فراتر از پرامپت: نقش زمینه کسب‌وکار در استراتژی محتوای هوش مصنوعی

هر داستان موفقیت‌آمیز در استفاده از هوش مصنوعی (AI) انگار به یک شکل تمام می‌شود. فردی یک خروجی شگفت‌انگیز را به اشتراک می‌گذارد و تقریباً بلافاصله کسی می‌پرسد: «می‌شود پرامپت آن را به ما هم بدهی؟»

این یک درخواست منطقی است، اما ما اغلب بیش از حد به پرامپت‌ها بها می‌دهیم. زمانی که یک فرد پرامپتی را می‌نویسد، پیش از آن اهداف را مشخص کرده، زمینه را جمع‌آوری کرده، جوانب مختلف را سنجیده و تعریف کرده که موفقیت چه شکلی خواهد بود.

پرامپت‌ها نتیجه گفتگوها، فرضیات، بازبینی‌ها و قضاوت‌های ویرایشی هستند که مدت‌ها قبل از شروع تایپ کردن، شکل گرفته‌اند.

برای اینکه ببینیم این فرآیند چقدر اهمیت دارد، من یک وظیفه استراتژیک یکسان را به سه مدل چت‌جی‌پی‌تی (ChatGPT)، کلاد (Claude) و جمینای (Gemini) دادم و تنها اطلاعاتی را که قبل از پرامپت اصلی ارائه می‌شد، تغییر دادم.

آزمایش

وظیفه مشخص بود. شرکتی سال‌ها روی سئو سرمایه‌گذاری کرده و وب‌سایت معتبری داشت. مدیران می‌دانستند که با رایج شدن پاسخ‌های تولیدشده توسط هوش مصنوعی، رفتار جستجوی کاربران در حال تغییر است، اما کسی نمی‌دانست استراتژی بازاریابی آن‌ها باید چه تغییری کند.

من این وظیفه یکسان را به هر سه مدل دادم. هدف، ایجاد یک نقشه راه استراتژیک بود که مشخص کند:

چه اطلاعاتی باید جمع‌آوری شود.

کدام فرصت‌ها شایسته توجه هستند.

کدام فرضیات نیاز به اعتبارسنجی دارند.

قبل از شروع تولید محتوا چه کارهایی باید انجام شود.

هدف من شناسایی مدل «برنده» نبود، بلکه می‌خواستم ببینم با تکامل وظیفه، پاسخ‌ها چگونه تغییر می‌کنند.

مرحله اول: مدل‌ها نیت گمشده را خودشان تکمیل کردند

در ابتدا، فکر می‌کردم یک پرامپت کاملاً منطقی طراحی کرده‌ام. اما بعد متوجه شدم آنچه نوشته بودم، یک «وظیفه» منطقی بود، نه یک پرامپت دقیق. خلاصه محتوای آن به این شرح بود:

درخواست راهنمایی استراتژیک به جای متن بازاریابی.

توضیح اینکه این پروژه برای یک کسب‌وکار معتبر است که نگران دیده شدن خود در جستجوهای مبتنی بر هوش مصنوعی است.

دستورالعمل برای شناسایی اطلاعات گمشده جهت جلوگیری از توهم (hallucination) و اطلاعات ساختگی.

انتظار اینکه پاسخ، برنامه‌ریزی را بر اجرا اولویت دهد.

وظیفه اولیه کامل در شکل ۱ نشان داده شده است.

این وظیفه، مشکل را تعریف می‌کرد، نوع کمک مورد نیاز را مشخص می‌کرد و فرضیات بدون پشتوانه را منع می‌کرد. اما همچنان جای زیادی برای تفسیر باقی می‌گذاشت.

وقتی وظیفه را در هر سه مدل اجرا کردم، پاسخ‌ها به سرعت آماده شدند. آن‌ها هوشمندانه، منظم و کامل بودند.

هر کدام به تنهایی منطقی به نظر می‌رسیدند. اما وقتی کنار هم قرار گرفتند، نکته مهمی آشکار شد: آن‌ها در واقع به یک سؤال پاسخ نمی‌دادند.

کلاد (Claude) وظیفه را به عنوان شروع یک پروژه اکتشافی در نظر گرفت.

جمینای (Gemini) آن را عمدتاً به عنوان یک پروژه بهینه‌سازی برای جستجوی هوش مصنوعی تفسیر کرد.

چت‌جی‌پی‌تی (ChatGPT) آن را به یک چارچوب مشاوره رسمی با حاکمیت، اندازه‌گیری و اجرای مرحله‌ای گسترش داد.

هیچ‌کدام از این تفاسیر غیرمنطقی نبودند. مسئله این بود که به مدل‌ها گفته نشده بود کدام مشکل کسب‌وکار بیشترین اهمیت را دارد.

آیا مشکل کاهش ترافیک بود؟ دیده شدن برند؟ ارجاعات هوش مصنوعی؟ جذب لید؟ فشار رقابتی؟ آمادگی برای آینده؟ هر کدام از این‌ها به یک استراتژی متفاوت نیاز دارد.

بدون اطلاعات کافی برای درک نیت اصلی، هر مدل تفسیر خودش را ارائه داد. وقتی یک وظیفه جای تفسیر دارد، مدل‌ها فقط اطلاعات گمشده را پر نمی‌کنند، بلکه «نیت گمشده» را تکمیل می‌کنند.

در این نقطه، دیگر به فکر بهبود پرامپت نبودم، بلکه به فکر بهبود «بریف» (brief) یا شرح پروژه افتادم.

مرحله دوم: زمینه بهتر، توصیه‌های بهتر

بازاریابان باتجربه کار خود را با گفتگو شروع می‌کنند. آن‌ها می‌فهمند موفقیت چه شکلی است، کدام مشتریان مهم‌ترند، کسب‌وکار از کجا پول درمی‌آورد، چه محدودیت‌هایی وجود دارد و کدام مصالحه‌ها قابل قبول است. سپس این اطلاعات را به یک بریف کاربردی تبدیل می‌کنند.

این همان چیزی بود که من در آزمایشم عمداً از آن صرف‌نظر کرده بودم.

برای مرحله دوم، وظیفه اصلی را تقریباً دست‌نخورده نگه داشتم و اطلاعاتی را که معمولاً در آن گفتگوها به دست می‌آید، به آن اضافه کردم.

بریف اصلاح‌شده، مشتری را به عنوان یک شرکت منطقه‌ای خدمات تهویه مطبوع (HVAC) با وب‌سایتی بالغ، بودجه محدود و ترجیح به بهبود دارایی‌های موجود به جای تولید محتوای جدید معرفی کرد. همچنین هدف را افزایش درخواست‌های خدمات واجد شرایط در فصل آینده مشخص کرد که در آن قراردادهای نگهداری و تعمیرات، باارزش‌ترین نتیجه بلندمدت بودند.

بریف بازبینی‌شده در شکل ۲ نشان داده شده است.

من فرمول پرامپت‌نویسی پیچیده‌ای اضافه نکردم یا از مدل‌ها نخواستم به روش خاصی استدلال کنند. فقط اطلاعاتی را ارائه دادم که یک استراتژیست معمولاً قبل از ارائه هرگونه توصیه‌ای جمع‌آوری می‌کند.

تفاوت بلافاصله مشخص شد. هر سه مدل رویکرد اصلی خود را حفظ کردند، اما توصیه‌هایشان بر اساس یک کسب‌وکار واحد و مشخص بود.

کلاد همچنان رویکرد اکتشافی داشت و بر تقاضای فصلی، قراردادهای نگهداری، دارایی‌های موجود و اولویت‌بندی بودجه تمرکز کرد.

جمینای همچنان فنی‌تر بود و توصیه‌هایش را به سؤالات خدمات محلی و محدودیت‌های تجاری گره زد.

چت‌جی‌پی‌تی رویکرد چارچوب‌محور خود را حفظ کرد و تصمیم‌گیری بین تعمیر یا تعویض، توسعه طرح‌های نگهداری و حفاظت از محیط سئوی موجود شرکت را در اولویت قرار داد.

زمینه کسب‌وکار اضافی، «وظیفه» را به یک «بریف» تبدیل کرد. پاسخ‌ها دقیق‌تر، مرتبط‌تر از نظر تجاری و همسوتر با یک چالش مشترک کسب‌وکار شدند.

کیفیت پاسخ کمتر به پیچیدگی پرامپت و بیشتر به کیفیت زمینه کسب‌وکار پشت آن بستگی داشت.

مرحله نهایی: جایی که قضاوت انسانی هنوز اهمیت دارد

یک بریف بهتر، مدل‌ها را به یکدیگر نزدیک‌تر کرد، اما به طور خودکار توصیه‌هایشان را مفید نساخت.

هر سه مدل، فرصت‌هایی بسیار بیشتر از آنچه یک کسب‌وکار منطقه‌ای با بودجه محدود می‌توانست قبل از فصل آینده دنبال کند، تولید کردند. آن‌ها فرصت‌ها را شناسایی، سازماندهی و دلایل اهمیت هرکدام را توضیح دادند. اما انتخاب بین آن‌ها همچنان به قضاوت استراتژیک نیاز داشت.

برای انتخاب بین توصیه‌ها، من آن‌ها را با معیارهای متفاوتی ارزیابی کردم:

آیا این را به یک مشتری ارائه می‌دهم؟

آیا آن‌ها می‌توانند بر اساس آن اقدام کنند؟

آیا شواهد موجود از آن پشتیبانی می‌کند؟

آیا با اهداف همسو است یا صرفاً یک فعالیت سئوی منطقی است؟

هر توصیه‌ای می‌توانست از نظر فنی معتبر باشد اما همچنان یک سرمایه‌گذاری ضعیف محسوب شود. برای مثال، یک فرصت محتوایی ممکن است مفید به نظر برسد اما شواهدی از علاقه یا تقاضای مشتری برای آن وجود نداشته باشد.

چند اولویت به طور مداوم در تمام بازبینی‌های مدل‌ها باقی ماندند:

ایجاد یک معیار پایه برای نحوه نمایش شرکت در پاسخ‌های هوش مصنوعی با اهمیت تجاری.

اندازه‌گیری لیدهای واجد شرایط، کارهای رزرو شده و رشد قراردادهای نگهداری در کنار ارجاعات هوش مصنوعی.

تعریف اینکه چه چیزی یک درخواست واجد شرایط محسوب می‌شود، قبل از اینکه دیده شدن را به عنوان موفقیت در نظر بگیریم.

ممیزی صفحات خدمات موجود، اطلاعات کسب‌وکار محلی و مسیرهای تبدیل کاربر قبل از سفارش محتوای جدید.

ایجاد دارایی‌های جدید تنها زمانی که صفحات موجود نتوانند یک شکاف اطلاعاتی معتبر را برطرف کنند.

تأکید بر تصمیمات فصلی فوری و فرصت‌های قرارداد نگهداری به جای یک تحول گسترده در کل سایت.

مدل‌ها دامنه احتمالات را گسترش دادند، اما قضاوت استراتژیک همچنان برای محدود کردن آن ضروری بود.

پرامپت‌ها مدرک هستند، نه توضیح

یک اسکرین‌شات از پرامپت معمولاً پنهان می‌کند که وظیفه چگونه چارچوب‌بندی شده، بریف چگونه زمینه کسب‌وکار را اضافه کرده و قضاوت انسانی چگونه اولویت‌ها را تعیین کرده است.

پرامپت‌های دقیق مفید هستند زیرا نشان می‌دهند یک وظیفه چگونه مطرح شده و چه اطلاعاتی به مدل داده شده است. اما آن‌ها فاش نمی‌کنند که کاربر از قبل چه می‌دانسته، اجرای اول چه چیزی را آشکار کرده، چه فرضیاتی رد شده یا چرا بازبینی بعدی تغییر کرده است.

به همین دلیل است که پرامپتی که در یک موقعیت نتیجه‌ای چشمگیر تولید کرده، در موقعیتی دیگر نتیجه‌ای صرفاً معمولی به همراه دارد. کلمات یکسان هستند، اما تفکر پشت آن‌ها متفاوت است.

یک پرامپت، فرآیندهای اکتشاف، تحقیق، قضاوت تجاری و بازبینی ویرایشی را برای مدل قابل مشاهده می‌کند، اما جایگزین آن‌ها نمی‌شود.

در بازار ایران که رقابت در گوگل بسیار شدید است، استفاده از هوش مصنوعی برای تولید محتوای سئو یک مزیت بزرگ است. اما این درس به ما نشان می‌دهد که به جای کپی کردن پرامپت‌های دیگران، باید روی درک عمیق کسب‌وکار خود، مشتریان و اهدافمان تمرکز کنیم. چه یک کسب‌وکار خدماتی محلی باشید یا یک فروشگاه آنلاین، ارائه یک بریف دقیق به ابزارهایی مانند ChatGPT می‌تواند تفاوت بین محتوای عمومی و یک استراتژی محتوای برنده را رقم بزند.