איך סוכני AI באמת עובדים ומה זה אומר על נראות של מותגים?

בשיח על סוכני בינה מלאכותית כמו ChatGPT, קלוד, ג'מיני או פרפלקסיטי נהוג לדבר על “איך לגרום ל-AI להמליץ על המותג שלי”. אבל זו הסתכלות חלקית בלבד. כדי להבין איך להופיע בתשובות של המודלים כהמלצות, צריך להבין קודם איך באמת הן עובדות.

סוכני בינה מלאכותית אינם מנועי חיפוש, הם לא שולפים תשובות מוכנות, אלא בונים תשובה בכל פעם מחדש בהתאם לכוונות האמיתיות של המשתמש ולפי הצורך האמיתי והרלוונטי שהם מזהים. חלק מהמנגנון להתאים את ההמלצה מגיע בהקשר של הצ׳אט עם המשתמש, הם מפרקים שאלה, מאתרים ידע רלוונטי מהמקורות הזמינים להם, מעריכים אמינות ורלוונטיות ואז מרכיבים תשובה אחת שלמה שנראית להם הכי מתאימה. כלומר, הם לא מציגים מידע, הם מייצרים הסבר.

"בפועל, זה אומר שמותגים צריכים לחשוב אחרת על תוכן. לא רק מה הם אומרים, אלא איך המידע שלהם משתלב בתוך פירוק שאלות, בתוך הקשרים שונים, ובתוך אופן החשיבה של מערכות  בינה מלאכותית"

איך נבנית תשובה של סוכן AI בפועל

כאשר משתמש שואל שאלה, המערכת עוברת תהליך פנימי של פירוק והרכבה. היא לא "מחפשת תשובה אחת", אלא בוחנת חלקים שונים של הבעיה ואז מחברת ביניהם לתשובה אחת קוהרנטית.

הבחירה מה להכניס ומה להשמיט נעשית תוך כדי שקלול של רלוונטיות, עקביות, מקורות זמינים והתאמה לכוונת המשתמש בהתאם לצורך שעלה מהצ׳אט.

שבעה עקרונות שמעצבים נראות בעולם של סוכני AI

מתוך האופן שבו מערכות כאלה פועלות, אפשר להבין שבעה עקרונות מרכזיים שמשפיעים על מה נכנס לתשובה ומה נעלם ממנה.

1. זמינות ונגישות מידע – השלב הראשון הוא פשוט, האם המידע בכלל נגיש לסוכני AI. אם תוכן לא כתוב בצורה ובמבנה המאפשרים לסוכני AI לקרוא, לעבד ולהבין, הוא לא חלק מהעולם של המודל. זה לא עניין של איכות בלבד, אלא של יכולת "לראות" את המידע. גם תוכן מעולה שלא ניתן לאחזור או להבנה בצורה ברורה לא ייכנס לתשובה.
2. פירוק השאלה לתת-בעיות – כל שאלה שהמשתמש שואל עוברת פירוק פנימי לחלקים קטנים יותר. למשל, שאלה על "מה הפתרון הכי טוב לשיווק מוצר X"  תתפרק לשאלות על קהל יעד, ערוצים, עלויות, השוואות ועוד. רק מידע שמתייחס לחלקים האלה בצורה ישירה או עקיפה ייכנס לשקלול.
3. התאמה סמנטית (משמעות ולא מילים) – סוכני AI לא עובדים על התאמה של מילות מפתח, אלא על משמעות. זה אומר שתוכן יכול להופיע גם אם לא משתמשים בדיוק באותן מילים של השאלה כל עוד הוא עונה על אותה כוונה רעיונית. מצד שני, תוכן שמכיל את המילים הנכונות אבל לא עונה על המשמעות לא ייחשב רלוונטי.
4. עקביות ורלוונטיות – המערכת נותנת עדיפות גבוהה למידע שנשאר עקבי לאורך זמן ובין מקורות שונים. אם אותו מותג מציג מסרים שונים, או אם קיימות סתירות בין מקומות שונים זה מפחית אמון. לא מדובר ב"בדיקת אמת" אנושית, אלא בזיהוי סטטיסטי של יציבות מידע.
5. אותות חיצוניים של אמינות – למרות שהמודל עובד על טקסט, הוא מושפע בעקיפין מהעולם החיצוני. אזכורים באתרים אחרים, קישורים, תוכן מרשתות חברתיות, אתרי השוואות, ביקורות, דיונים, כתבות או חזרות על אותו מידע במקורות שונים, כולם מחזקים את ההסתברות שהמידע אמין. המודלים גם ייבדקו את הסנטימנט של כל מקור מידע בהקשר של אזכור המותג או המוצר אותם הן מחפשים. במילים פשוטות: ככל שמשהו "קיים יותר ברשת", כך הוא נתפס כאמין יותר.
6. התאמה להקשר (Context Relevance) – אותו מידע יכול להיות רלוונטי מאוד בשאלה אחת ולא רלוונטי בכלל בשאלה אחרת. המערכת לא בודקת רק "מה נכון", אלא "מה מתאים עכשיו". לכן הקשר השיחה הוא קריטי: מי שכותב תוכן כללי מדי עלול לא להיכנס לתשובה, גם אם המידע נכון.
7. סבירות התשובה הסופית – בסופו של דבר, המודל לא בוחר "עובדה אחת נכונה", אלא מרכיב תשובה שנראית הכי סבירה, זורמת והגיונית. הוא שוקל כמה מקורות, כמה רעיונות, ובונה מהם תשובה אחת שנראית שלמה. תהליך כזה בשפה של מודלים נקרא "Reasoning". המודל מרכיב הסברתיות והיגיון שיוכל לנמק את בחירת התשובה. לכן תוכן ברור, מובנה, עם הסברים ודוגמאות מקבל עדיפות על פני תוכן חלקי או עמום.

מה המשמעות למותגים?

השינוי המרכזי שמתרחש כאן הוא לא שינוי טכני, אלא שינוי באופן שבו מותגים בכלל "נכנסים לתמונה". בעולם הישן, מותג נמדד לפי נראות: מיקום בגוגל, טראפיק, או כמה קל למצוא אותו. ההנחה הייתה שאם אתה שם, אתה גם חלק מהבחירה.

בעולם של סוכני בינה מלאכותית ההנחה הזו כבר לא עובדת. אין רשימת תוצאות, ואין "עמוד ראשון". יש תשובה אחת שנבנית בזמן אמת מתוך מקורות שונים. המשמעות היא שמותגים כבר לא מתחרים על מקום, אלא על השתלבות בתוך ההיגיון שמרכיב את התשובה. זה שינוי עמוק: במקום לשאול "איך אני מדורג?", השאלה הופכת להיות "האם אני מספיק רלוונטי, ברור ועקבי כדי להיכנס לתוך הדרך שבה המערכת בונה תשובה?"

בפועל, זה אומר שמותגים צריכים לחשוב אחרת על תוכן. לא רק מה הם אומרים, אלא איך המידע שלהם משתלב בתוך פירוק שאלות, בתוך הקשרים שונים, ובתוך אופן החשיבה של מערכות  בינה מלאכותית. מותג שלא מותאם לזה לא בהכרח נעלם, אבל הוא פשוט לא נבחר כחלק מהתשובה.

שינוי גדול שקורה בהקשר הזה הוא שינוי כללי השיווק. היום המודלים לקוחים מקורות מגוונים כמו כתבת יח״צ, תוכן מהרשתות, אתרים חיצוניים ומהאתר עצמו של המותג. כל זה בעצם מרכיב את הסיפור של המותג הזמין למודלים. המשמעות היא שיצירת התוכן השתנתה ויש משקל כבד ליצירת תוכן שמספר את סיפור המותג בצורה נכונה. הם בפועל לוקחים תפקיד חדש ופועלים כאיש השיווק או המכירות שפוגש את הקונים הפוטנציאליים בשלב הראשון, עוד לפני שבכלל ביקרו באתר של המותג אותו מחפשים.

וזה אולי השינוי הכי חשוב: בעידן הזה, נראות היא כבר לא תוצאה של מיקום, אלא תוצאה של התאמה לאופן שבו מערכות חושבות.

הכותב הוא מנכ"ל Limy.AI.