تحقیقات بازار با هوش مصنوعی: از چند ماه به چند روز

پژوهش بازار همیشه یک دوراهی داشته است: یا صبر کنید و هزینهٔ سنگین بدهید، یا بدون داده تصمیم بگیرید. تحقیقات بازار با هوش مصنوعی می‌خواهد این معادله را عوض کند. مقاله‌ای در MIT Sloan Management Review (بهار ۲۰۲۶) از سه پژوهشگر دانشگاه ویسکانسین، نیراج آرورا، ایشیتا چاکرابورتی و یوهه نیشیمورا، همین ادعا را بررسی می‌کند. آن‌ها می‌گویند مدل‌های زبانی بزرگ می‌توانند زمان پژوهش را از چند ماه به چند روز برسانند. در این نوشته ایدهٔ اصلی مقاله و نقدی که یکی از خوانندگان زیر آن نوشته را مرور می‌کنم و بعد می‌گویم برای کسب‌وکار ایرانی چه معنایی دارد.

چرا پژوهش بازار سنتی کند و گران است؟

شرکت‌ها پژوهش بازار انجام می‌دهند تا بفهمند مشتری چه می‌خواهد و چه می‌اندیشد. بعد بر اساس آن، تصمیم‌های راهبردی و اجرایی می‌گیرند. طبق مقاله، این فرایند همیشه چندمرحله‌ای، زمان‌بر و پرکار بوده است. یک پروژهٔ معمول این مراحل را دارد:

• تعریف مسئله
• طراحی پژوهش و طراحی مطالعه
• انتخاب نمونه (یعنی چه کسانی پرسیده شوند)
• جمع‌آوری داده
• تحلیل داده
• ارائهٔ بینش‌ها

بخشی از پژوهش‌ها کیفی است، مثل مصاحبهٔ عمیق و گروه کانونی (جلسهٔ گفتگوی گروهی با مشتریان). بخشی هم کمی است، مثل پرسشنامه. کار را یا تیم داخلی انجام می‌دهد یا آژانس تخصصی. بسته به دامنه، یک پروژه از چند هفته تا چند ماه طول می‌کشد. هزینه‌اش هم از ده‌ها هزار تا صدها هزار دلار است. نویسندگان صنعت بینش مصرف‌کننده را حدود ۱۵۳ میلیارد دلار برآورد می‌کنند.

مشکل اصلی این است که تا نتیجه برسد، شرایط بازار ممکن است عوض شده باشد.

مدل‌های زبانی بزرگ چه چیزی را عوض می‌کنند؟

مدل زبانی بزرگ (LLM) همان فناوری پشت ابزارهای گفتگویی مثل ChatGPT است. نویسندگان بر اساس پژوهش خودشان در Journal of Marketing و گفتگو با مدیران بازاریابی شرکت‌های بزرگ می‌گویند این مدل‌ها در حال تغییر کار بازاریابی‌اند. تأثیرشان را در چند محور می‌بینند.

۱. دوقلوهای دیجیتال مصرف‌کننده

«دوقلوی دیجیتال» یا مصرف‌کنندهٔ مصنوعی یعنی مدل زبانی نقش یک مشتری با ویژگی‌های مشخص را بازی کند و به سؤال‌های شما جواب بدهد. کاربرد اصلی‌اش آزمون سریع ایده (concept testing) است. قبل از هزینه کردن روی نمونهٔ واقعی، چند ایده را سریع محک می‌زنید.

۲. مصاحبهٔ کیفی در مقیاس بزرگ

محور دوم مصاحبه‌هایی است که هوش مصنوعی اجرا می‌کند. یکی از خوانندگان در بخش نظرات می‌نویسد مقاله یک حلقهٔ سه‌مرحله‌ای برای مصاحبه‌گر هوشمند توضیح می‌دهد: بپرس، پاسخ را امتیاز بده، اگر لازم بود عمیق‌تر بپرس. نتیجه این است که مصاحبهٔ کیفی دیگر به تعداد محدود مصاحبه‌گر انسانی گره نخورده است.

۳. تحلیل داده‌های بدون ساختار

داده بدون ساختار یعنی متن آزاد، مثل نظرها، پیام‌ها و رونوشت گفتگوها. نویسندگان می‌گویند مدل‌های زبانی به شرکت‌ها کمک می‌کنند از این داده‌ها بهتر استفاده کنند. حاصل جمع این سه محور این است که تیم‌های پژوهشی کوچک‌تر می‌توانند مطالعه‌های بسیار بزرگ‌تری انجام دهند و آزمایش‌های تکراری‌تری داشته باشند.

انسان در چرخه می‌ماند

مقاله هوش مصنوعی را جایگزین پژوهشگر نمی‌داند. می‌گوید AI با «انسان در چرخه» وارد فرایند می‌شود. در مراحل اول، یعنی تعریف مسئله و طراحی پژوهش، تصمیم‌گیرنده راهنماست. نویسندگان این تغییر را به داروسازی تشبیه می‌کنند. همان‌طور که هوش مصنوعی فاصلهٔ غربالگری داروهای کاندیدا تا آمادگی برای آزمایش بالینی را کوتاه کرده، اینجا هم فاصلهٔ کاوش تا بینش را کوتاه می‌کند.

نقد یک خواننده: پنج نقطهٔ شکننده

زیر مقاله یک خوانندهٔ ناشناس نقدی نوشته که ارزش خواندن دارد. او با بخش بزرگی از مقاله موافق است، ولی معتقد است معماری توصیف‌شده شکننده‌تر از چیزی است که مقاله نشان می‌دهد. این‌ها نظر او است، نه نظر نویسندگان.

مصاحبه‌گر هوشمند یک عامل واحد نیست

به گفتهٔ او، مدلی که بهش بگویید «هر بار فقط یک سؤال بپرس»، اغلب سه سؤال می‌پرسد. راهکارش تقسیم کار است: یک عامل مسیر مصاحبه را دنبال می‌کند و تصمیم می‌گیرد کجا عمیق‌تر بپرسد. عامل دوم فقط جمله‌بندی سؤال بعدی را به عهده دارد.

حافظهٔ مصاحبه مسئلهٔ حل‌شده نیست

در مصاحبهٔ کوتاه، فرستادن کل گفتگو به مدل کافی است. اما در مصاحبه‌های ۴۰ تا ۵۰ دقیقه‌ای، پدیدهٔ «گم‌شدن در میانه» پیش می‌آید و مدل حرف‌های اول را کم‌کم نادیده می‌گیرد. تناقض‌ها هم از چشمش می‌افتد. این خواننده حافظهٔ ساخت‌یافته می‌خواهد، مثل خلاصه‌سازی مرحله‌ای و بازیابی لحظه‌های مهم.

پاسخ‌دهندهٔ مصنوعی داده می‌دهد، نه بینش

مدل زبانی پاسخ «میانگین» آدم‌هایی با آن مشخصات را می‌دهد. اما ارزش پژوهش کیفی در پاسخ‌های غیرمعمول است، مثل کسی که مناسبتی را دوست ندارد ولی از سر عذاب وجدان در آن شرکت می‌کند. او می‌نویسد نویسندگان گزارش کرده‌اند روش ترکیبی ۷۷ درصد مضمون‌هایی را که تحلیلگران انسانی پیدا کرده‌اند بازیابی کرده است. سؤال او این است: اگر ۲۳ درصد باقی‌مانده همان مضمون‌های کلیدی باشند چه؟ خطر اصلی داده‌ای است که قانع‌کننده به نظر می‌رسد و فرضیهٔ پژوهشگر را تأیید می‌کند.

مقیاس، کیفیت را تهدید می‌کند

مصاحبه‌گر هوشمند به تنظیم دقیق نیاز دارد: شخصیت‌ها، معیارهای امتیازدهی و آستانهٔ سؤال‌های تکمیلی. در ۱۰ مصاحبه می‌شود همهٔ متن‌ها را خواند. در ۱۰۰ یا ۱۰۰۰ مصاحبه فقط می‌شود نمونه‌گیری کرد. پس مقیاس بزرگ به زیرساخت کنترل کیفیت هم نیاز دارد، مثل بررسی خودکار ثبات پاسخ‌ها و آزمون تهاجمی رفتار مصاحبه‌گر.

پژوهشگر «نویسندهٔ» واقعیت می‌شود

وقتی پژوهشگر هم پاسخ‌دهنده را می‌سازد و هم مصاحبه‌گر را برنامه‌ریزی می‌کند، در واقع با پژواک فرضیات خودش گفتگو می‌کند. پیشنهاد او «جدایی تقابلی» است: کسی که پاسخ‌دهندگان مصنوعی را طراحی می‌کند نباید همان کسی باشد که خروجی را ارزیابی می‌کند.

نکات کاربردی برای کسب‌وکارها

این نکات تحلیل من است، نه ادعای مقاله.

• از هزینه و زمان شروع کنید. بسیاری از کسب‌وکارهای ایرانی بودجه‌ای برای پژوهش صدها هزار دلاری ندارند. مدل زبانی می‌تواند سنجش اولیهٔ ایده‌ها را برایشان ممکن کند.
• داده‌های متنی خودتان را تحلیل کنید. نظرهای مشتریان زیر محصولات، پیام‌های دایرکت اینستاگرام و گفتگوهای پشتیبانی تلگرام معدن داده‌اند. دسته‌بندی آن‌ها با مدل زبانی نمونهٔ ساده‌ای از تحلیل داده بدون ساختار است.
• از مصرف‌کنندهٔ مصنوعی فقط برای غربالگری استفاده کنید. برای مثال، چند متن تبلیغاتی یا چند نام برای یک برند را اول با مشتری فرضی بسنجید. بعد نسخه‌های برتر را روی مشتری واقعی تست کنید. مقاله چنین کاربرد خاصی را برای ایران نمی‌گوید، اما منطقش با ایدهٔ آزمون سریع ایده می‌خواند.
• کیفیت فارسی را خودتان بسنجید. مقاله دربارهٔ زبان فارسی چیزی نمی‌گوید. قبل از اعتماد به خروجی، آن را با چند مشتری واقعی مقایسه کنید.
• پاسخ‌های عجیب را دور نریزید. حرف‌های نامعمول مشتریان ممکن است سرنخ استراتژی باشد. مدل‌ها تمایل دارند میانگین بدهند.
• تولید و ارزیابی را از هم جدا کنید. اگر تیمتان بزرگ است، کسی که پرامپت می‌نویسد نباید تحلیلگر نهایی باشد.

پرسش‌های متداول

آیا هوش مصنوعی جای پژوهشگر بازار را می‌گیرد؟

مقاله چنین چیزی نمی‌گوید. روش پیشنهادی ترکیب انسان و هوش مصنوعی است. تصمیم‌گیرنده در تعریف مسئله و طراحی پژوهش نقش اصلی را دارد.

دوقلوی دیجیتال مصرف‌کننده یعنی چه؟

یعنی یک مدل زبانی نقش مشتری‌ای با ویژگی‌های جمعیتی و روانشناختی مشخص را بازی کند و به سؤال‌ها جواب دهد. کاربردش آزمون سریع ایده است.

بزرگ‌ترین خطر استفاده از پاسخ‌دهندهٔ مصنوعی چیست؟

به گفتهٔ منتقد مقاله، خطر اصلی داده‌ای است که قانع‌کننده و خوش‌ساخت به نظر می‌رسد ولی فقط پاسخ «میانگین» است و فرضیه‌های پژوهشگر را تأیید می‌کند.

جمع‌بندی

پیام مقاله MIT Sloan Management Review روشن است: تحقیقات بازار با هوش مصنوعی می‌تواند پژوهش را سریع‌تر و ارزان‌تر کند و امکان آزمون‌های مکرر بدهد. نقد خوانندهٔ مقاله هم یادآوری می‌کند که روانی پاسخ ماشین نباید با عمق بینش اشتباه گرفته شود. برای مدیر ایرانی راه عملی این است که از هوش مصنوعی برای سرعت و غربالگری استفاده کند، ولی تصمیم‌های مهم را با داده واقعی مشتری بسنجد.