قیف فروش یکی از ماندگارترین استعارههای بازاریابی و محصول است. کاربر ابتدا آگاه میشود، بعد علاقهمند میشود، گزینهها را بررسی میکند، تصمیم میگیرد، خرید میکند و شاید بعداً وفادار شود. بسیاری از ابزارهای مارکتینگ، تبلیغات، CRM، landing page، ایمیل، retargeting و attribution بر اساس همین منطق ساخته شدهاند.
اما قیف فروش بر یک فرض مهم تکیه دارد: انسان خودش مسیر خرید را طی میکند. خودش جستوجو میکند، تبلیغ میبیند، صفحه محصول میخواند، reviewها را مقایسه میکند، قیمتها را بررسی میکند و در نهایت تصمیم میگیرد. حتی اگر الگوریتمها و پلتفرمها روی مسیر او اثر بگذارند، عامل اصلی تصمیم همچنان انسان است.
ایجنتهای هوش مصنوعی این فرض را تغییر میدهند. اگر کاربر به Agent خود بگوید «بهترین بیمه مناسب من را پیدا کن»، «برای شرکت ما یک ابزار CRM انتخاب کن»، «وقتی قیمت غذای گربه پایین آمد از برندهای مورد تأییدم بخر»، یا «برای سفر آخر هفته گزینه اقتصادی و قابل اعتماد پیدا کن»، بخشی از discovery، consideration و حتی conversion از انسان به عامل خرید منتقل میشود.
در چنین جهانی، پرسش جدید بازاریابی این است: برند باید انسان را قانع کند یا ماشین را؟ پاسخ احتمالاً هر دو است؛ اما با دو زبان متفاوت.
قیف فروش همیشه سادهسازی واقعیت بود. کاربران واقعاً مسیر خطی طی نمیکنند. ممکن است اول از دوستشان بشنوند، بعد تبلیغ ببینند، بعد جستوجو کنند، بعد فراموش کنند، بعد دوباره با تخفیف برگردند. اما قیف به تیمها کمک کرد سفر پیچیده مشتری را قابل اندازهگیری کنند: awareness، consideration، conversion، retention.
این مدل برای دوران وب و موبایل مفید بود. برندها میتوانستند در بالای قیف توجه بخرند، در میانه قیف اعتماد بسازند، در پایین قیف اصطکاک خرید را کم کنند و بعد با CRM و lifecycle marketing کاربر را برگردانند. معیارهایی مثل CTR، CAC، ROAS، conversion rate، LTV و attribution در همین چارچوب معنا پیدا کردند.
اما قیف سنتی بیشتر برای زمانی مناسب است که انسان خودش تصمیمگیرنده مستقیم باشد. اگر بخشی از تصمیم به Agent منتقل شود، برخی مرحلهها فشرده، پنهان یا بازتعریف میشوند.
Agent مسیر خرید را از تعامل مستقیم انسان با کانالهای مختلف به تصمیمگیری نیابتی نزدیک میکند. کاربر نیت، محدودیت و ترجیحات خود را تعریف میکند. Agent سپس اطلاعات جمع میکند، گزینهها را مقایسه میکند، با ابزارها یا وب تعامل میکند و خروجی میدهد: پیشنهاد، shortlist، رزرو، خرید یا اقدام.
OpenAI در معرفی Operator از عاملی صحبت میکند که میتواند با مرورگر خود به وب برود، کلیک کند، تایپ کند و کارهایی برای کاربر انجام دهد [1]. Google نیز در معرفی Gemini 2.0 از «agentic era» و تجربههایی مانند Project Mariner سخن گفت؛ تجربههایی که نشان میدهند مدلها از پاسخگویی صرف به تعامل با محیط دیجیتال نزدیک میشوند [2]. پژوهشهایی مثل ReAct و Toolformer نیز همین مسیر را از نظر فنی توضیح میدهند: reasoning، acting و tool use در کنار هم [3][4].
وقتی این قابلیتها وارد خرید شوند، قیف تغییر میکند. کاربر ممکن است تبلیغ شما را نبیند، صفحه فرود شما را نخواند و حتی نام برندهای shortlisted را کامل نداند. Agent ممکن است بر اساس قیمت، کیفیت، موجودی، زمان تحویل، سیاست بازگشت، تجربه کاربران، امنیت و سازگاری با ترجیحات کاربر تصمیم بگیرد.
فروش به انسان همچنان از روایت، احساس، اعتماد، هویت و تجربه اثر میگیرد. برندها باید در ذهن انسان معنا بسازند. کاربر باید بداند به چه نوع برندهایی اعتماد دارد، چه چیزهایی برایش مهم است و چه ترجیحاتی دارد. این لایه از بین نمیرود.
اما فروش به ماشین زبان دیگری دارد. Agent با ادعای کلی قانع نمیشود؛ به داده، شواهد، محدودیتها و مقایسه نیاز دارد. اگر برند میگوید «ارسال سریع»، باید زمان ارسال قابل خواندن باشد. اگر میگوید «قابل اعتماد»، باید سیاست بازگشت، امتیاز معتبر، سابقه خطا و گارانتی روشن باشد. اگر محصول SaaS است، قیمت، SLA، integration، امنیت، محدودیت پلنها و مستندات باید قابل استخراج و مقایسه باشد.
بنابراین برند آینده دو سطح باید بسازد: ترجیح انسانی و قابلیت ماشینی. بدون ترجیح انسانی، کاربر شاید شما را در policyهای Agent خود وارد نکند. بدون قابلیت ماشینی، Agent شاید شما را در مقایسه حذف کند.
در مدل فعلی، Performance Marketing تلاش میکند توجه را به اقدام تبدیل کند. تبلیغ، کلیک، landing page، فرم، پرداخت، retargeting. اما اگر Agent در میانه مسیر قرار گیرد، کلیک دیگر همیشه سیگنال اصلی نیست. ممکن است Agent از چند منبع بخواند، از دادههای ساختاریافته استفاده کند، قیمتها را مقایسه کند و بدون کلیک انسانی تصمیم بگیرد.
در این حالت، برند باید برای Agent Optimization آماده شود. یعنی:
دادههای محصول دقیق و بهروز باشد.
قیمت، موجودی، زمان تحویل و محدودیتها شفاف باشند.
reviewها و امتیازها قابل اعتماد و ضد دستکاری باشند.
سیاست بازگشت و پشتیبانی روشن باشد.
منابع و ادعاها قابل راستیآزمایی باشند.
API یا metadata مناسب وجود داشته باشد.
sponsored بودن پیشنهادها شفاف باشد.
اینها جایگزین برندینگ نمیشوند؛ اما بدون آنها، برند در تصمیمهای ماشینی ضعیف میشود.
یکی از پیامدهای مهم Agentic Commerce، سختتر شدن attribution است. امروز هم attribution کامل نیست؛ کاربر ممکن است چند کانال ببیند و در نهایت از کانال دیگری خرید کند. اما با Agent، پیچیدگی بیشتر میشود. Agent ممکن است از یک مقاله مقایسهای، یک review، صفحه قیمت، مستندات رسمی، تجربه قبلی کاربر و یک marketplace داده بگیرد و سپس خرید را در کانال دیگری انجام دهد.
در چنین وضعیتی، last-click attribution بیمعناتر میشود. ارزش محتوا، اعتبار برند و داده محصول ممکن است در تصمیم اثر بگذارد، اما به شکل کلیک مستقیم دیده نشود. همانطور که در بحث Answer Engineها، محتوا ممکن است اثر بگذارد اما کلیک نگیرد، در Agentic Commerce هم بازاریابی ممکن است روی تصمیم Agent اثر بگذارد اما در داشبورد performance به شکل سنتی دیده نشود.
این یعنی تیمهای بازاریابی باید معیارهای جدیدی برای اثرگذاری بسازند: حضور در shortlistهای Agent، کیفیت داده قابل خواندن، نرخ انتخاب در مقایسههای ماشینی، سهم در decision set کاربر، و اعتماد برند در policyهای شخصی.
مارکتپلیسها بهویژه از این تغییر اثر میگیرند. امروز بسیاری از مارکتپلیسها بر اساس جستوجو، فیلتر، رتبهبندی، recommendation و تبلیغات داخلی کار میکنند. کاربر لیست میبیند، مقایسه میکند و انتخاب میکند. اما اگر Agent وارد شود، کاربر ممکن است فقط نتیجه بخواهد: «یک کفش مناسب پیادهروی روزانه زیر این بودجه بخر» یا «یک فروشنده معتبر برای این کالا پیدا کن.»
در اینجا رتبهبندی سنتی به ranking برای Agent تبدیل میشود. سؤالات سختی شکل میگیرد: آیا فروشنده میتواند برای پیشنهاد شدن توسط Agent پول بدهد؟ اگر بله، کاربر چطور متوجه میشود؟ آیا Agent باید sponsored بودن گزینه را اعلام کند؟ آیا پلتفرم میتواند سرویسهای خودش را ترجیح دهد؟
این پرسشها به بحثهای رگولاتوری امروز درباره gatekeeperها و self-preferencing وصل میشوند. DMA اتحادیه اروپا تلاش میکند قدرت پلتفرمهای بزرگ در کنترل دسترسی بازار را محدود کند [5]. در آینده، همین مسئله میتواند از صفحه نتایج جستوجو به پاسخ Agent منتقل شود.
شاید مهمترین تغییر این باشد که بخشی از تصمیم خرید به policyهای از پیش تعریفشده کاربر منتقل میشود. کاربر به Agent میگوید چه چیزهایی مهماند: سقف بودجه، برندهای مجاز، حداقل امتیاز، زمان تحویل، فروشندههای قابل اعتماد، سیاست بازگشت، ریسک، پایداری محیطزیستی یا حتی ارزشهای اخلاقی.
در این مدل، برندها دیگر فقط برای یک لحظه conversion رقابت نمیکنند؛ برای ورود به policy کاربر رقابت میکنند. اگر برندی وارد فهرست «قابل اعتماد» کاربر شد، خریدهای بعدی سادهتر میشود. اگر از آن فهرست خارج شد، تبلیغ زیاد هم شاید کافی نباشد.
بنابراین بازاریابی آینده کمتر شبیه هل دادن کاربر در قیف و بیشتر شبیه ساختن شایستگی برای باقی ماندن در سیستم تصمیم کاربر است.
Agentic Commerce بدون پرداخت قابل اعتماد کامل نمیشود. اگر Agent قرار است خرید کند، مسئله مجوز مالی، سقف هزینه، احراز نیت، برگشت پول و مسئولیت خطا حیاتی میشود. کاربر شاید اجازه دهد Agent پیشنهاد بدهد، اما اجازه خرید خودکار نیازمند سطح بالاتری از اعتماد است.
اینجا پرداخت از یک مرحله آخر به بخشی از governance تصمیم تبدیل میشود. محصول باید به کاربر امکان دهد مجوزهای محدود تعریف کند: فقط تا سقف مشخص، فقط از فروشندگان مشخص، فقط برای کالاهای تکرارشونده، یا فقط پس از تأیید نهایی. این همان جایی است که بازاریابی، محصول، پرداخت و اعتماد به هم میرسند.
در قیف سنتی، محتوا اغلب برای جذب ترافیک یا قانع کردن کاربر نوشته میشد. مقاله مقایسهای، صفحه landing، case study، review و ویدئو همه در خدمت حرکت دادن انسان به سمت خرید بودند. اما وقتی Agent در مسیر خرید قرار میگیرد، همین محتوا نقش تازهای پیدا میکند: تبدیل میشود به داده تصمیم.
برای مثال، یک review طولانی اگر فقط احساسی باشد شاید برای انسان اثرگذار باشد، اما برای Agent ارزش محدودی دارد. در مقابل، reviewای که تجربه واقعی، شرایط استفاده، محدودیتها، قیمت، زمان تحویل، کیفیت پشتیبانی و مقایسه با گزینههای دیگر را روشن کند، میتواند برای تصمیم ماشینی ارزشمند باشد. به همین دلیل، آینده محتوای تجاری احتمالاً کمتر تبلیغاتی و بیشتر evidence-based میشود.
صفحات محصول هم باید از حالت بروشور تبلیغاتی به سند تصمیم تبدیل شوند. کاربر انسانی هنوز به روایت و تصویر نیاز دارد، اما Agent به مشخصات، محدودیتها، policyها، داده ساختاریافته و شواهد نیاز دارد. اگر این اطلاعات پنهان، مبهم یا قدیمی باشند، برند در مقایسههای Agentic ضعیف میشود.
Agentها میتوانند مقایسه قیمت را بسیار آسانتر کنند. اگر کاربر به Agent بگوید «ارزانترین گزینه قابل اعتماد با تحویل زیر دو روز را پیدا کن»، برندهایی که قیمتگذاری مبهم، هزینه پنهان یا شرایط پیچیده دارند ممکن است آسیب ببینند. این موضوع بهویژه در SaaS، بیمه، خدمات مالی، سفر و marketplaceها مهم است.
در مدل انسانی، بخشی از pricing friction ممکن است پشت طراحی صفحه، بستههای پیچیده یا upsell پنهان شود. اما Agent برای تصمیم درست نیاز به قیمت نهایی، شرایط لغو، هزینههای جانبی و محدودیت پلن دارد. بنابراین، عصر Agent میتواند فشار بیشتری به سمت شفافیت قیمت ایجاد کند. البته پلتفرمها ممکن است تلاش کنند با تبلیغات و قراردادهای تجاری، این شفافیت را منحرف کنند؛ اما از دید کاربر، Agent قابل اعتماد باید هزینه واقعی را آشکار کند.
برندها برای آماده شدن در برابر عاملهای خرید، میتوانند از چند اقدام شروع کنند:
صفحات محصول را با داده دقیق، محدودیتها، قیمت و سیاستها کامل کنند.
ادعاهای بازاریابی را به شواهد قابل بررسی وصل کنند.
reviewهای واقعی و ضد دستکاری را جدی بگیرند.
API، feed یا داده ساختاریافته برای موجودی، قیمت و قابلیتها فراهم کنند.
sponsored بودن پیشنهادها را شفاف کنند.
روی برند انسانی کار کنند تا وارد policy ذهنی کاربر شوند.
مسیرهای پس از خرید، بازگشت، لغو و پشتیبانی را واضحتر کنند.
در واقع، بازاریابی آینده فقط campaign نیست؛ آمادگی برای ارزیابی مداوم توسط انسان و ماشین است.
ایجنتها قیف فروش را نابود نمیکنند، اما آن را ناقص میکنند. انسان همچنان نیاز، ترجیح، اعتماد و ارزشهای خود را شکل میدهد. اما بخشی از کشف، مقایسه و اقدام به Agent منتقل میشود. در نتیجه، برند آینده باید هم برای انسان معنا بسازد و هم برای Agent شواهد.
در گذشته سؤال اصلی این بود: چگونه کاربر را در قیف جلو ببریم؟ در آینده سؤال دیگری اضافه میشود: چگونه در سیستم تصمیم انسان و Agent، گزینه واجد شرایط باقی بمانیم؟
برنده آینده کسی نیست که فقط بیشتر دیده میشود. برنده کسی است که برای نیت مشخص کاربر، قابل اعتمادتر، قابل مقایسهتر، قابل اجراتر و قابل توضیحتر است.
[1] OpenAI, Introducing Operator: https://openai.com/index/introducing-operator/
[2] Google DeepMind, Introducing Gemini 2.0: our new AI model for the agentic era: https://blog.google/technology/google-deepmind/google-gemini-ai-update-december-2024/
[3] Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models: https://arxiv.org/abs/2210.03629
[4] Schick et al., Toolformer: Language Models Can Teach Themselves to Use Tools: https://arxiv.org/abs/2302.04761
[5] European Commission, Digital Markets Act: https://digital-markets-act.ec.europa.eu/index_en
[6] Google Search Central, AI Features and Your Website: https://developers.google.com/search/docs/appearance/ai-features
