สรุปสั้น ๆ (TL;DR)
- StackAdapt เผยแพร่งานวิจัย "The AI Delegation Gap" เมื่อ 19 สิงหาคม 2569 อ้างอิงการสำรวจของ NewtonX กับนักการตลาดและนักโฆษณา 500 คน ระหว่าง 19 พฤษภาคม ถึง 8 มิถุนายน 2569 บวกลูกค้า StackAdapt อีก 187 ราย
- มีนักการตลาดเพียง 6% ที่บอกว่าทำตามคำแนะนำ AI ในแพลตฟอร์มแทบทุกครั้ง ขณะที่ 91% บอกว่าองค์กรใช้เครื่องมือ AI และ 88% บอกว่าเห็นผลลัพธ์ดีขึ้นจาก AI ในระดับหนึ่ง
- ความสบายใจลดลงตามระดับการมอบอำนาจ 90% รับได้กับ AI ที่แนะนำ 89% กับ AI ที่เตรียมไว้ให้อนุมัติ 78% กับ AI ที่ทำภายใต้กฎที่คนตั้ง แต่เหลือ 50% เมื่อให้ AI ทำงานเองอิสระแม้พิสูจน์ผลแล้ว
- เหตุผลที่มองข้ามคำแนะนำ 42% กว้างเกินไปหรือไม่เกี่ยวข้อง 22% ไม่ตรงกลยุทธ์ 17% ไม่มีคำอธิบาย 12% รู้สึกว่าเสนอมาเพื่อดันงบ 6% มีมากเกินจะประเมินไหว และ 1% อื่น ๆ
- สิ่งที่ทำให้ลงมือคือ 33% คำอธิบายที่ชัดเจน และ 31% การผูกกับ KPI ที่สนใจ ส่วนทั้งห้ามิติของประสบการณ์คำแนะนำไม่มีมิติใดได้คะแนนบวกเกิน 40% และไม่มีการแยกข้อมูลของประเทศไทย
StackAdapt เผยแพร่ผลการศึกษาชื่อ "The AI Delegation Gap" เมื่อวันที่ 19 สิงหาคม 2569 โดยพบว่ามีนักการตลาดเพียง 6% เท่านั้นที่ลงมือทำตามคำแนะนำ AI ในแพลตฟอร์มโฆษณาแทบทุกครั้ง ตัวเลขนี้มาจากการสำรวจของ NewtonX ที่เก็บข้อมูลจากนักการตลาดและนักโฆษณามืออาชีพ 500 คน ระหว่างวันที่ 19 พฤษภาคม ถึง 8 มิถุนายน 2569 ควบคู่กับการสำรวจลูกค้าของ StackAdapt เองอีก 187 ราย ขณะที่คนกลุ่มเดียวกันนี้บอกว่า AI อยู่ในงานประจำวันของพวกเขาแล้ว โดย 91% ระบุว่าองค์กรของตนใช้เครื่องมือ AI ในงานการตลาดหรือโฆษณา
StackAdapt เก็บข้อมูลระหว่าง 19 พฤษภาคม ถึง 8 มิถุนายน 2569
งานวิจัยที่ StackAdapt เผยแพร่เมื่อวันที่ 19 สิงหาคม 2569 ดำเนินการโดย NewtonX ครอบคลุมนักการตลาดและนักโฆษณามืออาชีพ 500 คนที่ถูกสำรวจระหว่างวันที่ 19 พฤษภาคม ถึง 8 มิถุนายน 2569 บวกกับการสำรวจแยกอีกชุดหนึ่งจากลูกค้าของ StackAdapt จำนวน 187 ราย โดย PPC Land รายงานการเผยแพร่ครั้งนี้และหยิบตัวเลขเดียวกันขึ้นมาเป็นแกน นั่นคือ 6% ของนักการตลาดที่บอกว่าตนทำตามคำแนะนำที่แพลตฟอร์มโฆษณาเสิร์ฟให้แทบทุกครั้ง
ในด้านการใช้งาน ตัวเลขแทบจะเป็นเอกฉันท์ 91% บอกว่าองค์กรของตนใช้เครื่องมือ AI ในงานการตลาดหรือโฆษณา 86% ใช้เป็นประจำหรือใช้กับงานส่วนใหญ่ และ 88% รายงานว่าเห็นผลลัพธ์ดีขึ้นจาก AI ในระดับหนึ่ง ส่วนความแตกต่างระหว่างภูมิภาคแทบไม่มีเลย อยู่ที่ 91% ในอเมริกาเหนือ 90% ในภูมิภาค EMEA และ 92% ในเอเชียแปซิฟิก ในชุดข้อมูลนี้จึงไม่มีภูมิภาคไหนที่ตามหลังจนใช้เป็นข้ออธิบายผลลัพธ์ส่วนที่เหลือได้ ซึ่งเป็นเรื่องสำคัญ เพราะตัวเลขที่น่าสนใจจริง ๆ ในงานวิจัยชิ้นนี้คือตัวเลขที่ต่ำเหมือนกันหมดทุกที่
ความสบายใจต่อ AI ยังอยู่ครบ จนกระทั่งคนถูกถอดออกจากวงจร
StackAdapt ถามผู้ตอบแบบสอบถามว่าสบายใจแค่ไหนกับการให้ AI เข้ามามีบทบาทในสี่ระดับ และคำตอบที่ได้เรียงตัวเป็นบันไดที่มีขั้นหนึ่งชันมาก ตารางด้านล่างคือทั้งสี่ระดับพร้อมสัดส่วนผู้ที่สบายใจกับแต่ละระดับ ตามที่รายงานไว้ในงานวิจัยวันที่ 19 สิงหาคม 2569
| ระดับการมีบทบาทของ AI | สัดส่วนนักการตลาดที่สบายใจ |
|---|---|
| AI แนะนำสิ่งที่ควรทำ | 90% |
| AI เตรียมการเปลี่ยนแปลงไว้ให้คนอนุมัติ | 89% |
| AI ลงมือทำภายใต้กฎที่คนตั้งไว้ | 78% |
| AI ทำงานเองอิสระเมื่อพิสูจน์ผลลัพธ์แล้ว | 50% |
สองขั้นแรกถือว่าเป็นคำตอบเดียวกันที่ 90% และ 89% เพราะทั้งคู่คือเครื่องเสนอ คนเป็นผู้ตัดสิน พอขยับมาเป็นการให้ AI ลงมือทำภายใต้กฎที่คนเขียนไว้ ตัวเลขหายไป 11 จุด เหลือ 78% และเมื่อถอดคนออกจากวงจรทั้งหมด แม้จะเป็นกรณีที่พิสูจน์ผลลัพธ์แล้ว ตัวเลขหายไปอีก 28 จุด เหลือ 50% พูดอีกอย่างคือครึ่งหนึ่งของคนทำอาชีพนี้ยังไม่ยอมส่งมอบพวงมาลัย แม้ในเงื่อนไขที่ดีที่สุดเท่าที่คำถามจะบรรยายได้ นี่คือรูปร่างของช่องว่างดังกล่าว การใช้งานไม่ใช่ข้อจำกัด ความเชื่อในคุณภาพผลลัพธ์ก็ไม่ใช่ เพราะ 88% บอกว่าเห็นผลดีขึ้น ข้อจำกัดอยู่ที่ว่าใครเป็นคนกดปุ่ม
มีเพียง 6% ที่ทำตามคำแนะนำ AI ในแพลตฟอร์มโฆษณาแทบทุกครั้ง
ตัวเลขที่ถูกอ้างถึงมากที่สุดจากงานวิจัยของ StackAdapt คือ 6% ของนักการตลาดที่บอกว่าตนทำตามคำแนะนำ AI ในแพลตฟอร์มแทบทุกครั้ง กลับด้านกันก็คือ 94% ที่ไม่ได้ทำตามอย่างสม่ำเสมอ ทั้ง Google, Meta และ Microsoft ต่างมีหน้าจอคำแนะนำอยู่ในเครื่องมือโฆษณาของตน และหลายรายการมีสวิตช์ที่ทำให้คำแนะนำถูกนำไปใช้เองโดยอัตโนมัติหากผู้ลงโฆษณาไม่ปิดไว้ งานวิจัยชิ้นนี้วัดฝั่งอุปสงค์ของสิ่งที่แพลตฟอร์มป้อนมา และพบว่ามันบางมาก
ส่วนนี้เป็นการวิเคราะห์ ไม่ใช่ผลการวิจัย ตัวเลข 6% ไม่ได้แปลว่าคำแนะนำของแพลตฟอร์มไร้ค่า แต่แปลว่าหน้าจอคำแนะนำในรูปแบบที่สร้างขึ้นตอนนี้ ยังผ่านเกณฑ์ที่คนซื้อสื่อซึ่งมีประสบการณ์ใช้ตัดสินใจก่อนแตะบัญชีจริงไม่ได้ สองข้อความนี้ต่างกัน และงานวิจัยวัดเพียงข้อหลังเท่านั้น
เหตุผลที่นักการตลาดมองข้ามคำแนะนำ 42% บอกว่ากว้างเกินไปหรือไม่เกี่ยวข้อง
StackAdapt ถามนักการตลาดที่มองข้ามคำแนะนำในแพลตฟอร์มว่าเพราะอะไร คำตอบตามที่รายงานไว้ในงานวิจัยวันที่ 19 สิงหาคม 2569 อยู่ในตารางด้านล่าง
| เหตุผลที่ไม่ทำตามคำแนะนำ | สัดส่วนผู้ตอบ |
|---|---|
| รู้สึกว่ากว้างเกินไปหรือไม่เกี่ยวข้อง | 42% |
| ไม่สอดคล้องกับกลยุทธ์ | 22% |
| ขาดคำอธิบายหรือความโปร่งใส | 17% |
| รู้สึกว่าจังหวะที่เสนอมาเพื่อดันงบ ไม่ใช่เพื่อผลลัพธ์ | 12% |
| มีมากเกินกว่าจะประเมินไหว | 6% |
| อื่น ๆ | 1% |
มีสองบรรทัดในตารางนี้ที่ควรแยกออกมาพูด กลุ่ม 12% ที่มองว่าคำแนะนำถูกจับจังหวะมาเพื่อดันงบมากกว่าเพื่อผลลัพธ์ กำลังตั้งข้อกล่าวหาเรื่องแรงจูงใจ ซึ่งการปรับหน้าจอให้สวยขึ้นไม่มีทางตอบได้ ส่วนกลุ่ม 17% ที่บอกว่าขาดคำอธิบาย กำลังบ่นในเรื่องที่แก้ได้ตรงไปตรงมากว่ามาก นั่นคือคำแนะนำมาถึงโดยไม่มีเหตุผลติดมาด้วย
ส่วนนี้เป็นการวิเคราะห์ คำตอบอันดับหนึ่งที่ 42% ว่ากว้างเกินไปหรือไม่เกี่ยวข้อง มักถูกพูดถึงในฐานะปัญหาความเชื่อใจ แต่มันดูเหมือนปัญหาความครอบคลุมของข้อมูลมากกว่า ระบบแนะนำเขียนข้อเสนอจากสิ่งที่แพลตฟอร์มมองเห็น ซึ่งได้แก่ประวัติของบัญชีนั้นเอง อินเวนทอรีของแพลตฟอร์มเอง และรูปแบบที่โมเดลสรุปจากผู้ลงโฆษณารายอื่นที่คล้ายกัน สิ่งที่มันมองไม่เห็นคือมาร์จิ้นของสินค้า สถานะสต๊อก กำลังของทีมขาย การปรับราคาที่กำลังจะเกิด และความจริงที่ว่าคอนเวอร์ชันที่บันทึกไว้ครึ่งหนึ่งอาจเป็นขยะ ข้อเสนอที่สร้างจากมุมมองบางส่วนของธุรกิจ ย่อมอ่านแล้วรู้สึกกว้างสำหรับคนที่ถือภาพทั้งหมดอยู่ และจะรู้สึกแบบนั้นต่อไปไม่ว่าจะเขียนด้วยน้ำเสียงมั่นใจแค่ไหน
สิ่งที่ทำให้นักการตลาดยอมลงมือ คือคำอธิบายและการผูกกับ KPI
StackAdapt ยังถามด้วยว่าอะไรจะทำให้นักการตลาดยอมทำตามคำแนะนำ 33% ตอบว่าคำอธิบายหรือเหตุผลที่ชัดเจน และ 31% ตอบว่าการผูกกับ KPI ที่พวกเขาสนใจอย่างชัดเจน ไม่มีคำตอบอื่นที่ถูกรายงานในระดับเดียวกันนี้ในข่าวการเผยแพร่
คำตอบสองข้อนี้บรรยายถึงสิ่งเดียวกันที่หายไปจากคนละด้าน คำแนะนำที่บอกว่าทำไมมันถึงมีอยู่ และมันควรขยับตัวเลขไหน คือข้อเสนอที่ทดสอบได้ ส่วนคำแนะนำที่บอกแค่ว่าให้ทำอะไร คือการขอความเชื่อใจ และงานวิจัยชิ้นนี้แสดงว่าความเชื่อใจแบบลอย ๆ ไม่ใช่สกุลเงินที่นักการตลาดจ่าย พวกเขาเชื่ออยู่แล้วว่า AI ทำให้ผลลัพธ์ดีขึ้นที่ระดับ 88% แต่ก็ยังไม่ลงมือทำที่ระดับ 94%
ไม่มีมิติไหนของประสบการณ์คำแนะนำที่ได้คะแนนบวกเกิน 40%
StackAdapt ให้คะแนนประสบการณ์การใช้คำแนะนำใน 5 มิติ ได้แก่ ความเกี่ยวข้อง จังหวะเวลา ความชัดเจน ความสามารถในการจัดการ และความง่ายในการลงมือทำ ปรากฏว่าไม่มีมิติใดเลยที่ได้คะแนนบวกเกิน 40% นี่คือผลลัพธ์ที่เงียบที่สุดในงานวิจัย และอาจแย่กว่าพาดหัว 6% เสียอีกสำหรับฝั่งแพลตฟอร์ม เพราะมันบอกว่าความล้มเหลวไม่ได้กระจุกอยู่ที่จุดใดจุดหนึ่งที่แก้ได้ง่าย ถ้าเป็นปัญหาความเกี่ยวข้องอย่างเดียวก็แก้ด้วยโมเดลที่ดีขึ้น ถ้าเป็นปัญหาความชัดเจนอย่างเดียวก็แก้ด้วยการเขียนใหม่ แต่คะแนนกลาง ๆ ห้าตัวในห้ามิติที่เป็นอิสระต่อกัน บรรยายถึงหน้าจอที่ถูกออกแบบมาเพื่อผู้ใช้ที่ไม่มีอยู่จริง คือคนที่มีอำนาจเปลี่ยนงบได้เอง ไม่ต้องอธิบายเหตุผลกับใคร และมีเวลานั่งไล่คิวคำแนะนำทีละใบ
เช็กลิสต์ก่อนยอมรับคำแนะนำที่ระบบใช้อัตโนมัติ
งานวิจัยไม่ได้กำหนดขั้นตอนการทำงานใด ๆ เช็กลิสต์นี้เป็นของเราเอง สร้างจากสองสิ่งที่แบบสำรวจบอกว่าทำให้นักการตลาดลงมือ นั่นคือเหตุผลที่ระบุไว้ชัด และการเชื่อมโยงกับ KPI
- อ่านว่าคำแนะนำนั้นเปลี่ยนอะไรจริง ๆ ไม่ใช่อ่านแค่ป้ายชื่อ การกดการ์ด "เพิ่มงบประมาณ" เปลี่ยนจังหวะการใช้เงินของทุกกลุ่มโฆษณาที่อยู่ข้างใต้ รวมถึงกลุ่มที่คุณตั้งใจหยุดใช้เงินไว้
- หา KPI ให้เจอ ถ้าคุณบอกไม่ได้ว่าตัวเลขไหนคือตัวเลขที่การเปลี่ยนแปลงนี้ควรขยับ และควรขยับไปทางไหน แปลว่าคุณไม่ได้กำลังประเมินคำแนะนำ แต่กำลังรับมันมาเฉย ๆ
- ตรวจสัญญาณคอนเวอร์ชันที่คำแนะนำใช้คิด คำแนะนำที่สร้างจากคอนเวอร์ชันซึ่งยิงตอนเปิดหน้าขอบคุณ จากแท็กที่ซ้ำซ้อน หรือจากเป้าหมายที่นำเข้ามาโดยไม่เคยมีใครตรวจ จะสมเหตุสมผลในตัวเองแต่ผิดกับความจริงข้างนอก
- ตรวจสิ่งที่แพลตฟอร์มมองไม่เห็น ทั้งมาร์จิ้น สต๊อก คุณภาพลีดหลังจากกรอกฟอร์ม ฤดูกาลเฉพาะของตลาดคุณ และแคมเปญที่มีอยู่ด้วยเหตุผลอื่นนอกจากผลตอบแทนแบบคลิกสุดท้าย
- ตรวจจังหวะเวลา คำแนะนำที่มาถึงตอนเริ่มโปรโมชัน ตอนอยู่กลางช่วงเรียนรู้ หรือสามวันหลังเปลี่ยนระบบวัดผล กำลังตอบคำถามเกี่ยวกับบัญชีคนละชุดกับบัญชีที่คุณมีอยู่ตอนนี้
- ตรวจว่าโหมดใช้คำแนะนำอัตโนมัติเปิดอยู่หรือไม่ ในเครื่องมือโฆษณาหลายตัว ค่าเริ่มต้นคือคำแนะนำบางหมวดจะถูกนำไปใช้เอง ให้ไล่ดูประวัติการเปลี่ยนแปลงแทนที่จะดูแท็บคำแนะนำ เพราะประวัติการเปลี่ยนแปลงคือที่ที่คำแนะนำซึ่งถูกใช้ไปแล้วจะปรากฏจริง
- บันทึกการตัดสินใจไว้ ถ้าคุณปฏิเสธคำแนะนำใด ให้จดเหตุผลไว้ด้วย เพราะการ์ดใบเดิมจะกลับมาอีก และเหตุผลนั้นมีค่ามากขึ้นในรอบที่สอง
งานส่วนใหญ่ในเช็กลิสต์นี้คืองานฝั่งการวัดผล ไม่ใช่งานฝั่งซื้อสื่อ ซึ่งเป็นเหตุผลว่าทำไมบัญชีที่มีการติดตามคอนเวอร์ชันสะอาดและผ่านการตรวจสอบ จึงได้ประโยชน์จากระบบอัตโนมัติของแพลตฟอร์มมากกว่าบัญชีที่ไม่มี ถ้าสัญญาณที่ป้อนเข้าโมเดลผิด คำแนะนำก็จะผิดตามไปด้วยความมั่นใจเต็มร้อย การมี ระบบวิเคราะห์ข้อมูลและการวัดคอนเวอร์ชันที่ตั้งค่าถูกต้อง จึงเป็นเงื่อนไขตั้งต้นก่อนจะมอบอำนาจให้ระบบใด ๆ และยังเป็นวิธีที่ถูกที่สุดในการทำให้คำแนะนำของแพลตฟอร์มกว้างน้อยลง เพราะมันขยายสิ่งที่แพลตฟอร์มมองเห็น ตรรกะเดียวกันนี้ใช้ได้กับ บัญชี Google Ads ซึ่งเป็นที่ที่คำแนะนำอัตโนมัติอยู่ใกล้เงินจริงมากที่สุด
สิ่งที่งานวิจัยไม่ได้พูด
นี่คืองานวิจัยที่ผู้ขายเป็นผู้ว่าจ้าง StackAdapt ขายเทคโนโลยีสำหรับซื้อสื่อ ซึ่งแปลว่าบริษัทมีผลประโยชน์ทางธุรกิจกับข้อสรุปที่บอกว่าผู้ลงโฆษณาไม่ไว้ใจคำแนะนำที่ฝังอยู่ในแพลตฟอร์มคู่แข่ง เรื่องนี้ไม่ได้ทำให้ตัวเลขผิด แต่แปลว่ากรอบการเล่าเรื่องถูกเลือกโดยผู้มีส่วนได้เสีย และควรอ่านงานชิ้นนี้ในฐานะข้อมูลหนึ่งชุด ไม่ใช่ข้อสรุปสุดท้ายของตลาด
กลุ่มตัวอย่างคือนักการตลาดและนักโฆษณามืออาชีพ 500 คนที่ NewtonX สำรวจระหว่างวันที่ 19 พฤษภาคม ถึง 8 มิถุนายน 2569 บวกกับลูกค้า StackAdapt อีก 187 รายที่สำรวจแยกต่างหาก จำนวนห้าร้อยคนถือว่าเป็นกลุ่มตัวอย่างระดับวิชาชีพที่พอใช้ได้ แต่ไม่ใช่การสำรวจทั้งประชากร ส่วนกลุ่มย่อยที่เป็นลูกค้านั้น ตามนิยามแล้วคือคนที่ซื้อของจากผู้ว่าจ้างงานวิจัยไปแล้ว
ในแง่ภูมิศาสตร์ งานวิจัยรายงานเพียงการแบ่งสามภูมิภาค คืออเมริกาเหนือ EMEA และเอเชียแปซิฟิก ไม่มีการแยกข้อมูลของประเทศไทยและไม่มีการแยกข้อมูลของเอเชียตะวันออกเฉียงใต้ ใครก็ตามที่อ้างตัวเลข 6% ว่าเป็นสถิติของไทย เท่ากับกำลังสร้างตัวเลขขึ้นมาเอง นอกจากนี้งานวิจัยยังไม่ได้ระบุว่าคำแนะนำเหล่านั้นมาจากแพลตฟอร์มใดบ้าง ไม่ได้บอกว่าผู้ตอบกี่คนเปิดโหมดใช้คำแนะนำอัตโนมัติไว้ และไม่ได้วัดว่าบัญชีที่ทำตามคำแนะนำแล้วเกิดอะไรขึ้น ข้อมูลชุดนี้จึงไม่มีผลลัพธ์เชิงประสิทธิภาพอยู่เลย มีเพียงพฤติกรรมที่ผู้ตอบบอกเอง และระดับความสบายใจที่ผู้ตอบบอกเอง
เรื่องนี้หมายความว่าอย่างไรกับนักการตลาดไทย
ค่าเริ่มต้นเรื่องการใช้คำแนะนำอัตโนมัติที่มากับ Google Ads, Meta และ Microsoft Advertising มาถึงประเทศไทยแบบเดียวกับที่ไปถึงทุกที่ และผู้ดูแลบัญชีในกรุงเทพก็เห็นการ์ดชุดเดียวกับผู้ดูแลบัญชีในนิวยอร์ก สิ่งที่ไม่เหมือนกันคือปริมาณสัญญาณท้องถิ่นที่อยู่เบื้องหลังการ์ดเหล่านั้น พฤติกรรมการค้นหาภาษาไทย เส้นทางคอนเวอร์ชันของคนไทยที่จบลงที่ LINE มากกว่าฟอร์มบนเว็บ และปริมาณความต้องการในหมวดหมู่ที่เล็กกว่าตลาดสหรัฐมาก ล้วนแปลว่าระบบแนะนำมีข้อมูลให้คิดน้อยกว่าก่อนจะเสนออะไรกับบัญชีในไทย
ส่วนนี้เป็นการให้เหตุผลต่อยอดจากงานวิจัย ไม่ใช่การรายงานผลวิจัย เงื่อนไขที่ว่ามานั้นตรงกับสิ่งที่คำตอบ 42% เรื่องกว้างเกินไปหรือไม่เกี่ยวข้องบรรยายไว้พอดี งานวิจัยไม่ได้วัดประเทศไทย ดังนั้นนี่คือการอนุมานและควรถูกปฏิบัติในฐานะการอนุมาน แต่กลไกเบื้องหลังก็ไม่ได้ซับซ้อนอะไร ข้อมูลที่บางกว่าย่อมผลิตข้อเสนอที่กว้างกว่า และข้อเสนอที่กว้างกว่าย่อมถูกมองข้าม ซึ่งคือวงจรเดียวกับที่งานวิจัยบันทึกไว้ในตลาดที่มันวัดจริง
ผลในทางปฏิบัติสำหรับผู้ลงโฆษณาไทยคือ ขั้นตอนการตรวจทานสำคัญกว่าเดิม ไม่ใช่น้อยลง และวิธีที่เร็วที่สุดในการยกระดับคุณภาพคำแนะนำที่คุณได้รับ คือการยกระดับคุณภาพสัญญาณที่คุณส่งออกไป นั่นหมายถึงการตั้งคอนเวอร์ชันที่สะท้อนรายได้จริง การนำเข้าคอนเวอร์ชันออฟไลน์ในกรณีที่ปิดการขายนอกเว็บ และการมองตามจริงว่าคอนเวอร์ชันที่บันทึกไว้กี่รายการคือการกดแชทเฉย ๆ
คำถามที่พบบ่อย
งานวิจัยนี้บอกให้ปิดโหมดใช้คำแนะนำอัตโนมัติหรือเปล่า
ไม่ งานวิจัยไม่ได้ให้คำแนะนำเรื่องการตั้งค่าโหมดอัตโนมัติเลย มันรายงานว่า 6% ของนักการตลาดทำตามคำแนะนำ AI ในแพลตฟอร์มแทบทุกครั้ง และบันทึกเหตุผลที่คนที่เหลือให้ไว้ว่าทำไมจึงมองข้าม ส่วนโหมดอัตโนมัติจะเหมาะกับบัญชีใดขึ้นอยู่กับคุณภาพการวัดผลของบัญชีนั้นและกำลังคนที่จะตรวจทาน ซึ่งงานวิจัยไม่ได้วัดทั้งสองอย่าง
ข้อมูลชุดนี้เจาะจงประเทศไทยหรือไม่
ไม่ งานวิจัยรายงานการแบ่งเพียงสามภูมิภาค คือการใช้งาน 91% ในอเมริกาเหนือ 90% ใน EMEA และ 92% ในเอเชียแปซิฟิก และไม่มีการแยกข้อมูลของไทยหรือเอเชียตะวันออกเฉียงใต้ การนำตัวเลขไปใช้กับตลาดไทยจึงเป็นการอนุมาน ไม่ใช่การอ้างอิง
ใครเป็นผู้จ่ายเงินทำวิจัยนี้
StackAdapt เป็นผู้ว่าจ้าง และ StackAdapt ขายเทคโนโลยีสำหรับซื้อสื่อ โดย NewtonX เป็นผู้เก็บข้อมูลจากนักการตลาดและนักโฆษณามืออาชีพ 500 คนระหว่างวันที่ 19 พฤษภาคม ถึง 8 มิถุนายน 2569 และมีการสำรวจคู่ขนานกับลูกค้า StackAdapt 187 ราย ผลประโยชน์ทางธุรกิจนี้ควรถูกเก็บไว้ในใจตอนอ่านกรอบการเล่าเรื่อง
ถ้า 88% บอกว่า AI ทำให้ผลลัพธ์ดีขึ้น ทำไมมีแค่ 6% ที่ทำตามคำแนะนำของมัน
เพราะงานวิจัยวัดสองเรื่องที่ต่างกัน คือความเชื่อต่อ AI โดยรวม กับความเต็มใจลงมือทำตามข้อเสนอเฉพาะเจาะจงในแพลตฟอร์ม เหตุผลที่ให้ไว้สำหรับการมองข้ามข้อเสนอนำโดย 42% ที่บอกว่าข้อเสนอกว้างเกินไปหรือไม่เกี่ยวข้อง ตามด้วย 22% ที่บอกว่าไม่สอดคล้องกับกลยุทธ์ และ 17% ที่บอกว่าขาดคำอธิบาย
ต้องลงมือทำอะไรไหมเพราะงานวิจัยชิ้นนี้
ไม่มีอะไรที่บังคับต้องทำ เพราะนี่คืองานสำรวจ ไม่ใช่การเปลี่ยนแปลงของแพลตฟอร์ม แต่มันเป็นเหตุผลที่ดีในการไปเช็กว่าบัญชีของคุณเปิดโหมดใช้คำแนะนำอัตโนมัติไว้หรือไม่ และสัญญาณคอนเวอร์ชันที่ป้อนคำแนะนำเหล่านั้นเชื่อถือได้แค่ไหน ซึ่งเป็นสิ่งที่ควรทำอยู่แล้วไม่ว่าผลสำรวจไหนจะรายงานอะไร
ช่องว่างนี้คือปัญหาการตรวจทาน ไม่ใช่ปัญหาของ AI
เมื่ออ่านรวมกัน ตัวเลขของ StackAdapt บรรยายถึงวิชาชีพที่ยอมรับ AI ในฐานะเครื่องมือ แต่ปฏิเสธมันในฐานะผู้ตัดสินใจ และมีเหตุผลค่อนข้างเฉพาะเจาะจงสำหรับการปฏิเสธนั้น 90% ยอมรับคำแนะนำ 50% ยอมรับระบบที่ทำงานเองอิสระ และ 6% ทำตามสิ่งที่แพลตฟอร์มเสนอแทบทุกครั้ง ช่องว่างระหว่างตัวเลขเหล่านี้ถูกเติมเต็มด้วยงานตรวจทาน และงานตรวจทานคือสิ่งแรกที่ถูกข้ามเมื่อทีมมีคนไม่พอหรือระบบวัดผลรกรุงรัง หากคุณอยากให้ช่วยตรวจว่าแพลตฟอร์มโฆษณากำลังแนะนำอะไรอยู่ และข้อมูลเบื้องหลังคำแนะนำนั้นควรค่าแก่การทำตามหรือไม่ ทีมของเรายินดีเข้าไปดูให้
