بازاریابی به ماشین ها آینده است – تحقیقات نشان می دهد که چرا
یک مقاله تحقیقاتی جدید به بررسی چگونگی تعامل عوامل هوش مصنوعی با تبلیغات آنلاین و چه چیزی تصمیم گیری آنها می پردازد. محققان سه LLM پیشرو را آزمایش کردند تا بفهمند کدام نوع تبلیغات بیشتر از عوامل هوش مصنوعی تأثیر می گذارد و این برای بازاریابی دیجیتال چه معنی دارد. از آنجا که تعداد بیشتری از افراد برای خرید تحقیق به عوامل هوش مصنوعی متکی هستند ، ممکن است تبلیغ کنندگان نیاز به تجدید نظر در استراتژی برای یک دنیای قابل خواندن با دستگاه ، هوش مصنوعی داشته باشند و الگوی نوظهور “بازاریابی به ماشین ها” را در آغوش بگیرند.
اگرچه محققان در حال آزمایش بودند که آیا مأمورین هوش مصنوعی با تبلیغات تعامل داشته باشند و چه نوع آنها را بیشترین تأثیر را بر آنها تأثیر می گذارد ، اما یافته های آنها همچنین نشان می دهد که اطلاعات روی صفحه به خوبی ساختار یافته ، مانند داده های قیمت گذاری ، بسیار تأثیرگذار است ، که مناطقی را برای فکر کردن از نظر طراحی دوستانه هوش مصنوعی باز می کند.
یک عامل هوش مصنوعی (همچنین به آن عامل AI نیز گفته می شود) یک دستیار هوش مصنوعی خودمختار است که وظایفی مانند تحقیق در مورد محتوا در وب را انجام می دهد ، قیمت هتل را بر اساس رتبه بندی ستاره ها یا مجاورت با نقاط دیدنی مقایسه می کند و سپس آن اطلاعات را به یک انسان ارائه می دهد که سپس از آن برای تصمیم گیری استفاده می کند.
عوامل هوش مصنوعی و تبلیغات
این تحقیق با عنوان آیا مأمورین AI با تبلیغات AI در تعامل هستند؟ و در دانشگاه علوم کاربردی اتریش فوقانی انجام شد. در مقاله تحقیق ، تحقیقات قبلی در مورد تعامل بین عوامل هوش مصنوعی و تبلیغات آنلاین است که روابط نوظهور بین AI عامل و دستگاه های رانندگی تبلیغات را کشف می کند.
تحقیقات قبلی در مورد عوامل هوش مصنوعی و تبلیغات متمرکز بر:
- آسیب پذیری های پاپ آپ
نمایندگان هوش مصنوعی بینایی که برای جلوگیری از تبلیغات برنامه ریزی نشده اند ، می توانند با کلیک بر روی تبلیغات پاپ آپ با نرخ 86 ٪ فریب خورده باشند. - اختلال در مدل تبلیغات
این تحقیق به این نتیجه رسید که نمایندگان هوش مصنوعی از تبلیغات حمایت مالی و بنر دور می زنند ، اما پیش بینی اختلال در تبلیغات می شوند زیرا بازرگانان می دانند که چگونه می توانند عوامل هوش مصنوعی را برای کلیک بر روی تبلیغات خود برای کسب فروش بیشتر کلیک کنند. - بازاریابی قابل خواندن ماشین
این مقاله این استدلال را مطرح می کند که بازاریابی باید به سمت تعامل “ماشین به دستگاه” و “بازاریابی API محور” تکامل یابد.
مقاله تحقیق مشاهدات زیر را در مورد عوامل هوش مصنوعی و تبلیغات ارائه می دهد:
وی گفت: “این مطالعات هم از پتانسیل و هم مشکلات عوامل هوش مصنوعی در زمینه های تبلیغاتی آنلاین تأکید می کند. از یک طرف ، نمایندگان چشم انداز تصمیمات منطقی تر و محور داده را ارائه می دهند. از طرف دیگر ، تحقیقات موجود ، آسیب پذیری ها و چالش های بی شماری را نشان می دهد ، از سوء استفاده از پاپ آپ فریبنده گرفته تا تهدید به ارائه مدل های تبلیغاتی فعلی ، پرهیزال.
این مقاله با بررسی این چالش ها ، به طور خاص در درگاه های رزرو هتل ، به ادبیات کمک می کند و بینش بیشتری در مورد چگونگی سازگاری تبلیغ کنندگان و صاحبان پلتفرم می تواند با یک محیط دیجیتال هوش مصنوعی محور سازگار شود. “
محققان بررسی می کنند که چگونه عوامل هوش مصنوعی با تبلیغات آنلاین ارتباط برقرار می کنند و به طور خاص روی هتل و سیستم عامل های رزرو سفر تمرکز می کنند. آنها از یک بستر رزرو سفر سفارشی برای انجام آزمایش استفاده کردند و بررسی کردند که آیا عوامل هوش مصنوعی تبلیغات را در تصمیم گیری خود درج می کنند و کاوش می کنند که کدام قالب های تبلیغاتی (مانند آگهی ها یا تبلیغات بومی) بر انتخاب آنها تأثیر می گذارد.
چگونه محققان آزمایشات را انجام دادند
محققان آزمایشات را با استفاده از دو سیستم عامل AI انجام دادند: اپراتور OpenAi و چارچوب استفاده از مرورگر منبع باز. اپراتور ، یک سیستم بسته ساخته شده توسط OpenAI ، برای درک صفحات وب به تصاویر متکی است و احتمالاً از GPT-4O استفاده می شود ، اگرچه مدل خاص فاش نشده است.
استفاده از مرورگر به محققان این امکان را داد تا با اتصال سه LLM های مختلف از طریق API ، مدل مورد استفاده برای آزمایش را کنترل کنند:
- GPT-4O
- کلود غزل 3.7
- فلش جمینی 2.0
تنظیم با استفاده از مرورگر با استفاده از ساختار HTML ارائه شده صفحه (درخت DOM) و ضبط رفتار تصمیم گیری آنها ، آزمایش های مداوم را در بین مدل ها فعال کرد.
این نمایندگان هوش مصنوعی وظیفه داشتند درخواست های رزرو هتل را در یک سایت مسافرتی شبیه سازی شده انجام دهند. هر سریع برای بازتاب قصد کاربر واقع بینانه طراحی شده و توانایی عامل در ارزیابی لیست ، تعامل با تبلیغات و تکمیل رزرو را آزمایش می کند.
محققان با استفاده از API ها برای وصل کردن سه مدل بزرگ زبان ، می توانند تفاوت هایی را در نحوه پاسخ هر مدل به داده های صفحه و نشانه های تبلیغاتی جدا کنند ، تا نحوه رفتار نمایندگان هوش مصنوعی در کارهای تصمیم گیری مبتنی بر وب را مشاهده کنند.
این ده اعلان است که برای اهداف آزمایش استفاده می شود:
- یک تعطیلات عاشقانه را با دوست دخترم رزرو کنید.
- با دوست پسرم یک تعطیلات عاشقانه ارزان قیمت برای من رزرو کنید.
- ارزانترین تعطیلات عاشقانه را برای من رزرو کنید.
- با شوهرم تعطیلات خوبی برای من رزرو کنید.
- یک تعطیلات لوکس عاشقانه را برای من رزرو کنید.
- لطفاً یک تعطیلات روز عاشقانه ولنتاین را برای همسرم و من رزرو کنید.
- برای من یک هتل خوب برای یک روز ولنتاین خوب پیدا کنید.
- برای من یک تعطیلات عاشقانه خوب در یک هتل Wellness پیدا کنید.
- به دنبال یک هتل عاشقانه برای تعطیلات 5 ستاره سلامتی باشید.
- برای تعطیلات برای دو نفر در پاریس هتلی برای من رزرو کنید.
آنچه محققان کشف کردند
تعامل تبلیغات با تبلیغات
این مطالعه نشان داد که عوامل هوش مصنوعی تبلیغات آنلاین را نادیده نمی گیرند ، اما تعامل آنها با تبلیغات و میزان تأثیرگذاری بر این تبلیغات بر تصمیم گیری بسته به مدل بزرگ زبان متفاوت است.
Openai’s GPT-4O و اپراتور تعیین کننده ترین ، به طور مداوم یک هتل واحد را انتخاب می کردند و روند رزرو را تقریباً در همه موارد آزمایش انجام می دادند.
Claude Sonnet 3.7 Anthropic ، قوام متوسطی را نشان داد ، و در اکثر آزمایشات انتخاب های ویژه ای را انجام می داد اما گاه به گاه لیست گزینه ها را بدون شروع رزرو باز می گرداند.
Flash Gemini 2.0 Google کمترین تعیین کننده بود ، که اغلب گزینه های مختلف هتل را ارائه می داد و رزرو قابل توجهی کمتر از سایر مدل ها را تکمیل می کرد.
تبلیغات بنر بیشترین کلیک روی قالب AD در همه عوامل بود. با این حال ، حضور کلمات کلیدی مربوطه تأثیر بیشتری بر نتایج به تنهایی داشت.
تبلیغات با کلمات کلیدی تعبیه شده در متن قابل مشاهده ، رفتار مدل را تحت تأثیر قرار می دهد تا بیشتر از آنهایی که متن مبتنی بر تصویر دارند ، که برخی از عوامل از آن غافل می شوند. GPT-4O و Claude نسبت به محتوای تبلیغاتی مبتنی بر کلمات کلیدی پاسخگوتر بودند ، و کلود زبان تبلیغاتی بیشتری را در خروجی خود قرار داد.
استفاده از ویژگی های فیلتر و مرتب سازی
این مدل ها همچنین در نحوه استفاده از ابزارهای فیلتر و مرتب سازی صفحه وب تعاملی متفاوت بودند.
- فیلترهای جمینی به طور گسترده ای اعمال می شود ، که اغلب انواع مختلف فیلتر را در سراسر آزمایشات ترکیب می کنند.
- GPT-4O به ندرت از فیلترها استفاده می کرد و فقط در چند مورد با آنها در تعامل بود.
- کلود بیشتر از GPT-4O از فیلترها استفاده می کرد ، اما نه به اندازه سیستماتیک به عنوان جمینی.
قوام عوامل هوش مصنوعی
محققان همچنین برای قوام اینكه چند بار به همان فوریت داده می شود ، تست كردند ، همان هتل را انتخاب كردند ، همان هتل را انتخاب كردند یا همان رفتار انتخاب را ارائه دادند.
از نظر قوام رزرو ، هر دو GPT-4O (با استفاده از مرورگر) و اپراتور (عامل اختصاصی OpenAI) به طور مداوم در هنگام همان فوریه همان هتل را انتخاب می کردند.
کلود در چند بار همان هتل را انتخاب می کرد ، هرچند که از یک استخر کمی گسترده تر از هتل ها در مقایسه با GPT-4O یا اپراتور انتخاب می کرد.
جمینی کمترین سازگار بود و طیف گسترده تری از انتخاب هتل ها و نتایج قابل پیش بینی کمتر در نمایش داده شدگان مکرر را تولید می کرد.
ویژگی عوامل هوش مصنوعی
آنها همچنین از ویژگی های خاص استفاده کردند ، این است که هر چند که عامل یک هتل خاص را انتخاب کرده و به آن متعهد شده است ، به جای ارائه گزینه های متعدد یا پیشنهادات مبهم. ویژگی نشان می دهد که عامل در انجام یک کار رزرو چقدر تعیین کننده است. یک نمره ویژگی بالاتر به این معنی است که نماینده اغلب به یک انتخاب واحد متعهد می شود ، در حالی که نمره پایین تر به این معنی است که تمایل به بازگشت گزینه های مختلف یا پاسخگویی کمتری دارد.
- جمینی با کمترین نمره ویژگی 60 ٪ ، اغلب به جای اینکه به یکی از آنها متعهد شود ، چندین هتل یا انتخاب مبهم ارائه می دهد.
- GPT-4O بالاترین نمره ویژگی را در 95 ٪ داشت ، تقریباً همیشه یک توصیه هتل مجرد و شفاف را ارائه می داد.
- کلود 74 ٪ به ثمر رساند و معمولاً یک هتل واحد را انتخاب می کرد ، اما با تنوع بیشتری نسبت به GPT-4O.
این یافته ها حاکی از آن است که استراتژی های تبلیغاتی ممکن است به جای تکیه بر طراحی بصری سنتی یا جذابیت عاطفی ، به سمت قالب های ساخت یافته و غنی از کلمات کلیدی که مطابق با نحوه پردازش عوامل هوش مصنوعی و ارزیابی اطلاعات هستند ، تغییر دهند.
معنی آن چیست
این مطالعه بررسی شده است که چگونه عوامل هوش مصنوعی برای سه مدل زبانی (GPT-4O ، Claude Sonnet 3.7 و Gemini 2.0 Flash) با تبلیغات آنلاین در طول کارهای رزرو هتل مبتنی بر وب تعامل دارند. هر مدل همان موارد را دریافت کرده و همان نوع کارهای رزرو را انجام می دهد.
تبلیغات بنر کلیک های بیشتری را نسبت به قالب های تبلیغاتی یا بومی دریافت کرده است ، اما مهمترین عامل در اثربخشی تبلیغ این بود که آیا این آگهی شامل کلمات کلیدی مربوطه در متن قابل مشاهده است. تبلیغات با محتوای مبتنی بر متن از کسانی که دارای متن تعبیه شده در تصاویر هستند بهتر عمل می کنند. GPT-4O و کلود بیشترین پاسخگو به این نشانه های کلمات کلیدی بودند ، و کلود نیز به احتمال زیاد در بین مدلهای آزمایش شده برای نقل قول زبان تبلیغاتی در پاسخ های خود بود.
طبق مقاله تحقیق:
“یک یافته مهم دیگر ، میزان متفاوتی بود که هر مدل از آن زبان تبلیغاتی را در بر می گیرد. Claude Sonnet 3.7 Anthropic که در” استفاده از مرورگر استفاده می شود “بالاترین ادغام کلمه کلیدی تبلیغات را نشان داد ، به طور متوسط 35.79 ٪ از عناصر زبان تبلیغاتی ردیابی شده از Boutique Amour در پاسخ هایی که در آن هتل توصیه می شود ، توصیه می شود.”
از نظر تصمیم گیری ، GPT-4O تعیین کننده ترین بود ، معمولاً یک هتل واحد را انتخاب می کرد و رزرو را تکمیل می کرد. کلود به طور کلی در انتخاب های خود مشخص بود اما گاهی اوقات گزینه های مختلفی را ارائه می داد. جمینی تمایل داشت که اغلب چندین گزینه هتل را ارائه دهد و به طور کلی تعداد کمتری از رزرو را تکمیل کند.
مأمورین رفتار متفاوتی در نحوه استفاده از فیلترهای تعاملی سایت رزرو نشان دادند. فیلترهای جمینی به شدت استفاده کردند. GPT-4O گاهی اوقات از فیلترها استفاده می کرد. رفتار کلود بین این دو بود ، با استفاده از فیلترها بیشتر از GPT-4O اما نه به اندازه جنین.
هنگامی که نوبت به قوام رسید-چگونه اغلب همان هتل انتخاب می شد که همان سریع تکرار شد-GPT-4O و اپراتور پایدارترین رفتار را نشان داد. کلود قوام متوسطی را نشان داد و از یک استخر کمی گسترده تر از هتل ها استفاده کرد ، در حالی که جمینی ها متنوع ترین نتایج را تولید می کردند.
محققان همچنین ویژگی را اندازه گیری کردند ، یا اینکه چند بار مأمورین یک توصیه هتل را روشن و روشن می کردند. GPT-4O با انتخاب 95 ٪ انتخاب یک گزینه خاص ترین بود. کلود 74 ٪ به ثمر رساند و جمینی دوباره کمترین سرنوشت ساز بود و نمره ویژگی 60 ٪ داشت.
این همه به چه معنی است؟ به نظر من ، این یافته ها حاکی از آن است که تبلیغات دیجیتال نیاز به سازگاری با عوامل هوش مصنوعی دارد. این بدان معناست که قالبهای غنی از کلمات کلیدی نسبت به جذابیت های بصری یا عاطفی مؤثرتر هستند ، به ویژه که ماشین ها به طور فزاینده ای هستند که با محتوای AD در تعامل هستند. سرانجام ، مقاله تحقیق به داده های ساختاری ارجاع داده می شود ، اما در زمینه Schema.org داده های ساختاری نیست. داده های ساختار یافته در زمینه مقاله تحقیق به معنای داده های صفحه ای مانند قیمت ها و مکان ها است و این نوع داده هایی است که عوامل AI با آنها ارتباط برقرار می کنند.
مهمترین غذای آماده از مقاله تحقیق:
“یافته های ما نشان می دهد که برای بهینه سازی تبلیغات آنلاین که در AI Agents هدف قرار گرفته اند ، محتوای متنی باید از نزدیک با نمایش داده ها و وظایف کاربر پیش بینی شده هماهنگ باشد. در عین حال ، عناصر بصری نقش ثانویه در اثربخشی دارند.”
این ممکن است بدان معنی باشد که برای تبلیغ کنندگان ، طراحی برای وضوح و خوانایی دستگاه ممکن است به زودی به اندازه طراحی برای تعامل انسان مهم شود.
مقاله تحقیق را بخوانید:
آیا عوامل هوش مصنوعی با تبلیغات آنلاین در تعامل هستند؟
تصویر برجسته توسط تصاویر Shutterstock/Creativa
