پایان عصر کلمات کلیدی؛ هوش مصنوعی مکالمه‌محور چگونه کنترل مشتریان را در تجارت الکترونیک تغییر می‌دهد؟

برای دهه‌ها، خریداران اینترنتی آموخته بودند که برای پیدا کردن کالای مورد نظر خود باید دو یا سه کلمه کلیدی را در کادر جست‌وجو تایپ کنند، شبکه‌ای از محصولات مختلف را از نظر بگذرانند، فیلترها را دستکاری نمایند و در صورت نیافتن نتیجه مطلوب، عبارت دیگری را امتحان کنند.

با این حال، هوش مصنوعی مولد در حال تغییر دادن این الگوی رفتاری است. مصرف‌کنندگان اکنون به شکل فزاینده‌ای می‌توانند نیاز یا مشکل خود را تشریح کنند، سوال بپرسند و انتظار داشته باشند پلتفرم تجارت الکترونیک دقیقاً همان محصول و پیکربندی مدنظرشان را پیشنهاد دهد. برای فروشگاه‌های آنلاین، جست‌وجو کم‌کم از یک فرایند ساده بازخوانی پایگاه داده فاصله می‌گیرد و شبیه به تعامل با یک کارشناس و مشاور فروش دیجیتال می‌شود.

خرده‌فروشان و فروشگاه‌های اینترنتی دلایل متعددی برای توجه ویژه به این تغییر دارند. عبارت جست‌وجوشده توسط کاربر، از معدود دفعاتی است که خریدار با کلمات خود دقیقاً قصد خریدش را فاش می‌کند؛ مفهومی که در بازاریابی به آن «قصد خرید» (Purchase Intent) می‌گویند. در حالی که در گذشته بخش بزرگی از این داده‌ها استفاده موثری نداشت، هوش مصنوعی اکنون قادر است این پرسش‌ها را مستقیماً به سامانه‌های پیشنهاد کالا، موجودی انبار، خدمات مشتریان و شبکه‌های تبلیغاتی متصل کند.

این چالش زمانی حساس‌تر می‌شود که فرایند خرید به تدریج به درون محیط‌هایی مانند ChatGPT، حالت هوش مصنوعی جست‌وجوی گوگل (Google AI Mode)، Gemini و سایر رابط‌های کاربری هوشمند مهاجرت می‌کند. نکته مهم‌تر آن است که این ابزارهای هوش مصنوعی بدون نیاز به ورود مستقیم کاربر به وب‌سایت فروشگاه و بدون هدایت اولیه او، کار مقایسه و انتخاب را به پایان می‌رسانند.

اثرات این تحول از هم‌اکنون در آمار ترافیک اینترنت نمایان شده است. بر اساس گزارش‌های Adobe، ابزارهای هوش مصنوعی مولد در فصل خریدهای تعطیلات سال ۲۰۲۵، باعث جهش تقریباً ۷۰۰ درصدی ترافیک به وب‌سایت‌های خرده‌فروشی در آمریکا نسبت به مدت مشابه سال قبل شدند. پلتفرم Shopify نیز اعلام کرده است که ترافیک ارجاعی مبتنی بر هوش مصنوعی به فروشگاه‌های عضو آن در سه‌ماهه نخست ۲۰۲۶ تا هشت برابر رشد سالانه داشته و ثبت سفارش‌های حاصل از جست‌وجوهای متکی به هوش مصنوعی نزدیک به ۱۳ برابر افزایش یافته است.

در این میان، معمایی پیچیده‌تر پدید می‌آید: مالک اصلی رابطه با خریدار کیست؟ اگر خریداران سفر خرید خود را با ChatGPT، Gemini یا دستیارهای هوشمند دیگر آغاز کنند، خرده‌فروشان ممکن است کنترل نخستین نقطه تماس با مشتری را به کلی از دست بدهند؛ به‌طوری‌که فروشگاه آنلاین تنها به یک منبع داده خام در پشت صحنه رابط کاربری یک شرکت دیگر تبدیل شود.

هنگامی که جست‌وجو تبدیل به گفت‌وگو می‌شود، مالکیت ارتباط با مشتری متعلق به چه کسی است؟ آیا فروشگاه سنتی هنوز نقشی در کشف محصول دارد؟ آیا پلتفرم‌های هوش مصنوعی ویترین جدید خرده‌فروشی خواهند بود؟ یا شاید زنجیره تجارت آنلاین به لایه‌های مجزا تفکیک شود؛ به‌گونه‌ای که ایجنت‌های هوش مصنوعی تعامل با کاربر را مدیریت کنند و فروشندگان تنها برای فهم‌پذیر ساختن فهرست محصولات خود برای این ایجنت‌ها رقابت نمایند؟

گذار از کلمات کلیدی به سوی فهم قصد کاربر

پائولیوس ناگیس (Paulius Nagys)، هم‌بنیان‌گذار و مدیر ارشد رشد شرکت LupaSearch که در حوزه جست‌وجوی هوش مصنوعی و کشف محصول فعالیت می‌کند، معتقد است پاسخ این پرسش‌ها نه در زرق‌وبرق چت‌بات‌ها، بلکه در داده‌های زیربنایی محصولات نهفته است.

کاربران وب دهه‌ها آموخته بودند که چگونه با ماشین‌ها به شکلی محدود صحبت کنند تا به خواسته خود برسند. برای نمونه، اگر شخصی به دنبال کفش دویدن بود، عبارت «کفش دویدن مردانه» را تایپ می‌کرد و اگر ابزاری می‌خواست، «دریل شارژی» را جست‌وجو می‌کرد. افراد برای رسیدن به کالای مورد نظر، تمام زمینه و توضیحات کلامی خود را حذف کرده و ایده را به چند واژه ساده خلاصه می‌کردند تا نتیجه مناسبی دریافت نمایند.

به عقیده ناگیس، این الگوی سنتی اکنون در حال فروپاشی است.

ناگیس در گفت‌وگویی اختصاصی توضیح داد: «مردم دیگر کلمات کلیدی تایپ نمی‌کنند؛ آن‌ها یک سوال کامل می‌پرسند و منتظر پاسخی دقیق می‌مانند. آن‌ها صفحه‌ای پر از نتایج مختلف نمی‌خواهند تا خودشان در میان آن‌ها جست‌وجو کنند. بنابراین، کادر جست‌وجو اکنون باید عملاً پاسخگو باشد، نه اینکه صرفاً فهرست‌بندی کند.»

شرکت Google از هم‌اکنون این دگرگونی را هدایت می‌کند. طبق اعلام Google، بخش پاسخ‌های مبتنی بر حالت هوش مصنوعی (AI Mode) این موتور جست‌وجو در سال ۲۰۲۶ از مرز یک میلیارد کاربر فعال ماهانه عبور کرده و حجم پرسش‌های ثبت‌شده در آن پس از راه‌اندازی، هر سه‌ماهه بیش از دو برابر شده است. طراحی بازنگری‌شده بخش جست‌وجوی این شرکت، فضای گسترده‌تری برای طرح درخواست‌های پیچیده و مطرح کردن سوالات تکمیلی پیاپی در اختیار کاربران قرار می‌دهد.

مجموعه Salesforce نیز متوجه این تغییر عمیق در رفتار خریداران شده است. بررسی‌های Salesforce پیرامون رفتار مشتریان در سال ۲۰۲۵ نشان داد که ۳۹ درصد مصرف‌کنندگان برای کشف و یافتن محصولات از هوش مصنوعی استفاده کرده‌اند؛ آماری که در میان نسل Z به بالای ۵۰ درصد می‌رسد.

کایلا شوارتز (Caila Schwartz)، مدیر ارشد بینش‌های صنعتی در Salesforce، این چالش را چنین توصیف می‌کند: «محتوایی بهترین عملکرد را خواهد داشت که بتواند پیش‌بینی کند خریدار در تلاش برای حل چه مشکلی است، نه اینکه صرفاً واژه‌های جست‌وجوشده او را پیدا کند.»

این تمایز نقشی حیاتی در پیوند دادن خریدار به کالای مورد نظرش دارد. در گذشته، خرده‌فروشان بر این پیش‌فرض تکیه می‌کردند که خریدار می‌داند چه محصولی نیازش را رفع می‌کند؛ برای مثال، نوشتن «دریل شارژی» کار موتور جست‌وجوی سایت را آسان می‌کرد. اما اگر کاربری سوال بپرسد: «برای نصب شلف روی دیوار بتنی به چه چیزهایی نیاز دارم؟» چه اتفاقی می‌افتد؟

در چنین حالتی، ممکن است خریدار به دریل، مته مخصوص بتن، رول‌پلاک و پیچ احتیاج داشته باشد، بدون آنکه نامی از هیچ‌کدام برده باشد. رسیدن به پاسخ درست نیازمند چیزی فراتر از تطبیق لغوی میان متن سوال و مشخصات صفحه محصول است؛ سامانه باید ماهیت واقعی و عملیات مورد نظر خریدار را استنتاج کند. این فرایند بیش از آنکه شبیه دریافت سفارش کالا باشد، مانند یک مشاوره فروش تخصصی عمل می‌کند.

کادر جست‌وجو در نقش فروشنده حرفه‌ای

به پیش‌بینی ناگیس، مرزهای میان بخش جست‌وجوی محصولات، پیشنهاد کالا و خدمات پس از فروش در تجارت الکترونیک به‌زودی محو خواهند شد.

یک خریدار ممکن است ابتدا درباره ویژگی‌های یک محصول سوال کند، سپس بپرسد آیا در فروشگاه‌های نزدیک محل سکونتش موجود است یا خیر، پس از آن سازگاری مدل دیگری را جویا شود و در نهایت از شرایط مرجوعی کالا بپرسد. امروزه پاسخ به این زنجیره از پرسش‌ها مستلزم رفت‌وآمد پیاپی میان زبانه جست‌وجو، صفحات محصولات، بخش نظرات، سوالات متداول و پشتیبانی آنلاین است؛ روندی که همواره با باز کردن ده‌ها تب، کپی و جای‌گذاری متن و سردرگمی همراه بوده است.

با بازتعریف تجربه کاربری حول محور پرسش و پاسخ تعاملی، این رویه تغییر خواهد کرد. شرکت Google نیز مسیری همراستا را در پیش گرفته است. در کنفرانس فدراسیون ملی خرده‌فروشی، سوندار پیچای، مدیرعامل Alphabet، اعلام کرد که هوش مصنوعی سرتاسر زنجیره کشف محصول، خرید و تجربه مشتری را در بر خواهد گرفت. این غول فناوری در همکاری با خرده‌فروشان، در حال توسعه ایجنت‌های خرید هوشمندی است که قادر به پاسخ‌گویی دقیق و ارائه پیشنهادات شخصی‌سازی‌شده هستند.

از سوی دیگر، پلتفرم Amazon نیز آزمایش‌های میدانی خود را پیش می‌برد. بر اساس گزارش‌ها، دستیار خرید هوش مصنوعی Rufus این شرکت در سال ۲۰۲۵ توسط بیش از ۳۰۰ میلیون کاربر استفاده شده و نزدیک به ۱۲ میلیارد دلار فروش سالانه افزایشی به همراه داشته است. دستیار Rufus افزون بر پاسخ به سوالات خریداران، با بهره‌گیری از قابلیت خرید مستقیم (Buy For Me) آمازون، می‌تواند سفارش برخی کالاها را از دیگر فروشگاه‌های آنلاین نیز ثبت کند.

آیا هر جست‌وجویی به مدل زبانی بزرگ نیاز دارد؟

اگرچه هوش مصنوعی محور اصلی این دگرگونی است و در دست داشتن تجربه مکالمه با مشتری اهمیت حیاتی دارد، اما نقطه چالش‌برانگیز ماجرا، هزینه‌های سرسام‌آور پردازش و استنتاج مدل‌ها (Inference Costs) است. اجرای مداوم مدل‌های مکالمه‌محور در مقیاس تجارت الکترونیک می‌تواند بسیار پرهزینه باشد.

یک فروشگاه کوچک شاید با حجم محدودی از جست‌وجو روبه‌رو باشد، اما یک خرده‌فروش بین‌المللی روزانه میلیون‌ها پرسش را روی فهرست‌هایی با صدها هزار یا میلیون‌ها قلم کالا پردازش می‌کند. ناگیس استدلال می‌کند که عبور دادن تک‌تک این پرسش‌ها از مدل‌های زبانی بزرگ (LLM) از منظر اقتصادی توجیه‌پذیر نیست.

ناگیس در این رابطه می‌گوید: «هر مسئله‌ای در حوزه هوش مصنوعی نیازمند راه‌حل مبتنی بر LLM نیست.»

سامانه LupaSearch رویکردی انتخابی و چندلایه را پیاده‌سازی کرده است؛ به این صورت که روش‌های سنتی بازیابی اطلاعات، پرسش‌های استاندارد را با بالاترین سرعت و کمترین هزینه پردازش می‌کنند و فراخوانی مدل‌های زبانی سنگین‌تر تنها برای پرسش‌های پیچیده با زبان طبیعی یا مواردی که روش‌های مرسوم به نتیجه‌ای نمی‌رسند ذخیره می‌شود. نتایج این تعاملات نیز برای بهینه‌سازی مداوم سیستم به کار گرفته می‌شوند.

از این منظر، سامانه‌های مدرن کشف محصول حاصل ترکیب چندین فناوری هستند: بردارهای معنایی برای درک واژه‌های هم‌معنی، مدل‌های پیشنهادگر برای پیش‌بینی نیازهای بعدی کاربر، بینایی ماشین برای استخراج مشخصات ثبت‌نشده از روی تصاویر محصول، و مدل‌های زبانی بزرگ در شرایطی که راهکارهای ارزان‌تر پاسخگو نباشند.

ناگیس با نقد هیاهوی شکل‌گرفته در این بازار، فضای فعلی را با دوران حباب دات‌کام مقایسه می‌کند؛ دورانی که چسباندن نام جدیدترین فناوری‌ها به کسب‌وکار، مهم‌تر از کارکرد واقعی و سودآوری آن‌ها قلمداد می‌شد. به گفته او، دغدغه اصلی مدیران فروشگاه‌ها موارد مشخصی است: آیا این فناوری درست کار می‌کند؟ آیا سریع است؟ و هزینه هر پرسش چقدر تمام می‌شود؟

پلتفرم Algolia نیز معماری دوگانه‌ای را انتخاب کرده است که بازیابی سنتی مبتنی بر کلیدواژه را با جست‌وجوی معنایی و سیستم‌های مکالمه‌محور ادغام می‌کند. ابزار Agent Studio این شرکت، کنترل هزینه‌ها را در کنار قابلیت‌های ایجنت هوش مصنوعی قرار می‌دهد تا بودجه‌های عملیاتی شرکت‌ها در مواجهه با هزینه‌های پردازش هوش مصنوعی دچار بحران نشود.

داده‌های باکیفیت؛ ستون فقرات هوش مصنوعی

صرف‌نظر از نوع معماری فنی، کارایی تمام این سیستم‌ها به کیفیت داده‌ها بستگی دارد. داده‌های ناقص یا ناسازگار حتی جامع‌ترین کاتالوگ‌های کالا را برای دستیارهای مکالمه‌محور به محیطی مبهم و غیرقابل استفاده تبدیل می‌کنند.

برای مثال، اگر خریدار از یک ایجنت هوش مصنوعی تقاضای «یک کاپشن ضدآب مناسب رفت‌وآمد روزمره با قیمت زیر ۲۰۰ دلار» داشته باشد، این خواسته به‌ظاهر ساده با چالش‌های فنی دشواری در ساختار داده‌ها روبه‌رو می‌شود: آیا صفت ضدآب بودن به‌درستی در سیستم ثبت شده است؟ آیا اصطلاح «مقاوم در برابر آب» متمایز دیده شده است؟ آیا استاندارد سایزها یکپارچه است؟ آیا سیستم از موجودی رنگ‌های باقی‌مانده مطلع است؟ و مهم‌تر از همه، آیا سایر سیستم‌های هوش مصنوعی بیرونی به این اطلاعات دسترسی دارند؟

ناگیس داده‌های ساختاریافته محصولات را شالوده‌ای می‌داند که توسعه هرگونه قابلیت پیشرفته هوش مصنوعی بر آن متکی است. پلتفرم Shopify این مسئله را در مقیاسی بزرگ پیگیری می‌کند. رابط برنامه‌نویسی Catalog API این شرکت، اطلاعات محصولات میلیون‌ها فروشنده را به داده‌های ساختاریافته و قابل خوانش توسط نرم‌افزارها بدل می‌سازد. پروتکل Universal Commerce Protocol که با همکاری Google توسعه یافته است، روشی استاندارد برای تعامل ایجنت‌های هوش مصنوعی با فروشندگان فراهم می‌کند. در سال ۲۰۲۶، پلتفرم Shopify زیرساخت‌های تجارت متکی بر ایجنت خود را بیش از پیش گسترش داد و دسترسی عمومی از طریق پروتکل زمینه مدل (MCP یا Model Context Protocol) را در دسترس توسعه‌دهندگان گذاشت.

همچنین شرکت Algolia سرور اختصاصی MCP خود را راه‌اندازی کرده است تا سیستم‌هایی مانند ChatGPT، Claude و Gemini بتوانند مستقیماً به اطلاعات زنده‌ای همچون موجودی، قیمت‌گذاری و قواعد بازاریابی متصل شوند.

دقت در ثبت موجودی کالا اهمیت دوچندانی دارد. پیش‌تر بسیاری از فروشگاه‌ها برای تقویت سئوی خود، کالاهای ناموجود را نیز در نتایج جست‌وجو نشان می‌دادند؛ رویکردی که در دنیای سنتی کلیدواژه‌ها کاربرد داشت، اما برای ایجنت‌های هوشمندی که قصد دارند خریدار واقعی را به محصولی آماده ارسال متصل کنند، کاملاً ناکارآمد و مأیوس‌کننده است.

کاربری را در نظر بگیرید که به دنبال رایانه‌ای با حجم رم مشخص است و با صفحات ناموجود متعددی مواجه می‌شود. در شرایط عادی، او مجبور است سایت‌هایی مثل Amazon یا Newegg را جداگانه باز کند و جست‌وجو را تکرار کند. اما در مدل جدید، دستیار هوش مصنوعی تنها یک بار مشخصات سیستم را دریافت می‌کند و با بررسی هم‌زمان کاتالوگ‌های متصل، مشخص می‌سازد کدام فروشگاه محصول را با چه قیمت و چه شرایط تحویلی موجود دارد. در این سناریو، رتبه سئوی فروشگاه اهمیت خود را از دست می‌دهد و کیفیت و در دسترس بودن داده‌های خام کالا نقش تعیین‌کننده پیدا می‌کند.

دقیقاً در همین نقطه است که فروشگاه‌های سنتی ممکن است نبض ارتباط با مشتری را واگذار کنند. هنگامی که یک خریدار به هوش مصنوعی Google AI Mode یا ChatGPT می‌گوید: «یک کاپشن ضدآب زیر ۲۰۰ دلار پیدا کن که تا روز جمعه به دستم برسد»، این دستیار هوشمند است که تعیین می‌کند کدام برندها دیده شوند، کدام فروشگاه‌ها استعلام شوند و کدام محصول در نهایت به عنوان بهترین گزینه انتخاب شود؛ بدون آنکه کاربر نیازی به مراجعه مستقیم به ده وب‌سایت مختلف داشته باشد.

ورود مدل‌های تبلیغاتی نیز این فرآیند را پیچیده‌تر کرده است. شرکت‌های تبلیغاتی تمایل دارند با پرداخت هزینه به پلتفرم‌های هوش مصنوعی، مسیر خرید مشتریان را به نفع مشتریان تجاری خود هدایت کنند. شرکت Google در حال آزمودن تبلیغات در بخش AI Mode با تکیه بر Gemini است تا محصولات اسپانسرشده را در قالب پاسخ به سوال کاربر نمایش دهد. شرکت OpenAI نیز سیستم تبلیغاتی خود را در ChatGPT همراه با مناقصه کلیکی فعال کرده است.

این تغییرات پرسشی اخلاقی و فنی را به میان می‌کشد: خریدار در پاسخ دستیار هوشمند خود، بهترین گزینه واقعی را مشاهده خواهد کرد یا محصولی که برای نمایش آن پول پرداخت شده است؟ هنگامی که یک ایجنت هوش مصنوعی هم‌زمان نقش موتور جست‌وجو، فروشنده و کانال تبلیغاتی را ایفا کند، مرز میان پاسخ‌گویی به نیاز مشتری و درآمدزایی از تمایلات او بسیار باریک خواهد شد.

با وجود تمام این چالش‌ها، کارشناسان معتقدند وب‌سایت‌های فروشگاهی حذف نخواهند شد، بلکه مانند تجربه ادغام فروشگاه‌ها در Google Shopping، نقشی محوری در انجام تراکنش حفظ خواهند کرد. برای بقا در این اکوسیستم جدید، فروشگاه‌ها نیازمند زیرساخت‌هایی هستند که کاتالوگ کالاهای آن‌ها را برای هر ایجنت هوشمندی، چه در محیط ChatGPT و Google باشد و چه در پلتفرم‌های دیگر، به‌طور کامل خوانا و در دسترس قرار دهد.