Subjects
در دهههای اخیر، پیشرفتهای سریع فناوری به نوآوریهای تحولآفرینی منجر شده است که جوامع، اقتصادها و صنایع را در سراسر جهان دستخوش تغییرات اساسی کرده است (ورونکوا و همکاران[1]، ۲۰۲۴). یکی از برجستهترین این پیشرفتها هوش مصنوعی (AI) است که در دنیای امروز به یکی از مهمترین و پیشرفتهترین فناوریهای عصر حاضر تبدیل شده و با سرعتی بیسابقه در حال گسترش است (پادیا و همکاران[2]، ۲۰۲۴). این فناوری با قابلیتهای منحصربهفرد خود توانسته است تغییرات بنیادینی در صنایع مختلف ایجاد کند و روشهای سنتی را به چالش بکشد (راسل و نورویگ[3]، ۲۰۲۱). از میان این صنایع، بازاریابی یکی از حوزههایی است که بیشترین تأثیر را از هوش مصنوعی پذیرفته است (چودهاری و چوهان[4]، ۲۰۲۴). بهویژه، بازاریابی دیجیتال به دلیل ماهیت دادهمحور خود، محیطی مناسب برای بهرهبرداری از ظرفیتهای هوش مصنوعی فراهم آورده است (کاپلان و هانلاین[5]، ۲۰۱۹).
هوش مصنوعی ابزارهایی مانند یادگیری ماشین، پردازش زبان طبیعی و تحلیل دادههای بزرگ را به بازاریابان ارائه داده است (آدنیران و همکاران[6]، ۲۰۲۴). این ابزارها امکان پیشبینی رفتار مصرفکنندگان، شخصیسازی تجربه مشتری و بهینهسازی استراتژیهای بازاریابی را فراهم کردهاند (داونپورت و همکاران[7]، ۲۰۲۰). بهطور خاص، در بازاریابی دیجیتال، استفاده از هوش مصنوعی به کسبوکارها این امکان را میدهد که با تحلیل عمیق دادهها، محتوای هدفمندتری تولید کنند و کمپینهای تبلیغاتی را با دقت بیشتری اجرا کنند (چافی و الیس-چادویک[8]، ۲۰۱۹). به عنوان مثال، چتباتها، سیستمهای توصیهگر و تبلیغات مبتنی بر هوش مصنوعی نمونههایی از کاربردهای موفق این فناوری در بازاریابی دیجیتال هستند (هوانگ و راست[9]، ۲۰۲۱).
با این حال، استفاده از هوش مصنوعی در بازاریابی دیجیتال تنها به فرصتهای آن محدود نمیشود. گسترش این فناوری پیامدهای چندوجهی به همراه دارد که برخی از آنها مثبت و برخی دیگر چالشبرانگیز هستند (بورمانه و بلاوس[10]، ۲۰۲۴). از یک سو، این فناوری میتواند به بهبود بهرهوری، کاهش هزینهها و افزایش رضایت مشتری منجر شود (تادی[11]، ۲۰۲۴). اما از سوی دیگر، پیامدهای منفی مرتبط با هوش مصنوعی، مسائل اخلاقی، بهویژه در زمینههایی مانند مدیریت دادهها و تعاملات انسانی، از موضوعات اساسی هستند که باید به دقت مورد بررسی قرار گیرند (بیان[12]، ۲۰۲۴).
استفاده از هوش مصنوعی در بازاریابی دیجیتال، با وجود مزایای چشمگیر، چالشهای مهمی را به همراه دارد که نباید نادیده گرفته شوند (ویلسون و همکاران[13]، ۲۰۲۴). یکی از این چالشها، نگرانیهای مربوط به حریم خصوصی است؛ چرا که جمعآوری و پردازش گسترده دادههای شخصی مشتریان توسط این فناوری، میتواند به کاهش اعتماد عمومی منجر شود و احساس نظارت مداوم را در کاربران ایجاد کند (چاوالی و همکاران[14]، ۲۰۲۴). از سوی دیگر، وابستگی بیش از حد به سیستمهای خودکار، تعاملات انسانی را در بازاریابی کاهش داده و باعث فاصله عاطفی بین برندها و مشتریان میشود که این امر میتواند در بلندمدت به کاهش وفاداری مشتریان منجر شود (سوویانتی و نووریان[15]، ۲۰۲۴). بنابراین، شناخت و مدیریت این چالشها برای کاهش پیامدهای منفی و بهرهبرداری از فرصتهای این فناوری ضروری است.
در این شرایط، ضرورت پژوهش در زمینه پیامدهای منفی هوش مصنوعی در بازاریابی دیجیتال بهطور ویژه قابل توجه است. با توجه به گسترش سریع استفاده از هوش مصنوعی در این حوزه، بررسی چالشها و پیامدهای منفی آن میتواند راهگشای بسیاری از مسائل اخلاقی، اجتماعی و مدیریتی باشد. چنین پژوهشهایی میتواند به کسبوکارها کمک کنند تا با درک بهتر این پیامدها، استراتژیهایی مؤثر برای کاهش خطرات و مقابله با چالشها تدوین کنند و از تأثیرات منفی احتمالی بر مشتریان و بازار جلوگیری کند (اسلام و همکاران[16]، ۲۰۲۴).
پژوهش حاضر قصد دارد با اتخاذ رویکرد کیفی و کمی به شناسایی و ارزیابی پیامدهای منفی استفاده از هوش مصنوعی در بازاریابی دیجیتال بپردازد و با تصویری جامع از تأثیرات منفی این فناوری، راهنماییهایی عملی برای مدیریت بهتر این پیامدها ارائه دهد.
بر این اساس سوالات اصلی پژوهش به شرح ذیل تدوین میشود:
هوش مصنوعی به شاخهای از علوم کامپیوتر اطلاق میشود که هدف آن ایجاد سیستمهایی است که قادر به انجام وظایفی هستند که بهطور معمول نیاز به هوش انسانی دارند، مانند یادگیری، استدلال، حل مسئله و تصمیمگیری (راسل و نورویگ[18]، ۲۰۲۱). این فناوری از تکنیکهایی نظیر یادگیری ماشین[19]، پردازش زبان طبیعی[20] و شبکههای عصبی مصنوعی[21] استفاده میکند تا بتواند وظایف پیچیده را به صورت خودکار و هوشمندانه انجام دهد (چن و همکاران[22]، ۲۰۲۴).
هوش مصنوعی بر اساس سطح توانایی و کاربرد به سه دسته کلی تقسیم میشود:
بازاریابی دیجیتال یک از زیرمجموعههای بازاریابی است که شامل استفاده از ابزارها و فناوریهای دیجیتال برای طراحی، اجرا و ارزیابی استراتژیهای بازاریابی میباشد. این نوع بازاریابی با بهرهگیری از اینترنت، رسانههای اجتماعی، موتورهای جستجو، پلتفرمهای موبایلی و سایر ابزارهای دیجیتال به سازمانها امکان میدهد تا به صورت مستقیم و شخصیسازیشده با مشتریان خود تعامل کنند (چافی و اسمیت[29]، ۲۰۲۲). در واقع، بازاریابی دیجیتال پل ارتباطی میان سازمانها و مشتریان در عصر دیجیتال است که به دلیل سرعت بالا، قابلیت اندازهگیری و دسترسی گسترده به مخاطبان، به یکی از عناصر کلیدی در استراتژیهای بازاریابی مدرن تبدیل شده است (سلستین و همکاران[30]، ۲۰۲۴).
ابعاد اصلی بازاریابی دیجیتال شامل بازاریابی محتوایی، بازاریابی در شبکههای اجتماعی، بهینهسازی موتورهای جستجو (SEO)، تبلیغات دیجیتال، بازاریابی ایمیلی و تجزیه و تحلیل دادهها است. این ابعاد به سازمانها کمک میکند تا از طریق ایجاد محتوای جذاب، برقراری تعامل مؤثر در پلتفرمهای دیجیتال، بهبود دیدهشدن در نتایج جستجو، استفاده از تبلیغات هدفمند و تجزیهوتحلیل دادههای مشتری، تجربهای شخصیسازیشدهتر ارائه دهند و به طور مؤثرتر با مخاطبان خود ارتباط برقرار کنند (ستکوت و دیب[31]، ۲۰۲۵).
هوش مصنوعی (AI) در بازاریابی دیجیتال به معنای استفاده از فناوریهای پیشرفته مانند یادگیری ماشین، تحلیل دادههای بزرگ و الگوریتمهای خودکار برای بهینهسازی فرآیندهای بازاریابی است. این فناوری امکان تحلیل دقیقتر دادههای مشتریان و پیشبینی رفتارهای خرید را فراهم میکند. برای مثال، با استفاده از الگوریتمهای یادگیری عمیق، کسبوکارها میتوانند الگوهای رفتاری مشتریان را شناسایی کرده و کمپینهای تبلیغاتی خود را بهینه کنند (چودهاری و چوهان[32]، ۲۰۲۴).
یکی از جنبههای کلیدی هوش مصنوعی در بازاریابی دیجیتال، شخصیسازی تجربیات کاربری است. با استفاده از تحلیل دادههای رفتاری، شرکتها میتوانند تبلیغات هدفمند ایجاد کنند که نیازهای خاص هر مشتری را برآورده میکند. به عنوان مثال، سیستمهای توصیهگر[33] با تحلیل دادههای خرید قبلی مشتری، پیشنهادات دقیق و متناسب ارائه میدهند. این روش نهتنها بهرهوری کسبوکارها را افزایش میدهد، بلکه تجربه مشتریان را نیز بهبود میبخشد (گائو و لیو[34]، ۲۰۲۳).
هوش مصنوعی نقش مهمی در خودکارسازی فرآیندهای بازاریابی دارد. ابزارهایی مانند چتباتها میتوانند ارتباطات سریع و کارآمدی با مشتریان ایجاد کنند و پاسخهایی فوری به سؤالات آنها ارائه دهند. این امر نه تنها هزینههای عملیاتی را کاهش میدهد، بلکه رضایت مشتریان را نیز افزایش میدهد (دوتا[35]، ۲۰۲۴). علاوه بر این، هوش مصنوعی در تجزیه و تحلیل دادههای گستردهای که از تعاملات مشتریان در پلتفرمهای دیجیتال به دست میآید، نقش دارد. این تحلیلها به کسبوکارها کمک میکند تا روندهای جدید را شناسایی کنند و تصمیمات استراتژیکتری اتخاذ نمایند. به طور مثال، از این دادهها میتوان برای بهینهسازی استراتژیهای قیمتگذاری و زمانبندی کمپینهای تبلیغاتی استفاده کرد (اوکِلِکه و همکاران[36]، ۲۰۲۴).
بررسی پژوهشهای پیشین (جدول1) نشان میدهد در سالهای اخیر پژوهشهای متعددی به واکاوی جنبههای مختلف هوش مصنوعی در بازاریابی پرداختهاند. این تحقیقات با تمرکز بر موضوعاتی نظیر کاربردها، چالشها و پیشنهادات بهینهسازی هوش مصنوعی در بازاریابی، نقش این فناوری را در تحول بازاریابی دیجتیال برجسته ساختهاند اما با توجه به اینکه هوش مصنوعی موضوع تازه واردی به مباحث علمی و تلفیقی است و بیشتر پژوهشها به روشهای توصیفی یا مروری اکتفا کردهاند، تحقیقات انجام شده در حوزه بازاریابی دیجتیال و هوش مصنوعی هنوز به غنای کافی نرسیده و همچنان پژوهشهای اندکی به پیامدهای منفی این حوزه پرداختهاند که خلأ پژوهشی محسوب میشود. این در حالی است که سرعت تحولات فناوری و نفوذ فزاینده هوش مصنوعی در تصمیمات بازاریابی، لزوم پرداختن به این حوزه را بیش از پیش ضروری میسازد. ازاینرو، بررسی پیامدهای منفی استفاده از هوش مصنوعی در بازاریابی دیجیتال حائز اهمیت است و میتواند به پرکردن این خلا و ارائه دیدگاههای جدید در این حوزه کمک کند.
جدول1. پیشینه پژوهش
|
ردیف |
عنوان |
سال |
نتایج |
|
1 |
نقد و بررسی ساختارهای بازاریابی پساانسانمحور: فراتر از بازاریابی دیجیتال و هوش مصنوعی |
1403 |
این مقاله به بررسی بازاریابی پساانسانمحور میپردازد که فراتر از بازاریابی دیجیتال و هوش مصنوعی است و به همزیستی پیچیده بین انسان و تکنولوژی میپردازد. این رویکرد از ابزارهای هوشمند و شخصیسازی پیشرفته استفاده کرده و بر نقش بازاریابان و مدلهای کسبوکار تأثیر میگذارد. از چالشهای آن نیز میتوان به کاهش تعامل انسانی در بازاریابی اشاره کرد (ترابی و همکاران، 1403). |
|
2 |
هوش مصنوعی و چتبات در بازاریابی: بررسی کاربردها و ریسکها |
1403 |
این پژوهش نشان داد که ChatGPT بهعنوان بهترین چتبات در بازاریابی انتخاب شده است. از مزایای این چتبات میتوان به تحول خدمات مشتری، مکالمات شخصیسازیشده، جمعآوری سرنخها و پشتیبانی از تولید محتوا اشاره کرد. ریسکهای مرتبط شامل نقض حریم خصوصی، ازبینرفتن مشاغل، عدم صحت دادهها و تولید اطلاعات نادرست است. استفاده مسئولانه از این چتبات میتواند بهرهوری در بازاریابی را افزایش دهد (محمدشفیعی و همکاران، 1403). |
|
3 |
بررسی و شناسایی پیامدهای کاربرد هوش مصنوعی در بازاریابی |
1403 |
این پژوهش نشان داد که استفاده از هوش مصنوعی در بازاریابی بینالمللی باعث بازتعریف برندسازی، بازاریابی و تبلیغات میشود. نتایج شامل 9 تم اصلی، 20 تم فرعی و 50 کد بودند که پیامدهای مثبت و چالشهای مرتبط را بررسی کردند. کاربردهای اصلی شامل استفاده از دادههای بزرگ، بهبود دسترسی به مشتری و افزایش بهرهوری بود. چالشها نیز شامل نگرانیهای حریم خصوصی و مدیریت دادهها است (زارعی و همکاران، 1403). |
|
4 |
هوش مصنوعی در بازاریابی: نگرانیها و راهحلها |
2023 |
این پژوهش نشان داد که با وجود موفقیت هوش مصنوعی در بازاریابی، مشکلاتی مانند نقض حریم خصوصی دادههای مشتریان همچنان مطرح است. برخی سازمانها برای حفظ شهرت خود از استفاده هوش مصنوعی خودداری میکنند، در حالی که دیگران برای کسب مزیت رقابتی از آن استفاده میکنند. پیشنهادات شامل ذخیره دادههای محلی، استفاده از فناوری Edge، اطمینان از امنیت نرمافزارها و محدود کردن دسترسی به دادههای حساس است (العمل و المبارک[37]، ۲۰۲۳). |
|
5 |
هوش مصنوعی مولد در بازاریابی: کاربردها، فرصتها، چالشها و برنامه تحقیقاتی |
2024 |
این مقاله تأثیرات تحولآفرین هوش مصنوعی مولد (GAI) بر بازاریابی را بررسی کرده است. یافتهها نشان میدهد که GAI با ایجاد محتوای شخصیسازیشدهتر، کارایی و بهرهوری فعالیتهای بازاریابی را افزایش میدهد. همچنین، این فناوری به بهبود فرآیند تولید سرنخهای فروش کمک میکند. همچنن پژوهش به موانع، فرصتها و پیامدهای تحقیقاتی، عملی و سیاستی GAI در بازاریابی پرداخته است (کشِتری و همکاران[38]، ۲۰۲۴). |
|
6 |
چتبات هوش مصنوعی، انسان و میانجیگری: بررسی طیف گسترده تعاملات تکنولوژی و انسان در ایجاد روابط مشتری و برند در خدمات تجربهای و اعتمادپذیر |
2024 |
این پژوهش نشان داد که چتباتهای جایگزین، تأثیر منفی بر فاصله برند-خود، تعامل مشتری-برند و قصد استفاده از برند دارند. در خدمات تجربهای، چتباتهای تقویتی فاصله برند-خود را کاهش داده و تعامل مشتری و استفاده از برند را افزایش میدهند، در حالی که در خدمات اعتمادپذیر، عملکرد مشابهی با عوامل انسانی دارند. یافتهها بر اهمیت تنظیم تعاملات انسانی و تکنولوژی برای تقویت روابط مشتری و برند تأکید دارند (شنگ و همکاران[39]، ۲۰۲۴). |
|
7 |
واقعی یا تولیدشده؟ تأثیر محتوای تولیدشده توسط هوش مصنوعی در برابر محتوای انسانی بر برندها |
2024 |
این پژوهش نشان میدهد که استفاده از هوش مصنوعی مولد (GenAI) ممکن است به اصالت برند و نتایج برند مانند اعتماد، وفاداری و نگرش آسیب بزند. با این حال، سطح بالای علاقه به برند و اصالت برند میتواند اثرات منفی را تعدیل کرده و پذیرش محتوای تولیدشده توسط هوش مصنوعی را افزایش دهد. یافتهها به بازاریابان کمک میکند نقش هوش مصنوعی را در استراتژیهای محتوایی و تأثیر آن بر روابط مشتری و برند بهتر درک کنند (گیاندا و همکاران[40]، ۲۰۲۴). |
|
8 |
نقض حریم خصوصی کاربران شبکههای اجتماعی: چالشها و اثرات منفی |
2024 |
این پژوهش نشان داد که نقض حریم خصوصی کاربران شبکههای اجتماعی میتواند به پیامدهای منفی و خسارات اطلاعاتی منجر شود. توصیهها شامل تدوین مقررات برای پلتفرمهای اجتماعی، ایجاد دادگاههای تخصصی برای رسیدگی به جرائم فناوری اطلاعات و گنجاندن مباحث حریم خصوصی اطلاعات در برنامههای درسی اجباری دانشکدههای حقوق و پلیس در کشورهای عربی است (کریشان[41]، ۲۰۲۴). |
|
9 |
آنها از من سوءاستفاده کردند! نقش دوگانه سواد دیجیتال در دستکاری بازاریابی هوش مصنوعی و رفتار غیراخلاقی مصرفکنندگان جوان |
2025 |
این پژوهش نشان میدهد بازاریابی مبتنی بر هوش مصنوعی با ایجاد ادراک از دستکاری، رفتارهای غیراخلاقی مصرفکنندگان جوان را تقویت میکند. سواد دیجیتال بالا اثرات منفی را کاهش و سواد پایین این اثرات را تشدید میکند. یافتهها بر شفافیت و تقویت سواد دیجیتال برای مقابله با شیوههای غیراخلاقی تأکید دارد (قدری و همکاران[42]، ۲۰۲۵). |
|
10 |
کاهش تنفر از هوش مصنوعی در تبلیغات دیجیتال با افشاهای طنزآمیز |
2025 |
این پژوهش نشان داد که استفاده از طنز در افشای نویسندگی هوش مصنوعی میتواند اثرات منفی ناشی از تنفر نسبت به هوش مصنوعی را کاهش دهد. طنز با کاهش فاصله روانشناختی نسبت به هوش مصنوعی، نگرشهای منفی را تعدیل و قصد خرید را افزایش میدهد. تأثیر طنز تنها زمانی مثبت بود که به اندازه کافی خندهدار بود (کارپینسکا-کراکوفیاک و همکاران[43]، ۲۰۲۵). |
|
11 |
بهرهگیری از دادههای کلان برای کمپینهای بازاریابی شخصیسازی شده: یک مرور |
2025 |
این مقاله نشان داد که تحلیل دادههای کلان باعث بهبود درک و پیشبینی رفتار مصرفکنندگان میشود و استراتژیهای هدفگذاری و بخشبندی را مؤثرتر میکند. همچنین، ادغام دادههای کلان باعث افزایش تعامل، رضایت و وفاداری مشتریان شده است. چالشهایی نظیر نگرانیهای مربوط به حریم خصوصی، نیاز به مهارتهای تحلیلی پیشرفته و امکان نادرستی دادهها نیز شناسایی شدهاند (اوکوریه و همکاران[44]، ۲۰۲۵). |
|
12 |
هوش مصنوعی و بازاریابی پیشبینیکننده: چارچوب اخلاقی از دیدگاه مدیران |
2025 |
این مقاله به بررسی نگرانیهای اخلاقی مرتبط با استفاده از هوش مصنوعی در بازاریابی پیشبینیکننده پرداخته است. یافتهها نشان میدهد که استفاده از AI ممکن است به تعصبات موجود، نقض حریم خصوصی مشتریان، محدودیت رقابت و دستکاری رفتار مصرفکنندگان منجر شود. چارچوب ارائهشده، با مدل اشوک مقایسه شده و بهعنوان مرجعی برای تحقیقات اخلاقی در بازاریابی پیشبینیکننده پیشنهاد میشود (ناز و کاشف[45]، ۲۰۲۵). |
منبع: یافتههای پژوهش
پژوهش حاضر بر اساس چارچوب لایهای طراحی پژوهش انجام شده که در آن، هر سطح از تصمیمگیری روششناختی متأثر از لایههای بالادستی خود است. در لایه فلسفی، این مطالعه بر رویکرد تفسیری استوار است و از نظر جهتگیری، در زمره تحقیقات کاربردی و اکتشافی قرار میگیرد؛ زیرا با تمرکز بر پیامدهای منفی استفاده از هوش مصنوعی در بازاریابی دیجیتال، در پی ارائه راهکارهایی برای بهبود تصمیمگیری مدیران در مواجهه با این چالشهاست. از نظر چگونگی انجام، مطالعه حاضر بهجهت اینکه بتواند دیدگاهی جامع و چندبعدی از موضوع ارائه دهد، با رویکرد آمیخته کیفی (تحلیل مضمون[46]) و کمی (فوکام[47]) انجام شده و هدف نهایی این پژوهش شناسایی، تحلیل و اولویتبندی نظاممند پیامدهای منفی هوش مصنوعی در بازاریابی دیجیتال و ارائه راهکارهای کاربردی برای مواجهه مؤثر با آنها است.
در مرحله نخست، دادهها از طریق مصاحبههای نیمهساختاریافته با متخصصان و مدیران حوزه بازاریابی دیجیتال و فناوری اطلاعات جمعآوری شدند. انتخاب نمونهها نیز بر اساس روش نمونهگیری نظری صورت گرفت که در آن افراد بهطور هدفمند و با توجه به ارتباط مستقیم آنها با موضوع پژوهش انتخاب شدند. مصاحبهها تا زمان دستیابی به اشباع نظری ادامه یافت، بهگونهای که پس از مصاحبه یازدهم، دادههای جدیدی به مضامین شناساییشده افزوده نشد. با این حال، بهمنظور افزایش دقت و غنای مطالعه، 13 مصاحبه انجام گرفت.
برای تحلیل دادههای جمعآوری شده، از روش کیفی تحلیل مضمون استفاده شد که یکی از قدرتمندترین ابزارها برای شناسایی الگوها و روابط در دادههای متنی است. این روش به پژوهشگر امکان میدهد تا با دستیابی به عمق دادههای کیفی، مضامین اصلی و فرعی را از میان حجم گستردهای از دادهها استخراج و ارتباطات میان آنها را بررسی کند. فرآیند تحلیل نیز شامل مراحل آشنایی اولیه با دادهها، کدگذاری اولیه، گروهبندی کدهای مشابه و شناسایی مضامین نهایی بود. در نتیجه پیادهسازی این تحلیل، مضامین شناسایی شده به نمایندگی از مفاهیم کلیدی بیان شده توسط مصاحبهشوندگان ابعاد مختلف پیامدهای منفی استفاده از هوش مصنوعی در بازاریابی دیجیتال را پوشش میدهند.
در بخش کمی، برای تکمیل و ارزیابی نتایج حاصل از تحلیل کیفی، از روش فوکام یا سازگاری کامل استفاده شد. این روش که در سال 2018 بهعنوان توسعهای بر روشهای سنتی خبرهمحور نظیر تحلیل سلسلهمراتبی معرفی شده است (پاموچار و همکاران[48]، ۲۰۱۸)، یکی از رویکردهای معتبر و نوین تصمیمگیری چندمعیاره به شمار میرود. روش فوکام به دلیل توانایی آن در ترکیب دیدگاههای مختلف و ارائه تحلیلهای دقیقتر، به طور روزافزونی در پژوهشهای علمی مرز دانش مورد استفاده قرار گرفته است (آیان و همکاران[49]، ۲۰۲۳). این روش امکان سنجش و ارزیابی جامع معیارهای متعدد مرتبط با موضوع پژوهش را فراهم کرده و از آن برای تحلیل دقیقتر تأثیرات منفی هوش مصنوعی در بازاریابی دیجیتال استفاده شده است.
روش ترکیبی این پژوهش، امکان بررسی چندبعدی موضوع را فراهم کرده و به پژوهشگر اجازه داده است تا با استفاده از تحلیلهای کیفی و کمی، تصویری روشنتر از پیامدهای هوش مصنوعی در بازاریابی دیجیتال ترسیم کند. نتایج حاصل از این روششناسی میتواند مبنایی برای ارائه توصیههای عملیاتی به مدیران و تصمیمگیران در حوزه بازاریابی و فناوری اطلاعات باشد.
در این پژوهش، به منظور شناسایی و ارزیابی پیامدهای منفی استفاده از هوش مصنوعی در بازاریابی دیجیتال، 13 مصاحبه نیمهساختاریافته با متخصصین و مدیران حوزههای بازاریابی دیجیتال، فناوری اطلاعات و هوش مصنوعی انجام شده است. طراحی اولیه سؤالات مصاحبهها با مرور عمیق ادبیات پژوهش و بر اساس اهداف مطالعه حاضر انجام شد و بر شناسایی و درک جامع پیامدهای منفی ناشی از بهکارگیری هوش مصنوعی در فرآیندهای بازاریابی دیجیتال تمرکز داشت. مصاحبهها بهگونهای طراحی شدند که در ابتدا سؤالات باز برای کشف ابعاد گوناگون پیامدهای منفی استفاده از هوش مصنوعی مطرح شده و سپس بر مبنای پاسخهای اولیه شرکتکنندگان، سؤالات تکمیلی و عمیقتر جهت تأیید، تکمیل و شفافسازی مضامین شناساییشده پرسیده شدند. این رویکرد دو مرحلهای (اکتشافی-تأییدی) به محقق این امکان را داد تا از طریق یک فرآیند نظاممند و دقیق، به مضامین دقیقتر و کاملتری دست یابد. در ادامه، مشخصات کامل مصاحبهشوندگان شامل تخصص، سابقه کاری و حوزه فعالیت آنان در قالب جدول ۲ ارائه شده است.
جدول 2. لیست مصاحبهشوندگان
|
ردیف |
شغل |
تخصص |
سن |
سابقه |
تحصیلات |
|
1 |
پژوهشگر |
فناوری اطلاعات |
25 |
4 |
ارشد مدیریت بازرگانی |
|
2 |
هیئت علمی و مدیر سرمایهگذاری |
اقتصاد و هوش مصنوعی |
34 |
10 |
پستدکتری اقتصاد |
|
3 |
مدیر بازاریابی |
هوش مصنوعی و بازاریابی |
25 |
4 |
ارشد مدیریت بازرگانی |
|
4 |
مدیر فناوری اطلاعات |
مدیریت استراتژی و فناوری اطلاعات |
36 |
11 |
ارشد مدیریت بازرگانی |
|
5 |
مدیر صادرات |
صادرات و بازاریابی بینالملل |
27 |
5 |
ارشد مدیریت بازرگانی |
|
6 |
مدیر فناوری اطلاعات |
فناوری اطلاعات |
35 |
12 |
ارشد فناوری اطلاعات |
|
7 |
پژوهشگر |
سیاستگذاری فناوری |
29 |
7 |
ارشد مدیریت دولتی |
|
8 |
مدیر بازاریابی |
بازاریابی و تبلیغات |
28 |
6 |
ارشد مدیریت بازرگانی |
|
9 |
هیئت علمی |
بازاریابی و هوش مصنوعی |
35 |
10 |
دکتری مدیریت بازاریابی |
|
10 |
پژوهشگر |
هوش مصنوعی |
30 |
8 |
دکتر هوش مصنوعی |
|
11 |
هیئت علمی |
استراتژی بازاریابی |
30 |
7 |
دکتری مدیریت استراتژی |
|
12 |
پژوهشگر و مشاور |
استراتژی دیجیتال |
27 |
6 |
ارشد مدیریت بازرگانی |
|
13 |
مدیر بازاریابی |
بازاریابی |
31 |
7 |
ارشد مدیریت کسب و کار |
منبع: یافتههای پژوهش
در پژوهش حاضر، پس از انجام 11 مصاحبه، اشباع نظری حاصل شد؛ به این معنا که از مصاحبه یازدهم به بعد، تکرار مضامین مشاهده شد و مضمون جدیدی شناسایی نشد. با این حال، به منظور اطمینان بیشتر و افزایش دقت و اعتبار یافتهها، دو مصاحبه تکمیلی دیگر نیز انجام گرفت. در مجموع، 10 مضمون اصلی و 45 مضمون فرعی مرتبط با پیامدهای منفی استفاده از هوش مصنوعی در بازاریابی دیجیتال شناسایی شدند که در جدول 3 به همراه مصاحبههایی که هر مضمون در آنها مطرح شده، ارائه شده است.
جدول3. مضامین شناسایی شده
|
ردیف |
مضامین اصلی |
مضامین فرعی |
شماره مصاحبه |
|
1 |
نقض حریم خصوصی و امنیت اطلاعات مصرفکنندگان |
استفاده نادرست از دادههای شخصی |
1،2،3،4،6،7،10،11،13 |
|
آسیبپذیری اطلاعات در برابر هک و سرقت |
2،3،5،6،8،12 |
||
|
عدم شفافیت در نحوه جمعآوری و استفاده از دادهها |
1،2،3،4،5،7،9،12 |
||
|
مشکلات در پیادهسازی استانداردهای امنیتی برای دادهها |
2،4،6،8،10،11 |
||
|
سوءاستفاده از اطلاعات در کمپینهای تبلیغاتی |
1،3،5،7،8،9،10،13 |
||
|
نبود قوانین لازمالاجرا در خصوص استفاده اطلاعات |
1،6،7،8،11 |
||
|
عدم کنترل مصرفکنندگان بر دادههای شخصی خود |
3،4،8،9،12،13 |
||
|
2 |
کاهش ارتباط انسانی در فرآیند بازاریابی |
از بین رفتن ارتباطات انسانی با مشتریان |
2،5،8،9،11،12 |
|
کاهش احساس تعامل و ارتباط شخصی با برند |
2،5،8،9،13 |
||
|
جایگزینی تعاملات واقعی با ارتباطات ماشینی و خودکار |
2،3،8،9،11 |
||
|
نبود احساسات و همدلی در پاسخهای هوش مصنوعی |
3،8،13 |
||
|
3 |
کاهش شفافیت در تصمیمات بازاریابی |
تصمیمگیریهای پیچیده و مبهم توسط الگوریتمها |
1،4،6،7،10 |
|
نبود امکان نظارت و تحلیل توسط تیمهای انسانی |
2،3،5،9 |
||
|
عدم توضیح کافی در مورد نحوه عملکرد الگوریتمها |
1،4،6،12،13 |
||
|
پنهان بودن فرآیندهای بهینهسازی |
3،4،7،9،12،13 |
||
|
4 |
خطرات تبعیض و نابرابری در الگوریتمهای هوش مصنوعی |
ایجاد تبعیض در ارائه خدمات به گروههای خاص مشتریان |
3،5،8،11 |
|
احتمال پیشداوریهای الگوریتمی و عدم تطابق با واقعیت |
3،6،7،10 |
||
|
اثرات منفی بر شهرت برند در صورت مشاهده تبعیضها |
3،5،6،8،11 |
||
|
بازخوردهای منفی و تقویت نابرابریهای اجتماعی در جامعه |
7،9،12 |
||
|
5 |
ایجاد مشکل در حفظ و ارتقاء اعتماد مشتریان |
اعتماد پایین مشتریان به تصمیمات خودکار |
1،3،5،8،9،11،12 |
|
مشکلات در جلب اعتماد مشتریان جدید از طریق بازاریابی هوش مصنوعی |
3،5،8،9،10 |
||
|
کاهش اعتماد مشتریان به برند به دلیل نگرانیهای اجتماعی و اخلاقی |
1،3،4،5،8،9،13 |
||
|
ایجاد احساس کنترل شدن توسط برند |
3،5،9،13 |
||
|
6 |
چالشها و هزینههای زیاد پیادهسازی و نگهداری هوش مصنوعی |
نیاز به سرمایهگذاری بالا برای پیادهسازی هوش مصنوعی |
1،2،4،6،8،11،13 |
|
مشکلات فنی در یکپارچهسازی سیستمهای هوش مصنوعی با سایر بخشها |
2،4،6،8 |
||
|
هزینههای زیاد نگهداری و بهروزرسانی الگوریتمها |
1،2،4،6،8،11،13 |
||
|
نیاز به تخصصهای بالا در تیمهای بازاریابی |
1،3،7،8،11 |
||
|
مقاومت کارکنان در پذیرش استفاه از فناوریهای جدید |
1،4،3،5،7،12 |
||
|
7 |
کاهش اشتغال و تغییرات در شغلها |
کاهش نیاز به نیروی انسانی در فرآیندهای بازاریابی |
2،3،6،9،11،13 |
|
از بین رفتن شغلهای مرتبط با بازاریابی سنتی و ایجاد نگرانیهای اجتماعی |
3،5،10،11 |
||
|
چالشهای انسانی در مدیریت و نظارت بر سیستمهای خودکار |
3،7،9 |
||
|
نیاز به آموزش و جذب نیروهای جدید به دلیل تغییر ماهیت شغلها |
1،4،6،7،8،10،13 |
||
|
8 |
انحصار و کاهش رقابت در بازارهای دیجیتال |
تسلط شرکتهای بزرگ بر بازار به دلیل دسترسی گسترده به داده و کاهش تنوع برندها و محصولات |
1،3،5،8،9،11،13 |
|
جلوگیری از ورود بازیگران جدید به بازار |
5،8،9،13 |
||
|
محدود شدن دسترسی به بازارهای رقابتی برای کسبوکارهای کوچک |
2،3،5،6،9،11 |
||
|
انحصارگرایی در ارائه خدمات به دلیل تمرکز هوش مصنوعی و الگوریتمها بر برندهای بزرگ |
1،3،5،8،9،13 |
||
|
9 |
افزایش وابستگی به فناوری و کاهش انعطافپذیری |
آسیبپذیری در برابر خرابیهای سیستم یا مشکلات فنی |
1،2،6،7،10،12 |
|
عدم انعطافپذیری در صورت نیاز به تغییرات در برنامههای بازاریابی |
3،8،9،12،13 |
||
|
مشکلات در واکنش به بحرانها و نوسانات بازار به دلیل وابستگی به سیستمهای خودکار |
5،8،9،13 |
||
|
خطر وابستگی بیش از حد به تأمینکنندگان فناوری |
1،3،4،9،11،12 |
||
|
10 |
کاهش خلاقیت و نوآوری در بازاریابی |
استفاده بیش از حد از مدلهای از پیش تعیینشده و کاهش ایدههای خلاقانه |
1،3،4،5،9،12،13 |
|
کاهش انگیزه تیمهای بازاریابی برای نوآوری |
5،8،9،11،12 |
||
|
نبود ظرفیت برای خلق ایدههای جدید بهدلیل اتکا به دادهها و الگوریتمها |
5،6،11 |
||
|
محدود شدن تنوع در استراتژیهای بازاریابی به دلیل محدودیتهای الگوریتمی |
3،7،11،12،13 |
||
|
تمرکز بیش از حد بر بهینهسازی به جای نوآوری در فرآیندها و خدمات |
3،9،13 |
منبع: یافتههای پژوهش
در مرحله بعد به جهت ارزیابی اهمیت مضامین اصلی با ایجاد یک گروه تمرکز 6 نفره به پیادهسازی روش فوکام پرداخته شده است. بدین منظور در ابتدا بر اساس نظر خبرگان ترتیب اولویت معیارها مشخص شده و سپس برای محاسبه ارزش مقایسهای معیارها با طیف 1 تا 9 (1 به معنای اهمیت برابر و 9 به معنای اهمیت بسیار بیشتر)، اهمیت هر معیار مشخص شده است. جدول3 امتیاز ماتریس اولیه این روش برای هر یک از معیارها را نشان میدهد.
جدول3 – امتیاز ماتریس اولیه فوکام
|
ردیف |
معیار |
اهمیت |
|
1 |
نقض حریم خصوصی و امنیت اطلاعات مصرفکنندگان |
1 |
|
2 |
ایجاد مشکل در حفظ و ارتقاء اعتماد مشتریان |
2.45 |
|
3 |
چالشها و هزینههای زیاد پیادهسازی و نگهداری هوش مصنوعی |
3.28 |
|
4 |
انحصار و کاهش رقابت در بازارهای دیجیتال |
4.54 |
|
5 |
کاهش خلاقیت و نوآوری در بازاریابی |
5.75 |
|
6 |
کاهش اشتغال و تغییرات در شغلها |
6.3 |
|
7 |
افزایش وابستگی به فناوری و کاهش انعطافپذیری |
6.85 |
|
8 |
کاهش ارتباط انسانی در فرآیند بازاریابی |
7.5 |
|
9 |
خطرات تبعیض و نابرابری در الگوریتمهای هوش مصنوعی |
8.26 |
|
10 |
کاهش شفافیت در تصمیمات بازاریابی |
8.75 |
منبع: یافتههای پژوهش
بر اساس روابط فوکام و با استفاده از جدول3، در این مرحله به تدوین مدل چند مجهوله برای سازگارسازی نتایج پرداخته خواهد شد.
min=x;
@abs (w1/w2-2.45)<=x;
@abs (w2/w3-1.338776)<=x;
@abs (w3/w4-1.384146)<=x;
@abs (w4/w5-1.266520)<=x;
@abs (w5/w6-1.095652)<=x;
@abs (w6/w7-1.309524)<=x;
@abs (w7/w8-0.829905)<=x;
@abs (w8/w9-1.094891)<=x;
@abs (w9/w10-1.166667)<=x;
@abs (w1/w3-3.28)<=x;
@abs (w2/w4-1.853061)<=x;
@abs (w3/w5-1.753048)<=x;
@abs (w4/w6-1.387665)<=x;
@abs (w5/w7-1.191304)<=x;
@abs (w6/w8-1.190476)<=x;
@abs (w7/w9-1.205839)<=x;
@abs (w8/w10-1.166666)<=x;
w1+w2+w3+w4+w5+w6+w7+w8+w9+w10 =1;
پس از تدوین مدل فوق و حل آن با نرم افزار لینگو وزن نهایی معیارها بر اساس روش فوکام به صورت ذیل (جدول4) به دست آمد.
جدول4 – وزن نهایی معیارها در فوکام
|
ردیف |
معیار |
وزن نهایی |
|
1 |
نقض حریم خصوصی و امنیت اطلاعات مصرفکنندگان |
0.3596 |
|
2 |
ایجاد مشکل در حفظ و ارتقاء اعتماد مشتریان |
0.1468 |
|
3 |
چالشها و هزینههای زیاد پیادهسازی و نگهداری هوش مصنوعی |
0.1096 |
|
4 |
انحصار و کاهش رقابت در بازارهای دیجیتال |
0.0792 |
|
5 |
کاهش خلاقیت و نوآوری در بازاریابی |
0.0625 |
|
6 |
کاهش اشتغال و تغییرات در شغلها |
0.0571 |
|
7 |
افزایش وابستگی به فناوری و کاهش انعطافپذیری |
0.0526 |
|
8 |
کاهش ارتباط انسانی در فرآیند بازاریابی |
0.0481 |
|
9 |
خطرات تبعیض و نابرابری در الگوریتمهای هوش مصنوعی |
0.0437 |
|
10 |
کاهش شفافیت در تصمیمات بازاریابی |
0.0412 |
منبع: یافتههای پژوهش
هوش مصنوعی به عنوان یکی از فناوریهای پیشرفته و تأثیرگذار در سالهای اخیر، ضمن ایجاد تحول در حوزه بازاریابی دیجیتال، پیامدهای منفی قابل توجهی نیز به همراه داشته است (دلیگوز[50]، ۲۰۲۵). پژوهش حاضر با هدف شناسایی و ارزیابی این پیامدهای منفی با رویکرد آمیخته (کیفی-کمی) انجام شده است. در بخش کیفی، 13 مصاحبه نیمهساختاریافته با متخصصان حوزه بازاریابی دیجیتال و فناوری اطلاعات صورت گرفت و دادههای جمعآوریشده به روش تحلیل مضمون بررسی شد که در نتیجه آن، 10 مضمون اصلی و 45 مضمون فرعی شناسایی شدند. در مرحله بعد، مضامین اصلی با بهرهگیری از روش فوکام رتبهبندی شدند تا میزان اهمیت هر پیامد مشخص شود.
یافتههای این پژوهش نشان داد که علیرغم مزایای گسترده هوش مصنوعی در ارتقاء بازاریابی دیجیتال، استفاده از این فناوری با پیامدهای منفی متعددی همراه است که هر یک میتواند عملکرد، اعتماد و پایداری برندها را در فضای دیجیتال به چالش بکشد. از جمله این پیامدها میتوان به نقض حریم خصوصی و امنیت اطلاعات مصرفکنندگان، کاهش ارتباط انسانی در فرآیند بازاریابی، ایجاد مشکل در حفظ و ارتقاء اعتماد مشتریان، چالشها و هزینههای زیاد پیادهسازی و نگهداری هوش مصنوعی، انحصار و کاهش رقابت در بازارهای دیجیتال، افزایش وابستگی به فناوری و کاهش انعطافپذیری و کاهش خلاقیت و نوآوری در بازاریابی اشاره کرد. در رتبهبندی این پیامدها به ترتیب «نقض حریم خصوصی »، «ایجاد مشکل در حفظ و ارتقاء اعتماد مشتریان» و «چالشهای پیادهسازی و نگهداری» در صدر اهمیت قرار گرفتند که این نتایج گویای آن است که سازمانها هنگام بهرهگیری از هوش مصنوعی در بازاریابی دیجیتال، باید توجه ویژهای به ابعاد انسانی، اخلاقی، زیرساختی و رقابتی داشته باشند.
مطابق با یافتههای این پژوهش، «نقض حریم خصوصی و امنیت اطلاعات مصرفکنندگان» بهعنوان مهمترین پیامد منفی هوش مصنوعی در بازاریابی دیجیتال شناسایی شد. این موضوع بهویژه در شرایطی که الگوریتمهای مبتنی بر دادههای رفتاری و شخصی، بدون شفافیت کافی نسبت به نحوه ذخیرهسازی و بهرهبرداری از اطلاعات کاربران عمل میکنند، به نگرانیهای جدی دامن زده است (سینگ[51]، ۲۰۲۵). در رتبه دوم، «ایجاد مشکل در حفظ و ارتقاء اعتماد مشتریان» قرار دارد که نشان میدهد افشای ناخواسته دادهها، تحلیلهای مبتنی بر دادههای حساس و احتمال دسترسی شرکتهای ثالث به اطلاعات خصوصی، از جمله چالشهایی است که میتواند اعتماد مصرفکنندگان را نسبت به برندها کاهش دهد (وو و کنستانتینیدیس[52]، ۲۰۲۵) و از طرف دیگر استفاده افراطی از فناوریهای هوش مصنوعی در تعاملات بازاریابی، بهویژه در غیاب حضور انسان، میتواند حس فاصله و بیاعتمادی را در مشتریان ایجاد کند. مشتریان تمایل دارند در فرآیند تصمیمگیری و خرید، احساس کنند که مورد درک و توجه انسانی قرار گرفتهاند، حال آنکه اتکای صرف به سیستمهای خودکار، این تجربه را تهدید میکند (سوویانتی و نووریان[53]، ۲۰۲۴).
سومین پیامد مهم، «چالشها و هزینههای زیاد پیادهسازی و نگهداری» است. بسیاری از کسبوکارها، بهویژه شرکتهای کوچک و متوسط، با محدودیت منابع مواجهاند و هزینههای توسعه، آموزش و نگهداری الگوریتمهای هوش مصنوعی میتواند مانعی جدی برای بهرهبرداری اثربخش از این فناوری باشد (یوسف و همکاران[54]، ۲۰۲۴). همچنین پیچیدگی فنی این سیستمها نیازمند تخصصهای متنوع و هماهنگی میان بخشهای مختلف سازمان است که خود بر هزینههای اجرایی میافزاید.
تحلیل روابط میان مضامین شناساییشده نشان میدهد که برخی پیامدهای منفی هوش مصنوعی در بازاریابی دیجیتال بهصورت همافزا عمل میکنند. برای مثال، «نقض حریم خصوصی و امنیت اطلاعات مصرفکنندگان» ارتباط مستقیمی با «ایجاد مشکل در حفظ و ارتقاء اعتماد مشتریان» دارد؛ هرگونه تهدید نسبت به اطلاعات شخصی مشتریان میتواند به کاهش اعتماد عمومی نسبت به برندها بینجامد (اسپایس و خریسسوخوئیدیس[55]، ۲۰۲۵). همچنین، «کاهش ارتباط انسانی» به همراه «کاهش شفافیت در تصمیمات بازاریابی» میتواند تجربه مشتری را غیرشخصی و مبهم جلوه دهد، که نتیجه آن نهتنها افت تعاملات احساسی، بلکه تردید نسبت به فرآیند تصمیمگیری شرکت خواهد بود (دکر و سوماناسکارا[56]، ۲۰۲۵).
از سوی دیگر، «چالشهای پیادهسازی و نگهداری» با «افزایش انحصار و کاهش رقابت در بازارهای دیجیتال» پیوند تنگاتنگ دارد. شرکتهای بزرگ با منابع مالی و فنی کافی توان استفاده و توسعه مستمر از هوش مصنوعی را دارند، در حالی که کسبوکارهای کوچک از چرخه رقابت کنار گذاشته میشوند، که این موضوع به تمرکز بازار و کاهش تنوع در خدمات منجر میشود (میترکه و همکاران[57]، ۲۰۲۴). همچنین، «کاهش خلاقیت و نوآوری» ممکن است در تعامل با همین انحصارگرایی و وابستگی به فناوری، مسیرهای تازه بازاریابی را محدود و فضای رقابتی را خنثی کند (اوی و همکاران[58]، ۲۰۲۵). این وابستگی متقابل میان پیامدها، بر ضرورت تدوین سیاستهای یکپارچه برای مواجهه همزمان با چالشهای فناورانه، انسانی و اخلاقی تأکید دارد.
یافتههای این پژوهش در بخش قابلتوجهی با مطالعات پیشین همراستا هستند. مضامینی مانند «نقض حریم خصوصی» و «کاهش اعتماد مشتریان» پیشتر نیز در پژوهشهایی چون چوالی و همکاران[59] (۲۰۲۴) و اسپایس و کریسسوخوییدیس[60] (۲۰۲۵) بهعنوان چالشهای اساسی هوش مصنوعی در بازاریابی شناسایی شدهاند. همچنین، نتایج مربوط به «کاهش تعامل انسانی» و «افزایش وابستگی به سیستمهای خودکار» با یافتههای گائو و لیو[61] (۲۰۲۳) همخوانی دارد که در آنها به تأثیر منفی کاهش ارتباط انسانی بر تجربه مشتری اشاره شده است.
در مقابل، برخی از نتایج این پژوهش با مطالعات پیشین واگرایی دارد. برای نمونه، برخلاف دیدگاه مازورکیویچ-پیزوو[62] (۲۰۲۵) که معتقد است هوش مصنوعی ظرفیت تقویت نوآوری را دارد، این تحقیق نشان میدهد استفاده بیشازحد از الگوریتمهای هوشمند میتواند به یکنواختی و کاهش خلاقیت در بازاریابی منجر شود. همچنین، در حالیکه مطالعاتی مانند شعبان و زیبری[63] (۲۰۲۵) از کاهش هزینهها در اثر بهکارگیری هوش مصنوعی سخن گفتهاند، یافتههای حاضر بر هزینهبر بودن پیادهسازی و نگهداری این فناوری، بهویژه برای کسبوکارهای کوچک، تأکید دارد. این تفاوتها بر ضرورت انجام پژوهشهای بومیشده و زمینهمحور برای ارزیابی واقعی پیامدهای این فناوری در حوزه بازاریابی دیجیتال تأکید میکند.
این پژوهش با وجود تلاش برای ارائه تصویری جامع از پیامدهای منفی هوش مصنوعی در بازاریابی دیجیتال، با محدودیتهایی نیز همراه بود. نخست، دسترسی محدود به خبرگان متخصص در تقاطع بازاریابی دیجیتال و هوش مصنوعی که ممکن است دامنه تنوع دیدگاهها را کاهش داده باشد؛ دوم، سرعت بالای تحولات فناوری در حوزه هوش مصنوعی که میتواند باعث شود برخی یافتهها در مدت زمانی کوتاه، نیاز به بازنگری داشته باشند. بر این اساس، توصیه میشود سیاستگذاران و مدیران بازاریابی، ضمن رصد مستمر تحولات فناورانه، با تدوین دستورالعملهای اخلاقی و ارتقای توانمندیهای دادهمحور، زمینه بهرهبرداری مسئولانهتری از این فناوری را فراهم کنند.
بر مبنای تحلیل یافتههای پژوهش، پیشنهاد میشود کسبوکارها پیش از پیادهسازی راهکارهای مبتنی بر هوش مصنوعی در بازاریابی دیجیتال، ارزیابی دقیقی از پیامدهای اخلاقی، فناورانه و انسانی آن انجام دهند. بهویژه لازم است روی طراحی سازوکارهای شفاف در جمعآوری و تحلیل دادههای مشتریان تمرکز شود تا از نقض حریم خصوصی و کاهش اعتماد مصرفکننده جلوگیری شود. همچنین، سازمانها باید از اتکای کامل به سیستمهای خودکار پرهیز کرده و با حفظ نقش ارتباط انسانی در فرایند بازاریابی، از کاهش تعاملات عاطفی جلوگیری کنند. توسعه تیمهای میانرشتهای با ترکیب تخصصهای بازاریابی، فناوری و اخلاق، میتواند راهگشای طراحی راهکارهای خلاقانه و مسئولانه باشد. علاوه بر این، سرمایهگذاری در آموزش مستمر کارکنان و بهروزرسانی مهارتهای مرتبط با تحلیل دادهها، برای تطبیق با تحولات سریع هوش مصنوعی و افزایش تابآوری دیجیتال ضروری است.
با توجه به پیچیدگی و تحولپذیری سریع فناوریهای هوش مصنوعی در بازاریابی دیجیتال، پیشنهاد میشود پژوهشهای آینده با رویکردی عمیقتر به بررسی تجربیات بومی در صنایع مختلف و تحلیل تأثیرات بلندمدت این فناوری بر رفتار و وفاداری مشتریان بپردازند. همچنین انجام مطالعات تطبیقی میان شرکتهای بزرگ و کسبوکارهای کوچک و متوسط میتواند به شناسایی تفاوتهای ساختاری در مواجهه با چالشهای فناورانه کمک کند.
[1].Voronkova et al
[2]. Padiya et al
[3]. Russell & Norvig
[4]. Choudhary & Chauhan
[5]. Kaplan & Haenlein
[6]. Adeniran et al
[7]. Davenport et al
[8]. Chaffey & Ellis-Chadwick
[9]. Huang & Rust
[10]. Bormane & Blaus
[11]. Tadi
[12]. Bayan
[13]. Wilson et al
[14]. Chavali et al
[15]. Sovianti & Novrian
[16]. Islam et al
[17]. Artificial Intelligence
[18]. Russell & Norvig
[19]. Machine Learning
[20]. Natural Language Processing
[21]. Artificial Neural Networks
[22]. Chen et al
[23]. Artificial Narrow Intelligence
[24]. Babu & Banana
[25]. Artificial General Intelligence
[26]. Majumder
[27]. Artificial Super Intelligence
[28]. Iqbal
[29]. Chaffey & Smith
[30]. Celestin et al
[31]. Setkute & Dibb
[32]. Choudhary & Chauhan
[33]. Recommendation Systems
[34]. Gao & Liu
[35]. Dutta
[36]. Okeleke et al
[37]. Alammal & Al Mubarak
[38]. Kshetri et al
[39]. Sheng et al
[40]. Ghianda et al
[41]. Kreishan
[42]. Qadri et al
[43]. Karpinska-Krakowiak et al
[44]. Okorie et al
[45]. Naz & Kashif
[46] Thematic analysis
[47] Fucom
[48]. Pamučar et al
[49]. Ayan et al
[50]. Deligöz
[51]. Singh
[52]. Wu & Konstantinidis
[53]. Sovianti & Novrian
[54]. Yusuf et al
[55]. Spais & Chryssochoidis
[56]. Deckker & Sumanasekara
[57]. Mitrache et al
[58]. Ooi et al
[59]. Chavali et al
[60]. Spais & Chryssochoidis
[61]. Gao & Liu
[62]. Mazurkiewicz-Pizło
[63]. Shaban & Zeebaree
