AI to Twój nowy, najważniejszy klient. Zrozum go albo zgiń

Jeszcze do niedawna, by dotrzeć do klienta, marka musiała przekonać… człowieka. Teraz zasady gry ulegają radykalnej zmianie. Coraz częściej, zanim podejmiemy decyzję o zakupie, planowaniu podróży czy wyborze restauracji, pytamy o radę sztuczną inteligencję. ChatGPT, Llama czy inne modele językowe stają się naszymi osobistymi doradcami. Dla firm oznacza to rewolucję: ich najważniejszym klientem, którego muszą „przekonać” i zadowolić, może wkrótce stać się algorytm. Zrozumienie, jak AI postrzega naszą markę i jak można na to wpłynąć, przestaje być ciekawostką, a staje się kluczowym elementem strategii biznesowej.

Twój nowy klient: drobiazgowy, wszechwiedzący i… czasem dziwny

Wyobraź sobie, że prowadzisz firmę dostarczającą zestawy do samodzielnego gotowania. Twoim celem jest pokazywanie, że pyszne jedzenie może być proste. Jednak gdy potencjalny klient pyta ChatGPT o rekomendację, Twoja marka jest opisywana jako „skomplikowana i myląca”. Dlaczego? Bo AI, analizując miliony obrazów, zauważyła, że w jednej z Twoich reklam na potrawie leży posiekany szczypiorek i doszła do wniosku: „nikt nie będzie chciał tracić czasu na siekanie szczypiorku”.

To nie jest fikcja. To autentyczny przykład z pracy Jacka Smytha z firmy JellyFish, która pomaga markom zrozumieć ich „wizerunek” w oczach AI. I nie jest to problem niszowy. Badanie Boston Consulting Group wykazało, że już 28% konsumentów używa AI do otrzymywania rekomendacji produktów, np. kosmetyków. A to dopiero początek. Nadchodząca era tzw. agentów AI – programów, które będą mogły samodzielnie dokonywać za nas zakupów – sprawia, że postrzeganie marki przez algorytm staje się kwestią „być albo nie być” na rynku.

AIO, czyli SEO nowej generacji

To, co się dzieje, można nazwać ewolucją optymalizacji pod kątem wyszukiwarek (SEO). Przez lata firmy walczyły o jak najwyższą pozycję w Google. Teraz rozpoczyna się nowa era: optymalizacja pod kątem sztucznej inteligencji (AIO – AI Optimization). Celem jest nie tylko bycie widocznym, ale bycie postrzeganym pozytywnie przez duże modele językowe.

Firma Smytha stworzyła oprogramowanie Share of Model, które działa jak ankieta, ale zamiast ludzi, „respondentami” są różne modele AI (ChatGPT, Llama, Gemma itp.). Zadaje im setki pytań o daną markę i analizuje trendy w odpowiedziach. Okazuje się, że każdy model, z uwagi na inne dane treningowe, może mieć nieco inne „zdanie”.

Celem nie jest tylko diagnoza, ale i „leczenie” – czyli modyfikacja percepcji AI.

Jak „leczyć” wizerunek marki w oczach AI?

Czy można wpłynąć na to, co „myśli” AI? Wstępne wyniki pokazują, że tak. Przykładem jest marka szkockiej whisky Ballantine’s.

• Problem: Model Llama klasyfikował masowy, popularny produkt Ballantine’s jako „prestiżowy”. Pomyłka wynikała prawdopodobnie z faktu, że marka ma w ofercie również droższe, luksusowe wersje.

• Rozwiązanie: Zespół marketingowy stworzył nowe zasoby cyfrowe – zdjęcia, posty w mediach społecznościowych – które jednoznacznie podkreślały uniwersalny, masowy charakter podstawowego produktu.

• Efekt: Choć jest za wcześnie na twarde dane, firma obserwuje, że „trajektoria jest pozytywna”. AI powoli koryguje swoje postrzeganie.

Ten proces jest jednak trudny, bo wiele modeli to „czarne skrzynki”. Nie wiemy dokładnie, jak działają. Nadzieją są modele rozumujące, które w przyszłości mogą pokazywać swój „łańcuch myśli”. Jeśli AI, rekomendując mydło Dove, napisze, że „ważnym kryterium jest zapach”, marketerzy dostaną jasną wskazówkę, na czym skupić komunikację.

Pułapki i szare strefy: gra w kotka i myszkę

Możliwość wpływania na AI otwiera pole do manipulacji, podobnie jak w przypadku SEO.

• Wpływ na podpowiedzi (prompty): Badacze z Carnegie Mellon pokazali, że drobna zmiana w zadanym pytaniu może całkowicie zmienić rekomendowany produkt. Marka szybkowaru Instant Pot była polecana w 0% przypadków przy jednym pytaniu i w 100% przy drugim, minimalnie zmienionym. Otwiera to drogę do dyskretnego wpływania na to, jakie „gotowe prompty” pojawiają się na forach internetowych, np. na Reddicie.

• Gra w kotka i myszkę: Marki będą próbowały „oszukiwać” modele, umieszczając ukryte komunikaty w pozornie neutralnych treściach. Firmy tworzące AI będą z kolei uczyć swoje modele rozpoznawania nieszczerych reklam i prób manipulacji. To będzie niekończąca się walka.

Wbudowane uprzedzenia: mroczna strona rekomendacji AI

Problem z rekomendacjami AI jest jeszcze głębszy. Modele dziedziczą uprzedzenia z danych, na których były trenowane.

• Globalne vs. lokalne: Badania pokazują, że AI systematycznie ocenia globalne marki (jak Nike) jako lepszej jakości, modniejsze i wygodniejsze niż marki lokalne.

• Uprzedzenia dochodowe: Gdy poprosisz AI o rekomendację prezentu dla osoby z kraju o wysokich dochodach, zasugeruje luksusowe marki. Dla osoby z kraju o niskich dochodach – marki nieluksusowe.

Użytkownicy muszą być świadomi, że rekomendacje AI nie są obiektywną prawdą, a odzwierciedleniem statystycznych wzorców i uprzedzeń zawartych w internecie.

AI jako najlepsza grupa fokusowa i strażnik spójności

Oprócz bycia „klientem”, AI może stać się dla marek potężnym narzędziem wewnętrznym.

• AI jako grupa fokusowa: Zanim wypuścisz reklamę, możesz poprosić AI o jej ocenę z perspektywy różnych grup demograficznych. To swoisty „gen-AI gut check” – szybki test pomysłów marketingowych.

• AI jako strażnik spójności: Sztuczna inteligencja analizuje wszystko, co marka publikuje. Jeśli komunikacja jest niespójna i marka „pojawia się w różny sposób w różnych miejscach”, AI to wychwyci, co utrudni jej wydawanie jasnych, pozytywnych rekomendacji. Spójność staje się ważniejsza niż kiedykolwiek.

Niezależnie od tego, czy uznamy AI za najlepszego, czy za najbardziej drobiazgowego klienta, jedno staje się pewne: jej „opinia” o marce wkrótce będzie miała bezpośredni wpływ na wyniki finansowe. Rozmowy o AI jako o nowej grupie odbiorców dopiero się zaczynają, ale już teraz widać, że to rewolucja, której żadna firma nie może zignorować.

Pomysł na doktorat

Tytuł propozycji doktoratu: „Efekt echa” w rekomendacjach AI: Analiza mechanizmów powstawania i wzmacniania uprzedzeń percepcyjnych wobec marek w dużych modelach językowych oraz strategie ich mitygacji.

Uzasadnienie i cele:

1. Głębsze zrozumienie uprzedzeń: Przedstawiony tekst wskazuje na istnienie uprzedzeń (globalne vs. lokalne). Doktorat miałby na celu zbadanie mechanizmu, który za nimi stoi. Czy jest to efekt częstości występowania w danych, czy może tonu wypowiedzi (sentiment analysis) związanego z danymi markami?

2. Badanie „efektu echa”: Głównym celem byłoby zbadanie, czy modele AI, raz wygenerowawszy stronniczą opinię, następnie wykorzystują ją (lub podobne opinie innych modeli) w procesie dalszego „uczenia się”, tworząc samonapędzającą się pętlę i wzmacniając pierwotne uprzedzenie.

3. Eksperymentalna mitygacja: Projekt zakładałby testowanie różnych strategii przeciwdziałania uprzedzeniom. Nie tylko poprzez tworzenie nowych, „korygujących” zasobów (jak w przypadku Ballantine’s), ale także poprzez techniki „fine-tuningu” modeli na specjalnie przygotowanych, zbalansowanych zbiorach danych oraz poprzez techniki inżynierii podpowiedzi (prompt engineering), które zmuszają model do bardziej krytycznego i zniuansowanego myślenia.

4. Wnioski dla etyki i regulacji AI: Wyniki mogłyby dostarczyć konkretnych dowodów na skalę problemu stronniczości w komercyjnych zastosowaniach AI i stać się podstawą do opracowania standardów i regulacji dotyczących audytu i certyfikacji modeli AI pod kątem sprawiedliwości i obiektywizmu w rekomendacjach.