MIT Sloan: генеративный AI как инструмент для маркетинговых исследований
Маркетинговые исследования — это, по существу, задача прогнозирования. Согласно Джону Хортону из MIT Sloan, организациям стоит рассматривать генеративный AI как способ симулировать последствия своих решений прежде, чем они их принимают.
Компания Anthropic недавно столкнулась с наглядным примером того, чем чреват запуск продуктовых изменений без предварительной проверки. Ценовой эксперимент с инструментом Claude Code вызвал волну негатива в социальных сетях. Обратная реакция разработчиков вынудила компанию отказаться от изменений в модели подписки.
Как и многие компании, Anthropic просто прощупывала почву в отношении продуктовых планов, не неся при этом временных и финансовых затрат на полноценную программу маркетинговых исследований. Альтернативой могло бы стать использование AI для моделирования реакции и предварительного сбора данных.
Доцент Школы менеджмента MIT Sloan Джон Хортон утверждает, что большие языковые модели способны эффективно давать неформальные рыночные инсайты, которые впоследствии уточняются в ходе дальнейших исследований и более формальных практик.
«Попытка симулировать последствия решений до того, как они приняты, — это то, чем всегда занимались маркетинговые исследования», — заявил Хортон на лекции в рамках цикла MIT Sloan о том, как AI меняет практику управления. «Идея взять то, что обычно делалось с людьми, и попробовать это с AI-агентами — теперь вполне реализуема».
Симуляция человеческой реакции
Хортон констатирует, что традиционные маркетинговые исследования переживают кризис: количество ответов резко упало, получение ответов занимает слишком много времени, качество снижается. Для улучшения ситуации необходимо несколько действий: получение более богатых и качественных данных, более эффективное их использование посредством сложного анализа, и создание моделей, способных симулировать предпочтения. По словам Хортона, генеративный AI и AI-агенты могут положительно повлиять на все три аспекта.
Например, AI может автоматизировать сбор информации, экономя время и деньги, а также выступать более нейтральным субъектом для получения негативной обратной связи, чем это возможно при взаимодействии человека с человеком. AI также умеет работать с неструктурированными данными — например, видеоконтентом — и делать их пригодными для широкого круга задач data science. «Если это позволяет нам проводить качественные исследования в масштабе или получить доступ к источникам данных, которые прежде были закрыты, — это очень интересно», — говорит Хортон.
Применение возможностей AI для симуляции человеческого поведения и реакций представляет собой ключевой прорыв. Будь то построение модели определённой персоны или ролевые игры — AI обладает высокой практичностью для маркетинговых исследований, несмотря на присущие ему недостатки. Однако пользователи должны быть уверены, что модели представляют собой близкие приближения к реальным сценариям. Собственные исследования Хортона показали: «если у вас есть хороший прокси, который можно исследовать по аналогии с лабораторными испытаниями, это был бы очень мощный инструмент. Можно обнаруживать аномалии или находки, которые направят вас к чему-то стоящему более глубокого изучения».
Рекомендации для организаций
Хортон сформулировал несколько рекомендаций, которые помогут организациям максимально использовать AI-интеллект, не попадая в ловушки.
Не принимать AI за последнее слово. Симуляции AI не предназначены конкурировать с золотым стандартом маркетинговых исследований; скорее, они служат способом получить ориентировочно верную обратную связь или указать на вторичные последствия решений. Большинство организаций не занимаются таким неформальным ранним сбором данных, и AI может заполнить этот пробел.
Итерировать. При работе с AI-практиками исследований организации должны использовать разные типы моделей и экспериментировать с изменением порядка и формулировок промптов. Эти нюансы меняют результаты и могут обогащать инсайты.
Обеспечивать воспроизводимость и проверяемость результатов. Если люди рассчитывают принимать важные решения на основе инсайтов, которые генерирует LLM, они захотят понимать, как проводились вычисления. Чтобы считать симуляции достоверными, необходима возможность проверить ответы и получить информацию о том, какие модели и промпты использовались. «Даже если вы не собираетесь углубляться, у вас должна быть такая возможность», — говорит Хортон.
Перспективы
Хортон предполагает, что по мере зрелости категории и практик всё больше компаний будут использовать AI как быстрый способ получения инсайтов при минимальных затратах. Он описывает это как «генеральную репетицию» перед дорогостоящим исследованием, позволяющую заблаговременно выявлять проблемы и сужать пространство вариантов. «Компании могут создавать и тестировать три-четыре варианта чего-либо, но они не будут тестировать 700 000», — говорит он. «Способность предварительно обработать и выявить проблемы — это очень мощно».
Джон Хортон — доцент кафедры менеджмента и информационных технологий в Школе менеджмента MIT Sloan, советник Anthropic и сооснователь Expected Parrot — платформы с открытым кодом для проектирования, проведения и анализа исследований с цифровыми персонами.