مککنزی گزارش خود را با یک جمله طلایی آغاز میکند: «اگر صنعت تبلیغات امروز یک فوقستاره داشته باشد، آن شبکههای رسانهای تجارت (CMNs) هستند». این شبکهها تبلیغات دیجیتال را با استفاده از دادههای دستاولِ تراکنشها و باشگاه مشتریان هدفگیری میکنند. آنها آنقدر سریع رشد کردهاند که در سال ۲۰۲۶ بیش از یکپنجمِ (۲۰ درصد) کل بودجه تبلیغاتی در ایالات متحده را به خود اختصاص دادهاند. دلیل این محبوبیت مشخص است: توانایی بینظیر آنها در پیوند دادنِ مستقیم «تعامل با تبلیغ» به «خرید نهایی».
با این حال، مککنزی هشدار میدهد: «دوران رشدِ آسان دیگر ادامه ندارد». مککنزی پیشبینی میکند نرخ رشد مرکب سالانه (CAGR) این بخش که در سه سال گذشته ۲۰ درصد بود، تا سال ۲۰۲۹ به ۱۴ درصد کاهش یابد.
بر اساس نظرسنجی مککنزی از ۱۵۰ تصمیمگیرنده ارشد تبلیغات، این اکوسیستم با دو چالش و پیچیدگی جدید روبهرو شده است:
انفجار رقبا: غولهای خردهفروشی مثل آمازون و والمارت این مدل کسبوکار را تثبیت کردهاند، اما اکنون شبکههای جدیدی از صنایع دیگر (مانند برندهای گردشگری، هتلداری و خدمات مالی) نیز وارد این بازی شدهاند. این ترافیک، شبکههای کوچکتر را زیر فشار شدیدی برای اثبات عملکرد خود میگذارد.
ظهور تجارت عاملمحور (Agentic Commerce): هوش مصنوعی در حال تغییر مدل خرید است. رباتها و ایجنتهای هوشمند در حال تکمیل صفر تا صدِ سفرهای خرید به جای انسانها هستند. این موضوع پیچیدگیهای هدفگیری تبلیغات را به شدت افزایش میدهد.
تبلیغدهندگان سطح توقع خود را به شدت بالا بردهاند. آنها دیگر نمیخواهند شبکههای رسانهای تجارت فقط به عنوان یک «کانال عملکردی» برای فروش لحظهای عمل کنند. برندها به دنبال شرکایی هستند که در تمام طولِ «سفر مشتری» فرصتهای نمایش تبلیغ و داستانسرایی را برای آنها فراهم کنند.
شبکههایی که صرفاً بر فروش «فضای تبلیغاتی» تمرکز دارند، در این بازار جدید به شدت دچار مشکل خواهند شد.
مککنزی به رهبران رسانهها و مدیران مارکتینگ توصیه میکند که برای برنده شدن در این اکوسیستمِ بالغشده، روی چهار قابلیت متمایزکننده سرمایهگذاری کنند:
دسترسی به مخاطب منحصربهفرد: توانایی ارائه دادههای دستاول از مشتریانی که برندها در پلتفرمهای دیگر نمیتوانند به آنها دسترسی پیدا کنند.
یکپارچگی همهکاناله از ابتدا تا انتها: این شبکهها یک تجربه پیوسته ارائه میدهند، چه وقتی مشتری در فروشگاه فیزیکی قدم میزند، چه وقتی در اپلیکیشن موبایل جستجو میکند.
اندازهگیری کل قیف فروش: این مهمترین میدان نبرد است. شبکهها باید با اعتبار کامل ثابت کنند که یک تبلیغ چگونه فروش لحظهای و آگاهی از برند را همزمان افزایش میدهد.
ابزارهای هوش مصنوعی یکپارچه: ارائه ابزارهای بهینهسازی و تولید محتوای لحظهای برای تبلیغدهندگان جهت مقیاسپذیری سریع.
برای اکثر برندها و شبکههای رسانهای، چالش اصلی این نیست که «نمیدانند چه کنند»، بلکه چالش در «نحوه اجرای آن» است.
پیروزی در سال ۲۰۲۶ به مهارتها و نقشهای جدید، یکپارچگی عمیقتر تکنولوژی و داده، و هماهنگی تنگاتنگ بین تیمهای محصول، تحلیل داده و بازرگانی نیاز دارد. رهبران موفق کسانی هستند که نحوه برنامهریزی، ساخت، فروش و اندازهگیری رسانه را از پایه بازطراحی میکنند. آنها فقط چند راهحل نرمافزاری جدید را روی مدلهای قدیمیِ خود وصلهپینه نمیکنند.
منبع: McKinsey & Company | نویسندگان: Bjoern Timelin و تیم رشد و مارکتینگ مککنزی | تاریخ انتشار: ۱ مارس ۲۰۲۶
سازمانهای هوشمند برای بهرهگیری از ظرفیتهای هوش مصنوعی زایشی (Generative AI) تحت فشار قرار دارند. آنها بهتدریج درمییابند که آنچه در مراحل آزمایشی (پایلوت) موفقیتآمیز عمل میکند، لزوماً در پیادهسازیهای مقیاسبزرگ کارآمد نخواهد بود.
پژوهشی از ملیسا وبستر و جورج وسترمن این الگو را تأیید میکند؛ این پژوهش در نشریهٔ MIT Sloan Management Review منتشر شد. بر اساس این پژوهش، سازمانها بهجای آغاز بازطراحیهای بنیادین و گسترده در کارکردهای اصلی کسبوکار، مسیر خود را در یک «شیب ریسک» (Risk Slope) به سمت بالا طی میکنند. آنها در این مسیر، مجموعهای از «تحولات کوچکمقیاس» (Small-t Transformations) را با هدف خلق ارزشِ تدریجی و گامبهگام دنبال میکنند. این تحولاتِ کوچکمقیاس سازگاری بیشتری دارند، چون ریسکهای ذاتی هوش مصنوعی زایشی – مثل امنیت دادهها، اخلاق هوش مصنوعی و چالشهای انطباق با مقررات – را بهتر مدیریت میکنند.
وسترمن در یک وبینار اخیر که به تشریح جزئیات این پژوهش میپرداخت، اظهار داشت: «رهبران هوشمند برای دستیابی به اهداف کلانی که میخواهند با هوش مصنوعی زایشی پیادهسازی کنند، رویکردی بسیار سنجیدهتر و نظاممندتر اتخاذ کردهاند. آنها در هر گام از این مسیر، نحوهٔ مدیریت ریسک را میآموزند، با ابزارها آشنا میشوند و قابلیتهای لازم را برای حرکت بهسوی این فرصتهای بزرگتر، درون سازمان توسعه میدهند.»
این همان نقطهای است که بیشتر شرکتها در منحنی بلوغِ خود در آن قرار دارند. در این سطح، سازمانها هوش مصنوعی زایشی را برای انجام وظایف پایهای و کمریسکِ مرتبط با نقشهای خاص، در اختیار کارکنان قرار میدهند. با این حال، همچنان یک انسان بر تعاملات نظارت دارد (Human-in-the-loop).
یکی از موارد استفادهٔ رایج در این سطح، مدیریت صندوق ورودی (Inbox) است: خلاصهسازی ایمیلها، پیشنویسِ پاسخها و نشانهگذاری اولویتها. کارکنان همچنین از این فناوری برای تولید رونوشتهای همزمان (Real-time) و خلاصهسازی جلسات، و نیز بهینهسازی تقویمهای روزانه و زمانبندی خودکار بهره میبرند. آنها همچنین برای آمادگی در گزارشدهی، خلاصههای سریعی از وضعیت بازار، مقالات و وضعیت نیروی کار دریافت میکنند. امروزه بسیاری از ابزارهای دسکتاپ، برای ارتقای بهرهوری فردی، از قابلیتهای مدلهای زبانی بزرگ (LLM) بهره میگیرند.
در سناریوهای پیشرفتهترِ این سطح، شرکتها از هوش مصنوعی زایشی برای بازنویسی ارتباطات با لحنی متفاوت یا تطبیق آنها با هنجارهای فرهنگی استفاده میکنند. برخی از شرکتهای پیشرو، از جمله مکینزی (McKinsey)، در حال توسعهٔ مدلهای زبانی اختصاصی خود هستند. این مدلها به کارکنان اجازه میدهند به منابع عظیم داراییهای فکری (IP) داخلی دسترسی پیدا کنند و وظایف خود را با کارایی و کیفیت بیشتری انجام دهند.
اقدامات سطح ۱، بستر لازم را برای انجام کارهای بزرگتر فراهم میکند. وبستر در این باره میگوید: «این وظایف باعث میشوند افراد با فناوری احساس راحتی کنند و از ترس آنها کاسته شود. پس از آن، سازمان میتواند به سمت وظایف سطح ۲ حرکت کند؛ جایی که تحول در نحوهٔ عملیات سازمان آغاز میشود.»
در این مرحله، شرکتها هوش مصنوعی زایشی را در وظایف خاصِ شغلی یا فرایندهای کسبوکار به کار میگیرند. نمونههای رایج شامل کدنویسی و علم داده، پشتیبانی مشتری با نظارت انسانی، و تولید و شخصیسازی کمریسکِ محتوا هستند. توسعهٔ نرمافزار از حوزههای بسیار داغ در این زمینه است. هوش مصنوعی زایشی در نوشتن و بررسی کدها، ایجاد مستندات و انجام تحلیل دادهها، مزیت و برتری قابلتوجهی به برنامهنویسان میبخشد.
هوش مصنوعی زایشی همچنین در حال بازآفرینیِ برخی از جریانهای کاری در خدمات مشتری و فروش است. به گفتهٔ پژوهشگران، شرکت CarMax از مدلهای زبانی بزرگ برای خلاصهسازی نظرات مشتریان استفاده میکند. این کار که پیشتر هفتهها زمان و کارِ مستمرِ چندین نیروی انسانی میطلبید، اکنون فقط چند ساعت طول میکشد. شرکتهای دیگر نیز در حال تولید متنهای مکالمهٔ شخصیسازیشده برای تماسهای فروش هستند. برخی هم از چتباتهای پیشرفته برای پاسخگویی به پرسشهای متداول مشتریان استفاده میکنند و پرسشهای پیچیدهتر را به کارشناسان انسانی ارجاع میدهند.
وبستر اشاره میکند: «مضمون مشترکی که در کاربردهای سطح ۲ مشاهده میشود، همکاری انسان و هوش مصنوعی است؛ یافتن نقاطی که هوش مصنوعی میتواند از انسانها پشتیبانی کند، در حالی که انسانها بر کارِ هوش مصنوعی نظارت دارند.»
این مرحله زمانی محقق میشود که شرکتها شروع به افزودن قابلیتهای خودکارترِ هوش مصنوعی زایشی به محصولات، تجربیات مشتریمحور و عملیات داخلی خود میکنند. از نگاه وبستر و وسترمن، شرکتهایی که در این مرحله قرار دارند، از هوش مصنوعی زایشی بهعنوان بخشی از یک جعبهابزار چندوجهی استفاده میکنند. این جعبهابزار، فناوریهای متنوع و نیروی انسانی را نیز دربرمیگیرد.
با یکپارچهسازی این قابلیتها، سازمانهایی نظیر ادوبی (Adobe)، اسآیپی (SAP) و ورکدی (Workday) استفاده از هوش مصنوعی زایشی را آغاز میکنند. آنها از این فناوری برای تولید سریع محتوا، خودکارسازی کمپینهای بازاریابی، یا ارائه چتباتهای پیچیدهتر بهره میگیرند – چتباتهایی که قادرند مستقل تصمیم بگیرند و کارها را انجام دهند.
وسترمن خاطرنشان میکند که سازمانهایی که پیشتر از ابزارهای هوش مصنوعی استفاده میکردند، اغلب میتوانند فعالسازی این ویژگیهای سطح ۳ را آغاز کنند. او میافزاید: «این اقدامات ممکن است نیازمند توسعهٔ گستردهٔ قابلیتها و همچنین مدیریت ریسکِ جدی باشند. به همین دلیل است که شرکتها برای رسیدن به این مرحله، رویکردی محتاطانه اتخاذ میکنند.»
فناوریهای جدید، امکانات موجود در هر یک از این سه سطح را ارتقا خواهند داد. «عاملهای هوشمند» (AI agents) یکی از حوزههای نوظهورِ تمرکز هستند؛ جایی که اجرای خودکارِ وظایف، باعث تسهیل جریانهای کاری و حل مسائل جدید کسبوکار میشود. این فناوری طیفی پیوسته را در بر میگیرد؛ از دستیارهای سادهٔ هوش مصنوعی تا عاملهای خودکار. عاملهای خودکار بر اساس دستورالعملها و ورودیهای انسانی، بهطور مستقل عمل میکنند. پژوهشگران یادآوری میکنند که هوش مصنوعی عاملمحور (Agentic AI) – نسخهٔ چندعاملیِ این فناوری – به یک «مدیر هوش مصنوعی» (AI manager) نیاز خواهد داشت. این مدیر باید بر سایر عاملهای تخصصی که وظایف فردی را انجام میدهند، نظارت کند.
با وجود اشتیاق فراوان نسبت به هوش مصنوعی زایشی و عاملهای هوشمند، همواره میزان معقولی از شکگرایی هم وجود دارد. همین شکگرایی، دلیل دیگری است که رویکرد «تحولات کوچکمقیاس» را منطقیتر جلوه میدهد. وبستر و وسترمن توصیههای زیر را برای رهبرانی ارائه میکنند که در حال پیادهسازی ابزارهای هوش مصنوعی زایشی هستند:
با تمامی مشکلات سازمان خود مثل میخهایی رفتار نکنید که باید با «چکشِ» هوش مصنوعی زایشی به آنها کوبید. روی مسائلی تمرکز کنید که این فناوری بیشترین کارایی را در حل آنها دارد.
موقعیت شرکت خود را روی شیب ریسک ارزیابی کنید و برای پیشبرد برنامههای خود، حمایت و همراهی مدیران ارشد را جلب نمایید.
این فناوری را به همه تحمیل نکنید. افرادی را بیابید که نسبت به آن مشتاق هستند و از شور و اشتیاق و موفقیتهای آنها برای پیشبرد تغییرات بهره بگیرید.
عجله نکنید. وبستر میگوید: «تدوین یک راهبرد درست، با ذهنیتِ “تب طلا” (Gold Rush) که اکنون پیرامون هوش مصنوعی زایشی شکل گرفته است، همخوانی ندارد. پیش از آنکه بهسوی گامهای بزرگتر خیز بردارید، به نیازهای کسبوکار و ماهیت کارها نگاه دقیقی بیندازید و شایستگیها و قابلیتهای لازم را در سازمان نهادینه کنید.»
اگر سازمان شما هم زیر فشار «همین الان با هوش مصنوعی مقیاس بگیر» قرار دارد، شاید سؤال درستتر این باشد: کدام تحول کوچکمقیاس، بیشترین ریسک را مدیریت و بیشترین ارزش را خلق میکند؟
منبع: MIT Sloan Management Review | پژوهشگران: ملیسا وبستر (Melissa Webster) و جورج وسترمن (George Westerman)، مدرسان ارشد دانشگاه امآیتی اسلون
