امروزه کاربران بیش از هر زمان دیگری برای انتخاب محصول و خدمات از دستیارهای هوش مصنوعی مانند ChatGPT، Claude و Gemini کمک می‌گیرند. این یعنی رقابت برندها دیگر فقط بر سر رتبه گرفتن در موتورهای جستجو یا تبلیغات نیست؛ بلکه باید بتوانند در پاسخ‌های هوش مصنوعی نیز حضور داشته باشند.

اما چه چیزی باعث می‌شود یک برند توسط هوش مصنوعی پیشنهاد شود، در حالی که برند دیگری با وجود شهرت بیشتر نادیده گرفته می‌شود؟

زمانی که از سه سیستم هوش مصنوعی پیشرو یعنی ChatGPT، Claude و Gemini درباره بهترین کفش‌های مخصوص دویدن سؤال کردیم، برند نسبتاً کوچک Brooks تقریباً در همه پاسخ‌ها حضور داشت؛ اما Nike، بزرگ‌ترین برند ورزشی جهان، بسیار کمتر از انتظار پیشنهاد شد.

این نتیجه نشان‌دهندۀ یک تغییر بنیادین در نحوۀ رقابت برندهاست؛ تغییری که در آن، سیستم‌های هوش مصنوعی نقش واسط اصلی در کشف و انتخاب محصولات را بر عهده گرفته‌اند.

چرا Brooks بیشتر از Nike پیشنهاد می‌شود؟

برند Brooks هیچ‌گاه هویت خود را بر پایه داستان‌های الهام‌بخش یا سبک زندگی بنا نکرد. در عوض، تمرکز اصلی این شرکت بر عملکرد فنی محصولات و پاسخ‌گویی به نیازهای مشخص دوندگان بود.

در دوران مدیریت «جیم وبر»، این شرکت دامنه فعالیت خود را محدود کرد، از بازارهای جانبی خارج شد و سرمایه‌گذاری گسترده‌ای روی تحقیقات بیومکانیک و مهندسی محصول انجام داد.

نتیجۀ این رویکرد، توسعۀ فناوری‌هایی مانند GuideRails و سیستم جذب ضربۀ DNA LOFT بود؛ فناوری‌هایی که برای حل مشکلات کاملاً مشخص کاربران طراحی شده‌اند.

اما موفقیت Brooks فقط به فناوری محدود نبود.

این شرکت شبکه‌ای از مربیان، متخصصان پزشکی ورزشی و فروشگاه‌های تخصصی ایجاد کرد که می‌توانستند مزایای محصولات را با زبانی دقیق و فنی برای مشتریان توضیح دهند.

به بیان دیگر، Brooks موفق شد برندی بسازد که برای هوش مصنوعی نیز قابل تفسیر باشد.

هوش مصنوعی برندهایی را پیشنهاد می‌کند که بتواند آن‌ها را درک کند

سیستم‌های هوش مصنوعی معمولاً برندهایی را ترجیح می‌دهند که بتوان آن‌ها را به مجموعه‌ای از ویژگی‌های مشخص، داده‌های قابل استناد و شواهد قابل اعتماد تبدیل کرد؛ برندهایی که ارزش آن‌ها را بتوان مستقیماً در پاسخ به سؤال کاربر توضیح داد.

در پژوهشی که روی ۱۵ دستۀ مختلف محصولات از جمله لپ‌تاپ، غذای حیوانات خانگی و کارت‌های اعتباری انجام شد، با استفاده از پرسش‌های یکسان در GPT-4o، Claude و Gemini، بیش از ۱٬۰۰۰ بار نام برندها در پاسخ‌ها مشاهده شد که این نام‌ها متعلق به ۷۱۶ برند منحصربه‌فرد بودند.

این تحقیق که توسط پژوهشگران دانشکدۀ کسب‌وکار McDonough دانشگاه Georgetown و دانشکدۀ کسب‌وکار Darden دانشگاه Virginia انجام شده است، یک الگوی روشن را نشان می‌دهد:

برندها دیگر فقط برای جلب توجه رقابت نمی‌کنند.

نقش جدید هوش مصنوعی در کشف محصولات

ابزارهای هوش مصنوعی با سرعت زیادی در حال تبدیل شدن به نقطۀ آغاز فرآیند کشف محصولات هستند.

برخلاف موتورهای جستجو یا رسانه‌های سنتی که برندها را بر اساس میزان دیده شدن، تبلیغات یا روایت‌های بازاریابی نمایش می‌دهند، سیستم‌های هوش مصنوعی با هدف کمک به تصمیم‌گیری و انتخاب بهترین گزینه طراحی شده‌اند.

در چنین محیطی، برندها دیگر برای کسب بیشترین میزان دیده شدن رقابت نمی‌کنند؛ بلکه برای این رقابت می‌کنند که به عنوان یکی از گزینه‌های معتبر در فرآیند استدلال مدل هوش مصنوعی به خاطر آورده شوند.

مشکل اینجاست که بیشتر برندهای امروزی اساساً برای چنین رقابتی ساخته نشده‌اند.

هوش مصنوعی آنچه را می‌فهمد پیشنهاد می‌کند

نتایج این پژوهش چهار الگوی مهم را نشان می‌دهد که توضیح می‌دهند چرا بسیاری از برندها در دنیای جستجو و پیشنهادهای مبتنی بر هوش مصنوعی جایگاه خود را از دست می‌دهند و چرا قابل تفسیر بودن (Interpretability) به مهم‌ترین مزیت رقابتی تبدیل شده است.

۱. حضور در هوش مصنوعی بسیار پراکنده‌تر از چیزی است که تصور می‌کنید

اولین یافته این پژوهش نشان می‌دهد آنچه بسیاری از بازاریابان «دیده شدن در هوش مصنوعی» تصور می‌کنند، در عمل بسیار پراکنده و ناپایدار است.

از میان ۷۱۶ برند بررسی‌شده، تنها ۸٫۴ درصد توانستند به‌طور هم‌زمان در پاسخ‌های ChatGPT، Claude و Gemini حضور داشته باشند.

اکثر برندها فقط در یکی از این سه پلتفرم دیده شدند.

این یعنی ممکن است برندی در یک مدل هوش مصنوعی بسیار شناخته‌شده باشد، اما در مدل دیگر اصلاً وجود نداشته باشد.

صرف دیده شدن کافی نیست

برندها همچنان می‌توانند برای افزایش دیده شدن خود سرمایه‌گذاری کنند، اما این موضوع تعیین نمی‌کند که آیا هوش مصنوعی آن‌ها را پیشنهاد خواهد کرد یا خیر.

آنچه اهمیت دارد این است که آیا مدل می‌تواند برند شما را به عنوان پاسخی معتبر برای حل یک مسئلۀ مشخص تشخیص دهد یا نه.

اگر ویژگی‌های برند و شواهد پشتیبان آن به شکلی واضح و ساختاریافته ارائه شده باشند، احتمال اینکه مدل‌های مختلف به یک نتیجه مشترک برسند بسیار بیشتر خواهد بود.

اما اگر این اطلاعات مبهم، ناقص یا پراکنده باشند، حضور برند در پاسخ‌های هوش مصنوعی نامنظم خواهد شد یا حتی کاملاً از بین می‌رود.

۲. حتی وقتی برند دیده می‌شود، ممکن است هر مدل آن را متفاوت معرفی کند

دومین یافته مهم پژوهش این است که از میان برندهایی که در چند پلتفرم حضور داشتند، ۵۵ درصد در هر سیستم هوش مصنوعی با جایگاه و تصویری متفاوت توصیف شدند.

برای مثال، ممکن است یک مدل، برندی را به عنوان محصولی پریمیوم و نوآور معرفی کند، اما مدل دیگر همان برند را به عنوان گزینه‌ای اقتصادی و مقرون‌به‌صرفه بشناسد.

دلیل این تفاوت ساده است.

سیستم‌های هوش مصنوعی پیام‌های بازاریابی برندها را عیناً بازتولید نمی‌کنند.

آن‌ها جایگاه برند را بر اساس اطلاعاتی که از منابع مختلف شخص ثالث در اختیار دارند استنباط می‌کنند.

در واقع، مدل هوش مصنوعی تصویری از برند شما را بر اساس ویژگی‌ها، مشخصات و شواهد موجود می‌سازد، نه بر اساس داستان یا تصویری که خودتان قصد دارید از برندتان ارائه کنید.

به همین دلیل، جایگاه‌سازی نمادین یا احساسی برند، تا زمانی که به ویژگی‌های قابل اندازه‌گیری و قابل استناد متصل نباشد، تأثیر چندانی بر پاسخ‌های هوش مصنوعی نخواهد داشت.

نمونۀ این موضوع در داده‌های پژوهش نیز کاملاً قابل مشاهده است.

برند Apple در دسته‌های لپ‌تاپ و هدفون تقریباً در تمام پلتفرم‌ها حضور ثابتی داشت.

برند Sony نیز در بخش هدفون تقریباً در تمام سیستم‌ها با ثبات بسیار بالایی پیشنهاد شد.

اما در مقابل، بسیاری از مشهورترین برندهای جهان اصلاً در پاسخ‌های هوش مصنوعی دیده نشدند.

از جمله:

• Disney
• Starbucks
• McDonald's
• Netflix
• IBM
• Intel

نکتۀ جالب‌تر اینکه حتی زمانی که برخی برندهای بزرگ در پاسخ‌ها ظاهر می‌شوند، معمولاً خود برند اصلی پیشنهاد نمی‌شود؛ بلکه محصولات یا زیرمجموعه‌های مشخص آن معرفی می‌شوند.

برای مثال:

• برند Toyota بیشتر از طریق مدل‌هایی مانند RAV4 و Highlander معرفی می‌شود.
• برندهای Coca-Cola و Pepsi نیز بیشتر با محصولات بدون شکر (Zero Sugar) خود در پاسخ‌ها ظاهر می‌شوند.

در چنین شرایطی، هوش مصنوعی بیش از آنکه به اعتبار نمادین برند مادر تکیه کند، بر ویژگی‌ها و مشخصات همان محصول مشخص استناد می‌کند.

پرسش کاربر، رقبای واقعی شما را مشخص می‌کند

سومین یافته مهم این پژوهش نشان می‌دهد که نوع پرسش کاربر، مجموعه برندهایی را که هوش مصنوعی برای رقابت با یکدیگر در نظر می‌گیرد، تغییر می‌دهد.

بر اساس نتایج تحقیق، پرسش‌های اکتشافی (Exploratory Queries) نسبت به پرسش‌های هدف‌محور (Goal-Oriented Queries)، ۹۵ درصد نام برندهای بیشتری را در پاسخ‌های هوش مصنوعی ایجاد کردند.

در عین حال، تنها حدود ۱۱ درصد از برندها در هر دو نوع پرسش حضور داشتند.

این موضوع نشان می‌دهد که دستیارهای هوش مصنوعی، پیشنهادهای خود را بر اساس شیوه‌ای که کاربر مسئله خود را بیان می‌کند تولید می‌کنند.

برای مثال، اگر کاربر بپرسد:

«بهترین کفش برای دویدن چیست؟»

هوش مصنوعی مجموعه‌ای از برندها را پیشنهاد می‌کند.

اما اگر همان کاربر سؤال خود را به شکل زیر مطرح کند:

«بهترین کفش دویدن برای کاهش درد زانو چیست؟»

یا

«بهترین کفش Stability برای افرادی که Overpronation دارند چیست؟»

مجموعه‌ای کاملاً متفاوت از برندها در پاسخ ظاهر خواهند شد.

به عبارت دیگر، رقبای شما ثابت نیستند؛ بلکه با هر پرسش جدید دوباره تعریف می‌شوند.

برندها می‌توانند زبان مشتریان را شکل دهند

اما در این میان یک اهرم بسیار قدرتمند وجود دارد.

برندها می‌توانند واژگانی را که مشتریان برای بیان مشکلات خود استفاده می‌کنند، شکل دهند.

Brooks دقیقاً همین کار را طی دو دهه انجام داد.

این شرکت به دوندگان آموزش داد که مشکلات خود را با اصطلاحات تخصصی بیان کنند؛ اصطلاحاتی مانند:

• Overpronation (چرخش بیش از حد پا به داخل)
• Gait Deviation (انحراف در الگوی راه رفتن)
• Stability Under Load (نیاز به پایداری بیشتر هنگام تحمل فشار)

این واژه‌ها از طریق مربیان دو، فروشگاه‌های تخصصی، رسانه‌های ورزشی و انجمن‌های تخصصی میان کاربران رواج پیدا کردند.

در نتیجه، زمانی که افراد سؤال خود را با همین واژگان از هوش مصنوعی می‌پرسند، احتمال دیده شدن Brooks به‌طور طبیعی افزایش پیدا می‌کند.

به بیان دیگر، برندهایی که روی آموزش مسئله (Problem Literacy) سرمایه‌گذاری می‌کنند، حتی پیش از آنکه هوش مصنوعی پاسخی تولید کند، فضای رقابت را به نفع خود شکل داده‌اند.

احساس مثبت، مزیت اصلی نیست

چهارمین یافته این پژوهش تصویر را کامل می‌کند.

بررسی پاسخ‌های سه مدل ChatGPT، Claude و Gemini نشان داد که ۷۸٫۷ درصد تمام اشاره‌های انجام‌شده به برندها دارای لحن مثبت هستند.

این الگو تقریباً در هر سه سیستم هوش مصنوعی یکسان مشاهده شد.

به بیان ساده، زمانی که یک برند وارد پاسخ هوش مصنوعی می‌شود، معمولاً به شکل مثبتی توصیف خواهد شد.

دلیل این موضوع چیست؟

دلیل این رفتار به نحوۀ عملکرد مدل‌های هوش مصنوعی برمی‌گردد.

این سیستم‌ها ابتدا بررسی می‌کنند که:

کدام برندها واقعاً می‌توانند راه‌حل مناسبی برای مسئلۀ کاربر باشند؟

و تنها پس از انتخاب این برندها، آن‌ها را با لحنی مثبت معرفی می‌کنند.

این دقیقاً برعکس رسانه‌های سنتی است.

در گذشته، تبلیغات، روابط عمومی و رسانه‌ها عمدتاً بر دو عامل تمرکز داشتند:

• جلب توجه مخاطب
• ایجاد برداشت مثبت نسبت به برند

اما در دنیای هوش مصنوعی، ورود به فهرست گزینه‌های پیشنهادی مهم‌تر از مثبت بودن توصیف برند است.

گلوگاه اصلی رقابت، حضور در پاسخ هوش مصنوعی است؛ نه احساس مثبت

بنابراین سؤال استراتژیک دیگر این نیست که:

«چطور کاری کنیم هوش مصنوعی درباره برند ما حرف‌های خوبی بزند؟»

بلکه سؤال واقعی این است:

«چطور کاری کنیم برند ما اصلاً وارد پاسخ‌های هوش مصنوعی شود؟»

پاسخ این سؤال در یک مفهوم خلاصه می‌شود:

Interpretability یا قابلیت تفسیر برند.

هوش مصنوعی چگونه یک برند را انتخاب می‌کند؟

یک برند زمانی وارد پاسخ‌های هوش مصنوعی می‌شود که مدل بتواند زنجیره‌ای منطقی میان این سه بخش ایجاد کند:

1. شرایط یا مشکل کاربر
2. ویژگی موردنیاز محصول
3. برندی که آن ویژگی را ارائه می‌دهد

به همین دلیل، فرآیند استدلال مدل‌های هوش مصنوعی از برند آغاز نمی‌شود.

آن‌ها ابتدا از مسئله کاربر شروع می‌کنند.

این فرآیند به شکل زیر است:

شرایط کاربر → نیاز محصول → برندی که آن نیاز را برطرف می‌کند

به همین دلیل، وعده‌های تبلیغاتی یا شعارهای احساسی برند، به‌تنهایی تأثیر چندانی بر تصمیم مدل ندارند.

سه عامل اصلی برای قابل تفسیر بودن یک برند

بر اساس نتایج این پژوهش، قابلیت تفسیر برند بر سه پایه استوار است.

۱. شفاف بودن هویت برند (Entity Clarity)

برند باید در تمام منابع اطلاعاتی به شکلی واضح و یکپارچه قابل شناسایی باشد.

نام برند، محصولات، دسته‌بندی‌ها و اطلاعات آن نباید در منابع مختلف دچار تناقض یا ابهام باشند.

۲. ساختار مشخص ویژگی‌های محصول (Attribute Structure)

ویژگی‌های محصولات باید:

• نام مشخص داشته باشند.
• قابل مقایسه باشند.
• قابل اندازه‌گیری باشند.
• به نیاز مشخص کاربران متصل شوند.

برای مثال، عباراتی مانند:

• عمر باتری ۲۰ ساعت
• مقاومت در برابر آب با استاندارد IP68
• جذب ضربه تا ۳۰ درصد بیشتر

برای مدل‌های هوش مصنوعی بسیار قابل فهم‌تر از عباراتی مانند:

• کیفیت فوق‌العاده
• عملکرد عالی
• طراحی بی‌نظیر

هستند.

۳. وجود شواهد معتبر (Evidence Base)

ادعاهای برند باید توسط منابع مستقل و معتبر پشتیبانی شوند.

این شواهد می‌توانند شامل موارد زیر باشند:

• بررسی‌های تخصصی
• مقالات علمی
• نتایج آزمایشگاهی
• رسانه‌های معتبر
• نظر متخصصان
• گزارش‌های مستقل

هرچه این شواهد معتبرتر و قابل استنادتر باشند، احتمال استفاده از برند در پاسخ‌های هوش مصنوعی بیشتر خواهد شد.

برندهایی که این سه ویژگی را داشته باشند، بسیار راحت‌تر وارد فرآیند استدلال مدل‌های هوش مصنوعی می‌شوند؛ زیرا سیستم می‌تواند میان ویژگی‌های محصول، شواهد موجود و نیاز کاربر ارتباطی روشن برقرار کند.

رقابت برای دیده شدن در هوش مصنوعی، یک مسئلۀ معماری اطلاعات است

نتیجه مهم دیگر این تحقیق آن است که رقابت برای حضور در پیشنهادهای هوش مصنوعی، دیگر صرفاً یک فعالیت بازاریابی نیست.

این رقابت، بیش از هر چیز یک مسئلۀ معماری اطلاعات (Information Architecture) است؛ موضوعی که نیازمند همکاری بخش‌های مختلف یک سازمان است.

در بسیاری از شرکت‌ها:

• تیم بازاریابی مسئول پیام‌های برند است.
• تیم محصول و مهندسی مسئول مشخصات فنی محصول هستند.
• اعتبارسنجی توسط منابع مستقل (مانند بررسی‌ها، مقالات تخصصی، نظرات کارشناسان یا شواهد علمی) معمولاً مالک مشخصی در سازمان ندارد.

در گذشته این پراکندگی چندان مشکل‌ساز نبود.

اما در عصر هوش مصنوعی، همین پراکندگی می‌تواند باعث شود مدل‌ها نتوانند ارتباط میان ویژگی‌های محصول، شواهد و نیاز کاربران را تشخیص دهند.

برندهایی بیشترین شانس موفقیت را خواهند داشت که مسئولیت یکپارچه‌ای برای نحوۀ معرفی، توصیف و بازیابی برند خود در تمام این بخش‌ها ایجاد کنند.

عصر جدید برندسازی آغاز شده است

این تغییر، تعریف برندسازی را نیز دگرگون می‌کند.

برندینگ سنتی بر سه عنصر اصلی تکیه داشت:

• داستان‌سرایی (Storytelling)
• نمادسازی (Symbolism)
• جایگاه‌سازی احساسی (Emotional Positioning)

هدف این روش‌ها تأثیرگذاری بر ذهن انسان بود؛ اینکه مخاطب برند را بهتر به خاطر بسپارد، احساس مثبتی نسبت به آن پیدا کند و هنگام خرید آن را انتخاب کند.

اما سیستم‌های هوش مصنوعی با منطق متفاوتی تصمیم می‌گیرند.

آن‌ها بر پایه اطلاعاتی مانند موارد زیر عمل می‌کنند:

• ویژگی‌های ساختاریافته
• مشخصات قابل اندازه‌گیری محصول
• شواهد قابل راستی‌آزمایی
• ارتباط روشن میان ویژگی‌های محصول و مسئلۀ کاربر

در نتیجه، مخاطب اصلی برند دیگر فقط انسان نیست.

بلکه یک تصمیم‌گیرندۀ مصنوعی نیز هست؛ تصمیم‌گیرنده‌ای که بیش از هر چیز، به تناسب قابل اثبات (Demonstrable Fit) اهمیت می‌دهد، نه به جذابیت تبلیغات یا قدرت روایت برند.

سه راهکار برای افزایش سهم برند از یادآوری هوش مصنوعی (AI Recall Share)

مدیران بازاریابی سال‌ها عملکرد برندها را با معیارهایی مانند سهم بازار (Market Share) و سهم ذهن (Mind Share) ارزیابی کرده‌اند.

• سهم بازار نشان می‌دهد چه تعداد از مشتریان یک برند را خریداری می‌کنند.
• سهم ذهن نشان می‌دهد وقتی مشتری به یک دسته محصول فکر می‌کند، کدام برندها ابتدا به ذهن او می‌رسند.

اما با گسترش استفاده از هوش مصنوعی در فرایند کشف و انتخاب محصولات، معیار جدیدی اهمیت پیدا کرده است:

سهم یادآوری هوش مصنوعی (AI Recall Share)

این معیار نشان می‌دهد زمانی که محصول یا خدمات یک برند واقعاً با نیاز کاربر مطابقت دارد، هوش مصنوعی چند بار آن برند را به عنوان یکی از گزینه‌های پیشنهادی بازیابی (Retrieve) می‌کند.

AI Recall Share با Share of Model چه تفاوتی دارد؟

پژوهشگران Dubois، Dawson و Jaiswal معیار دیگری با نام Share of Model معرفی کرده‌اند که اندازه می‌گیرد یک برند چند بار در پاسخ‌های تولیدشده توسط هوش مصنوعی ظاهر می‌شود.

اما نویسندگان این مقاله معتقدند این معیار به‌تنهایی کافی نیست.

Share of Model میزان دیده شدن (Exposure) را اندازه می‌گیرد.

در حالی که AI Recall Share میزان تناسب (Fit) را ارزیابی می‌کند.

به بیان دیگر، مهم نیست برند شما چند بار در پاسخ‌های هوش مصنوعی دیده می‌شود؛ بلکه مهم این است که هر زمان واقعاً بهترین پاسخ برای مسئله کاربر هستید، مدل شما را به خاطر بیاورد و پیشنهاد دهد.

در نهایت، همین «تناسب» است که تعیین می‌کند آیا برند شما وارد پاسخ هوش مصنوعی می‌شود یا خیر.

هوش مصنوعی چگونه برندها را انتخاب می‌کند؟

فرض کنید کاربری از یک دستیار هوش مصنوعی سؤال می‌پرسد:

• «بهترین کفش برای درد زانو چیست؟»
• «بهترین لپ‌تاپ برای تدوین ویدئو کدام است؟»
• «بهترین کارت اعتباری برای دریافت امتیاز سفر چیست؟»

در چنین شرایطی، مدل ابتدا ویژگی‌های موردنیاز را از دل پرسش استخراج می‌کند.

سپس در میان اطلاعاتی که در اختیار دارد، برندهایی را جستجو می‌کند که ویژگی‌هایشان با این نیازها مطابقت داشته باشد.

در این مرحله، قابلیت تفسیر (Interpretability) اهمیت پیدا می‌کند.

هرچه ویژگی‌های یک برند واضح‌تر، ساختاریافته‌تر و مستندتر باشند، مدل راحت‌تر می‌تواند آن را به مسئله کاربر متصل کند.

بنابراین، برندها دیگر فقط برای ماندن در ذهن مشتری رقابت نمی‌کنند.

آن‌ها برای این رقابت می‌کنند که در حافظه استدلالی مدل‌های هوش مصنوعی قابل بازیابی باشند.

بازاریاب‌ها چگونه AI Recall Share را افزایش دهند؟

بر اساس یافته‌های این پژوهش، سه اقدام بیشترین تأثیر را در افزایش احتمال پیشنهاد شدن یک برند توسط هوش مصنوعی دارند.

۱. ادعاهای کلی را با مشخصات قابل اندازه‌گیری جایگزین کنید

یکی از بزرگ‌ترین ضعف‌های بسیاری از برندها این است که ارزش محصولات خود را با عبارت‌های مبهم توصیف می‌کنند.

عبارت‌هایی مانند:

• کیفیت بالا
• عملکرد فوق‌العاده
• بهترین انتخاب
• طراحی بی‌نظیر

برای انسان جذاب هستند، اما برای مدل‌های هوش مصنوعی اطلاعات چندانی ایجاد نمی‌کنند.

در مقابل، زمانی که همین ادعاها به ویژگی‌های قابل اندازه‌گیری تبدیل شوند، مدل‌ها به‌راحتی می‌توانند از آن‌ها در فرایند استدلال استفاده کنند.

برای مثال، به جای اینکه بنویسید:

«محصولی با کیفیت بسیار بالا»

می‌توانید بنویسید:

«دوام بیش از ۱٬۰۰۰ چرخه استفاده، دارای گواهینامه ISO»

در این حالت، هوش مصنوعی اطلاعات مشخصی در اختیار دارد که می‌تواند آن را با سایر محصولات مقایسه کند.

جایگاه برند را به مشخصات فنی ترجمه کنید

اگر می‌خواهید هوش مصنوعی برند شما را پیشنهاد دهد، باید جایگاه برند را به زبان ویژگی‌های قابل اندازه‌گیری ترجمه کنید.

برای مثال:

• شاخص‌های عملکرد
• پارامترهای طراحی
• نتایج آزمون‌های استاندارد
• داده‌های آزمایشگاهی
• اثرات تأییدشده در مطالعات علمی

همگی به مدل کمک می‌کنند میان نیاز کاربر و قابلیت‌های محصول ارتباط برقرار کند.

هرچه ادعای شما دقیق‌تر بیان شود و پشتوانه مستندتری داشته باشد، احتمال استفاده از آن در پاسخ‌های هوش مصنوعی افزایش پیدا می‌کند.

Brooks نمونه‌ای از این رویکرد است

محصولات Brooks با ویژگی‌های کاملاً مشخص معرفی می‌شوند؛ ویژگی‌هایی مانند:

• امتیاز پایداری کفش (Stability Rating)
• اختلاف ارتفاع پاشنه تا پنجه (Heel-to-Toe Drop)
• فناوری‌های بیومکانیکی طراحی‌شده برای مشکلات خاص دوندگان

وجود چنین اطلاعاتی باعث می‌شود وقتی کاربری عباراتی مانند:

• «کفش مناسب درد زانو»
• «کفش مناسب Overpronation»

را جستجو می‌کند، مدل بتواند ارتباط مستقیمی میان مشکل کاربر و محصولات Brooks برقرار کند.

Apple و Sony نیز از همین منطق استفاده می‌کنند

این الگو فقط به Brooks محدود نیست.

در دسته‌های دیگر نیز برندهایی مانند Sony و Apple دقیقاً از همین رویکرد بهره می‌برند.

برای مثال، محصولات Sony معمولاً با ویژگی‌های فنی مشخص معرفی می‌شوند؛ از جمله:

• عملکرد حذف نویز (Noise Cancellation)
• کیفیت حسگرهای تصویر
• نتایج آزمون‌های مستقل

محصولات Apple نیز بر پایه شاخص‌های قابل اندازه‌گیری توصیف می‌شوند؛ مانند:

• نتایج بنچمارک پردازنده
• عمر باتری
• توان پردازشی
• عملکرد گرافیکی

وجه مشترک این برندها چیست؟

آنچه این برندها را موفق کرده، فقط شهرت یا اندازه بازار آن‌ها نیست.

ویژگی مشترک اصلی آن‌ها قابلیت تفسیر (Interpretability) است.

یعنی توانایی بیان ارزش محصول به زبانی که بتوان آن را:

• ارزیابی کرد،
• مقایسه کرد،
• و در فرایند استدلال هوش مصنوعی به کار گرفت.

۲. اعتبار خود را با منابع مستقل و معتبر تقویت کنید

دومین عامل مهم برای دیده شدن در پاسخ‌های هوش مصنوعی، اعتبارسنجی توسط منابع مستقل است.

اینکه برند شما در پاسخ‌های هوش مصنوعی ظاهر شود، فقط به وب‌سایت رسمی یا تبلیغاتتان وابسته نیست.

مدل‌های هوش مصنوعی به اطلاعاتی مانند موارد زیر نیز توجه می‌کنند:

• بررسی‌های تخصصی (Reviews)
• نظر کارشناسان
• مقالات پژوهشی
• رسانه‌های معتبر
• انجمن‌های تخصصی
• تحقیقات علمی

در مورد Brooks نیز دقیقاً همین اتفاق رخ داده است.

این شرکت طی سال‌ها با فروشگاه‌های تخصصی دویدن، مربیان، متخصصان ارتوپدی، پزشکان و درمانگران همکاری کرده است؛ افرادی که باید برای هر دونده توضیح می‌دادند چرا یک مدل کفش خاص برای او مناسب است.

در نتیجه، امروز سیستم‌های هوش مصنوعی نیز هنگام پاسخ دادن به کاربران، از همین شبکه گسترده اطلاعات و اعتبار استفاده می‌کنند.

به عبارت دیگر، اینکه امروز Brooks در پاسخ‌های هوش مصنوعی زیاد دیده می‌شود، نتیجه ۲۰ سال سرمایه‌گذاری مداوم روی اعتبار شخص ثالث است.

AI Recall Share پاداش بلندمدت چنین سرمایه‌گذاری‌هایی است.

۳. به جای شعارهای احساسی، روی شواهد تمرکز کنید

سومین توصیه پژوهش شاید مهم‌ترین آن‌ها باشد.

بسیاری از مشهورترین و معتبرترین برندهای جهان، در پاسخ‌های هوش مصنوعی حضور بسیار کمرنگی دارند.

دلیل این موضوع آن نیست که برند ضعیفی هستند.

بلکه مشکل اینجاست که نقاط قوت آن‌ها به شکلی بیان شده که مدل‌های هوش مصنوعی نمی‌توانند از آن استفاده کنند.

سال‌ها برندسازی سنتی بر موضوعاتی مانند:

• سبک زندگی
• احساسات
• داستان‌سرایی
• جایگاه اجتماعی
• تصویر ذهنی برند

تمرکز داشته است.

این عوامل برای انسان‌ها مؤثر هستند و باعث ایجاد علاقه و وفاداری می‌شوند.

اما برای مدل‌های هوش مصنوعی، این نوع پیام‌ها به ویژگی‌های قابل استفاده تبدیل نمی‌شوند.

قدرت برند، به‌تنهایی کافی نیست

در نتیجه، داشتن یک برند قوی الزاماً به این معنا نیست که هوش مصنوعی نیز آن را پیشنهاد خواهد داد.

برای پر کردن این فاصله، برندها باید وابستگی خود را به ادعاهای نمادین کاهش دهند و در مقابل، شواهد و مستنداتی را تقویت کنند که ارتباط روشنی میان محصولات آن‌ها و مسائل واقعی کاربران ایجاد می‌کند.

در بازارهایی که کشف محصول توسط هوش مصنوعی انجام می‌شود، قدرت برند دیگر فقط به میزان شناخت یا محبوبیت آن وابسته نیست.

قدرت واقعی برند زمانی مشخص می‌شود که هوش مصنوعی بتواند آن را به‌عنوان پاسخ مناسب برای یک مسئله واقعی انتخاب کند.

از یک ارزیابی ساده شروع کنید

سؤال استراتژیک اصلی برای هر برند این است:

برند شما امروز در چه جایگاهی قرار دارد و چگونه می‌تواند به برندی تبدیل شود که هوش مصنوعی به‌راحتی آن را درک و پیشنهاد کند؟

پاسخ این سؤال از یک ارزیابی ساده اما دقیق آغاز می‌شود.

۱. برند خود را در مهم‌ترین مدل‌های هوش مصنوعی بررسی کنید

اولین قدم این است که برند خود را در پلتفرم‌های اصلی هوش مصنوعی مانند ChatGPT، Claude و Gemini آزمایش کنید.

از همان پرسش‌هایی استفاده کنید که مشتریان بالقوه شما احتمالاً هنگام جستجوی محصول یا خدمات مطرح می‌کنند؛ هم پرسش‌های کلی مربوط به دسته‌بندی محصول و هم پرسش‌های دقیق درباره مشکلاتی که محصول شما حل می‌کند.

در هنگام بررسی، به این پرسش‌ها پاسخ دهید:

• چه برندهایی در پاسخ ظاهر می‌شوند؟
• آیا برند شما در میان آن‌ها حضور دارد؟
• اگر حضور دارد، چگونه معرفی می‌شود؟
• آیا این معرفی در هر سه پلتفرم یکسان است یا تفاوت دارد؟

نتایج پژوهش نشان داد که ۵۵ درصد برندها در سیستم‌های مختلف هوش مصنوعی با جایگاه و توصیف متفاوتی نمایش داده می‌شوند.

این یعنی ممکن است هوش مصنوعی تصویری از برند شما بسازد که فاصله زیادی با جایگاه و پیام موردنظر شما داشته باشد.

۲. ساختار ویژگی‌های برند خود را بررسی کنید

در مرحله بعد، ویژگی‌های محصول یا خدمات خود را ارزیابی کنید.

از خودتان بپرسید:

آیا یک مشتری — یا حتی یک مدل هوش مصنوعی — می‌تواند سه ویژگی مشخص، قابل اندازه‌گیری و قابل مقایسه از محصول ما را نام ببرد که مستقیماً به نیاز کاربران مرتبط باشند؟

اگر پاسخ صادقانه شما «خیر» باشد، دقیقاً همان نقطه‌ای است که باید روی آن کار کنید.

هدف این نیست که اسناد فنی پیچیده تولید کنید.

هدف این است که ویژگی‌هایی که واقعاً محصول شما را متمایز می‌کنند، در همه جا:

• به‌وضوح نام‌گذاری شوند،
• به شکل یکسان بیان شوند،
• و هرجا برند شما معرفی می‌شود، به‌صورت سازگار تکرار شوند.

۳. شواهد و اعتبار برند خود را نقشه‌برداری کنید

سپس بررسی کنید چه منابع مستقلی درباره برند شما صحبت می‌کنند.

از خود بپرسید:

• کدام رسانه‌های تخصصی محصول شما را بررسی کرده‌اند؟
• چه کارشناسان یا متخصصانی درباره آن اظهار نظر کرده‌اند؟
• آیا پژوهش یا مطالعه‌ای درباره مزایای محصول شما وجود دارد؟
• آیا این منابع، ویژگی‌های کلیدی محصول شما را به‌درستی توضیح داده‌اند؟

همچنین مشخص کنید که خلأهای موجود کجاست.

برندهایی که در پاسخ‌های هوش مصنوعی عملکرد بهتری دارند، الزاماً برندهایی نیستند که بیشترین بودجه تبلیغاتی را صرف می‌کنند.

بلکه آن‌هایی هستند که بیشترین میزان اعتبار مستقل، مستمر و قابل استناد را در فضای آنلاین ایجاد کرده‌اند.

این نوع اعتبار به‌مرور زمان شکل می‌گیرد و با صرف هزینه تبلیغات به‌تنهایی قابل ایجاد نیست.

۴. زبان مشتریان را شکل دهید

در نهایت، به واژه‌هایی فکر کنید که مشتریان برای توصیف مشکلات خود به کار می‌برند.

آیا این واژه‌ها همان مفاهیمی هستند که محصول شما واقعاً برای حل آن‌ها طراحی شده است؟

اگر پاسخ منفی است، باید روی آموزش مسئله (Problem Literacy) سرمایه‌گذاری کنید.

یعنی به مشتریان کمک کنید مشکلات خود را با واژگان دقیق‌تر و تخصصی‌تر بیان کنند.

این واژه‌ها می‌توانند از طریق کانال‌های مختلف گسترش پیدا کنند، از جمله:

• آموزش‌های تخصصی
• وبلاگ شرکت
• ویدئوهای آموزشی
• انجمن‌های تخصصی
• شبکه‌های اجتماعی
• اینفلوئنسرهای حوزه تخصصی
• رسانه‌های معتبر

وقتی این زبان میان مخاطبان رایج شود، کاربران نیز همان واژه‌ها را هنگام پرسیدن سؤال از هوش مصنوعی به کار خواهند برد.

در نتیجه، احتمال اینکه برند شما در پاسخ‌های هوش مصنوعی ظاهر شود، به شکل قابل توجهی افزایش پیدا می‌کند.

برندهای برنده در عصر هوش مصنوعی چه ویژگی‌ای دارند؟

نتیجه‌گیری این پژوهش بسیار روشن است.

برندهایی که بیشترین شانس موفقیت را در دنیای کشف محصول مبتنی بر هوش مصنوعی دارند، الزاماً برندهایی نیستند که امروز بیشترین سرمایه‌گذاری را روی فناوری‌های هوش مصنوعی انجام می‌دهند.

بلکه برندهایی موفق خواهند بود که طی سال‌ها، مجموعه‌ای از اطلاعات، ویژگی‌های دقیق، شواهد معتبر و اعتبار مستقل ایجاد کرده‌اند؛ مجموعه‌ای که باعث می‌شود مدل‌های هوش مصنوعی بتوانند آن‌ها را به‌سادگی درک، تحلیل و بازیابی کنند.

به بیان دیگر، آینده رقابت برندها دیگر فقط به این بستگی ندارد که مردم شما را بشناسند.

بلکه به این بستگی دارد که هوش مصنوعی نیز بتواند شما را به‌عنوان بهترین پاسخ برای مسئله کاربران تشخیص دهد.

جمع‌بندی

در گذشته، موفقیت برندها عمدتاً به دیده شدن در موتورهای جستجو، تبلیغات و رسانه‌ها وابسته بود.

امروز اما یک بازیگر جدید وارد این رقابت شده است: هوش مصنوعی.

زمانی که کاربران از مدل‌هایی مانند ChatGPT، Claude یا Gemini می‌خواهند بهترین محصول یا خدمت را پیشنهاد دهند، این مدل‌ها برندها را بر اساس میزان شهرت انتخاب نمی‌کنند.

آن‌ها بررسی می‌کنند:

• کاربر دقیقاً چه مشکلی دارد؟
• چه ویژگی‌هایی برای حل آن مشکل لازم است؟
• کدام برند شواهد کافی برای اثبات این ویژگی‌ها ارائه کرده است؟

به همین دلیل، برندهایی که ویژگی‌های محصولات خود را به‌صورت شفاف، قابل اندازه‌گیری و مستند ارائه می‌کنند، شانس بسیار بیشتری برای حضور در پاسخ‌های هوش مصنوعی خواهند داشت.

برای کسب‌وکارها، این موضوع تنها یک تغییر در کانال بازاریابی نیست؛ بلکه تغییری اساسی در نحوۀ ساخت برند است.

در عصر هوش مصنوعی، برندهایی برنده خواهند بود که نه‌تنها برای انسان‌ها قابل اعتماد باشند، بلکه برای مدل‌های هوش مصنوعی نیز قابل تفسیر، قابل استناد و قابل بازیابی باشند.

این مقاله ترجمه و بازنویسی فارسی از مقاله زیر است:

How to Get AI to Surface Your Brand – Harvard Business Review

نویسندگان:

• John Gale
• Luca Cian
• Luc Wathieu

تاریخ انتشار: ۲۹ ژوئن ۲۰۲۶