعی نبود؛ بلکه بررسی این موضوع بود که با تغییر و تکمیل اطلاعات موجود در شرح ماموریت، پاسخ مدل‌ها چگونه تغییر می‌کند.

اجرای اول: مدل‌ها هدف گمشده در پرامپت هوش مصنوعی را تکمیل کردند

در مرحله نخست، پرامپت هوش مصنوعی اولیه ظاهرا کاملاً منطقی به نظر می‌رسید. با بررسی دقیق‌تر مشخص شد که آنچه طراحی شده بود، بیشتر یک «شرح ماموریت» مناسب محسوب می‌شد تا اینکه یک ماموریت کامل و دقیق باشد.

این مأموریت شامل موارد زیر بود:

• درخواست ارائه راهنمایی درباره استراتژی بازاریابی به جای تولید مستقیم محتوا
• توضیح این موضوع که کسب‌وکاری تثبیت‌شده درباره میزان دیده‌شدن خود در نتایج جست‌وجوی مبتنی بر هوش مصنوعی نگرانی دارد.
• درخواست شناسایی اطلاعات ناقص برای جلوگیری از تولید اطلاعات ساختگی یا فرضیات بدون پشتوانه.
• تاکید بر اولویت داشتن برنامه‌ریزی نسبت به اجرای مستقیم اقدامات.

تصویر(2)

شرح اولیه، مسئله را تعریف می‌کرد، نوع کمک موردنیاز را مشخص می‌ساخت و مدل‌های هوش مصنوعی را از ایجاد فرضیات بدون پشتوانه منع می نمود. با این حال، همچنان فضای زیادی برای تفسیر خروجی پرامپت هوش مصنوعی باقی مانده بود.

پس از اجرای همین ماموریت در سه مدل هوش مصنوعی، پاسخ‌ها به سرعت تولید شدند. هر سه پاسخ ساختار منظم، محتوای قابل‌توجه و جزئیات کافی داشتند اما نشان دادند که صرفاً کپی کردن یک پرامپت هوش مصنوعی بدون زمینه کافی، به نتایج یکسانی منجر نمی‌شود.

هر پاسخ می‌توانست منطقی و کاربردی به نظر برسد، اما مقایسه همزمان آن‌ها نکته مهمی را آشکار کرد: مدل‌ها در عمل به یک سؤال واحد پاسخ نمی‌دادند.

• مدل اول، مأموریت را به عنوان آغاز یک پروژه کشف و شناخت کسب‌وکار در نظر گرفت.
• مدل دوم، مسئله را عمدتاً به عنوان پروژه بهینه‌سازی برای جست‌وجوی مبتنی بر هوش مصنوعی تفسیر کرد.
• مدل سوم، موضوع را به یک چارچوب رسمی مشاوره‌ای شامل حاکمیت، سنجش عملکرد و اجرای مرحله‌ای توسعه داد.

هیچ‌کدام از این تفسیرها اشتباه نبودند. مشکل اصلی این بود که مدل‌ها نمی‌دانستند کدام مسئله کسب‌وکار از اهمیت بیشتری برخوردار است.

آیا مسئله اصلی کاهش ترافیک وب‌سایت بود؟ میزان دیده‌شدن برند؟ حضور در پاسخ‌های تولیدشده توسط هوش مصنوعی؟ افزایش سرنخ‌های فروش؟ فشار رقابتی؟ یا آمادگی برای تغییرات آینده؟

هرکدام از این مسائل به استراتژی متفاوتی نیاز دارند و وقتی اطلاعات کافی برای درک هدف اصلی وجود نداشته باشد، مدل هوش مصنوعی تفسیر خاص خود را از مسئله ایجاد می‌کند. بنابراین، در یک ماموریت دارای فضای تفسیر، مدل‌ها تنها اطلاعات ناقص را تکمیل نمی‌کنند؛ بلکه هدف ناقص یا نامشخص را نیز با برداشت خود جایگزین می‌نمایند. در چنین شرایطی، بهبود ظاهری پرامپت هوش مصنوعی کافی نیست و تمرکز باید بر بهبود اطلاعات قرار گیرد.

اجرای دوم: اطلاعات بهتر، توصیه‌های بهتر

بازاریابان باتجربه معمولاً کار را با گفت‌وگو و جمع‌آوری اطلاعات آغاز می‌کنند. ابتدا مشخص می‌شود موفقیت دقیقاً چه معنایی دارد، کدام مشتریان ارزش بیشتری برای کسب‌وکار دارند، درآمد اصلی از چه بخش‌هایی تأمین می‌شود، چه محدودیت‌هایی وجود دارد و چه نوع مصالحه‌هایی قابل قبول است، سپس این اطلاعات به یک دستور اجرایی و کاربردی تبدیل می‌شوند. در مرحله نخست آزمایش، این فرایند عمداً حذف شده بود.

برای اجرای دوم، ساختار اصلی مأموریت تا حد زیادی بدون تغییر باقی ماند، اما اطلاعاتی به آن اضافه شد که در شرایط واقعی معمولاً طی جلسات و گفت‌وگوهای اولیه با کسب‌وکار به دست می‌آید.

طبق بررسی گزارشی مشخص شد که مشتری یک شرکت منطقه‌ای فعال در حوزه سیستم‌های گرمایش، سرمایش و تهویه مطبوع است. این مجموعه وب‌سایتی با سابقه دارد، بودجه آن محدود است و ترجیح می‌دهد پیش از تولید حجم قابل‌توجه محتوای جدید، دارایی‌ها و صفحات فعلی وب‌سایت را بهبود دهد.

تصویر(3)

همچنین هدف اصلی نیز به طور دقیق مشخص شد:

"افزایش درخواست‌های خدماتی واجد شرایط و قراردادهای تعمیر و نگهداری به عنوان ارزشمندترین نتیجه بلندمدت برای کسب‌وکار در نظر گرفته شدند."

در این مرحله، هیچ فرمول پیچیده‌ای برای نگارش پرامپت هوش مصنوعی اضافه نشد و از مدل‌ها نیز خواسته نشد روش استدلال خاصی استفاده کنند. تنها اطلاعاتی ارائه شد که یک استراتژیست حرفه‌ای معمولاً پیش از ارائه توصیه‌های اجرایی جمع‌آوری می‌کند.

تغییر در کیفیت پاسخ‌ها بلافاصله قابل مشاهده بود. هر سه مدل همچنان سبک و رویکرد اصلی خود را حفظ کردند، اما این‌بار توصیه‌ها بر یک زمینه تجاری مشترک و مشخص استوار بودند.

• مدل اول همچنان رویکردی مبتنی بر شناخت و کشف داشت و بر تقاضای فصلی، قراردادهای نگهداری، دارایی‌های موجود و اولویت‌بندی بودجه تمرکز کرد.

• مدل دوم همچنان رویکردی فنی‌تر ارائه داد و توصیه‌های خود را به پرسش‌های خدماتی محلی و محدودیت‌های تجاری مرتبط ساخت.

• مدل سوم نیز چارچوب ساختاریافته خود را حفظ کرد و موضوعاتی مانند تصمیم‌گیری میان تعمیر یا تعویض تجهیزات، توسعه برنامه‌های نگهداری و محافظت از وضعیت فعلی سئو را در اولویت قرار داد.

اضافه شدن اطلاعات کسب‌وکار، مأموریتی ساده را به یک خلاصه واقعی تبدیل کرد. در نتیجه، پاسخ‌ها جزئی‌تر، از نظر تجاری کاربردی‌تر و با چالش واقعی کسب‌وکار هماهنگ‌تر شدند.

بنابراین کیفیت پاسخ حاصل از پرامپت هوش مصنوعی، قبل آنکه به پیچیدگی پرامپت وابسته باشد، به کیفیت اطلاعات و زمینه کسب‌وکاری بستگی دارد که پشت آن پرامپت قرار گرفته است.

اجرای نهایی: جایی که قضاوت انسانی همچنان اهمیت دارد

خلاصه اطلاعات دقیق‌تر، باعث شد پاسخ مدل‌های مختلف به یکدیگر نزدیک‌تر شوند اما این موضوع به تنهایی تضمین نمی‌کرد که تمام توصیه‌های ارائه‌شده توسط پرامپت هوش مصنوعی کاربردی باشند.

هر سه مدل گزینه‌ها و فرصت‌هایی بیش از توان اجرایی یک کسب‌وکار منطقه‌ای با بودجه محدود برای فصل پیش‌رو ارائه کردند. فرصت‌ها به درستی شناسایی و دسته‌بندی شده بودند و برای اهمیت هر کدام نیز توضیح وجود داشت؛ با این حال، انتخاب میان آن‌ها همچنان به قضاوت استراتژیک نیاز داشت.

برای ارزیابی توصیه‌ها می‌توان از معیارهای عملی‌تری استفاده کرد:

• آیا این پیشنهاد قابلیت ارائه به مشتری را خواهد داشت؟
• آیا امکان اجرای واقعی آن وجود دارد؟
• آیا شواهد موجود از این پیشنهاد پشتیبانی می‌کنند؟

آیا پیشنهاد با اهداف اصلی کسب‌وکار هماهنگ است یا صرفاً یک فعالیت منطقی در حوزه سئو محسوب می‌شود؟

یک پیشنهاد ممکن است از نظر فنی کاملاً صحیح باشد اما همچنان سرمایه‌گذاری نامناسبی برای کسب‌وکار محسوب گردد. برای مثال، یک فرصت تولید محتوا می‌تواند در ظاهر ارزشمند تلقی شود اما شواهد کافی درباره علاقه یا تقاضای مشتریان برای آن وجود نداشته باشد.

تصویر(4)

به همین ترتیب، یک چارچوب سنجش عملکرد می‌تواند بسیار دقیق و جامع طراحی شود اما با توجه به نیروی انسانی یا سیستم‌های موجود شرکت، اجرای آن امکان‌پذیر نباشد.

با بررسی نسخه‌های مختلف پاسخ‌ها، چند اولویت در تمام مراحل اهمیت خود را حفظ کردند:

• ایجاد یک خط مبنا برای بررسی نحوه نمایش شرکت در پاسخ‌های مهم و تجاری تولید شده توسط هوش مصنوعی.

• اندازه‌گیری سرنخ‌های واجد شرایط، خدمات رزرو شده و رشد قراردادهای نگهداری در کنار ارجاعات و ورودی‌های حاصل از هوش مصنوعی.

• تعریف دقیق «درخواست واجد شرایط» پیش از در نظر گرفتن افزایش دیده‌شدن به عنوان یک موفقیت.

• بررسی صفحات خدمات، اطلاعات کسب‌وکار محلی و مسیرهای تبدیل کاربر پیش از سرمایه‌گذاری گسترده در تولید محتوای جدید.

• تولید دارایی‌ها و محتوای جدید تنها زمانی که صفحات موجود قادر به پوشش یک خلأ اطلاعاتی معتبر نباشند.

• تمرکز بر تصمیم‌های فوری و فصلی مشتریان و فرصت‌های مرتبط با قراردادهای نگهداری، به جای اجرای تغییرات گسترده در تمام بخش‌های وب‌سایت.

مدل‌های هوش مصنوعی می‌توانند دامنه فرصت‌ها را گسترش دهند، اما محدود کردن این گزینه‌ها و انتخاب اولویت‌های مناسب همچنان به قضاوت استراتژیک انسانی وابسته است.

چرا پرامپت هوش مصنوعی باید شواهد ارائه دهد؟

یک تصویر از پرامپت معمولاً بخش بزرگ فرایند واقعی را پنهان می‌کند؛ از جمله نحوه تعریف ماموریت، اطلاعات تجاری اضافه‌شده و قضاوت‌هایی که برای تعیین اولویت‌ها انجام شده‌اند.

مشاهده پرامپت دقیق می‌تواند مفید باشد، زیرا نشان می‌دهد یک وظیفه چگونه تعریف شده و چه اطلاعاتی در اختیار مدل هوش مصنوعی قرار گرفته است. با این حال، پرامپت هوش مصنوعی نشان نمی‌دهد کاربر پیش از آن چه اطلاعاتی داشته، اجرای اولیه چه مشکلاتی را آشکار کرده، کدام فرضیات کنار گذاشته شده‌اند یا چرا نسخه بعدی تغییر کرده است.

تصویر(5)

به همین دلیل، پرامپتی که در یک موقعیت نتیجه‌ای چشمگیر ایجاد کرده، ممکن است در شرایط دیگر تنها پاسخی معمولی و قابل‌قبول تولید کند. کلمات یکسان هستند، اما تفکر، اطلاعات و زمینه پشت آن‌ها یکسان نیست. پرامپت باعث می‌شود نتایج حاصل از شناخت اولیه، تحقیق، قضاوت تجاری و بررسی، برای مدل هوش مصنوعی قابل مشاهده شوند؛ اما جایگزین هیچ‌یک از این مراحل نمی‌شود.

جمع بندی: آنچه پرامپت در نظر نمی‌گیرد

این آزمایش با یک ماموریت آغاز شد، سپس به یک خلاصه اطلاعات کامل‌تر تبدیل شد و در نهایت قضاوت انسانی اولویت‌های واقعی را مشخص کرد. پرامپت هوش مصنوعی نخستین بخش قابل مشاهده این فرایند است. دلیل درخواست مکرر پرامپت از دیگران نیز تا حد زیادی همین ویژگی می باشد؛ پرامپت به راحتی قابل اشتراک‌گذاری است و می‌توان آن را در یک تصویر، پست شبکه اجتماعی یا اسلاید نمایش داد.

اما گفت‌وگوهای اولیه، تغییر فرضیات، مسیرهای اشتباه، اصلاحات و تصمیم‌های تحلیلی پشت یک خروجی موفق به همین سادگی قابل نمایش نیستند. درعین‌حال، همین بخش‌ها معمولاً ارزش آموزشی بیشتری دارند. بنابراین، هنگام مشاهده یک خروجی قابل‌توجه از هوش مصنوعی، پرسیدن درباره پرامپت همچنان می‌تواند مفید باشد؛ اما نباید پرامپت را توضیح کامل فرایند دانست. سؤال مفیدتر این است که چه فرایندی، چه اطلاعاتی و چه تصمیماتی به آن نتیجه منتهی شده‌اند.