Bakit hindi nagtitiwala ang mga marketer sa mga AI insight, at paano ito gagawing mabeberipika?

Hindi nagtitiwala ang mga marketer sa mga insight ng AI dahil hindi nila makita kung saan nagmula ang isang konklusyon, at dahil mahal ang pagkilos sa isang kumpiyansa na pagkakamali. Sa isang survey ng GWI na higit sa450mga marketer sa UK, US at Singapore, na inilathala noong Setyembre2026, 72% ang nagsabing ang kanilang organisasyon ay gumawa ng isang makabuluhang desisyon sa AI-generated insight na sa kalaunan ay napatunayang mali, ngunit lamang37% i-verify ang mga insight sa AI sa halos lahat ng oras. Ang pag-aayos ay gawing masusubaybayan ang bawat konklusyon ng AI sa sample nito, ebidensya at pangangatwiran nito, para masuri ito ng isang tao bago kumilos ang sinuman dito.

Mga pangunahing aral

• Bahagyang nakuha ang kawalan ng tiwala: karamihan sa mga marketing team sa survey ng GWI ay kumilos na sa isang AI insight na naging mali, at ang pagsuri pa rin ang exception.
• Ang sobrang pagtitiwala ay karaniwan din: sa KPMG at sa 47-bansa na pag-aaral ng KPMG at ng University of Melbourne, 66% ng mga empleyado ang umaasa sa output ng AI sa trabaho nang hindi ito sinusuri.
• Ang pananaliksik tungkol sa tiwala sa automation ay tumutukoy sa naka-calibrate na pag-asa, at tinatanggap ng mga tao ang mga hindi perpektong algorithm kapag maaari nilang suriin at ayusin ang mga ito.
• Nabe-verify ang AI insight kapag sinabi nito ang sample nito, ini-link ang bawat claim sa ebidensya sa likod nito, pinangalanan ang mekanismo nito at nilagyan ng label kung ano ang hinuha ng modelo.
• I-audit namin ang isa sa sariling AI insight ng SOMIN sa ibaba; ang mga tseke ay nakakuha ng ingay sa ebidensya at isang pagbabago sa madla na maaaring makaligaw ng isang brief.

Bakit hindi nagtitiwala ang mga marketer sa mga insight sa AI?

Tatlong dahilan ang paulit-ulit na lumalabas: ang insight ay dumarating bilang isang itim na kahon, ang mga error nito ay inihahatid na may parehong kumpiyansa sa mga katotohanan nito, at ang halaga ng isang maling tawag ay dumarating sa marketer, hindi sa tool.

Ang gastos ay hindi na hypothetical. Sasurvey ng GWI, 37% ng mga marketer ang nagsabi na ang isang maling AI insight ay humantong sa mga pagkalugi sa pananalapi,35% sa mga reklamo ng customer at32% sa pinsala sa reputasyon, at44Ang % ay nagkaroon muli ng trabaho dahil sa mga hindi tumpak na output. Nagbebenta ang GWI ng data ng survey para magamit sa mga tool ng AI, kaya may stake ito sa sagot, ngunit tumutugma ang pattern sa mas malawak na pananaliksik.

Sinuri ng KPMG at ng University of Melbourne ang 48,000 na tao sa 47 na bansa para sa kanilang 2025 na pandaigdigang pag-aaral ng tiwala sa AI. Mahigit kalahati lamang (54%) ang nagsabing nag-iingat sila sa pagtitiwala sa AI, at 56% ng mga empleyado ang nagsabing nagkamali sila sa trabaho dahil dito.

Ang sikolohiya ay nagdaragdag ng isang twist. Sa limang pag-aaral, nalaman ng Berkeley Dietvorst, Joseph Simmons at Cade Massey na mas mabilis na nawawalan ng tiwala ang mga tao sa isang algorithm kaysa sa isang tao pagkatapos makitang pareho silang nagkakamali, kahit na mas tumpak ang algorithm sa pangkalahatan. Tinawag nila itong algorithm aversion. Ang isang nakikitang error sa isang AI insight ay maaaring maglubog ng isang buong tool sa mga mata ng isang team.

Ang kawalan ba ng tiwala ay isang problema o isang matinong reaksyon?

Pareho, depende sa kung ano ang humahantong sa. Ang layunin ay hindi higit na tiwala ngunit ang tamang halaga. John Lee at Katrina See's 2004 review in Human Factors framed the problem as appropriate reliance: nagiging mali ang automation kapag nabigo ang mga tao na umasa dito nang naaangkop, nagtitiwala dito nang higit pa o mas mababa kaysa sa makatwiran ng mga kakayahan nito.

Ipinapakita ng marketing ang parehong mga pagkabigo nang sabay-sabay. Natuklasan ng pag-aaral ng KPMG na 66% ng mga empleyado ang umaasa sa output ng AI sa trabaho nang hindi sinusuri o pinapatunayan ito, habang ipinapakita ng data ng GWI na karamihan sa mga marketer ay hindi regular na nagbe-verify ng mga insight sa AI. Ang mga koponan ay umiikot sa pagitan ng pagkuha ng isang tsart sa halaga ng mukha at pag-binning ng isang tool pagkatapos ng isang masamang tawag.

Nakahanap din ng paraan ang parehong mga mananaliksik. Sa isang 2018 follow-up sa Management Science, ang mga tao ay mas handang gumamit ng hindi perpektong algorithm sa pagtataya kapag maaari nilang baguhin ang output nito, kahit na bahagya, at ang kanilang mga pagtataya ay bumuti. Ang tiwala ay tumaas nang may kontrol. Para sa isang insight, ang kontrol ay nagsisimula sa pagtingin sa ebidensya at sa pag-edit ng konklusyon.

Ano ang sinasabi ng sariling data ng SOMIN tungkol sa kawalan ng tiwala sa automation?

Ang insight engine ng SOMIN ay lumabas sa parehong tema mula sa kategorya ng audience-research. Sa isang Hulyo 2026 na pag-aaral ng 229 na bayad na mga item mula sa GWI, Nielsen, Milieu at Euromonitor, na may petsang 8 Abril hanggang 6 Hulyo 2026, pinagsama-sama nito ang 51 na pamagat ng "Complex Navigating" Insights in a Digitally-Driven Market": nagpupumilit ang mga kumpanya na kunin ang naaaksyunan na insight mula sa napakaraming data, umaasa sa malawak na generational na mga label, at nag-aalala na ang mga kamalian ng AI ay nakakasira sa kanilang pang-unawa sa merkado. Mula sa pag-igting na iyon ay binuo nito ang kadena na ito:

• Persona: ang Insightful Strategist, isang market-analysis at business-strategy professional na priyoridad ang kaalaman at mga desisyon na batay sa data, na binuo mula sa 63 item sa parehong pag-aaral, 46 sa mga ito ay mga GWI ad.
• Angle: Distrust in Automation, na inihain ng modelo ng SOMIN sa ilalim ng trust theory: ang tiwala ay binuo sa pamamagitan ng pagkakapare-pareho at transparency, at ang AI na ginamit nang walang malinaw na komunikasyon ay nakakasira nito. Sa literatura ng pananaliksik ito ang larangan ng pagtitiwala sa automation na sinuri nina Lee at See.
• Insight: "Ang tiwala ay nabuo sa lupa ng pag-uusap, hindi sa data ng mga algorithm."

Ang sariling marketing ng kategorya ay nagbebenta laban sa parehong takot. Ang mga ad ng GWI para sa Agent Spark, na nagdadala ng data ng survey ng GWI sa mga AI assistant, ay nangangako ng mga na-verify na insight mula sa mga tunay na consumer sa halip na nilalamang na-scrape sa web. Sa mga organic na channel ng GWI, ang23mga post na na-tag na may na-average na paksa ng AI83pakikipag-ugnayan, halos tatlong beses sa kabuuang average ng GWI ng29, sa pagitan ng18Oktubre2025at17Oktubre2026. Ang amingpag-aaral kung paano ibinebenta ng mga kumpanya ng pananaliksik sa audience ang kanilang datamay mas malawak na larawan.

Nang ipares ng SOMIN ang insight sa sarili nitong produkto, ang mga proposisyon ay nakasalalay sa isang pag-aari sa halip na isang tampok: ang bawat konklusyon ng AI ay maaaring suriin laban sa mga post sa likod nito, at ang mga tag ng konsepto ay sumusubaybay sa mga partikular na post na nagpapatunay sa kanila. Iyan ang pamantayan na nalalapat ang natitirang bahagi ng artikulong ito, kasama ang SOMIN.

Ano ang ginagawang nabe-verify ng AI insight?

Ang isang AI insight ay mabe-verify kapag ang isang nag-aalinlangan na kasamahan ay matutunton ito mula sa konklusyon pabalik sa ebidensya sa loob ng ilang minuto. Ang NIST AI Risk Management Framework ay nagbibigay ng mga kapaki-pakinabang na salita para sa mga bahagi: sinasagot ng transparency ang nangyari, sinasagot ng pagpapaliwanag kung paano naabot ang isang resulta at sinasagot ng interpretability kung bakit. Inililista ng NIST ang pananagutan at transparency, at pagpapaliwanag at kakayahang maipaliwanag, kabilang sa mga katangian ng mapagkakatiwalaang AI.

Para sa isang insight sa marketing, nangangahulugan iyon ng apat na nakikitang layer:

1. Ang sample: source, brand, platform, hanay ng petsa at laki.
2. Ang ebidensya: ay nagli-link sa aktwal na mga post, ad o row sa likod ng bawat claim, na may mga bilang.
3. Ang pangangatwiran: ang mekanismo, pinangalanan, na may pinagmulan para sa teorya.
4. Ang katayuan: isang simpleng label na naghihiwalay sa kung ano ang naobserbahan sa kung ano ang hinuha ng modelo.

Sa SOMIN Strategy, ang bawat persona at tensyon ay bubukas sa content library na na-filter sa mga post o ad sa likod nito. Ang link na iyon ang dahilan kung bakit naging posible ang pag-audit sa ibaba.

Paano mo i-audit ang isang AI insight sa pagsasanay?

Pinatakbo namin ang insight na "Trust is bred in the ground of conversation" sa mga layer na iyon noong Oktubre 2026.

Ang hatol: ang insight ay isang patas na pagbabasa kung paano nagbebenta ang kategorya ng audience-research, karamihan ay binuo sa mga ad ng isang kumpanya, at isang hypothesis tungkol sa mga mamimili sa halip na isang nasusukat na saloobin. Ito ay magagamit kapag ang anggulo ay muling isinulat para sa mga marketer at ang mga bagay na wala sa paksa ay inalis. Kung wala ang pag-audit, madali itong maikli bilang isang paghahanap tungkol sa mga mamimili. Para sa kung paano magkatugma ang mga tensyon at anggulo, tingnan ang ano ang tensyon ng consumer.

Ano ang dapat isama sa isang checklist ng insight ng AI?

Sampung tseke ang sumasakop sa karamihan nito. Patakbuhin ang unang lima sa bawat insight at lahat ng sampu bago ang isang desisyon na gumagalaw sa badyet.

1. Sabihin ang sample sa isang linya: source, brand, platform, petsa at bilang ng mga item.
2. I-link ang bawat numero sa ebidensya nito, at ipakita ang denominator: 51 ng 229 ang nagsasabing higit pa sa "isang pangunahing tema."
3. Magbukas ng random na sample ng ebidensya, sampu hanggang dalawampung aytem, ​​at bilangin ang mga wala sa paksa.
4. Suriin ang konsentrasyon. Kung ang isang brand o account ay nagbibigay ng karamihan sa ebidensya, sabihin ito.
5. Label kung ano ang binuo ng modelo. Ang mga persona, tensyon at insight na ginawa ng AI ay mga hypotheses hanggang sa masuri.
6. Suriin ang teorya laban sa isang pangunahing mapagkukunan. I-drop ang mga pangalan na hindi mo mahahanap sa literatura ng pananaliksik.
7. Suriin ang madla. Ang ebidensya ba ay nagmumula sa parehong mga tao na pinag-uusapan ng konklusyon?
8. I-save ang ebidensya kapag tumakbo ang pagsusuri: mag-post ng mga ID, link, at screenshot, dahil nade-delete ang mga post at huminto sa pagtakbo ang mga ad.
9. I-cross-check ang malalaking tawag laban sa isang independiyenteng source, gaya ng survey, data ng benta o maliit na pagsubok.
10. Hayaan ang may-ari na i-edit ang konklusyon, at i-log kung sino ang nagbago nito, sino ang pumirma nito at kung kailan.

Ito ang kambal sa antas ng insight ng mga pagsusuri sa kopya sa aming gabay sa AI na mga guni-guni sa marketing. Ang maipaliwanag na AI para sa marketing ay isa ring tanong sa pananaliksik para sa amin: Si Prof. Aleks Farseev at ang SOMIN team ay nag-publish dito sa ACM Multimedia at The Web Conference, at ang mga papel ay nakalista sa SOMIN research page.

FAQ

Mga pinagmulan

• GWI: Sinasabi ng mga marketer na maling AI insight ang nagastos sa kanilang organisasyon (Setyembre 2026)
• KPMG at ang Unibersidad ng Melbourne: Pagtitiwala, saloobin at paggamit ng artificial intelligence, isang pandaigdigang pag-aaral 2025 (executive summary)
• Dietvorst, Simmons and Massey (2015), Algorithm aversion: maling iniiwasan ng mga tao ang mga algorithm matapos silang makitang nagkamali, Journal of Experimental Psychology: General 144(1)
• Dietvorst, Simmons at Massey (2018), Pag-iwas sa algorithm, Management Science 64(3)
• Lee and See (2004), Tiwala sa automation: pagdidisenyo para sa naaangkop na pag-asa, Human Factors 46(1)
• NIST AI Resource Center: Mga panganib at pagiging mapagkakatiwalaan ng AI