۵ باور غلط دربارۀ هوش مصنوعی مولّد که مانع پیشرفت تیم‌های فروش و بازاریابی می‌شود

فناوری‌های جدید و تحول‌آفرین معمولاً همزمان با ایجاد هیجان، نگرانی‌هایی را نیز به همراه دارند. هوش مصنوعی مولّد (Generative AI) از این قاعده مستثنی نیست. در دنیای بازاریابی و فروش، بحث‌های فراوانی پیرامون این فناوری در جریان است. بر اساس یک نظرسنجی اخیر مؤسسه مک‌کینزی که با حضور نزدیک به ۴۰۰۰ مدیر تجاری انجام شده، از هر پنج سازمان فروش، یکی حداقل یک کاربرد از هوش مصنوعی مولد را اجرایی کرده و بسیاری دیگر نیز در حال آزمایش قابلیت‌های آن هستند. نتایج اولیه بسیار امیدوارکننده است؛ دو سوم پاسخ‌دهندگان اذعان داشته‌اند که این فناوری برای آن‌ها "بسیار" یا "به‌طور چشمگیری" مفید بوده است.

با این حال، میزان پیشرفت و پذیرش این فناوری در کسب‌وکارها به آن سرعتی که انتظار می‌رفت، رخ نداده است. این موضوع ازآن‌جهت اهمیت دارد که هوش مصنوعی مولّد می‌تواند بهره‌وری بازاریابی را تا ۱۵ درصد و بهره‌وری فروش را تا ۲۰ درصد افزایش دهد. اما بخش زیادی از این پتانسیل، به دلیل پنج باور نادرست، همچنان دست‌نخورده باقی مانده است. در ادامه، این پنج باور غلط و واقعیت‌های پشت آن‌ها را بررسی می‌کنیم.

باور غلط ۱: هوش مصنوعی مولّد فقط در مراحل اولیه شناسایی مشتری مفید است

تصور بسیاری از افراد این است که هوش مصنوعی مولّد تنها در مرحله ابتدایی قیف فروش، یعنی جذب سرنخ‌ها (Lead Generation) و جمع‌آوری اطلاعات مشتریان، مفید است. درحالی‌که این فناوری کاربردهای بسیار گسترده‌تری دارد. هوش مصنوعی مولد می‌تواند در تمامی مراحل قیف فروش به کمک تیم‌ها بیاید؛ از تولید محتوای شخصی‌سازی‌شده گرفته تا انجام تحقیقات بازار، تحلیل رقابتی، تهیه پیش‌نویس خودکار پیشنهادات و ارزیابی عملکرد.

برای مثال، یک شرکت ارائه‌دهنده راهکارهای سازمانی از هوش مصنوعی مولّد برای تهیه گزارش‌های تحلیلی پیش از جلسات فروش استفاده کرد. این گزارش‌ها شامل اطلاعات حساب مشتری، خلاصه تعاملات قبلی و پیشنهادهای ارزشی بودند. نتیجه این اقدام، افزایش ۱۰ درصدی در بهره‌وری فروش در بخش مربوطه بود. به‌طور مشابه، یک سازمان مدیریت درمان از هوش مصنوعی مولّد برای تهیه پاسخ‌های پیشنهادی به درخواست‌های پیشنهادی (RFPs) استفاده کرد که باعث کاهش بیش از ۵۰ درصدی زمان پاسخ‌گویی شد.

باور غلط ۲: هوش مصنوعی مولّد فقط برای کسب‌وکارهای دارای حجم بالای مشتری یا تراکنش مناسب است

در حالی که هوش مصنوعی مولّد در صنایعی با حجم بالای تراکنش مانند بانکداری و خرده‌فروشی به‌خوبی عمل کرده، اما در کسب‌وکارهای B2B و معاملات کلان نیز به همان اندازه ارزشمند است. این فناوری می‌تواند در مدیریت دانش، پردازش داده‌های گسترده و بهینه‌سازی فرآیندهای فروش به شرکت‌ها کمک کند.

برای مثال، یک شرکت مخابراتی از هوش مصنوعی مولّد برای جمع‌آوری اطلاعات رقابتی، بهبود ارزش پیشنهادی و طراحی برنامه‌های حساب مشتری برای شرکت‌های متوسط و بزرگ استفاده کرد. این اقدام باعث کاهش ۹۰ درصدی کارهای دستی و شناسایی مؤثرتر فرصت‌های باارزش شد.

باور غلط ۳: هوش مصنوعی مولّد هنوز به اندازه کافی پیشرفته نیست تا مشکلات پیچیده مشتریان را حل کند

برخی از متخصصان فروش و بازاریابی تصور می‌کنند که هوش مصنوعی مولّد تنها به‌عنوان یک ابزار پاسخ‌گویی ساده عمل می‌کند. درحالی‌که شرکت‌های پیشرو از این فناوری برای ایجاد "هوش مصنوعی عامل‌محور" (Agentic AI) استفاده می‌کنند که می‌توانند وظایف داخلی و مشتری‌محور را انجام دهند.

به‌عنوان نمونه، یک تولیدکننده تجهیزات صنعتی از هوش مصنوعی مولد برای خودکارسازی تعاملات ایمیلی در زمینه تعویض قطعات استفاده کرد. این فناوری در عرض یک ماه با نزدیک به ۵۰,۰۰۰ مشتری ارتباط برقرار کرده و بیش از یک میلیون پیشنهاد قیمت تولید کرد. این مثال نشان می‌دهد که عوامل مبتنی بر هوش مصنوعی مولد، به‌طور روزافزونی در حال گسترش و تسهیل فرآیندهای فروش و تعامل با مشتریان هستند.

باور غلط ۴: داده‌های مشتری و محصول ما بیش از حد نامرتب است تا هوش مصنوعی مولّد بتواند عملکرد خوبی داشته باشد

بسیاری از شرکت‌ها نگران این هستند که داده‌هایشان ساختاریافته نیست و به همین دلیل هوش مصنوعی مولّد نمی‌تواند به درستی از آن استفاده کند. اما این تصور اشتباه است. هوش مصنوعی مولّد نه‌تنها می‌تواند داده‌ها را سریع‌تر پردازش کند، بلکه قادر است بسیاری از مشکلات مربوط به کیفیت داده را نیز برطرف کند.

به‌عنوان مثال، این فناوری می‌تواند دسته‌بندی محصولات را بهینه کند، قیمت‌گذاری را بهبود بخشد یا محتوای وب‌سایت را به راهنماهای شخصی‌سازی‌شده برای مشتریان تبدیل کند. علاوه بر این، بسیاری از موارد استفاده از هوش مصنوعی مولّد نیازی به داده‌های بسیار ساختاریافته ندارند؛ مدل‌های زبانی بزرگ (LLMs) می‌توانند با ترکیب منابع عمومی و اسناد داخلی، دانش موردنیاز را استخراج کنند.

یک توزیع‌کننده جهانی ماشین‌آلات، با استفاده از این روش، یک سیستم مدیریت دانش مبتنی بر هوش مصنوعی مولّد را به کار گرفت که به نمایندگان خدمات مشتری کمک کرد مشکلات را ۱۰ برابر سریع‌تر تشخیص داده و حل کنند، در نتیجه میزان خرابی‌های غیرمنتظره مشتریان به‌شدت کاهش یافت.

باور غلط ۵: پیاده‌سازی هوش مصنوعی مولد زمان زیادی می‌برد

یکی از بزرگ‌ترین تصورات اشتباه این است که پیاده‌سازی هوش مصنوعی مولّد فرایندی زمان‌بر و پیچیده است. در واقع، بسیاری از کاربردهای این فناوری در عرض چند ماه، و حتی در برخی موارد طی چند هفته، قابل‌اجرا هستند.

برای مثال، همان توزیع‌کننده ماشین‌آلات که در بخش قبل ذکر شد، سیستم خود را در کمتر از یک ماه توسعه داد. همچنین، یک اپراتور مخابراتی ابزار تولید برنامه حساب‌های مجهز به هوش مصنوعی مولّد خود را در شش هفته راه‌اندازی کرد.

شرکت‌ها می‌توانند از راهکارهای آماده موجود در بازار استفاده کنند و برای ایجاد قابلیت‌های متمایز از متخصصان خارجی کمک بگیرند. امروزه مدل‌های زبانی بزرگ به‌عنوان یک سرویس در دسترس هستند و بسیاری از نرم‌افزارهای سازمانی نیز قابلیت‌های هوش مصنوعی مولد را در ابزارهای خود گنجانده‌اند.

یکی از موانع اصلی در پیاده‌سازی این فناوری، تلاش برای رسیدن به کمال است. درحالی‌که باید ریسک‌ها را مدیریت کرد، اما نیازی نیست که همه جزئیات پیش از استقرار برطرف شوند. در عوض، کسب‌وکارها باید با رویکرد محصول حداقلی قابل‌قبول (MVP) پیش بروند و سپس بهینه‌سازی‌های لازم را در طول زمان انجام دهند.

Credits: "5 Gen AI Myths Holding Sales and Marketing Teams Back" by Doug J. Chung, Candace Lun Plotkin, Siamak Sarvari, Jennifer Stanley and Maria Valdivieso, published in Harvard Business Review.

Read here: https://hbr.org/2025/02/5-gen-ai-myths-holding-sales-and-marketing-teams-back