Viešųjų ryšių komandos yra įpratusios stebėti, ką žurnalistai, socialinių tinklų vartotojai ir kiti viešieji šaltiniai sako apie organizaciją. Dirbtinio intelekto generuojami atsakymai sukuria kitokią komunikacijos riziką. Klientas, žurnalistas, kandidatas, investuotojas ar partneris gali paklausti dirbtinio intelekto sistemos apie įmonę ir gauti apibendrintą aprašymą, kuris niekada neatsiranda kaip įprastas straipsnis ar įrašas.
Tas atsakymas gali būti tikslus. Jis taip pat gali maišyti seną ir dabartinę informaciją, praleisti svarbų faktą, supainioti du subjektus, supaprastinti jautrų klausimą arba teigti kažką, kas yra tiesiog neteisinga.
Todėl komunikacijos komandoms klausimas yra platesnis nei „Ar dirbtinis intelektas mus mini?“. Naudingas klausimas yra: kaip dirbtinis intelektas reprezentuoja organizaciją, kur ta reprezentacija tampa netiksli ar rizikinga, ir kokie įrodymai yra prieinami, kad būtų galima nuspręsti, ar reikia atsakymo?
Dirbtinis intelektas sukuria reprezentacijos sluoksnį, kurį viešiesiems ryšiams reikia stebėti
Dirbtinio intelekto atsakymas nėra tas pats, kas žiniasklaidos publikacija. Jis generuojamas konkrečiam klausimui, konkrečiomis sąlygomis ir gali skirtis priklausomai nuo sistemų ar laikui bėgant. Dėl to jis prastai tinka pažįstamai klipų ar paminėjimų skaičiavimo logikai.
Prekės ženklas gali pasirodyti teigiamame atsakyme ir vis tiek būti neteisingai reprezentuojamas. Modelis gali teisingai apibūdinti įmonę, bet neteisingai nurodyti vieną produktą, vadovo vaidmenį, vietą, sertifikatą ar santykius. Jis taip pat gali priskirti organizaciją neteisingai kategorijai ar auditorijai.
Visa tai yra klausimai, susiję su prekės ženklo reprezentacija dideliuose kalbos modeliuose. Matomumas yra viena paveikslo dalis. Viešiesiems ryšiams taip pat reikia suprasti teiginius, formuluotes, šaltinius ir kontekstą, susijusį su pavadinimu.
Skirtingos problemos reikalauja skirtingų atsakymų. Faktinė klaida gali reikalauti šaltinio pataisymo. Praleidimas gali parodyti, kad svarbią informaciją sunku gauti. Nepalankus, bet pagrįstas aprašymas gali reikalauti komunikacijos sprendimo, o ne „pataisymo“.
Ne kiekvienas problemiškas atsakymas yra haliucinacija
Žodis haliucinacija dažnai naudojamas beveik bet kokiam dirbtinio intelekto rezultatui, kuris nepatinka prekės ženklui. Tai per platu, kad būtų naudinga komunikacijos darbe.
„Semantio“ požiūriu, prekės ženklo haliucinacija yra patikrinamai klaidingas faktinis teiginys apie prekės ženklą, jo produktus, paslaugas, operacijas ar santykius. Svarbiausias testas yra faktinis prieštaravimas, o ne tai, ar teiginys yra nepatogus.
Tarkime, dirbtinio intelekto sistema teigia, kad įmonė turi sertifikatą, kurio ji niekada negavo. Tai yra faktinė problema, kurią galima patikrinti. Jei sistema apibūdina tą pačią įmonę kaip „tradicinį tiekėją“, o organizacija save pozicionuoja kaip inovatyvią, problema yra kitokia. Aprašymas gali būti pasenęs, redukcinis ar strategiškai nepageidaujamas, bet nebūtinai akivaizdžiai klaidingas.
Todėl viešųjų ryšių komandos turėtų atskirti bent jau:
klaidingus faktinius teiginius;
nepagrįstus ar sunkiai patikrinamus teiginius;
pasenusią informaciją;
panašių pavadinimų organizacijų, žmonių ar produktų painiavą;
neteisingą kategorijos ar rinkos priskyrimą;
svarbaus konteksto praleidimą;
iškraipymą ar supaprastinimą;
neatitikimą tarp dirbtinio intelekto reprezentacijos ir organizacijos numatytos pozicionavimo.
Kiekvieno nesutarimo vadinimas haliucinacija gali susilpninti teisėtą intervenciją. Komunikacijos komanda yra stipresnėje pozicijoje, kai ji gali pasakyti, kuris teiginys yra neteisingas, koks yra teisingas faktas ir kuris šaltinis patvirtina pataisymą.
„Semantio“ nepakeičia žiniasklaidos stebėjimo ar socialinių tinklų klausymosi
Tradicinis stebėjimas išlieka būtinas. „Semantio“ atsako į kitą klausimą.
Žiniasklaidos stebėjimas stebi publikuotą informaciją. Socialinių tinklų klausymasis stebi pokalbius ir signalus socialinėse platformose. Dirbtinio intelekto atsakymų tyrimai stebi, ką pasirinktos dirbtinio intelekto sistemos generuoja, kai vartotojai klausia apie organizaciją, kategoriją, problemą ar sprendimą.
Dirbtinio intelekto sistemos gali naudoti viešas svetaines, žiniasklaidą, katalogus ar forumus. Tačiau matuojamas objektas yra skirtingas: pats sugeneruotas atsakymas.
Dėl to dirbtinio intelekto atsakymų tyrimai yra papildomas sluoksnis viešiesiems ryšiams. Klaidingas teiginys gali pasirodyti dirbtinio intelekto atsakyme, net jei joks naujas straipsnis neturi to paties sakinio. Ir atvirkščiai, netikslus straipsnis neįrodo, kad dirbtinio intelekto sistema jį pakartos.
„Semantio“ matuoja dirbtinio intelekto rezultatus. Ji nematuoja, kuo tiki individualus vartotojas juos perskaitęs, taip pat neįrodo reputacijos žalos ar elgesio pokyčių. Netikslus atsakymas yra rizikos signalas, kurį reikia ištirti, o ne įrodymas, kad įvyko krizė.
Sukurkite tyrimą aplink situacijas, kuriose reputacija yra svarbi
Paklausus dirbtinio intelekto sistemos „Ką žinote apie prekės ženklą X?“ gali būti naudinga apžvalga, tačiau to nepakanka viešųjų ryšių auditui. Rizika dažnai atsiranda tik tada, kai klausimas apima konkrečią auditoriją, temą ar sprendimą.
Komunikacijos komanda gali išbandyti tokius scenarijus kaip:
žurnalistas, prašantis informacijos apie organizaciją ar jos vadovybę;
kandidatas, klausiantis apie įmonę kaip darbdavį;
verslo partneris, tikrinantis nuosavybę, veiklą ar rinkos buvimą;
klientas, klausiantis, ar prieštaringas teiginys apie produktą yra tiesa;
investuotojas ar analitikas, klausiantis apie vadovybę, plėtrą ar strateginį pokytį;
vietos suinteresuotoji šalis, klausianti apie organizacijos vaidmenį regione ar projekte.
Esmė yra apimti realius informacijos poreikius, kuriuose neteisingas ar neišsamus atsakymas galėtų būti svarbus.
Prekės ženklo ir ne prekės ženklo scenarijai atskleidžia skirtingus dalykus. „Kas nutiko įmonėje X?“ tikrina pavadintą organizaciją. „Kurios įmonės dalyvavo įvykyje Y?“ tikrina, ar ji pristatoma spontaniškai ir kokiu vaidmeniu. Abu gali būti aktualūs, bet jie nėra lygiaverčiai matavimai.
Tikrinkite teiginius apie organizaciją, o ne tik nuotaikas
Nuotaikos gali padėti rasti atsakymus, kurie nusipelno dėmesio, tačiau tai prastas pakaitalas, norint perskaityti, ką sistema iš tikrųjų sako.
Neigiamas atsakymas gali būti teisingas. Teigiamas atsakymas gali turėti rimtą melą. Neutralus atsakymas gali praleisti esminį kontekstą.
Viešiesiems ryšiams naudingesnė apžvalga klausia:
Kokie faktiniai teiginiai yra pateikiami apie organizaciją?
Ar vardai, vaidmenys, nuosavybė, vietos, datos ir santykiai yra teisingi?
Ar produktai, paslaugos ar iniciatyvos yra dabartinės?
Ar sena kontroversija pateikiama kaip dabartinė?
Ar kaltinimas tapo suformuluotas kaip nustatytas faktas?
Ar atsakymas painioja organizaciją su kitu subjektu?
Kokie atributai ar aprašymai kartojasi skirtinguose scenarijuose?
Koks svarbus kontekstas nuolat trūksta?
Tai perkelia analizę nuo „dirbtinis intelektas skamba neigiamai apie mus“ prie teiginių rinkinio, kurį galima patikrinti, prioritetizuoti ir, jei reikia, spręsti.
Šaltiniai padeda paaiškinti problemą, bet jie nesuteikia paprastos priežasties ir pasekmės grandinės
Kai dirbtinio intelekto sistema atskleidžia citatas ar šaltinius, jie yra vertingi diagnostiniai signalai. Komanda gali atrasti, kad pasenęs įmonės profilis, žiniasklaidos straipsnis ar trečiosios šalies katalogas nuolat pasirodo šalia atsakymų, kuriuose yra pasenusios informacijos.
Tai vis dar nepateisina teiginio „šis puslapis sukėlė atsakymą“. Dirbtinio intelekto sistemos gali sintetinti informaciją iš kelių šaltinių arba iš dalies remtis informacija, kuri nėra atskleista sąsajoje. Todėl šaltinių duomenys turėtų būti naudojami tirti, kas yra matoma, palyginti tai su teiginiu ir nuspręsti, kurios viešosios informacijos aplinkos dalys nusipelno peržiūros.
„Brand Semantics“ sistema, skirta „Brand Semantics Infrastructure“, yra naudinga čia, nes ji jungia subjektus, teiginius ir šaltinius, neapsimetant, kad prekės ženklai tiesiogiai kontroliuoja galutinį dirbtinio intelekto sistemos atsakymą. Viešieji ryšiai gali pagerinti viešosios informacijos aiškumą, aktualumą ir patvirtinimą. Jie negali garantuoti konkretaus modelio rezultato.
Atskirkite incidentą nuo modelio
„ChatGPT“, „Gemini“ ir kitos dirbtinio intelekto sistemos nebūtinai apibūdina tą pačią organizaciją vienodai. Todėl vieno raminančio atsakymo nepakanka problemai išspręsti – ir vieno problemiško atsakymo nepakanka, kad būtų paskelbta apie plačiai paplitusią naratyvo problemą.
Naudingas klausimas yra, ar pastebėjimas pasirodo viename modelyje ar keliuose, viename scenarijuje ar susijusiuose scenarijuose, vienai auditorijai ar kelioms, ir ar jis vėl pasirodo vėlesniame palyginamame matavime. Pasikartojimas keičia komunikacijos prioritetą.
Štai kodėl auditas turėtų išsaugoti tyrimo sąlygas ir pagrindinius atsakymus. „Brand Semantics“ vadovas, skirtas dirbtinio intelekto matomumo audito interpretavimui ir ataskaitų teikimui, parodo, kodėl signalas yra svarbus tik tada, kai jį galima atsekti iki atsakymo, teiginio, šaltinio ir sąlygų, kurios jį sukėlė.
Tas pats principas taikomas laikui bėgant. LLM prekės ženklo stebėjimas reikalauja palyginamų matavimų ir išsaugotų įrodymų, kad būtų galima pamatyti, ar pastebėta problema išlieka, dingsta ar keičia formą. Tai padeda viešiesiems ryšiams išvengti tiek ignoruoti pasikartojančią problemą, nes „dirbtinis intelektas yra atsitiktinis“, tiek per daug reaguoti į vieną rezultatą, tarsi jis atspindėtų visus atsakymus, kuriuos vartotojai gaus.
Paverskite išvadas viešųjų ryšių atsakymų hierarchija
Ne kiekviena reprezentacijos problema reikalauja to paties veiksmo. Praktinis komunikacijos darbo procesas gali prasidėti keturiais klausimais.
Ar teiginys yra akivaizdžiai klaidingas? Nustatykite teisingą faktą ir stipriausią prieinamą šaltinį, tada patikrinkite, kur netiksli ar pasenusi informacija išlieka vieša.
Ar teiginys yra tikslus, bet trūksta esminio konteksto? Peržiūrėkite, ar tas kontekstas yra aiškiai ir nuosekliai prieinamas viešuosiuose šaltiniuose.
Ar problema daugiausia susijusi su pozicionavimu ar formuluote? Palyginkite dirbtinio intelekto aprašymą su įrodymais, kuriuos organizacija iš tikrųjų skelbia. Tam gali prireikti komunikacijos darbo, o ne pataisymo prašymo.
Ar pastebėjimas yra izoliuotas ar pasikartojantis? Naudokite atsakymų lygio įrodymus ir palyginamus scenarijus, kad nuspręstumėte, ar tai yra incidentas, kurį reikia dokumentuoti, ar modelis, kuriam reikia teikti pirmenybę.
Kitas veiksmas gali apimti įmonės turinį, ryšius su žiniasklaida, vadovų biografijas, partnerių puslapius, SEO/GEO darbą ar nuolatinį stebėjimą. Jis turėtų sekti diagnozę.
„Brand Semantics“ aptaria šią platesnę ribą ką iš tikrųjų galima optimizuoti dirbtinio intelekto paieškoje: komandos gali dirbti su kontroliuojamais ištekliais ir daryti įtaką platesnei informacijos aplinkai, o sugeneruotas rezultatas išlieka už tiesioginės kontrolės.
Įrodymai svarbūs prieš eskalavimą
Ekrano nuotraukos yra naudingos viduje, tačiau viešųjų ryšių sprendimams reikia daugiau konteksto nei apkarpytas atsakymas.
Kai atsiranda potencialiai rimta problema, komanda turėtų galėti patikrinti originalų scenarijų, išbandytą dirbtinio intelekto sistemą, visą atsakymą, datą, prieinamus šaltinius ar citatas ir rezultatui priskirtą klasifikaciją. Tai leidžia komunikacijos, rinkodaros, teisinių ar valdymo komandoms aptarti tą patį pastebėjimą, o ne skirtingas prietaisų skydelio balo interpretacijas.
Tai padeda atskirti tris klausimus:
Ką tiksliai pasakė dirbtinio intelekto sistema?
Kokie įrodymai rodo, kad teiginys yra neteisingas, pasenęs ar neišsamus?
Koks komunikacijos veiksmas, jei toks yra, yra proporcingas?
Šis audito takas yra ypač svarbus, kai išvada eskaluojama viduje. Tikslas nėra padaryti dirbtinio intelekto riziką dramatiškesnę. Tikslas yra palengvinti įrodymų peržiūrą.
Vėl matuokite po komunikacijos pokyčių – nepretenduodami į automatinį priežastingumą
Jei komanda atnaujina vadovo biografiją, pataiso pasenusį puslapį ar paskelbia aiškesnį pareiškimą, vėlesnis tyrimas gali patikrinti, ar dirbtinio intelekto atsakymai dabar rodo kitokį modelį.
Rezultato pasikeitimas neįrodo, kad jį sukėlė vienas komunikacijos veiksmas. Modeliai keičiasi, paieškos sąlygos skiriasi ir atsiranda kiti šaltiniai. Prieš ir po matavimai yra naudingiausi, kai scenarijai ir tyrimo sąlygos išlieka kuo labiau palyginamos.
Tada viešieji ryšiai gali paklausti, ar klaidingas teiginys vis dar pasirodo, ar pataisyti faktai yra tiksliai reprezentuojami ir ar dabartiniai šaltiniai yra matomi. Tai yra informacijos aplinkos stebėjimai, o ne tiesioginis reputacijos ar kampanijos efektyvumo matas.
Kaip „Semantio“ palaiko viešųjų ryšių ir komunikacijos komandas
„Semantio“ paverčia šio tipo peržiūrą struktūrizuotu tyrimo procesu. Organizacijos tapatybė sujungia informaciją apie subjektą, produktus ar paslaugas, atitinkamas auditorijas ir konkurentus. Tyrimo scenarijai tada gali apimti situacijas, kuriose klientai, žurnalistai, kandidatai, partneriai ar kitos suinteresuotosios šalys gali klausti dirbtinio intelekto sistemų apie organizaciją.
„Semantio“ vykdo apibrėžtus scenarijus per pasirinktus dirbtinio intelekto modelius ir analizuoja aspektus, įskaitant prekės ženklo buvimą, rekomendacijas, nuotaikas, priskirtas charakteristikas, konkurentus, produktus ar paslaugas, prieinamus šaltinius ir citatas, haliucinacijas ir kitas reprezentacijos problemas. Rezultatai išlieka susiję su pagrindiniais atsakymais, todėl bendras signalas gali grįžti prie atsakymo, kuris jį sukėlė.
Tyrimas taip pat gali būti pakartotas po pataisymo, kampanijos, įmonės pokyčių ar reputacijos įvykio, išlaikant aiškias priežastinio interpretavimo ribas.
Platesniam metodologiniam pagrindui „Brand Semantics“ 5P modelis dirbtinio intelekto matomumo auditams atskiria buvimą, poziciją, kilmę, tikslumą ir išlikimą. Tai naudingas priminimas, kad matomas prekės ženklas vis dar gali būti netiksliai reprezentuojamas – ir kad reprezentacijos kokybė yra svarbesnė nei vien tik paminėjimas.
Viešiesiems ryšiams reikia žinoti, ką sako dirbtinis intelektas, prieš nusprendžiant, kaip reaguoti
Dirbtinio intelekto generuojami atsakymai yra dar viena vieta, kur organizacijos yra apibūdinamos ir interpretuojamos. Komunikacijos komandoms tai yra papildomas sluoksnis prie žiniasklaidos stebėjimo.
Naudingas rezultatas yra gebėjimas identifikuoti abejotiną reprezentaciją, patikrinti atsakymą, atskirti faktinę haliucinaciją nuo kitos problemos, peržiūrėti šaltinius ir nuspręsti, ar problema yra izoliuota, pasikartojanti ar pakankamai svarbi, kad būtų imtasi veiksmų.
Jei norite nustatyti savo organizacijos bazinę liniją, susikurkite „Semantio“ paskyrą ir pradėkite nuo klausimų, kurie yra svarbiausi jūsų komunikacijos komandai.
