Các nhà tiếp thị không tin tưởng vào những hiểu biết sâu sắc của AI vì họ không thể biết kết luận đến từ đâu và vì hành động sai lầm sẽ phải trả giá đắt. Trong một cuộc khảo sát của GWI với hơn 450 nhà tiếp thị ở Anh, Mỹ và Singapore, được công bố vào tháng 9 2026, 72% cho biết tổ chức của họ đã đưa ra một quyết định quan trọng về thông tin chi tiết do AI tạo ra mà sau đó được chứng minh là sai, tuy nhiên hầu hết thời gian chỉ có 37% xác minh thông tin chi tiết về AI. Cách khắc phục là làm cho mọi kết luận của AI đều có thể truy nguyên được dựa trên mẫu, bằng chứng và lý do của nó, để một người có thể kiểm tra nó trước khi bất kỳ ai hành động theo nó.
Những điểm chính
- Sự nghi ngờ một phần có nguồn gốc từ: hầu hết các nhóm tiếp thị trong cuộc khảo sát của GWI đều đã hành động dựa trên hiểu biết sâu sắc về AI nhưng hóa ra lại sai và việc kiểm tra vẫn là ngoại lệ.
- Sự tin tưởng quá mức cũng là điều phổ biến: trong nghiên cứu tại quốc gia 47 của KPMG và Đại học Melbourne, 66% nhân viên dựa vào kết quả đầu ra của AI tại nơi làm việc mà không đánh giá nó.
- Nghiên cứu về niềm tin vào tự động hóa chỉ ra sự tin cậy đã được hiệu chỉnh và mọi người chấp nhận các thuật toán không hoàn hảo khi họ có thể kiểm tra và điều chỉnh chúng.
- Một thông tin chi tiết về AI có thể được kiểm chứng khi nó nêu mẫu của nó, liên kết từng tuyên bố với bằng chứng đằng sau nó, đặt tên cho cơ chế của nó và gắn nhãn cho những gì mô hình đã suy ra.
- Chúng tôi kiểm tra một trong những hiểu biết sâu sắc về AI của SOMIN bên dưới; các cuộc kiểm tra đã gây ra tiếng ồn trong bằng chứng và sự thay đổi về lượng khán giả có thể khiến bản tóm tắt hiểu sai.
Tại sao các nhà tiếp thị không tin tưởng vào những hiểu biết sâu sắc về AI?
Ba lý do được đưa ra lặp đi lặp lại: cái nhìn sâu sắc đến như một chiếc hộp đen, các lỗi của nó được đưa ra với độ tin cậy giống như sự thật trong đó và chi phí của một quyết định sai lầm sẽ thuộc về nhà tiếp thị chứ không phải công cụ.
Chi phí không còn là giả thuyết nữa. Trong Khảo sát của GWI, 37% nhà tiếp thị cho biết hiểu biết sai lầm về AI đã dẫn đến tổn thất tài chính, 35% khiếu nại của khách hàng và 32% thiệt hại về danh tiếng và 44% đã phải làm lại công việc do kết quả đầu ra không chính xác. GWI bán dữ liệu khảo sát để sử dụng trong các công cụ AI nên họ có quyền đưa ra câu trả lời nhưng mẫu này phù hợp với nghiên cứu rộng hơn.
KPMG và Đại học Melbourne đã khảo sát 48,000 người trên 47 quốc gia cho 2025 nghiên cứu toàn cầu về niềm tin vào AI của họ. Chỉ hơn một nửa (54%) cho biết họ cảnh giác khi tin tưởng vào AI và 56% nhân viên cho biết họ đã mắc sai lầm trong công việc vì nó.
Tâm lý học thêm một bước ngoặt. Qua năm nghiên cứu, Berkeley Dietvorst, Joseph Simmons và Cade Massey nhận thấy rằng mọi người mất niềm tin vào một thuật toán nhanh hơn vào con người sau khi thấy cả hai đều mắc cùng một lỗi, ngay cả khi thuật toán đó nhìn chung chính xác hơn. Họ gọi đó là ác cảm thuật toán. Một lỗi hiển nhiên trong thông tin chi tiết về AI có thể khiến cả nhóm chú ý đến toàn bộ công cụ.
Sự ngờ vực là một vấn đề hay một phản ứng hợp lý?
Cả hai, tùy thuộc vào những gì nó dẫn đến. Mục tiêu không phải là sự tin tưởng nhiều hơn mà là số lượng phù hợp. Bài đánh giá 2004 của John Lee và Katrina See trong Yếu tố con người đã định hình vấn đề là sự tin cậy phù hợp: tự động hóa sẽ gặp trục trặc khi mọi người không dựa vào nó một cách thích hợp, tin tưởng vào nó ít nhiều hơn khả năng của nó cho thấy.
Tiếp thị cho thấy cả hai thất bại cùng một lúc. Nghiên cứu của KPMG cho thấy 66% nhân viên dựa vào kết quả đầu ra của AI tại nơi làm việc mà không đánh giá hoặc xác thực nó, trong khi dữ liệu của GWI cho thấy hầu hết các nhà tiếp thị không thường xuyên xác minh những hiểu biết sâu sắc về AI. Các đội thay đổi giữa việc lấy biểu đồ theo mệnh giá và loại bỏ một công cụ sau một cuộc gọi tồi.
Các nhà nghiên cứu tương tự cũng tìm ra một lối thoát. Trong phần tiếp theo 2018 trong Khoa học quản lý, mọi người sẵn sàng sử dụng thuật toán dự báo không hoàn hảo hơn nhiều khi họ có thể sửa đổi đầu ra của nó, dù chỉ một chút, và dự báo của họ được cải thiện. Niềm tin tăng lên cùng với sự kiểm soát. Để có cái nhìn sâu sắc, việc kiểm soát bắt đầu bằng việc xem bằng chứng và có thể chỉnh sửa kết luận.
Dữ liệu riêng của SOMIN nói gì về sự ngờ vực trong tự động hóa?
Công cụ hiểu biết sâu sắc của SOMIN đưa ra chủ đề tương tự từ danh mục nghiên cứu khán giả. Trong một nghiên cứu 2026 tháng 7 về 229 các mặt hàng trả phí từ GWI, Nielsen, Milieu và Euromonitor, ngày 8 tháng 4 đến 6 tháng 7 2026, nó đã nhóm 51 thành một vấn đề căng thẳng có tiêu đề "Điều hướng sự phức tạp của thông tin chi tiết về người tiêu dùng trong thị trường được định hướng kỹ thuật số": các công ty đấu tranh để rút ra những hiểu biết sâu sắc có thể hành động từ dữ liệu tràn ngập, dựa vào các nhãn thế hệ rộng rãi và lo lắng rằng AI sự thiếu chính xác làm tổn hại đến sự hiểu biết của họ về thị trường. Từ sự căng thẳng đó nó đã tạo nên chuỗi này:
- Persona: Nhà chiến lược sâu sắc, chuyên gia chiến lược kinh doanh và phân tích thị trường, người ưu tiên kiến thức và các quyết định dựa trên dữ liệu, được xây dựng từ 63 mục trong cùng một nghiên cứu, 46 trong số đó là quảng cáo GWI.
- Góc: Sự nghi ngờ trong Tự động hóa, mô hình của SOMIN được đưa ra theo lý thuyết tin cậy: niềm tin được xây dựng thông qua tính nhất quán và minh bạch, đồng thời AI được sử dụng mà không có giao tiếp rõ ràng sẽ làm xói mòn niềm tin đó. Trong tài liệu nghiên cứu, đây là lĩnh vực đáng tin cậy trong tự động hóa mà Lee và See đã xem xét.
- Insight: "Niềm tin được nuôi dưỡng trong nền tảng của cuộc trò chuyện, không phải trong dữ liệu của thuật toán."
Hoạt động tiếp thị riêng của danh mục này nhằm chống lại nỗi sợ hãi tương tự. Quảng cáo của GWI cho Agent Spark, mang dữ liệu khảo sát của GWI vào trợ lý AI, hứa hẹn những hiểu biết sâu sắc đã được xác minh từ người tiêu dùng thực thay vì nội dung được quét trên web. Trên các kênh tự nhiên của GWI, các bài đăng 23 được gắn thẻ với một chủ đề AI có số lượt tương tác trung bình là 83, gần gấp ba lần mức trung bình chung của GWI là 29, trong khoảng 18 Tháng 10 2025 và 17 Tháng 10 2026. Nghiên cứu của chúng tôi về cách các công ty nghiên cứu đối tượng tiếp thị dữ liệu của họ có bức tranh rộng hơn.
Khi SOMIN kết hợp thông tin chi tiết với sản phẩm của chính mình, các mệnh đề dựa trên một thuộc tính chứ không phải một tính năng: mọi kết luận của AI đều có thể được kiểm tra dựa trên các bài đăng đằng sau nó và các thẻ khái niệm sẽ theo dõi các bài đăng cụ thể chứng minh chúng. Đó là tiêu chuẩn mà phần còn lại của bài viết này áp dụng, bao gồm cả SOMIN.
Điều gì làm cho thông tin chi tiết về AI có thể được kiểm chứng?
Một thông tin chi tiết về AI có thể được kiểm chứng khi một đồng nghiệp hay hoài nghi có thể theo dõi nó từ kết luận đến bằng chứng trong vài phút. Khung quản lý rủi ro AI của NIST cung cấp các từ hữu ích cho các phần: tính minh bạch trả lời điều gì đã xảy ra, câu trả lời có thể giải thích được về cách đạt được kết quả và câu trả lời có thể diễn giải được tại sao. NIST liệt kê trách nhiệm giải trình và tính minh bạch, khả năng giải thích và khả năng diễn giải, trong số các đặc điểm của AI đáng tin cậy.
Để có cái nhìn sâu sắc về tiếp thị, điều đó có nghĩa là có bốn lớp hiển thị:
- Mẫu: nguồn, thương hiệu, nền tảng, phạm vi ngày và quy mô.
- Bằng chứng: liên kết đến các bài đăng, quảng cáo hoặc hàng thực tế đằng sau mỗi xác nhận quyền sở hữu, kèm theo số lượng.
- Lý do: cơ chế, được đặt tên, kèm theo nguồn lý thuyết.
- Trạng thái: một nhãn đơn giản tách biệt những gì được quan sát với những gì mô hình suy ra.
Trong Chiến lược SOMIN, mỗi cá tính và sự căng thẳng sẽ mở ra thư viện nội dung được lọc theo các bài đăng hoặc quảng cáo đằng sau nó. Liên kết đó là những gì làm cho việc kiểm tra dưới đây có thể thực hiện được.
Làm thế nào để bạn kiểm tra cái nhìn sâu sắc về AI trong thực tế?
Chúng tôi đã chạy cái nhìn sâu sắc "Niềm tin được nuôi dưỡng trong đất của cuộc trò chuyện" thông qua các lớp đó vào tháng 10 2026.
| Phép kiểm tra | Những gì chúng tôi tìm thấy | Kết luận |
|---|---|---|
| Mẫu đã nêu | 229 mục trả phí từ thư viện quảng cáo của GWI, Nielsen, Milieu và Euromonitor, 8 Tháng 4 đến 6 Tháng 7 2026 | Vượt qua |
| Bằng chứng liên kết | Căng thẳng mở ra các mục 51 đằng sau nó trong thư viện nội dung | Vượt qua |
| Bằng chứng về chủ đề | Một số mục là quảng cáo của Nielsen tuyển dụng thành viên cho Bảng điều khiển Máy tính & Di động, không nói gì về niềm tin vào hiểu biết sâu sắc | Một số tiếng ồn: bỏ các mục lạc đề trước khi giao ban |
| Sự tập trung | 31 trong số 51 mặt hàng đến từ GWI | Thông điệp của một nhà quảng cáo chiếm ưu thế |
| Góc khớp bằng chứng | Góc độ mô tả người tiêu dùng không tin tưởng vào các thương hiệu sử dụng AI; bằng chứng là các công ty nghiên cứu bán cho các nhà tiếp thị | Sự thay đổi đối tượng: viết lại góc nhìn cho người mua doanh nghiệp |
| Đã kiểm tra lý thuyết | “Lý thuyết về niềm tin” là một nhãn hiệu rộng rãi; nghiên cứu đã được thiết lập dựa trên sự tin tưởng vào tự động hóa và ác cảm với thuật toán | Trích dẫn lại nghiên cứu ban đầu |
Phán quyết: cái nhìn sâu sắc là cách đọc hợp lý về cách bán hàng của danh mục nghiên cứu đối tượng, được xây dựng chủ yếu dựa trên quảng cáo của một công ty và là giả thuyết về người mua thay vì thái độ đo lường. Nó có thể sử dụng được sau khi góc độ được viết lại cho các nhà tiếp thị và các mục lạc đề được loại bỏ. Nếu không có kiểm toán, nó có thể dễ dàng trở thành một bản tóm tắt ngắn gọn về người tiêu dùng. Để biết lực căng và góc khớp với nhau như thế nào, hãy xem căng thẳng của người tiêu dùng là gì.
Danh sách kiểm tra thông tin chi tiết về AI nên bao gồm những gì?
Mười séc bao gồm hầu hết nó. Chạy năm phần đầu tiên trên mọi thông tin chi tiết và cả mười phần trước khi đưa ra quyết định điều chỉnh ngân sách.
- Nêu mẫu trong một dòng: nguồn, nhãn hiệu, nền tảng, ngày tháng và số lượng mặt hàng.
- Liên kết mọi con số với bằng chứng của nó, và hiển thị mẫu số: 51 của 229 không chỉ nói lên "một chủ đề chính".
- Mở một mẫu bằng chứng ngẫu nhiên, từ mười đến hai mươi mục và đếm những mục không liên quan đến chủ đề.
- Kiểm tra mức độ tập trung. Nếu một thương hiệu hoặc tài khoản cung cấp hầu hết bằng chứng, hãy nói như vậy.
- Gắn nhãn những gì do mô hình tạo ra. Các cá tính, căng thẳng và hiểu biết sâu sắc do AI tạo ra chỉ là giả thuyết cho đến khi được kiểm tra.
- Kiểm tra lý thuyết dựa trên nguồn chính. Bỏ những cái tên bạn không thể tìm thấy trong tài liệu nghiên cứu.
- Kiểm tra khán giả. Bằng chứng có đến từ chính những người mà kết luận nói đến không?
- Lưu bằng chứng khi chạy phân tích: ID bài đăng, liên kết và ảnh chụp màn hình vì bài đăng sẽ bị xóa và quảng cáo ngừng chạy.
- Kiểm tra chéo các cuộc gọi lớn với một nguồn độc lập, chẳng hạn như khảo sát, dữ liệu bán hàng hoặc thử nghiệm nhỏ.
- Để chủ sở hữu chỉnh sửa kết luận, và ghi lại ai đã thay đổi, ai đã ký và khi nào.
Đây là bản song sinh cấp độ sâu sắc của việc kiểm tra bản sao trong hướng dẫn của chúng tôi về ảo giác AI trong tiếp thị. AI có thể giải thích được cho hoạt động tiếp thị cũng là một câu hỏi nghiên cứu đối với chúng tôi: Giáo sư Aleks Farseev và nhóm SOMIN đã xuất bản về nó tại ACM Multimedia and The Web Conference, đồng thời các bài báo được liệt kê trên trang SOMIN Research.
FAQ
Tại sao các nhà tiếp thị không tin tưởng vào những hiểu biết sâu sắc do AI tạo ra?
Chủ yếu là vì họ không thể nhìn thấy bằng chứng đằng sau một kết luận và đã bị đốt cháy bởi những sai sót thiếu tự tin. Trong khảo sát 2026 của GWI, 72% nhà tiếp thị cho biết tổ chức của họ đã đưa ra một quyết định quan trọng về hiểu biết sâu sắc về AI mà sau đó được chứng minh là sai.
Ác cảm thuật toán là gì?
Đó là xu hướng mất niềm tin vào một thuật toán nhanh hơn vào con người sau khi thấy nó mắc lỗi, được Dietvorst, Simmons và Massey mô tả trong 2015. Công việc sau này của họ phát hiện ra rằng việc cho phép mọi người điều chỉnh đầu ra của thuật toán sẽ làm giảm hiệu ứng.
Làm cách nào để kiểm tra xem thông tin chi tiết về AI có chính xác hay không?
Yêu cầu mẫu, mở một lựa chọn ngẫu nhiên các bài đăng hoặc hàng phía sau nó, đếm những bài viết lạc đề và kiểm tra xem bằng chứng có đến từ khán giả mà cái nhìn sâu sắc mô tả hay không. Sau đó xác nhận các quyết định lớn dựa trên một nguồn độc lập.
Sự khác biệt giữa AI có thể giải thích và có thể kiểm chứng là gì?
AI có thể giải thích cho bạn biết cách đạt được kết quả. Một cái nhìn sâu sắc có thể kiểm chứng còn đi xa hơn: nó cho phép bạn tự kiểm tra bằng chứng và đạt được quan điểm của riêng mình, do đó bạn không chỉ dựa vào lời giải thích.
Các nhà tiếp thị có nên ngừng sử dụng AI để hiểu biết sâu sắc về khán giả không?
Không. AI rất giỏi trong việc phân cụm khối lượng lớn nội dung và đề xuất căng thẳng một cách nhanh chóng. Hãy coi kết quả đầu ra của nó như một giả thuyết có dấu vết trên giấy và giao cho một người chịu trách nhiệm kiểm tra và ký tên.
Nguồn
- GWI: Các nhà tiếp thị nói rằng hiểu biết sai lầm về AI đã khiến tổ chức của họ phải trả giá (Tháng 9 2026)
- KPMG và Đại học Melbourne: Niềm tin, thái độ và việc sử dụng trí tuệ nhân tạo, một nghiên cứu toàn cầu 2025 (tóm tắt điều hành)
- Dietvorst, Simmons và Massey (2015), Ác cảm thuật toán: mọi người tránh nhầm các thuật toán sau khi thấy chúng sai, Tạp chí Tâm lý học Thực nghiệm: Chung 144(1)
- Dietvorst, Simmons và Massey (2018), Vượt qua ác cảm thuật toán, Khoa học quản lý 64(3)
- Lee và See (2004), Tin tưởng vào tự động hóa: thiết kế để có độ tin cậy phù hợp, Yếu tố con người 46(1)
- Trung tâm tài nguyên AI của NIST: Rủi ro về AI và độ tin cậy
