Зайдите на любой исследовательский форум — или на конференцию IIEX — и вы обнаружите, что разговор неизменно будет касаться ИИ. Генеративный ИИ может быть всем на слуху, но пришло время применить более трезвую линзу к диалогу. Независимо от того, являетесь ли вы покупателем или поставщиком исследований, нам нужно больше говорить о преднамеренном и ответственном использовании ИИ. В конечном счете, клиенты видят силу ИИ. Наша роль как исследовательского партнера заключается в том, чтобы тщательно интегрировать его в решения, которые мы предоставляем.

В партнерстве с The Wall Street Journal компания NewtonX недавно провела исследование, в котором приняли участие маркетологи брендов в США — вице-президенты и выше, — которые используют или планируют использовать генеративный ИИ (GAI). Около 57% в настоящее время используют GAI для маркетинга бренда, а 43% планируют это сделать.

Тем не менее, очень немногие (1/6) имеют бюджет специально для ГАИ. Около половины находят способы тратить деньги на GAI даже без бюджета, а значительная часть использует бесплатные инструменты.

Когда я стал одним из основателей NewtonX почти семь лет назад, мы признали возможности масштабной обработки данных. Этому способствовали большие языковые модели и общедоступные инструменты, такие как ChatGPT, которые упростили доступ к этим технологиям. Раньше к ним было сложнее получить доступ и построить; многое пришлось строить своими руками.

Как исследователи рынка B2B могут добиться повышения внутренней эффективности

Важно не автоматизировать ради автоматизации, а очень тщательно подходить к тому, что вы с этим делаете. Вам нужно подтолкнуть свою команду: какова наша цель с генеративным ИИ? Речь идет не только о встраивании ChatGPT в ваш существующий процесс. Существует множество способов применения LLM и генеративного ИИ, которые не имеют ничего общего с ChatGPT или синтетическими респондентами. Например, в NewtonX мы используем НЛП для определения аудитории и направления ее в опросы.

Как и в любой новой технологии, существуют положительные и отрицательные внешние эффекты. Хорошая новость заключается в том, что наше исследование показало, что повышение эффективности является целью в 3 раза чаще, чем сокращение численности персонала. В NewtonX мы стремимся обеспечить качество обслуживания клиентов мирового класса, которое не может быть обеспечено алгоритмами. Для этого требуется обученная команда, которая может использовать передовые технологии на благо наших клиентов. Наш главный операционный директор Леон Мишкис описывает наше партнерство с Microsoft:

«Наше партнерство очень зависит от показателей. Основой любого обсуждения всегда является: каковы метрики? К скольким людям мы обратились и сколько людей ответили? Сколько прошли досмотр и сколько проходят досмотр? А потом мы смотрим на метрики и спрашиваем, где разрыв? Нам нужно увеличить объем или параметры поиска? Или дело в том, что люди не проходят проверку, а это значит, что нам, возможно, придется изменить стратегию».

Мы обнаружили, что искусственный интеллект и автоматизация действительно повышают внутреннюю эффективность нашей команды, что приводит к внешним возможностям. Например, вместо того, чтобы предоставлять необработанные данные клиентам, вы можете быстро извлечь ценную информацию, чтобы сократить время, необходимое клиенту для изучения выходных данных. И это только один пример прикладного ИИ, который упрощает анализ данных как для наших сотрудников, так и для наших клиентов.

Как ведущие креативные агентства используют ИИ в своих исследованиях B2B

Недавно мы говорили с Landor & Fitch и R/GA о том, как они используют ИИ в своих исследовательских стеках.

Кристиан Кугель, старший вице-президент по прикладной разведке в R/GA, делится: «Давайте возьмем в качестве примера рейтинговые данные. Я думаю, что это действительно увлекательно, потому что используется язык, который часто эмоционально заряжен. Если у людей есть плохой опыт, они, как правило, жалуются на него в форме оценок — так же, как и на хороший опыт, когда люди довольны и в восторге. Как вы действительно понимаете слои, которые могут существовать за пределами поверхностного, и делаете это таким образом, чтобы можно было масштабировать? Для понимания неструктурированных данных требуется какой-то механизм искусственного интеллекта, который поможет в анализе. Или же он просто становится слишком громоздким.

Маартен Лагэ, исполнительный директор Insights & Analytics в Landor & Fitch, соглашается: «С ИИ и обработкой естественного языка на самом деле гораздо проще начать понимать в масштабе то, что люди говорят в открытых данных».