هوش مصنوعی، مرز میان بازاریابی و مهندسی را کم‌رنگ می‌کند

بازاریابی برای سال‌ها حول یک ریتم آشنا می‌چرخید: کمپین طراحی کن، مخاطب انتخاب کن، محتوا بساز، نتیجه را در داشبورد ببین و دوباره از اول شروع کن. ورود هوش مصنوعی عامل‌محور (Agentic AI) این الگو را تغییر می‌دهد. اکنون یک عامل هوشمند می‌تواند داده‌ای را از یک سامانه بگیرد، با اطلاعات سیستم دیگری مقایسه کند و براساس نتیجه، در ابزار سومی اقدام انجام دهد. کمپین دیگر فقط مجموعه‌ای از پیام‌ها نیست؛ کم‌کم شبیه خط تولیدی می‌شود که داده، تصمیم و اقدام در آن به‌صورت پیوسته میان چند ماشین حرکت می‌کنند.

دنیس سویل (Dennis Sevilla)، مدیر بازاریابی و نویسنده این دیدگاه، معتقد است مشکل شرکت‌ها کمبود ابزارهای مارکتینگ نیست. بسیاری همین حالا انباری از نرم‌افزار دارند، اما این ابزارها مانند جزیره‌هایی‌اند که اتصال مناسبی میان آن‌ها وجود ندارد. نقش «مهندس بازاریابی» (Marketing Engineer) برای حل همین مسئله شکل می‌گیرد. تیم عملیات بازاریابی معمولاً مسئول پایدار نگه‌داشتن سیستم‌ها، کیفیت داده و کارهای روزمره است؛ مهندس بازاریابی اما باید خود معماری را تغییر دهد و زیرساخت را مانند یک محصول نرم‌افزاری ماژولار، قابل توسعه و قابل نسخه‌بندی طراحی کند.

تفاوت را می‌توان از نوع خروجی این افراد فهمید. یک متخصص سنتی ممکن است گزارش یا داشبورد بسازد؛ مهندس بازاریابی گردش‌کاری می‌سازد که چند سیستم را به هم متصل می‌کند و بدون دخالت انسان کار می‌کند. زبان او نیز بیشتر شبیه تیم فنی است: API، وب‌هوک، سیگنال‌های سیستمی و ابزارهایی مانند پستمن (Postman)، میک (Make) و ان‌ایت‌ان (n8n). حتی نوع ناراحتی‌اش متفاوت است؛ رابط کاربری ضعیف کمتر آزارش می‌دهد تا داده‌ای که هوش مصنوعی برای تصمیم‌گیری نیاز دارد اما از طریق برنامه‌نویسی قابل دسترسی نیست. به همین دلیل، سابقه علوم کامپیوتر، مهندسی داده یا مهندسی فروش گاهی از رزومه کلاسیک مارکتینگ برای این نقش مهم‌تر می‌شود.

سویل برای جلوگیری از تبدیل این عنوان تازه به یک نقش مبهم، نقشه‌ای ۹۰ روزه پیشنهاد می‌کند. در ۳۰ روز نخست، مهندس بازاریابی باید سیستم‌ها و جریان‌های داده را مستند کند و نقاط وابسته به کار دستی را پیدا کند. تا ۶۰ روز باید حداقل یک فرایند دستی را کاملاً خودکار کرده باشد. در پایان ۹۰ روز نیز باید بتوان اثر این تغییر را در یکی از مراحل اصلی قیف فروش با عدد نشان داد. حتی هشدار می‌دهد اگر فرد پس از ۲ ماه هنوز فقط در حال بررسی و تدوین استراتژی باشد، احتمالاً سرعت اجرایی لازم برای این نقش را ندارد.

نمونه‌ای که او مطرح می‌کند زوم‌اینفو (ZoomInfo) است. این شرکت با سامانه GTM.AI یک لایه داده مشترک ساخته تا ابزارهای مختلف هوش مصنوعی به‌جای استفاده از اطلاعات پراکنده، از یک منبع هماهنگ تغذیه شوند. نتیجه مورد انتظار، حرکت از تولید انبوه محتوای عمومی به خروجی‌هایی دقیق‌تر و شخصی‌تر است. درست مانند آشپزخانه‌ای که اگر هر آشپز مواد اولیه متفاوت و دستور ناقصی داشته باشد، اضافه‌کردن آشپز بیشتر مشکل را حل نمی‌کند؛ اول باید انبار، دستورها و جریان کار منظم شوند.

پیام نهایی برای مدیران بازاریابی این است که بودجه این نقش نباید مانند هزینه یک کمپین تازه دیده شود. مهندس بازاریابی بیشتر شبیه سرمایه‌گذاری روی زیرساخت است؛ فردی که ظرفیت کل تیم درآمدی را افزایش می‌دهد. در عصر هوش مصنوعی، رشد پایدار احتمالاً کمتر به یک تبلیغ درخشان یا همکاری مقطعی با یک آژانس وابسته خواهد بود و بیشتر به این بستگی دارد که شرکت چه زیرساخت داده و اتوماسیونی ساخته تا بازاریابی و فروش بتوانند بارها و در مقیاس بزرگ تصمیم‌های خوب را تکرار کنند.