تحقیقات بازار با هوش مصنوعی؛ تمرینی قبل از تصمیم بزرگ

اگر قرار باشد قیمت محصول یا شکل اشتراکتان را عوض کنید، معمولاً دو راه دارید: یک تحقیق بازار کامل که وقت و هزینه زیادی می‌برد، یا اجرای مستقیم تغییر و امید به اینکه مشتری‌ها ناراحت نشوند. راه سومی هم هست. می‌توانید تحقیقات بازار با هوش مصنوعی را به‌عنوان یک تمرین اولیه به کار بگیرید و واکنش احتمالی مشتری‌ها را قبل از تصمیم نهایی شبیه‌سازی کنید. این ایده را جان هورتون، استاد دانشکده مدیریت MIT Sloan، مطرح کرده است. در ادامه، نکته‌های اصلی صحبت او را مرور می‌کنیم و برای کسب‌وکارهای ایرانی تحلیل می‌کنیم که چطور می‌شود از آن استفاده کرد.

ماجرای Anthropic؛ یک تغییر کوچک، یک بازتاب بزرگ

طبق گزارش MIT Sloan، شرکت Anthropic آزمایشی روی قیمت‌گذاری ابزار Claude Code انجام داد. این آزمایش در شبکه‌های اجتماعی سر و صدای زیادی راه انداخت. توسعه‌دهنده‌ها اعتراض کردند و شرکت مجبور شد تغییر در مدل اشتراکش را پس بگیرد.

مقاله می‌گوید Anthropic مثل بسیاری از شرکت‌ها فقط می‌خواست نبض بازار را بگیرد و سراغ یک برنامه رسمی تحقیق بازار نرفت، چون زمان و هزینه‌اش را نمی‌خواست. راه جایگزین این بود که با هوش مصنوعی واکنش‌ها را مدل کند و یک جمع‌بندی اولیه به دست بیاورد.

چرا تحقیقات بازار سنتی زیر فشار است؟

هورتون در سخنرانی‌اش در سری «AI + X: How AI Is Changing Management Practice» تحقیقات بازار را اساساً یک مسئلهٔ پیش‌بینی می‌داند. به گفتهٔ او، تحقیق بازار همیشه همین کار را کرده است: اثر تصمیم‌ها را پیش از اجرا حدس می‌زند.

اما به نظر او این حوزه در حال تغییر است. چند مشکل مهم را برشمرده است:

• نرخ پاسخ‌دهی به‌شدت پایین آمده است.

• گرفتن جواب زمان زیادی می‌برد.
• کیفیت پاسخ‌ها رو به کاهش است.

برای بهتر شدن اوضاع، سه کار لازم است: داده‌های غنی‌تر و باکیفیت‌تر جمع کنیم، با تحلیل پیشرفته‌تر بهتر از داده استفاده کنیم، و مدل‌هایی بسازیم که ترجیحات آدم‌ها را شبیه‌سازی کنند. هورتون معتقد است هوش مصنوعی مولد و «عامل‌های هوش مصنوعی» (AI agents؛ نرم‌افزارهایی که می‌توانند نقش یک فرد را بازی کنند) روی هر سه مورد اثر مثبت دارند.

هوش مصنوعی چه کمکی به تحقیق بازار می‌کند؟

جمع‌آوری سریع‌تر و ارزان‌تر اطلاعات

هوش مصنوعی می‌تواند فرایند جمع‌آوری اطلاعات را خودکار کند و در زمان و هزینه صرفه‌جویی کند. نکتهٔ جالب‌تر این است که برای گرفتن بازخورد منفی، طرف بی‌طرف‌تری از یک آدم است. بعضی‌ها جلوی انسان دیگر رودربایستی دارند و انتقاد صادقانه نمی‌کنند.

استفاده از داده‌های بدون ساختار

داده بدون ساختار یعنی چیزی که در جدول و عدد نمی‌گنجد، مثل ویدیو. هوش مصنوعی می‌تواند چنین محتوایی را برای کارهای تحلیلی قابل استفاده کند. هورتون می‌گوید اگر این کار به ما اجازه دهد تحقیق کیفی را در مقیاس بزرگ انجام دهیم یا به منابع داده‌ای برسیم که قبلاً در دسترس نبودند، خیلی هیجان‌انگیز است. «تحقیق کیفی» یعنی فهمیدن دلیل‌ها و نگرش‌ها، مثلاً از طریق مصاحبه.

شبیه‌سازی رفتار و واکنش آدم‌ها

از نظر هورتون، مهم‌ترین پیشرفت این است که می‌توان رفتار و واکنش انسان را مدل کرد. مثلاً یک «پرسونا» بسازید، یعنی نمونهٔ خیالی از یک مشتری با ویژگی‌های مشخص، یا از مدل بخواهید نقش یک مشتری را بازی کند. با اینکه این مدل‌ها ایراد دارند، فایدهٔ زیادی دارند. شرط مهم این است که مطمئن باشیم مدل تقریب نسبتاً خوبی از دنیای واقعی است. هورتون از پژوهش خودش نتیجه می‌گیرد که اگر یک جایگزین خوب (proxy) داشته باشید که مثل آزمایشگاه بتوانید با آن بازی کنید، ابزار بسیار قدرتمندی در دست دارید. می‌شود ناهنجاری‌ها یا یافته‌هایی دید که نشان می‌دهند کجا ارزش بیشتر کندوکاو دارد.

سه توصیهٔ هورتون برای استفاده درست

۱. هوش مصنوعی را حرف آخر ندانید

شبیه‌سازی با هوش مصنوعی قرار نیست جای روش‌های استاندارد و دقیق تحقیق بازار را بگیرد. کارش این است که بازخوردی با جهت درست بدهد یا پیامدهای «مرتبهٔ دوم» تصمیم‌ها را نشان بدهد؛ یعنی اثرهای غیرمستقیمی که اول به چشم نمی‌آیند. به گفتهٔ مقاله، بیشتر سازمان‌ها اصلاً این جمع‌آوری اطلاعات غیررسمی و اولیه را انجام نمی‌دهند و هوش مصنوعی می‌تواند این خلأ را پر کند.

۲. چند بار و به شکل‌های مختلف امتحان کنید

در آزمایش‌ها باید از چند نوع مدل استفاده کنید و ترتیب گزینه‌ها و عبارت‌بندی پرامپت (دستوری که به مدل می‌دهید) را عوض کنید. این جزئیات نتیجه را تغییر می‌دهند و می‌توانند بینش‌ها را غنی‌تر کنند.

۳. نتیجه باید قابل تکرار و بررسی باشد

اگر قرار است تصمیم‌های مهم را بر پایهٔ خروجی یک مدل زبانی بزرگ (LLM؛ همان نوع هوش مصنوعی که متن تولید می‌کند) بگیرید، باید بتوانید ببینید نتیجه چطور به دست آمده است. یعنی بدانید کدام مدل و کدام پرامپت استفاده شده و بتوانید پاسخ‌ها را بازبینی کنید. هورتون می‌گوید حتی اگر سراغ بررسی عمیق نروید، باید این امکان را داشته باشید.

تمرین لباس‌پوشی قبل از تحقیق گران‌قیمت

هورتون انتظار دارد با بالغ‌تر شدن این حوزه، شرکت‌های بیشتری از هوش مصنوعی برای گرفتن سریع بینش با هزینه‌ٔ کم استفاده کنند. او آن را به «تمرین لباس‌پوشی» (dress rehearsal) پیش از تحقیق پرهزینه تشبیه می‌کند. با آن می‌توان مشکل‌ها را زودتر پیدا کرد و گزینه‌ها را محدودتر کرد. به گفتهٔ او، شرکت‌ها شاید سه یا چهار نسخه از یک چیز بسازند و تست کنند، اما هرگز ۷۰۰ هزار نسخه را تست نمی‌کنند. توانایی پیش‌پردازش و بیرون کشیدن مشکل‌ها خیلی ارزشمند است.

یک نکتهٔ شفافیت: مقاله می‌گوید هورتون مشاور Anthropic و هم‌بنیان‌گذار Expected Parrot است؛ پلتفرمی متن‌باز برای طراحی و اجرای پژوهش با پرسونای دیجیتال و آدم‌های واقعی. پژوهش مرتبط او با عنوان «Automated Social Science: Language Models as Scientist and Subjects» در مقاله معرفی شده است.

تحقیقات بازار با هوش مصنوعی در کسب‌وکار ایرانی

این بخش تحلیل ماست و از خود مقاله نیست. بسیاری از کسب‌وکارهای کوچک و متوسط ما بودجه و زمان تحقیق بازار رسمی را ندارند و تصمیم‌ها را با حس و نظر چند نفر می‌گیرند. این روش می‌تواند فاصلهٔ بین «حدس» و «تحقیق جدی» را پر کند. چند مثال فرضی:

• فروشگاه اینستاگرامی: قبل از اعلام قیمت یا بستهٔ جدید، چند پرسونا از مشتری‌ها بسازید و از مدل بخواهید اعتراض‌ها و سؤال‌های محتمل را بنویسد. بعد جواب‌های آماده‌شده را در دایرکت و کپشن به کار ببرید.
• سرویس اشتراکی یا نرم‌افزاری: قبل از تغییر پلن‌ها، واکنش گروه‌های مختلف کاربران را شبیه‌سازی کنید. ماجرای Anthropic نشان می‌دهد یک تغییر کوچک می‌تواند در شبکه‌های اجتماعی بالا بگیرد.
• برند ایرانی با کانال تلگرام: چند نسخه از یک پیام یا آفر را بنویسید و واکنش احتمالی را مقایسه کنید. سپس فقط نسخه‌های برتر را روی مخاطب واقعی تست کنید.

یادتان باشد خروجی مدل جایگزین حرف مشتری واقعی نیست. هر نتیجه‌ای که از شبیه‌سازی گرفتید باید با نظرسنجی کوچک، پیام مستقیم یا تست محدود در بازار واقعی بررسی شود.

نکات کاربردی برای کسب‌وکارها

• شبیه‌سازی را مرحلهٔ اول بدانید، نه تصمیم نهایی. هدفش پیدا کردن مشکل‌های احتمالی و کم‌کردن گزینه‌هاست.
• برای هر پرسونا ویژگی‌های روشن بنویسید: سن، نیاز، دغدغه، حساسیت به قیمت. هر چه توصیف دقیق‌تر باشد، خروجی مفیدتر می‌شود.
• یک سؤال را چند بار و با کلمات و ترتیب مختلف بپرسید. اگر جواب‌ها خیلی فرق کردند، به نتیجه کمتر اعتماد کنید.
• اگر ممکن است از بیش از یک مدل استفاده کنید و جواب‌ها را مقایسه کنید.
• ثبت کنید چه مدلی، با چه پرامپتی و چه زمانی استفاده شده است تا بعداً قابل بازبینی باشد.
• گزینه‌های برتر را روی مشتری واقعی بسنجید، حتی در مقیاس کوچک.

چک‌لیست اجرایی:

• تصمیمی که می‌خواهم بسنجم دقیقاً چیست؟
• ۲ تا ۳ پرسونای مشتری را نوشته‌ام؟
• سؤال را با چند عبارت‌بندی و ترتیب مختلف پرسیده‌ام؟
• پرامپت‌ها و نام مدل‌ها را ذخیره کرده‌ام؟
• یافته‌های مهم را با داده یا مشتری واقعی چک می‌کنم؟

پرسش‌های متداول

آیا هوش مصنوعی جای تحقیق بازار سنتی را می‌گیرد؟

نه. طبق توصیهٔ هورتون، شبیه‌سازی با هوش مصنوعی رقیب روش‌های استاندارد تحقیق بازار نیست. فقط بازخورد اولیه و جهت‌دار می‌دهد و کمک می‌کند پیامدهای غیرمستقیم تصمیم‌ها را ببینید.

چطور به نتیجهٔ شبیه‌سازی اعتماد کنیم؟

با تکرار و بررسی. از چند مدل و چند عبارت‌بندی استفاده کنید و ثبت کنید چه مدل و پرامپتی به کار رفته است تا نتیجه قابل بازبینی باشد.

این روش به درد کسب‌وکار کوچک هم می‌خورد؟

بله، چون سریع و کم‌هزینه است. به گفتهٔ مقاله، می‌تواند مثل تمرین پیش از تحقیق گران‌تر عمل کند و کمک کند مشکل‌ها زودتر دیده شوند و گزینه‌ها کمتر شوند.

جمع‌بندی

تحقیقات بازار با هوش مصنوعی جای تحقیق جدی را نمی‌گیرد، اما می‌تواند قبل از آن یک تمرین ارزان و سریع باشد. پیام اصلی هورتون این است: تصمیم‌ها را قبل از اجرا شبیه‌سازی کنید، چند بار و به شکل‌های مختلف امتحان کنید، نتیجه را قابل بررسی نگه دارید و آن را حرف آخر ندانید. ماجرای Anthropic نشان داد تغییر ساده می‌تواند پرهزینه شود. پس برای تغییر بعدی در قیمت، پیام یا محصولتان، اول یک دور تمرین با هوش مصنوعی بگذارید و بعد سراغ مشتری واقعی بروید.