آژانسهای تبلیغاتی برای کنترل AI Agentها ابزار حسابرسی میسازند؛ چالش تازه Media Buying هوشمند
استفاده از AI Agentها در صنعت تبلیغات وارد مرحله تازهای شده است. آژانسهایی که از عاملهای هوش مصنوعی برای Audience Targeting، راهاندازی کمپین و Media Buying استفاده میکنند، حالا با مسئلهای روبهرو شدهاند که کمتر درباره آن صحبت میشد: چه کسی تصمیمهای AI را کنترل میکند و هزینه واقعی استفاده از این سیستمها چقدر است؟
گزارش تازه Digiday در ۴ سپتامبر ۲۰۲۶ نشان میدهد تعدادی از آژانسها و شرکتهای AdTech در حال توسعه سیستمهای Monitoring و Audit هستند تا بتوانند رفتار AI Agentها را ثبت و بررسی کنند.
موضوع فقط جلوگیری از Hallucination نیست.
آژانسها میخواهند بدانند Agent دقیقا چه کاری انجام داده، چرا یک تصمیم مشخص گرفته، آیا از پارامترهای تعیینشده خارج شده و اجرای آن تصمیم در نهایت چه هزینهای برای آژانس یا مشتری ایجاد کرده است.
این مسئله میتواند یکی از مهمترین چالشهای مرحله بعدی Agentic Media Buying باشد.
AI Agentها وارد Media Buying شدهاند
هوش مصنوعی مدتهاست در تبلیغات دیجیتال حضور دارد.
الگوریتمهای Google Ads و Meta Ads سالهاست درباره Bidding، Targeting و Delivery تصمیمگیری میکنند.
اما Agentic AI یک مرحله متفاوت است.
در این مدل، سیستم هوش مصنوعی فقط یک Recommendation ارائه نمیدهد؛ بلکه میتواند مجموعهای از اقدامات را برای رسیدن به یک Objective انجام دهد.
برای مثال یک Media Buying Agent میتواند Brief کمپین را دریافت کند، Audience را تحلیل کند، تنظیمات کمپین را انجام دهد، عملکرد را بررسی کند و براساس نتایج تغییراتی ایجاد کند.
این سطح از Automation میتواند سرعت اجرای کمپین را به شکل قابل توجهی افزایش دهد.
اما هرچه اختیار بیشتری به Agent داده شود، مسئله کنترل آن نیز مهمتر میشود.
وقتی AI از مسیر تعیینشده خارج میشود
یکی از شرکتهایی که روی این موضوع کار میکند PubMatic است.
این شرکت یک قابلیت Audit Log توسعه داده که در آزمایشهای Agentic Media Buying مورد استفاده قرار گرفته است.
آژانس Performance Marketing به نام Rise که بخشی از Quad است، از ماه ژوئن در حال آزمایش AI Media Buying Agentها برای یکی از مشتریان سوپرمارکتی خود بوده و از همین سیستم برای نظارت بر رفتار Agent استفاده کرده است.
Audit Log اجازه میدهد مشخص شود Agent چه تغییری ایجاد کرده، این تغییر در چه زمانی اتفاق افتاده و از چه مسیری انجام شده است.
حتی میتوان بعدا بررسی کرد که چرا Agent تصمیم مشخصی گرفته است.
این قابلیت از نظر Accountability اهمیت زیادی دارد.
اگر یک متخصص انسانی تغییر اشتباهی در کمپین ایجاد کند، معمولا میتوان مشخص کرد چه کسی این تصمیم را گرفته است.
اما وقتی Agent صدها یا هزاران تصمیم خودکار میگیرد، بدون Decision Log بازسازی مسیر تصمیمگیری بسیار دشوارتر خواهد بود.
«AI انجام داد» دیگر پاسخ قابل قبولی نیست
یکی از مهمترین نکات مطرحشده در این گزارش به مسئولیت انسانی مربوط میشود.
Dept، یکی از آژانسهایی که در حال توسعه سیستمهای Monitoring برای AI است، تاکید کرده هر Deliverable همچنان یک انسان پاسخگو دارد.
این نگاه احتمالا به یکی از اصول مهم استفاده حرفهای از Agentic AI تبدیل خواهد شد.
اگر AI یک Budget را اشتباه تخصیص دهد، Creative نامناسب انتخاب کند یا Campaign Setting را تغییر دهد، آژانس نمیتواند صرفا بگوید:
«AI این کار را انجام داده است.»
همانطور که مدیر مسئول عملکرد یک Junior Marketer است، در ساختار جدید نیز باید فردی مسئول عملکرد Agent باشد.
بنابراین Human-in-the-loop احتمالا برای مدت قابل توجهی یکی از اجزای اصلی Agentic Media Buying باقی خواهد ماند.
مشکل بعدی: AI واقعا چقدر هزینه دارد؟
Agentic Media Buying قرار است Efficiency ایجاد کند.
اما یک تناقض جالب در حال ظاهر شدن است.
اگر Agent به شکل ناکارآمد طراحی شده باشد، ممکن است خودش تبدیل به منبع جدیدی از هزینه شود.
هر بار که Agent با یک Large Language Model تعامل میکند، Token مصرف میشود.
اگر Agent برای انجام یک Task ساده از مدل بسیار قدرتمند و گران استفاده کند، هزینه پردازش افزایش پیدا میکند.
اگر Workflow به درستی طراحی نشده باشد و Agent بارها یک فرایند را تکرار کند، Token Consumption میتواند به سرعت افزایش پیدا کند.
در نتیجه صرفا اندازهگیری Time Saved کافی نیست.
آژانس باید مجموعهای از هزینهها را بررسی کند:
هزینه Model
هزینه Token
هزینه Licensing
زمان نیروی انسانی
هزینه Monitoring
و در نهایت میزان بودجهای که واقعا تبدیل به Working Media شده است.
۶۰ درصد سازمانهای استفادهکننده از AI ممکن است با Cost Overrun مواجه شوند
براساس داده Gartner که در گزارش Digiday به آن اشاره شده، ۵۶ درصد شرکتها هنوز AI Tools را بدون Usage Policy شفاف پیادهسازی میکنند.
Gartner همچنین تخمین زده است که ۶۰ درصد سازمانهایی که از AI استفاده میکنند، به دلیل نبود Tracking مناسب با Cost Overrun مرتبط با این فناوری مواجه خواهند شد.
این آمار نشان میدهد مسئله AI Governance فقط موضوعی برای تیم IT نیست.
تیم Marketing نیز باید بتواند بفهمد:
چه کسی از چه مدلی استفاده میکند؟
برای چه کاری؟
با چه هزینهای؟
و آیا استفاده از مدل گرانتر واقعا خروجی بهتری ایجاد کرده است؟
بعضی کارکنان Dept در یک روز ۱.۵ میلیون Token مصرف کردهاند
یکی از جالبترین نمونههای گزارش مربوط به Dept است.
Jonathan Whiteside، مدیر ارشد فناوری این شرکت، گفته برخی کاربران در یک روز تا ۱.۵ میلیون Token مصرف کردهاند.
Dept برای کنترل این مسئله از چیزی با عنوان AI Gateway استفاده میکند.
در این ساختار، کاربر الزاما خودش مدل هوش مصنوعی را انتخاب نمیکند.
درخواست وارد Gateway میشود و سیستم براساس ملاحظات تجاری یا حقوقی تصمیم میگیرد کدام Model برای انجام آن Task مناسبتر است.
این رویکرد یک تغییر مهم در نحوه استفاده سازمانی از AI محسوب میشود.
در مرحله اول پذیرش Generative AI، بسیاری از شرکتها آزادی زیادی به کارکنان دادند تا ابزارها و مدلهای مختلف را آزمایش کنند.
اما با افزایش Scale استفاده، احتمالا انتخاب Model نیز به بخشی از Cost Management تبدیل خواهد شد.
همیشه قویترین مدل بهترین انتخاب نیست
یک اشتباه رایج در استفاده از AI این است که تصور کنیم برای هر Task باید از قدرتمندترین مدل موجود استفاده کرد.
اما از دید اقتصادی چنین رویکردی منطقی نیست.
برای بعضی فعالیتها یک مدل کوچکتر و ارزانتر میتواند نتیجه کاملا قابل قبول ارائه کند.
در مقابل، Reasoning پیچیده یا Analysisهای حساس ممکن است به مدل قدرتمندتری نیاز داشته باشند.
بنابراین Model Routing میتواند به یکی از قابلیتهای مهم Marketing Technology Stack تبدیل شود.
سیستم باید بتواند براساس پیچیدگی Task، هزینه، سرعت، Privacy Requirement و سطح دقت مورد نیاز، مدل مناسب را انتخاب کند.
در مقیاس یک Agent که ممکن است هزاران درخواست در روز اجرا کند، همین انتخاب میتواند تاثیر قابل توجهی بر هزینه داشته باشد.
Brainlabs برای کارکنان Token Budget تعیین کرده است
Brainlabs نیز رویکرد دیگری برای کنترل هزینه AI اتخاذ کرده است.
کارکنان این مجموعه براساس یک Tiered System به Token دسترسی دارند.
اگر فردی از سهم تعیینشده عبور کند، استفاده او بررسی میشود و در صورت منطقی بودن میتواند Token بیشتری دریافت کند.
هدف این نیست که استفاده از AI محدود شود.
هدف این است که استفاده از AI قابل اندازهگیری و قابل توجیه باشد.
این موضوع احتمالا بهتدریج در سازمانهای بیشتری دیده خواهد شد.
همانطور که تیم Performance Marketing برای Media Spend Budget دارد، در آینده ممکن است AI Compute Budget نیز بخشی از هزینه عملیاتی تیم Marketing باشد.
PMG هم برای مصرف AI سقف روزانه گذاشته است
PMG نیز ابزاری با نام Alli For You توسعه داده که میتواند برای کاربران Daily Cap مصرف Token تعیین کند.
اگر فردی مرتبا به سقف مصرف برسد، سازمان میتواند بررسی کند آیا واقعا به Budget بیشتری نیاز دارد یا Workflow او باید بهینهتر شود.
این همان نقطهای است که AI Governance از یک مفهوم انتزاعی به یک مسئله عملیاتی تبدیل میشود.
وقتی هزاران کارمند و دهها Agent از مدلهای مختلف استفاده کنند، حتی تفاوتهای کوچک در Efficiency میتوانند هزینه قابل توجهی ایجاد کنند.
Agentic Media Buying بدون Audit خطرناک است
موضوع مهمتر از Token Cost، خود تصمیمهای Media Buying است.
فرض کنیم یک AI Agent اجازه داشته باشد Budget کمپین را میان چند Channel جابهجا کند.
اگر Agent براساس داده اشتباه تصمیم بگیرد چه اتفاقی میافتد؟
اگر Objective را اشتباه تفسیر کند چه؟
اگر به دلیل Hallucination یک Recommendation غیرمنطقی ارائه دهد؟
اگر Frequency را بیش از حد افزایش دهد؟
اگر Budget را به Inventory نامناسب منتقل کند؟
در یک Campaign کوچک شاید این اشتباه چند صد دلار هزینه داشته باشد.
اما در مقیاس یک Advertiser جهانی، یک تصمیم خودکار اشتباه میتواند میلیونها دلار جابهجایی بودجه ایجاد کند.
به همین دلیل Audit Trail احتمالا به یکی از الزامات اساسی Agentic Advertising تبدیل خواهد شد.
آینده Media Buying فقط Automation نیست؛ Observability هم هست
در سالهای اخیر بخش بزرگی از بحث AI در Marketing حول Automation شکل گرفته است.
چطور Campaign سریعتر ساخته شود؟
چطور Optimization خودکار شود؟
چطور Creative بیشتری تولید کنیم؟
چطور Media Planning را به Agent بسپاریم؟
اما مرحله بعدی احتمالا درباره Observability خواهد بود.
یعنی بتوانیم ببینیم سیستم هوشمند دقیقا چه کاری انجام میدهد.
یک Agentic Marketing Stack حرفهای احتمالا باید بتواند حداقل این اطلاعات را ثبت کند:
چه Agentی تصمیم را گرفته است؟
چه Dataی در اختیار داشته؟
از چه Modelی استفاده کرده؟
چه Actionی انجام داده؟
چرا این Action انتخاب شده؟
هزینه اجرای آن چقدر بوده؟
نتیجه چه بوده؟
و چه انسانی مسئول تایید یا نظارت بر آن است؟
بدون چنین ساختاری، Automation میتواند به Black Box تبدیل شود.
تحلیل گیتالوژی
تا امروز بخش بزرگی از روایت Agentic AI در صنعت تبلیغات بسیار جذاب بوده است:
AI Agentها کمپین میسازند، Audience پیدا میکنند، Budget را مدیریت میکنند و Media Buying را خودکار میکنند.
اما حالا صنعت وارد بخش کمتر هیجانانگیز و در عین حال بسیار مهمتری از این تحول شده است:
چه کسی Agentها را مدیریت میکند؟
این همان اتفاقی است که تقریبا در تمام فناوریهای Enterprise رخ میدهد.
مرحله اول، Innovation است.
مرحله دوم، Adoption.
و مرحله سوم، Governance.
Agentic Advertising نیز احتمالا همین مسیر را طی خواهد کرد.
در آینده مزیت رقابتی یک آژانس فقط این نخواهد بود که بگوید «ما AI Agent داریم.»
سوالهای مهمتر این خواهند بود:
آیا میتوانید تصمیمهای Agent را Audit کنید؟
آیا Cost هر Agent را میدانید؟
آیا Model Routing دارید؟
آیا Human Accountability مشخص است؟
آیا Client میتواند بفهمد AI چه تصمیمی درباره بودجه او گرفته است؟
و آیا میتوانید ثابت کنید استفاده از Agent واقعا Efficiency ایجاد کرده است؟
این تغییر مهمی است.
چون نشان میدهد Agentic AI در تبلیغات از مرحله Demo و Experiment به سمت Infrastructure حرکت میکند.
و زمانی که یک فناوری تبدیل به Infrastructure میشود، جذاب بودن آن دیگر کافی نیست.
باید قابل کنترل، قابل اندازهگیری و قابل حسابرسی باشد.
