TL; DR: Штучний інтелект допомагає визначати потреби клієнтів за допомогою трьох пов'язаних можливостей: сортування та аналіз настроїв великих обсягів відгуків на основі NLP, точно налаштовані моделі великих мов, які визначають первинні та вторинні потреби точніше, ніж експертні аналітики (дослідження MIT Sloan 2025 року показало, що точно налаштовані моделі виявили 100% первинних потреб клієнтів проти 87.5% для аналітиків-людей), та генерація пошуку з доповненим пошуком (RAG), яка надає ШІ доступ до додаткових документів, коли навчальних даних недостатньо. Цікавим стає наступний рівень: поєднання агентного ШІ та аватарів ШІ відкриває можливості для маркетологів ШІ та продавців ШІ, спеціально навчених аналізувати потреби. У цій статті досліджується, що ШІ може і не може робити в аналізі потреб клієнтів, і де люди все ще вписуються в цей процес.
Розмови про те, як сучасні інструменти штучного інтелекту покликані звільнити людей від рутинної роботи, давно стали кліше. Прикладами зазвичай є сортування електронних листів та повідомлень, виділення ключових фрагментів тексту, персоналізація стандартних повідомлень, побудова «пірамід постачальників», моніторинг продуктивності в режимі реального часу тощо. Будемо відверті – все це стало банальним.
Набагато цікавіше розглянути завдання, що належать до умовної категорії «творча рутина». Назва може звучати парадоксально, але вона чудово описує ситуацію. Аналіз того, чого насправді хочуть клієнти, — саме одне з таких завдань. Це одне з найцінніших завдань у бізнесі, що вимагає розуміння людської природи, досвіду, інтуїції та навичок спілкування з реальними людьми. Це також величезна кількість трудомісткої, виснажливої та нудної аналітичної роботи, що включає вивчення тисяч (або навіть десятків тисяч) інтерв'ю з клієнтами, розмов про продажі, відгуків, думок, коментарів та запитів. Зрозуміло, наскільки успіх продукту чи послуги залежить від якості цієї роботи: чи «потрапить він у ціль», чи просто збиратиме пил на полиці.
Хто що сказав — і як вони це сказали?
На перший погляд, що може запропонувати штучний інтелект у такій глибоко людській справі? На щастя, досить багато. Наприклад, неймовірно ретельне сортування. Сучасний Інструменти аналітики ШІ що використовують обробку природної мови (NLP), можуть класифікувати та впорядковувати тисячі відгуків, коментарів, заявок на підтримку та інших відгуків клієнтів за темами.
Результат: дані, відсортовані за категоріями саме з тим рівнем деталізації, який потрібен маркетологу: від простого «70% клієнтів досить задоволені послугою, 30% досить незадоволені» до «клієнти скаржаться на складне налаштування – 21%», «клієнти, які хочуть купити продукт червоного кольору – 17%», «керівники підприємств зацікавлені в послузі – 6%», «чоловіки, які відмовилися від додаткової гарантії – 55%» тощо.
Штучному інтелекту допомагає у виконанні цієї складної класифікації, серед іншого, аналіз настроїв. Інструмент визначає емоційне забарвлення тексту та може розділяти повідомлення на «позитивні» та «негативні» групи або використовувати більш нюансовані категорії: «захоплення», «роздратування», «радість», «гнів», «розчарування», «задоволення», «байдужість» та інші.
Чи взагалі потрібно згадувати, що ШІ може робити все це, одночасно відстежуючи надходження нової інформації в режимі реального часу? Напевно, ні, але ми уточнили це про всяк випадок.
Що ховається за словами?
Найрозумніше сортування, яке також «читає» емоції, все одно не відповідає на головне питання: «Чого насправді хоче клієнт?» Проблема полягає в тому, що слова клієнта часто не відображають його бажань. Не тому, що вони намагаються когось обдурити, а просто тому, що так влаштована людська природа.
Ось найпростіший приклад: запит «Купити вудку». Сортування за допомогою штучного інтелекту помістить його в папку «Клієнти, які хочуть купити вудку». Але насправді людина не хоче саму вудку. Вона хоче ловити рибу! Або, ширше кажучи, ловити рибу. Або, можливо, вона хоче комусь подарувати. У будь-якому випадку, ймовірність того, що вона насправді хоче вудку як річ у собі, надзвичайно низька.
Завдання маркетолога полягає в тому, щоб зрозуміти, прорахувати та відчути справжні мотиви, приховані за словами клієнта. І ці мотиви зазвичай набагато складніші, ніж у наведеному вище прикладі.
Якщо працювати по-старому, то доводиться читати та аналізувати повідомлення клієнтів вручну – навіть якщо їх уже ретельно відсортував штучний інтелект. І це знову рутина. Було б чудово, якби штучний інтелект міг вийти за рамки сортування та насправді зрозуміти, що приховано за бажаннями клієнта. І (мрії збуваються!) він уже навчився саме це робити.
Ми говоримо про рішення на основі штучного інтелекту, засновані на великі мовні моделі (LLM), які пройшли тонке налаштування, або, іншими словами, контрольоване тонке налаштування. Вони додатково навчалися на прикладах інтерв'ю з клієнтами, відгуків та коментарів, які вже були проаналізовані фахівцями-людьми.
Як правило, це не вимагає величезних обсягів даних. У Дослідження MIT Sloan 2025 року, приблизно тисячі прикладів було достатньо. Модель проаналізувала відгуки покупців морилки для дерева та визначила 100% як основних потреб клієнтів (вісім загалом), так і 30 вторинних потреб клієнтів. Професійні аналітики визначили 87.5% основних потреб – пропустивши одну з восьми.
Модель продемонструвала таку ж високу якість аналізу й в інших категоріях продуктів та послуг.
Класичний приклад: коли клієнт скаржився на батарею свого смартфона, штучний інтелект правильно дійшов висновку, що справжньою потребою було «тривале, безперебійне використання поза домом». Це розуміння одразу розширює можливості продавця – він може рекомендувати портативний повербанк та подібні пристрої.
Якщо моделі бракує даних, на допомогу приходить Retrieval-Augmented Generation (RAG) – генерація з доповненим пошуком. Штучний інтелект отримує доступ до додаткових джерел (ваших документів, вебсайтів, баз знань) та використовує їх у процесі аналізу.
Маркетологи зі штучним інтелектом та продавці зі штучним інтелектом
Здавалося б, тема закрита. Але ми вирішили піти далі та запитати: як насправді буде використана інформація про потреби клієнтів, отримана за допомогою штучного інтелекту?
Сьогодні відповідь вже не така очевидна, як була навіть п'ять років тому. Дві технології, що швидко розвиваються (прогнозується, що лише сегмент аватарів зі штучним інтелектом досягне $ 5.93 мільярда за 2032), що безпосередньо стосуються нашої теми:
- Агентський ШІ – що дає змогу створювати автономних агентів штучного інтелекту, здатних планувати та виконувати складні послідовні дії.
- AI аватари - реалістичні «цифрові люди» які використовують міміку, жести, інтонацію та дивляться людям в очі, не викликаючи ефект дивної долини.
Поєднання цих двох технологій відкриває дивовижні можливості. Наприклад, Авіалінії Scoot, дочірня компанія Singapore Airlines, вже використовує XR та генеративний штучний інтелект у симуляторі для навчання бортпровідників. Цифрові пасажири зображують примхливих дітей, людей, які міняють місця без дозволу, п'яних пасажирів та інших «складних» клієнтів.
Ще один вражаючий випадок – Дослідницьке партнерство, яка створює аватари зі штучним інтелектом на основі реальних історій пацієнтів. Ці «цифрові пацієнти» розповідають лікарям та дослідникам про свої проблеми та досвід, коли прямий контакт з якихось причин неможливий.
Чи можете ви уявити, які можливості відкриває для бізнесу поєднання агентного ШІ та ШІ-аватарів? Штучний інтелект у людській подобі викликає... набагато сильніша реакція від клієнтів, ніж від безликого чат-бота. Чому б не використовувати точні дані про потреби для створення продавців зі штучним інтелектом?
Ці ж технології дозволяють навчати маркетологів зі штучним інтелектом, які будуть проводити опитування клієнтів та збирати ще більше даних для аналізу.
Креативний аналіз та експертне навчання
То що ж зрештою дають нам сучасні технології штучного інтелекту?
Штучний інтелект може ретельно сортувати відгуки клієнтів за десятками параметрів та визначати реальні бажання та потреби. На основі цих даних можна навчати ШІ-агентів з людиноподібним інтерфейсом (ШІ-аватари), які зможуть як продавати товари та послуги, так і спілкуватися з клієнтами для збору нових даних.
Виникає логічне питання: яке місце людини в цій системі? Як це поєднується з принципом участі людини в процесі? Чи будуть продавці та маркетологи... втрачають роботу під тиском агентів штучного інтелекту, яких вони навчили та одягли у привабливу форму аватарів штучного інтелекту?
Не хвилюйтеся – вони цього не зроблять.
Маркетологам залишається найцікавіша частина: креативний аналіз даних після обробки за допомогою штучного інтелекту. Незалежно від того, наскільки точним і швидким є штучний інтелект, справді глибоке розуміння людей на рівні досвідчених маркетологів все ще недосяжно. Воно ще не досягло рівня формування маркетингової тактики та стратегії. Занадто багато в цьому процесі залежить від явищ, які важко алгоритмізувати.
Маркетологи – це експерти, які повинні вибирати якісні дані для точного налаштування та контрольованого навчання. З огляду на те, як швидко все змінюється, ці системи штучного інтелекту потребують регулярного перенавчання та оновлення.
Що стосується продавців – у них також справи йдуть добре. Завжди будуть клієнти зі складними та цікавими потребами, які по-справжньому зрозуміти може лише живий, досвідчений продавець з біологічним інтелектом.
Тож незалежно від того, наскільки нам допомагає ШІ, завжди буде багато роботи за принципом «люди для людей».
І тут, можливо, ми покладемо цьому край.
