استفاده تصادفی از هوش مصنوعی مشابه یک سیستم نیست. برای بازیگران بازاریابی و فروش، شکاف رقابتی در حال ظهور بین افرادی است که به طور واکنشی از هوش مصنوعی استفاده می‌کنند و افرادی که ماشین‌های تکرارپذیر را بر اساس ورودی انسان می‌سازند.
بسیاری از متخصصان بازاریابی و فروش در کار خود از هوش مصنوعی استفاده می کنند. اما تعداد بسیار کمی از آنها یک سیستم کاری ساخته اند. این یک شکاف رو به رشد است که ما نمی توانیم از آن چشم پوشی کنیم.
در قسمت 2 گفتگوی من با مایک کاپوت، مدیر محتوا در موسسه هوش مصنوعی بازاریابی و SmarterX، به لایه پیاده سازی رسیدیم: در واقع برای ایجاد جریان های کاری قابل اعتماد به کمک هوش مصنوعی برای محتوا و نقشه برداری، چگونه به یک پشته ابزار فکر کنیم بدون اینکه حواسش پرت شود و توسط اشیاء براق از مسیر خارج شویم، و نقش یک بازاریاب یا فروشنده در زمانی که عوامل هوش مصنوعی شروع به انجام کارهای بیشتر می کنند، چگونه خواهد بود.
اگر قسمت 1 را از دست دادید، جایی که بیشتر تیم‌های B2B واقعاً در پذیرش هوش مصنوعی کجا هستند و گام‌های ساختاری که سازمان‌ها برای حرکت از پایلوت به مقیاس‌سازی باید بردارند، توضیح دادیم. می خواهید آن را بررسی کنید، همچنین
قسمت 40 The ChangeOver را تماشا کنید و سپس مشترک شوید اپل، یوتیوب، Spotify، Weidert.comیا برنامه پادکست مورد علاقه شما پس از پایان بخش دوم گفتگو به شما اطلاع داده خواهد شد.
معادله عرضه و تقاضای معکوس هوش مصنوعی
قبل از اینکه به این موضوع بپردازید که چرا حرکت از «ما از هوش مصنوعی استفاده می‌کنیم» به «ما یک سیستم هوش مصنوعی ساخته‌ایم» بسیار مهم است، مهم است که بدانید هوش مصنوعی چگونه محدودیت‌های ایجاد محتوا را تغییر داده است. همین چند سال پیش، بخش بزرگی از کار محتوا به شدت دستی بود: تحقیق، یادداشت برداری در مصاحبه با کارشناسان موضوع، تهیه پیش نویس، پالایش، استفاده مجدد برای کانال ها و پلتفرم های مختلف.
هنوز کار مهمی است، اما اکنون دستیار هوش مصنوعی کار را سرعت می بخشد و کار دستی را کاهش می دهد. محدودیت زمانی برای تولید محتوا از بین رفته است – حداقل در بخش حجم (کیفیت موضوع دیگری است).
“شما می توانید به معنای واقعی کلمه روی یک دکمه کلیک کنید و بسته به ورودی، که در اینجا کلید است، می توانید اساساً مقدار نامحدودی دریافت کنید. بنابراین عامل محدود کننده زمان تولید محتوا نیست.” – مایک کاپوت، SmarterX
این تغییر تأثیر مستقیمی بر نحوه بودجه بندی زمان خود توسط پزشکان دارد. اگر تولید دیگر گلوگاه نیست، اکنون ارزش و اصالت ورودی ها است که وارد موتور محتوای مبتنی بر هوش مصنوعی شما می شوند.
این هسته چارچوبی است که مایک توصیف می کند یک موتور محتوای دو طرفه: درآمد جمع‌آوری شده توسط انسان از یک طرف، خروجی با مقیاس هوش مصنوعی از سوی دیگر.
همانطور که قابلیت‌های هوش مصنوعی مولد (و توانایی ما برای انجام کارهای خوب) بهبود می‌یابد، کار ما بر استخراج داده‌های خود و ارائه ورودی‌هایی متمرکز می‌شود که هیچ هوش مصنوعی یا رقیبی نتواند آن را تکرار کند. به داده های اصلی، چارچوب مرجع خود، متن مصاحبه، تفکر متخصص موضوع و داستان سرایی فکر کنید. این در مورد آن است برای درک اینکه چه چیزی دانش، تجربه و بینش را برای مخاطبان ارزشمند می کند و چه چیزی می توانیم ارائه دهیم که هوش مصنوعی هنوز در مدل خود ندارد و نمی تواند به تنهایی ترکیب کند..
یک سیستم هوش مصنوعی با دقت طراحی شده می تواند این کار را انجام دهد تهیه آن مواد به هر شکل و صدایی که استراتژی توزیع نیاز دارد.
این بدان معنی است که کار واقعی بازاریاب محتوا قبلاً حرکت کرده است. زمان کمتری در صفحه کلید برای تولید از ابتدا. زمان بیشتری برای یافتن، گرفتن، ارزیابی و تجزیه ورودی‌های اصلی که به ماشین چیزی ارزش اعتبارسنجی را می‌دهد. و زمان بیشتری برای ایجاد و تقویت مهارت‌های سیستم هوش مصنوعی به‌گونه‌ای که نتایجی که ایجاد می‌کند متمایز، ارزشمند و با مردم (و ربات‌ها) که آن را می‌خوانند، طنین‌انداز شود.
برای نویسندگانی که به شدت به تولید و حجم برای غرور تکیه کرده‌اند، این می‌تواند محل گیج‌کننده‌ای باشد. سهام تغییر کرده است. جنبه مثبت آن این است که برای تیم‌های کوچک و ضعیف که درک عمیقی از مشتریان خود دارند، یک سیستم هوش مصنوعی آنچه ممکن است را تغییر می‌دهد. اما کیفیت خروجی به کیفیت ورودی بستگی دارد – بنابراین جمع آوری ورودی عالی اکنون بخش مهمی از کار است.
مرتبط: هوش مصنوعی + تحقیقات مخاطب: فرمولی جدید برای بازاریابی
“جمع آوری ورودی” در یک تیم ناب B2B چگونه است؟
یک تیم فروش و بازاریابی کوچک و ناکارآمد را تصور کنید که تنها چند نفر کل عملیات را در یک شرکت صنعتی متوسط اداره می کنند. چند سال پیش، کار تولید بدون وقفه بود و محدودیت زمانی، میزان تولید را محدود می کرد.
اکنون، زمانی که سیستم هوش مصنوعی در حال استفاده است، تمرکز بر روی تشخیص اینکه زبان داده و محتوا است تغییر می‌کند. توصیه مایک عملی است: از تلقی زبان به عنوان چیزی که می نویسید دست بردارید و با آن به عنوان چیزی که می نویسید رفتار کنید.
“فکر نمی‌کنم در آن تیم ناب به شما خدمت کرده باشد که جلوی یک صفحه خالی بنشینید و افکار خود را بنویسید. من خیلی سریع به سمت افرادی حرکت می‌کنم که با من مصاحبه می‌کنند یا با کارشناسان موضوع مصاحبه می‌کنند یا تمام جلسات و تماس‌ها را به صورت صوتی و متنی ضبط می‌کنند، زیرا در این صورت همه چیز تبدیل به یک ماده خام می‌شود که می‌توانیم از آن استفاده کنیم، دوباره استفاده کنیم و بی‌پایان ریمیکس کنیم.” – مایک کاپوت، SmarterX
در نظر بگیرید که تغییر در طرز فکر چه چیزی را تغییر خواهد داد:
- تماس های فروش، بحث های کشف و مصاحبه با مشتری بسیار بیشتر از یک عملیات خط لوله هستند. اکنون آنها نیز مواد خام هستند
- تخصص داخلی که در سر افراد قفل شده است، اگر آن را استخراج کنید و به سیستم خود وارد کنید، ارزش بازاریابی واقعی دارد
- ابزارهایی که از قبل دارید (نرم افزار ضبط تماس، خلاصه جلسات هوش مصنوعی، یک مدل هوش مصنوعی بین مرزی مناسب) احتمالاً برای شروع کافی هستند.
جمع آوری این ماده خام اکنون آغاز گردش کار است. این نیاز به نظم و انضباط و روش های جدید کار برای استخراج آن دارد. تصمیم گیری در مورد اینکه چه چیزی خوب است به قضاوت انسانی نیاز دارد – یافتن بهترین معاملات، انتخاب سؤالات متداول از مشتریان، و شناسایی چارچوب هایی که بهترین افراد برای توضیح مفاهیم پیچیده استفاده می کنند.
این مهارتی است که اکثر متخصصان بازاریابی برای توسعه آن آموزش ندیده اند. همه چیز مثل گذشته کار نمی کرد. این یک ماده ضروری نبود.
اما اکنون چنین است و مدیریت آن با اتخاذ یک طرز فکر رشد، فعال بودن و ایجاد مکانیسم هایی برای جمع آوری و ارزیابی آن ورودی ها آغاز می شود. این به معنای سطح جدیدی از سازماندهی و مدیریت پیرامون منابعی مانند رونوشت تماس ها، مصاحبه های ویدیویی، تحقیقات پایه و داده های اختصاصی است.
جستجو با کمک هوش مصنوعی: چه چیزی واقعا مفید است و چه چیزی می تواند در کنار آن باشد؟
همان منطق شرط اول برای جستجو اعمال می شود. مایک در مورد منحنی یادگیری خود صادق بود و من می توانم از این نوع صداقت به عنوان کسی که با انجام کار یاد می گیرد قدردانی کنم.
مهم ترین سوال قبل از ساخت و ساز هر چه باشد گردش کار مشتری این نیست که “از چه ابزاری استفاده کنم؟” سوال بهتر این است که آیا این ارتباط برای گیرنده ارزشی دارد یا خیر.
من اهمیتی نمی‌دهم که کسی به من ایمیلی بفرستد. من اهمیتی نمی‌دهم که کاملاً به کاری که انجام می‌دهم بی ربط باشد. خیلی خوب است که نسبت به چیزی که به آن علاقه داشتم و نمی‌دانستم انتظار سردی داشته باشم. واقعاً.» – مایک کاپوت، SmarterX
این یک حالت شکست است که هوش مصنوعی می تواند آن را تقویت کند. اگر ابتدا به سؤال مرتبط شما پاسخ داده نشود، هوش مصنوعی آن را برطرف نخواهد کرد. اما در مقیاسی آزاردهنده است. ابزاری که به شما امکان می دهد صدها ایمیل شخصی سازی شده را در عرض چند دقیقه ارسال کنید، در صورت اشتباه بودن هدف گذاری، مسئول است.
با فرض اینکه شما انطباق، ابزارهای هوش مصنوعی – از جمله ابزارهای عاملی مانند HubSpot را تأیید کرده اید عامل جستجوی بریز یا Claude Cowork – آنها واقعاً برای مشکل مقیاس مفید هستند.
در مثال خود مایک، او فهرستی از 250 مخاطب، یک الگوی ایمیل هدفمند و هدفی برای شخصی سازی هر پیام داشت. کاری که زمانی نیاز به ساعت‌ها کار کپی-پیست (و اشتباهات تقریباً تضمینی) داشت، با درخواست از کلود کد برای ایجاد یک مرکز ایمیل HTML با دکمه‌های ارسال از قبل پر شده برای هر گیرنده، در حدود 20 دقیقه انجام شد.
این جادو نیست. بلکه در مورد درک آنچه ممکن است و استفاده از آن است. هنگامی که لیست مناسب، تغذیه داده های مناسب و مجموعه پیام های مناسب دارید، هوش مصنوعی اصطکاک اجرای سفارشی سازی در مقیاس را از بین می برد.. به علاوه، خطاهایی را که معمولاً پس از حدود صد ایمیل دستی ایجاد می‌شوند، از بین میبرد.
در چیزی که مایک آن را «جستجوی پرشور» می‌نامد، فروش از هوش مصنوعی برای خزیدن داده‌های در دسترس عموم برای سیگنال‌های هدف استفاده می‌کند تا مشخص کند که تعداد انگشت شماری از افراد در فهرستی وسیع‌تر به احتمال زیاد برای یک هدف خاص آماده هستند. وقتی این کار را می کنید قبل از ارسال کنید، بخش شما بهتر مورد هدف قرار خواهد گرفت. می تواند به معنای واقعی باشد صرفه جویی در زمان و نتایج بهتر برای تیم های فروش که به طور سنتی به اسپری و دعا تکیه می کردند.
اما مراقب باشید: کیفیت فیلترینگ به فرضیات هوش مصنوعی بستگی دارد و همیشه قابل مشاهده نیستند. مایک توصیه می‌کند که نسبت به نتایج مشکوک بمانید، به‌ویژه زمانی که ابزار استنباط‌هایی در مورد قصد بر اساس اطلاعات عمومی می‌کند. همان تفکر انتقادی که در مورد درآمد محتوای هوش مصنوعی اعمال می شود در اینجا نیز صدق می کند – قبل از اقدام بررسی کنید.
به دنبال پشته ابزار مناسب هوش مصنوعی هستید؟ ممکن است قبلا آن را داشته باشید
مشکل ابزار جایی است که بسیاری از تیم ها می توانند زمان و شتاب خود را به دلیل حواس پرتی از دست بدهند. قاب باز مایک بسیار خسته کننده است: قبل از افزودن هر چیز جدیدی، آنچه را که در حال حاضر دارید به حداکثر برسانید.
اکثر سازمان هایی که برای مایکروسافت 365 هزینه می کنند، Copilot دارند. اکثر تیم هایی که از Google Workspace استفاده می کنند Gemini دارند. بسیاری CRM و پلتفرم های اتوماسیون بازاریابی آنها دارای ویژگی های هوش مصنوعی داخلی هستند که تقریباً به طور کامل استفاده نمی شوند. قبل از ارزیابی ابزار هوش مصنوعی شخص ثالث، بپرسید: آیا سعی کرده‌ایم از چیزی که قبلاً برای آن پول پرداخت کرده‌ایم استفاده کنیم؟
پس از آن سطح الگوی مرزی – مانند ChatGPT، Claude یا Gemini – به عنوان یک نقطه شروع در سطح تیم می آید. این ابزارها همه کاره ترین فرصت را برای انواع مختلف کاربران فراهم می کند تا جریان های کاری را توسعه دهند که از اهداف آنها پشتیبانی می کند، خودآموزی را از طریق اکتشاف تشویق می کند و به کمترین آموزش تخصصی برای ارائه ارزش نیاز دارد.
و یادگیری نحوه استفاده از آنها به خوبی سواد هوش مصنوعی را افزایش می دهد و هر ابزار بعدی را آسان تر می کند.
در مورد ابزارهای خاص شخص ثالث چطور؟ آنها همه جا هستند و توانایی های خود را تبلیغ می کنند تا کار کاربر را راحت تر کنند. اما بحث ابزار شخص ثالث فقط باید پس از استفاده واقعی از دو سطح اول انجام شود. به همین دلیل است: بیشتر این ابزارها بسته‌بندی‌ها یا لایه‌های جریان کار هستند که بر روی همان مدل‌های زیربنایی ساخته شده‌اند که محصولات هوش مصنوعی فرامرزی را در بالای یک رابط کاربری خاص، یکپارچه‌سازی داده‌ها یا اتوماسیون گردش کار ایجاد می‌کنند.
بنابراین، قبل از سفارش، مایک می‌پرسد، آیا واقعاً می‌دانید که چه مورد استفاده خاصی را حل می‌کنید؟
-
آیا کاری را که می توانید با دو سطح ابزار اول انجام دهید خسته کرده اید؟
-
آیا سواد هوش مصنوعی در تیم خود دارید تا از آن به خوبی استفاده کنید؟
-
چگونه موفقیت را بعد از 90 روز اندازه گیری می کنید؟
-
چقدر استقرار لازم است و آیا پهنای باند آن را دارید؟
“اگر با من در مورد خرید ابزارهای شخص ثالث صحبت می کنید و هنوز GPT خود را نساخته اید یا شروع به آزمایش ویژگی های عامل در ChatGPT یا Gemini یا Claude نکرده اید، من نمی دانم که ما در اینجا چه می کنیم.” – مایک کاپوت، SmarterX
حالت شکستی که مایک توصیف می‌کند برای هرکسی که شاهد مرگ این فناوری است آشناست: میلیون‌ها دلار برای مجوزهایی که بدون زمینه یا آموزش به مردم داده شده است، و پیچیده‌ترین چیزی که هر کسی با آن به دست می‌آورد، بازنویسی ایمیل‌های خود است. این یک شکست مدیریت تغییر است، نه یک مشکل ابزار.
عوامل هوش مصنوعی اینجا هستند. آنچه شما باید قبل از ظاهر شدن در گردش کار خود بدانید
عامل هوش مصنوعی نمی آید. اینجاست. سوال این است که آیا تیم شما آماده است تا به صورت سازمان یافته با آن کار کند؟
مایک توصیه می کند که آمادگی سوژه به عنوان یک تلاش مقدماتی جداگانه، جدا از اجرای کلی هوش مصنوعی در نظر گرفته شود. و به یک دلیل بسیار خوب: عوامل هوش مصنوعی قطعی نیستند. آنها دستورالعمل ها را به گونه ای تفسیر می کنند که شما همیشه پیش بینی نمی کنید و همیشه برای شما قابل مشاهده نیست. آنها به طور مستقل عمل می کنند و برای انجام هر کار مفیدی نیاز به دسترسی به سیستم ها و داده ها دارند. این ترکیب نیاز به تفکر و مدیریت سازمانی متفاوتی دارد.
“یک نماینده در خلاء هیچ کار مفیدی برای شما انجام نمی دهد. بنابراین باید فکر کنید – و این واقعاً سخت است – ما با چه چیزی در مورد نمایندگان راحت هستیم؟ این یک همکار است. شما دارید یک کارمند جدید استخدام می کنید. اتفاقاً یک شخص است.” – مایک کاپوت، SmarterX
مراحل آماده سازی عملی به ترتیب:
- یک خط مشی خاص نماینده را توسعه دهید قبل از اینکه هر چیزی اجرا شود عوامل می توانند از چه چیزی استفاده کنند؟ چه چیزی به تایید انسان نیاز دارد؟ کدام سیستم ها خارج از محدوده هستند؟
- به تیم آموزش دهید که چه عواملی هستند – نه به زبان فروشندگان، بلکه در مکانیک واقعی: خودمختار، غیر قطعی، مستعد رفتار غیرمنتظره در هر دو جهت.
- قبل از اینکه بخواهید آنها را برون سپاری کنید، گردش کار فعلی خود را ترسیم کنید. اگر نتوانید به طور واضح نحوه کار یک فرآیند را توضیح دهید و آن را به یک همکار آموزش دهید، نمی توانید به طور موثر یک عامل را برای انجام آن آموزش دهید. هوش مصنوعی می‌تواند به مستندسازی این گردش‌های کاری کمک کند، اما کسی هنوز باید بداند کار چگونه انجام می‌شود و صاحب آن دانش باشد.
تیم‌هایی که بدون ایجاد پایه‌ای از دانش و حکمرانی مستقیماً به سمت نمایندگی‌ها می‌روند، می‌توانند در نهایت به فرآیندهایی ختم شوند که در جهت اشتباه کنترل نشده‌اند.
مرتبط: عوامل هوش مصنوعی و پتانسیل آنها: نمونه های واقعی برای بازاریابان
مرتبط ماندن نیاز به یک ذهنیت رشد دارد
نقطه پایانی مایک در گفتگوی ما شایسته توجه ویژه است زیرا در مورد ابزارها، ویژگی ها یا اشیاء براق نیست. این در مورد مردم است – شما، من، و تیم های ما. نقش های ما از انجام کار به سازماندهی سیستم هایی که کار را انجام می دهند تغییر می کند. برای بسیاری از افرادی که بازاریابی و فروش را انتخاب می کنند، مکانی ناراحت کننده است زیرا مهارت های مربوط به آن را دوست داشتند.
“شما احتمالاً دیگر در درجه اول کار را انجام نمی دهید. شما قرار است هدایت، مدیریت و نظارت داشته باشید، چه سیستم ها، یک دسته از پنجره های گفتگوی مختلف یا در نهایت نمایندگان. بهترین بازاریاب ها و فروشندگان به طور طبیعی این سیستم ها را مدیریت خواهند کرد.” – مایک کاپوت
این به این معنی نیست که این کاردستی ناپدید می شود. قضاوت انسانی، سلیقه، تفکر استراتژیک و بینش باعث ایجاد محتوای عالی و گفتگوهای فروش عالی می شود. اما توزیع زمان و تلاش به سرعت در حال تغییر است.
متخصصان بازاریابی و فروش که خود را در کشف و ساختار دادن ورودی‌های اصلی استثنایی می‌کنند، می‌دانند که چگونه خروجی هوش مصنوعی را هدایت و ارزیابی کنند، و سیستم‌ها را مدیریت می‌کنند نه اینکه فقط در درون آنها کار کنند، به ایجاد ارزش پایدار در این محیط ادامه خواهند داد.
و آن دسته از همکارانی که قبل از جدی گرفتن در مورد هوش مصنوعی منتظر می مانند، تصمیمی اتخاذ می کنند که 18 ماه بعد از این به بعد، معکوس کردن آن بسیار دشوارتر خواهد بود.
اگر به دنبال چارچوب عمیق‌تری برای ایجاد تسلط هوش مصنوعی هستید، آن را بررسی کنید SmarterX AI Academy، که در آن دوره هایی را خواهید یافت که همه چیز را از سواد ابتدایی گرفته تا ارزیابی ابزارها و ترسیم تأثیر هوش مصنوعی بر نقش های خاص در سازمان شما را پوشش می دهد. تحلیل هفتگی او را نیز می توانید دنبال کنید نمایش هوش مصنوعی پادکست
