بازاریاب‌ها چگونه باید خود را با عصر مدل‌های بزرگ زبانی وفق دهند؟

به گزارش پیوست، کاربران با استفاده روز افزون از اپلیکیشن‌هایی مثل ChatGPT ای Perplexity یا درگاه‌های جستجویی مثل تجربه جستجوی مولد گوگل (SGE) یا کوپایلوت در بینگ، در قالب زبان طبیعی با محصولات آشنا می‌شوند و این فرایند که مبتنی بر مشاوره و مکالمه است به مجرای جدید اطلاعات بدل می‌شود که بازاریاب‌ها باید آن را زیر نظر بگیرند تا مطمئن شوند که برند آن‌ها در پرامپت‌های مرتبط حضور دارد و به درستی توصیف می‌شود.

بازاریاب‌ها برای پشت سر گذاشتن این چالش باید چند چیز را سنجیده و زیر نظر بگیرند: (۱) آیا برند‌ آنها در خروجی LLM حضور دارد و احتمال حضور برند در چه زمانی بیشتر از همیشه است؛ (۲) برند‌ آنها تا چه اندازه مثبت معرفی می‌شود و کدام نکات منفی به محصولات آنها نسبت می‌گیرند؛ و (۳) سطح دیده شدن محصولات و برند آنها در مقایسه با رقبا در پرامپت‌های مرتبط. با این کار بازاریاب‌ها نه تنها سنجه‌های مرتبط را ساخته و آزمایش می‌کنند بلکه فعالیت‌های تازه‌ای را برای مدیریت پیچیدگی شکل می‌دهند.

جستجویی برای «بهترین دوچرخه جاده‌ای برای تازه‌کار‌ها» این مساله را روشن می‌کند. وقتی از Perplexity پرسیدیم، این ابزار دوچرخه Aventon Level 2 را به عنوان بهترین دوچرخه برای تازه‌کار‌ها معرفی کرد و به هندسه مناسب، چرخ‌های عریض و کیفیت قطعات با وجود قیمتی معقول اشاره داشت. بخش جستجو با هوش مصنوعی گوگل هم دوچرخه Giant Contend 3 یا Specialized Allez E5 را به ما پیشنهاد داد. هردو جستجو ما را درمورد نحوه خرید یک دوچرخه جدید راهنمایی کردند و راهکار ساده‌ای برای پرسش‌های بعدی ارائه داشتند. اما مهمترین چیز این بود که همه اینها پیش از ورود به وبسایت برند اتفاق می‌افتاد. اگر یک LLM در این مرحله از جستجو به برند شما اشاره نکند، کاربران اصلا شما را در نظر نمی‌گیرند.

بهینه‌سازی برای مدل بزرگ زبانی

چالش‌های جدیدی فرصت‌های تازه‌ای را به همراه خود دارند. همانند علم بهینه‌سازی موتور جستجو یا SEO که به عصر جستجوی مبتنی بر مرورگر شکل داد، علم جدید بهینه‌سازی LLM یا LLMO نیز در آینده ظهور می‌کند و بازاریاب‌ها باید از آن استفاده کنند.

الگوریتم‌هایی که LLM را تغذیه می‌کنند با الگوریتم‌های سنتی جستجو تفاوت دارند. گوگل SGE براساس یک سری فاکتور‌های رده‌بندی متفاوت از الگوریتم سنتی گوگل فعالیت دارد. الگوریتم سنتی جستجو برای ترویج لینک‌هایی بهینه‌سازی شده بود که معتبر، کامل و مرتبط باشند. سایت‌هایی که متا‌داده، تراکم کلمه کلیدی و بک‌لینک را در اولویت داشتند به رده‌های بالا می‌رسیدند.

با این حال LLM به گونه‌ای بهینه‌سازی شده‌اند تا پاسخ‌های دقیق و متقاعد کننده را به سرعت ارائه کنند. آنها محتوا را از چندین حالت (متن، تصویر، ویدیو) و چندین نوع محتوا (بررسی، محتوای وبسایت برند، محتوای ارائه شده از کاربر) برای تهیه پاسخ استخراج می‌کنند. پاسخ‌های LLM که در مسیر حرکت کاربر از جستجوی اولیه تا سوالات بعدی همراه او است همگی به محل کاربر در فرایند خرید توجه دارند. وبسایت‌هایی که محتوای‌شان به سادگی توسط LLM ایندکس می‌شود به احتمال بیشتری در پاسخ هوش مصنوعی قرار می‌گیرند.

بخش مهمی از جستجوی مدل بزرگ زبانی به عنوان تولید در ترکیب با بازپس‌گیری یا RAG است که براساس آن LLM از محتوای تکمیلی سنتی مثل مستندات شرکت یا محتوای وب برای تکمیل پاسخ خود به پرامپت‌ها استفاده می‌کند. این مساله برای هرکسی که به دنبال بهینه‌سازی LLM باشد اهمیت دارد: اگر می‌خواهید متن تولیدی LLMها به یک سوال را تغییر دهید، باید به شکل استراتژیک به دنبال تغییر منابع مختلفی باشید که هوش مصنوعی احتمالا اطلاعات خود را از آن استخراج می‌کند.

مقاله تازه‌ای از پژوهشگران هاروارد نشان می‌دهد که تزریق یک «زنجیره متن استراتژیک» (متنی که به صفحه اطلاعات محصول اضافه شده تا احتمال پیشنهاد آن را افزایش دهد)، می‌تواند به شکل قابل توجهی اطلاعاتی که LLM در پاسخ به سوال مصرف‌کننده ارائه می‌کند را تغییر دهد. تیم هاروارد در آزمایش خود یک زنجیر متن استراتژیک را برای تاکید بر مقرون‌به‌صرفه بودن یک دستگاه قوه‌ساز به نام ColdBrew Master اضافه کردند و این کار باعث شد تا LLM در پاسخ به پرامپتی درمورد قوه‌ساز‌های مقرون‌به‌صرفه به احتمال بیشتری به این دستگاه اشاره کند. در حالت عادی LLM هیچگاه به ColdBrew Master به عنوان یک مدل مقرون‌به‌صرفه اشاره نمی‌کرد اما زنجیره متن استراتژیک باعث شد تا محققان بتوانند آن را به یکی از پایه‌ ثابت‌های پیشنهاد مقرون‌به‌صرفه تبدیل کنند.

ما بر این باوریم که LLMO نقشی کلیدی در تکامل تجربه جستجو ایفا می‌کند. باید منتظر ماند و دید که غول‌های فناوری چگونه از LLM درآمدزایی می‌کنند. بخری شرکت‌ها ممکن است از یک مدل اشتراکی استفاده کنند و برخی دیگر هم به دنبال تبلیغات باشند. اما برخلاف امروز تنها یک بازیگر مسلط نیست که تمامی بازار را تحت کنترل دارد بلکه در آینده مشتریان می‌توانند از بین چندین گزینه انتخاب کنند. در نتیجه فرصت‌های شغلی تازه‌ای در حوزه LLMO ایجاد می‌شود.

مشاغل

هوش مصنوعی مولد به اضطراب شدیدی در بین کارکنان و سیاست‌گذاران دامن زده است زیرا این پتانسیل را دارد که جایگزین میلیون فعالان امروزی شود. اقتصاد‌دان‌ها معمولا با اشاره به نوآوری‌های گذشته به این نگرانی‌ها پاسخ می‌دهند که همگی در نهایت باعث اشتغال‌زایی بیشتر شدند. درنتیجه رویکردی مثبت اندیش همین روند را برای LLM پیش‌بینی می‌کند.

درست است که در آینده بسیاری از وظایف متخصصان SEO به صورت خودکار انجام می‌شود زیرا LLMها نشان داده‌آند که همین امروز هم در بهینه‌سازی محتوا عملکرد بهتری نسبت به انسان‌ها دارند و هزینه‌کمتری هم می‌برند. انتظار داریم که شرکت‌ها در آینده بسیاری از کارهای SEO خود را با کارکنان کمتری انجام دهند که در نتیجه باعث نگرانی درمورد فرصت‌های شغلی می‌شود.

اما از سوی دیگر این بحث هم وجود دارد که SEO هرروز پیچیده‌تر از دیروز است. متخصصان SEO (که به زودی به متخصصان LLMO تبدیل می‌شوند) باید ظاهر برند را در پلتفرم‌های مختلف LLM مدیریت کنند و از روش‌های جدید برای بهینه‌سازی بهره‌ بگیرند و خود را به سرعت با گستره در حال تکامل LLM وفق دهند. آن دسته از متخصصان SEO که میلی به یادگیری، انطباق و آزمایش با فناوری‌های تازه داشته باشند خواهند توانست شهرت و پذیرش برند‌های خود را در LLMها افزایش دهند. به عبارت ساده آنها به متخصصان LLMO تبدیل می شوند، یک جایگاه حیاتی در شرکت‌ها و شرکت‌های خدمات بازاریابی پشتیبان آنها.

وقتی یک فناوری قدرتمند تازه تاثیر خود را بر اقتصاد می‌گذارد، مردم معمولا مشاغلی که در معرض خطر قرار دارند را تشخیص می‌دهند اما آنهایی که تازه متولد می‌شوند را نمی‌بینند. امروزه همانند دیگر انقلاب‌های فناورانه یکی از نگرانی‌های اصلی ما مربوط به دید محدود درمورد مشاغل تازه‌ای است که LLMها همراه خود می‌آوردند. چشم‌انداز کاری برای متخصصان بازاریابی همچنان مبهم است اما گوشه‌هایی از وضعیت آینده را می‌توان حداقل در یکی از زمینه‌ها دید.