اگر این روزها در حوزۀ دیجیتال مارکتینگ با «تولید محتوا با هوش مصنوعی» سروکار دارید، احتمالاً یک حس دوگانه را تجربه کردهاید: از یک طرف، سرعت کار وسوسهکننده است؛ اما از طرف دیگر، خیلی زود میبینید خروجیها شبیه هم میشوند، رنگوبوی انسانی کمتر میشود و آن «گرمایی» که مخاطب را نگه میدارد، آرامآرام از متن حذف میشود. دقیقاً همینجا است که باید از تولیدِ صرف فاصله بگیریم و به جای آن، روی انسانیسازی محتوا تمرکز کنیم.
انسانیسازی محتوا یعنی از مدلهای زبانی بزرگ (LLMها) مثل ChatGPT یا Claude نه بهعنوان کارخانهای برای تولید متن، بلکه بهعنوان منبعی برای تحقیق و فهم بهتر مشتری استفاده کنیم. به بیان دیگر، بهجای اینکه مدل برای ما «حرف بسازد»، کمک کند «حرف واقعی» را از دل دادههای مشتری، تجربۀ متخصصان و واقعیت بازار بیرون بکشیم. وقتی این اتفاق بیفتد، محتوا به شکل طبیعی، انسانیتر میشود؛ چون ریشهاش انسانیتر شده است.
در این مطلب از بلاگ راتین، یک مسیر عملی و قابل اجرا برای انسانیسازی محتوا با LLMها را بررسی میکنیم. مسیری که سه ستون اصلی دارد: تحلیل بازخورد مشتری در حجم بالا، مصاحبۀ تکرارپذیر با متخصصان موضوعی و تحلیل رقبا برای پیدا کردن شکافهای واقعی بازار. در تمام طول مسیر هم یک اصل را نگه میداریم: وقتی تحقیق را گستردهتر میکنیم، نباید نخ انسانی پاره شود؛ اتفاقاً باید محکمتر شود. این همان قلب انسانیسازی محتواست.
چرا انسانیسازی محتوا با LLMها از «تولید انبوه متن» مهمتر است؟
در اکثر تیمها مشکل اصلی این نیست که «نمیتوانیم بنویسیم»، بلکه مشکل این است که دقیقاً نمیدانیم دربارۀ چه چیزی بنویسیم تا به درد مخاطب بخورد و به زبان خودش با او حرف بزند. به همین دلیل، انسانیسازی محتوا پیش از هر چیز یک پروژۀ تحقیقاتی است، نه صرفاً یک پروژۀ نویسندگی.
وقتی از LLM فقط برای نوشتن استفاده میکنیم، معمولاً همان چیزی را میگیریم که خودمان در ذهن داریم؛ با کمی شاخوبرگ و نثر مرتبتر. اما وقتی از LLM برای پژوهش استفاده میکنیم، از «اتاق پژواک» بیرون میرویم و وارد زمین واقعیای میشویم که در آن صدای مشتری، تجربۀ متخصص و شواهد بازار حضور دارند. همین جابهجایی، نقطۀ شروع انسانیسازی محتوا است.
در اینجا یک تفاوت ظریف اما مهم هم وجود دارد. تولید متن میتواند سریع باشد، اما اعتمادسازی معمولاً کند است. در مقابل، انسانیسازی محتوا اگر درست انجام شود، هم به اعتماد کمک میکند، هم به تبدیل (Conversion)، هم به ماندگاری برند؛ چون مخاطب پیش خودش احساس میکند «این متن من را میفهمد»، نه اینکه فقط «اطلاعات بدهد».
ستون اول انسانیسازی محتوا با LLM: تحلیل بازخورد مشتری در حجم بالا، بدون افتادن در دام توهم
بازخورد مشتری بزرگترین منبع انسانیسازی محتواست؛ چون زبان واقعی مشتری همان چیزی است که اغلب در محتوا کم داریم.
مسئله اینجاست که حجم بازخوردها زیاد است و تیم محتوا معمولاً وقت ندارد هزاران نظر، تیکت، فرم متنی یا پاسخهای نظرسنجی NPS را خطبهخط بخواند. این دقیقاً همان جایی است که LLM میتواند کار سخت را سبک کند و انسانیسازی محتوا را عملی کند.
با این حال، یک خطر جدی وجود دارد: اگر دادۀ خام را مستقیم داخل LLM قرار بدهیم و از آن بخواهیم نتیجهگیری کند، احتمال توهم (Hallucination) بالا میرود. برای انسانیسازی محتوا ما به «حقیقتِ قابل اتکا» نیاز داریم، نه برداشتهای خوشساخت اما غیرواقعی.
به همین دلیل، رویکرد امنتر این است که دادۀ خام را در یک محیط تحلیلی نگه داریم (مثل BigQuery یا هر دیتابیس مشابه) و از LLM برای نوشتن کوئریهای SQL کمک بگیریم. این روش هم شفافیت را بالا میبرد، هم یک لایۀ کنترل اضافه ایجاد میکند و مهمتر از همه، خروجی را قابل راستیآزمایی میکند؛ چیزی که برای انسانیسازی محتوا حیاتی است.
یک جریان کاری ساده و واقعی برای انسانیسازی محتوا با داده مشتری
تصور کنید ده هزار پاسخ متنی از یک نظرسنجی دریافت کردهاید. کار را با سؤال درست شروع میکنید، نه با «نوشتن متن». مثلاً میپرسید: «سه مسئلۀ پرتکرار چیست؟ مشتریها این مسئلهها را با چه کلماتی توصیف میکنند؟ کدام بخشهای تجربۀ خرید یا استفاده، بیشتر باعث سردرگمی میشود؟» همین سؤالها، شالودۀ انسانیسازی محتوا هستند.
بعد از آن، LLM به شما کمک میکند SQL بنویسید. شما کوئری را اجرا میکنید و نتایج را از نظر منطقیبودن چک میکنید. به این صورت که: آیا تعدادها معقول است؟ آیا تکرارها ناشی از دادۀ کثیف نیست؟ آیا یک کلمۀ پرتکرار به دلیل اسپم یا خطای سیستم بالا نیامده است؟ همین «بررسی کردن ذهنی» جلوی بسیاری از خطاها را میگیرد و مسیر انسانیسازی محتوا را تمیزتر میکند.
در مرحلۀ بعد، خروجیهای محدود و کنترلشده را به LLM میدهید تا تحلیل کیفی انجام دهد. مثلاً خوشهبندی کند، لحن و احساسات را بسنجد، یا «جملات واقعی مشتری» را استخراج کند تا در FAQ و تیترها استفاده شوند. اینجاست که انسانیسازی محتوا با LLM از شعار فاصله میگیرد و به یک فرایند تبدیل میشود.
برای اینکه تصویر برایتان روشنتر شود، یک نمونۀ ساده از کوئریهای کمکی را در زیر مشاهده کنید. هدف از این مثالها این است که بفهمیم LLM چطور میتواند در نقش «همکار تحلیلی» عمل کند و وقتی حجم داده بالا است، مسیر انسانیسازی محتوا با LLM را سرعت ببخشد:
نمونۀ بسیار ساده: شمارش تکرار واژهها در فیدبک متنی (برای شروع)
SELECT
LOWER(word) AS word,
COUNT(*) AS freq
FROM UNNEST(REGEXP_EXTRACT_ALL(LOWER(feedback_text), r”[a-zA-Zآ-ی]+”)) AS word
GROUP BY word
ORDER BY freq DESC
LIMIT 60;
بعد از اجرای این کوئری، یک فهرست از واژههای پرتکرار دارید. حالا برای انسانیسازی محتوا، از LLM میخواهید صرفاً یک «تفسیر کلی» ارائه ندهد، بلکه این واژهها را به «موضوعات انسانی» تبدیل کند. مثلاً اگر کلمات «کند»، «پیچیده» و «نامفهوم» زیاد تکرار شده است، احتمالاً مخاطب در تجربۀ کاربری یا در توضیحات شما گیر میکند. این دقیقاً همان جایی است که باید در متن، مثال، تصویر ذهنی و توضیح مرحلهبهمرحله بیاورید تا انسانیسازی محتوا واقعاً اتفاق بیفتد.
نکتهای که خیلیها در انسانیسازی محتوا با LLM جا میاندازند این است که فقط «مشکل» مهم نیست؛ نحوۀ بیان مشکل مهمتر است. وقتی مشتری میگوید: «احساس کردم گول خوردهام»، شما با یک مسئلۀ احساسی طرف هستید، نه صرفاً یک مسئلۀ محصولمحور. همین جنس بینشها، محتوای شما را انسانیتر میکند؛ چون از زبان و احساس واقعی آدمها میآید.
ستون دوم انسانیسازی محتوابا LLM: مصاحبۀ تکرارپذیر با متخصصان موضوعی، بدون جلسههای طولانی
اکثر متخصصان موضوعی (SME) وقت ندارند. این جمله شاید کلیشهای باشد، اما در عمل یکی از بزرگترین موانع انسانیسازی محتوا با LLMهاست؛ چون بهترین جزئیات، مثالها و هشدارهای واقعی معمولاً در ذهن SMEهاست، نه در بروشور محصول یا اسلایدهای داخلی.
ایدهای که میخواهیم به آن اشاره کنیم ساده است. کافی است بهجای اینکه دنبال یک جلسۀ یکساعته باشید که معمولاً هم عقب میافتد، یک GPT سفارشی طراحی کنید که نقش مصاحبهگر را بازی کند. این کار باعث میشود SME در همان پنج دقیقه بین دو تماس، چند سؤال کلیدی را جواب بدهد و شما دادۀ خام لازم برای انسانیسازی محتوا را داشته باشید. مزیت مهمتر هم این است که این روش را میتوانید بارها و بارها برای محصولها، خدمات یا کمپینهای مختلف تکرار کنید و هر بار نتیجۀ مطلوبی بگیرید.
نکتۀ مهمی که باید به آن توجه داشته باشید این است که مصاحبهگر شما باید «به زبان مخاطب» سؤال بپرسد، نه به زبان داخلی شرکت، چون هدف این نیست که فقط اطلاعات فنی جمع شود؛ بلکه هدف این است که اطلاعات به شکلی قابل فهم و قابل استفاده در محتوا تبدیل شود. یعنی مصاحبهگر باید از SME بخواهد مثال بزند، سناریو تعریف کند، اشتباهات رایج مشتری را توضیح بدهد و حتی عبارتهایی را یادآوری کند که مشتری واقعاً میگوید. اینها سوخت اصلی انسانیسازی محتوا با LLMها هستند.
اگر بخواهیم یک چارچوب عملی ارائه بدهیم، معمولاً دستورالعمل GPT مصاحبهگر باید چند چیز را روشن کند: لحن و شخصیت مصاحبهگر، هدف محتوا و دلیل نیاز به اطلاعات، ترتیب سؤالها از ساده به عمیق، ریتم پرسشوپاسخ (تکسؤال و مکث برای جواب) و در نهایت نوع خروجیای که در پایان میخواهید. وقتی این موارد درست طراحی شود، انسانیسازی محتوا با LLM از حالت تصادفی خارج میشود و قابل تکرار میشود.
نمونه پرامپت
در این بخش یک نمونه پرامپت در اختیارتان قرار میدهیم که میتوانید برای شروع از آن استفاده کنید. دقت کنید که این پرامپت، تنها نقطۀ آغاز است و باید با توجه به صنعت و محصول، شخصیسازی شود:
تو یک مصاحبهگر حرفهای هستی که هدفش کمک به «انسانیسازی محتوا» است.
هر بار فقط یک سؤال بپرس و منتظر جواب بمان.
اگر جواب کلی بود، با درخواست مثال واقعی، عدد، یا سناریو عمیقتر کن.
دنبال اصطلاحات واقعی مشتری باش، نه زبان داخلی شرکت.
در پایان مصاحبه، این موارد را ارائه بده:
- یک جمعبندی از ۱۰ نکتۀ کلیدی برای استفاده در محتوا،
- چند نقلقول کوتاه و قابل استفاده در متن،
- و چند سؤال متداول که مشتری میپرسد همراه با پاسخ پیشنهادی.
وقتی پاسخها را گرفتید، کار شما برای انسانیسازی محتوا با LLMها تازه شروع میشود؛ به این معنا که باید آنها را به زبان روان تبدیل کنید، حشوها را کم کنید، اما «احساس تجربه» را زنده نگه دارید. مثلاً اگر SME گفت: «این مشکل برای مشتریهای سازمانی همیشه مایۀ دردسر بوده است»، شما میتوانید آن را با یک سناریوی ملموس بازنویسی کنید: «اگر تیم شما هر هفته چند ساعت درگیر یک کار تکراری است و آخرش هم مطمئن نیستید درست انجام شده، این قابلیت قرار است همان زمان را پس بگیرد». تبدیل تجربه به زبان قابل لمس، همان انسانیسازی محتوا با LLM است.
ستون سوم انسانیسازی محتوا با LLM: تحلیل رقبا برای پیداکردن شکافهای واقعی، نه تقلید
تحلیل رقبا اگر درست انجام شود به موتور قدرتمند انسانیسازی محتوا با LLM تبدیل میشود؛ نه برای اینکه شبیه رقبا شوید، بلکه برای اینکه بفهمید بازار کجاها پاسخ نگرفته و مخاطب کجاها سردرگم است.
راههای مختلفی برای جمعآوری دادۀ رقابتی وجود دارد، اما آنچه برای انسانیسازی محتوا ارزش دارد، دادههایی است که به «صدای مشتری» نزدیک است. مثلاً نقد و بررسیهای کاربران دربارۀ محصول رقیب معمولاً پر از عبارتهای واقعی و احساسات خام است: اینکه چه چیزی باعث اعتماد شده، چه چیزی ناامیدی ایجاد کرده و کجا وعدهها عملی نشده است. وقتی این دادهها را بهصورت گسترده بررسی کنید، دقیقاً همان شکافهایی را پیدا میکنید که محتوای شما باید پُر کند تا انسانیسازی محتوابا LLMها به چشم بیاید.
به همین شکل، متن وبسایت رقبا کمک میکند بفهمید آنها خودشان را چگونه معرفی میکنند و چه ادعاهایی دارند. اینجا هم هدف انسانیسازی محتوا کپیکردن نیست، بلکه هدف این است که وقتی میخواهید تمایز بسازید، بدانید دقیقاً از چه چیزی باید جدا شوید. خیلی وقتها برندها فکر میکنند متفاوتاند، اما وقتی کنار رقبا قرار میگیرند، میبینند همه تقریباً یک چیز میگویند. تحلیل مقایسهای با کمک LLM، این «شباهتهای پنهان» را رو میکند و به انسانیسازی محتوا با LLM جهت میدهد.
ترفند جذاب دیگر این است که با کمک Wayback Machine ببینید پیام رقبا در طول زمان چطور تغییر کرده است. این تغییرها معمولاً تصادفی نیست؛ به این دلیل که یا بازار عوض شده، یا محصول شکست خورده، یا مخاطب چیز دیگری خواسته است. شما با فهم این روند، میتوانید انسانیسازی محتوا را یک گام جلوتر از رقبا ببرید؛ چون به جای حدس، از تاریخچۀ بازار درس گرفتهاید.
حتی آگهیهای استخدام هم میتواند برای انسانیسازی محتوا با LLM به شما سرنخ بدهند. وقتی رقیب به دنبال استخدام نقشهای مشخصی در داده، موفقیت مشتری یا محصول است، یعنی روی چیزی سرمایهگذاری میکند. این اطلاعات کمک میکند تا بفهمید رقابت به کدام سمت میرود و شما در محتوا باید روی چه نگرانیها و سؤالهایی آمادهتر باشید تا انسانیسازی محتوا با LLMها نتیجه بدهد.
نکتۀ مهم این است که همۀ این کارها باید با رعایت قوانین و به شکل کاملاً اخلاقی انجام شود و صرفاً بر اساس دادههای عمومی و قابل دسترس باشد. انسانیسازی محتوا با دورزدن قانون یا نقض حریم خصوصی، در نهایت ضد خودش عمل میکند؛ چون اعتماد را میسوزاند.
نخ انسانی را نگه دارید: وقتی حجم تحقیق بالا میرود، محتوا چطور انسانی میماند؟
تا اینجا به 3 ستون اصلی انسانیسازی محتوا با LLMها اشاره کردیم. اما این فرایند صرفاً محدود به جمعکردن دادهها نمیشود. مرحلۀ حساستر، تبدیل بینش به متن است. در این بخش 4 اصل وجود دارد که اگر رعایت نشود، حتی بهترین دادهها هم به متن خشک تبدیل میشوند:
- اصل اول این است که از جملههای مطلق و تبلیغاتی فاصله بگیرید و به جای آن، با مثال و سناریو حرف بزنید. انسانیسازی محتوا با LLMها یعنی مخاطب خودش را داخل متن ببیند. اگر فقط بگویید: «راهکار ما بهترین است»، متن انسانی نشده است، اما اگر بگویید: «اگر هر بار برای انجام فلان کار باید سه سیستم را چک کنید و آخرش هم مطمئن نیستید درست انجام شده است یا نه، اینجا دقیقاً همان جایی است که…»، متن به تجربۀ زندگی نزدیک میشود و انسانیسازی محتوا رخ میدهد.
- اصل دوم این است که ساختار را لقمهای و قابل دنبالکردن کنید، اما بدون افراط در بولتوار کردن متن. مخاطب در وب معمولاً متن را خطی نمیخواند؛ میگردد و انتخاب میکند. پس تیترهای دقیق، پاراگرافهای کوتاه و توضیح کامل کمک میکند مخاطب بدون خستگی جلو برود. این هم بخش مهمی از انسانیسازی محتوا است.
- اصل سوم، راستیآزمایی است. LLM میتواند سریع باشد، اما شما مسئول بیان و انتقال حقیقت هستید. برای انسانیسازی محتوا هر جا عدد، ادعا یا نتیجهگیری دارید، باید بتوانید نشان بدهید از کجا آمده است. حتی اگر مخاطب منبع را نبیند، اثرش در متن مطمئنتر، دقیقتر و در نتیجه انسانیتر دیده میشود.
- و اصل چهارم، احتیاط در استفاده از دادههای صرفاً کمی است. شاید وسوسه شوید همه چیز را با Google Analytics و نمودارها توضیح بدهید. اما تجربه نشان داده انسانیسازی محتوا با LLM بیشتر از دادههای کیفی مانند جملهها، سؤالها، اعتراضها و روایتهای مشتری تغذیه میکند. عددها مفیدند، اما روح متن را معمولاً روایت میسازد، نه نمودار.
نقشۀ اجرایی برای انسانیسازی محتوا در تیمهای کوچک و متوسط
اگر بخواهیم این مسیر را به یک برنامۀ کوتاهمدت تبدیل کنیم، میتوان خیلی ساده پیش رفت. چند روز اول را صرف جمعآوری و تمیزکردن دادۀ بازخورد میکنید و با کمک LLM کوئریهای لازم را میسازید تا تصویر کلی به دست بیاید.
بعد سراغ مصاحبههای کوتاه با SME میروید و از GPT مصاحبهگر خروجی میگیرید. در ادامه، تحلیل رقبا را انجام میدهید تا بفهمید مخاطب چه سؤالهایی دارد که هنوز کسی خوب جواب نداده است. سپس تمام این خروجیها را تبدیل میکنید به یک اسکلت محتوا: تیترهایی که از زبان مشتری آمده است، FAQهایی که از سؤالهای واقعی ساخته شده است، و مثالهایی که از تجربۀ متخصصان تغذیه میکنند. این اسکلت، ستون فقرات انسانیسازی محتوا با LLMهاست.
وقتی متن را مینویسید، LLM دوباره میتواند کمک کند، اما با یک نقش جدید: نقش ویراستار و سادهساز، نه نقش یک نویسندۀ جایگزین. از مدل بخواهید جملهها را روانتر کند، اما اجازه ندهید لحن را رباتی کند. برای انسانیسازی محتوا همیشه یک مرحلۀ بازخوانی انسانی لازم است؛ حتی اگر کوتاه باشد.
جمعبندی: LLM را از «ماشین تولید متن» به «منبع فهم انسان» تبدیل کنید
اگر بخواهیم دقیق جمعبندی کنیم، انسانیسازی محتوا با LLM یک تغییر نقش است. شما مدل را از نویسندۀ جایگزین تبدیل میکنید به ابزار تحقیق؛ ابزاری که کمک میکند بازخورد مشتری را در تعداد بالا بفهمید، تجربۀ SMEها را سریع جمع کنید و بازار را شفافتر ببینید. وقتی این سه کار را انجام دادید، نوشتن به شکل طبیعی انسانیتر میشود؛ چون دیگر از روی حدس نمینویسید، از روی شواهد مینویسید. و شواهد هم معمولاً انسانیاند.
اگر قرار است همین امروز یک قدم بردارید، پیشنهاد عملی این است که یک دیتاست کوچک از بازخوردهای مشتری را انتخاب کنید، آن را در یک محیط قابل تحلیل نگه دارید، با کمک LLM چند کوئری ساده بزنید و فقط یک خروجی مشخص بگیرید: «سه موضوع پرتکرار + چند جمله واقعی مشتری». همین خروجی کوچک، یک جهش بزرگ در انسانیسازی محتوا با LLM ایجاد میکند. چون از همان لحظه به بعد، محتوا به جای اینکه صرفاً از ذهن ما بیاید، از زبان مخاطب میآید.
