تخيّل أن شركة تريد بيع منتج جديد، وتحتاج إلى معرفة السعر الذي سيقبله الناس. بدلاً من سؤال مجموعة من العملاء، تطلب من الذكاء الاصطناعي أن يؤدي أدوارهم: موظف بدخل متوسط، وطالبة جامعية، وأب يبحث عن التوفير. ثم تسأل كلاً منهم: كم ستدفع مقابل هذا المنتج؟

هذا مثال مبسّط على ما يسميه الباحثون "المشاركين الافتراضيين". يحدد الباحث صفات الشخص، ثم يطلب من البرنامج الإجابة كأنه ذلك الشخص. وتبحث دراسات علمية إمكانية استخدام هذه الطريقة لفهم المستهلكين بسرعة وبتكلفة أقل.

الفكرة مغرية. لكن البرنامج يستطيع تقمّص شخصية المشتري دون أن يضطر إلى الاختيار بين شراء المنتج وتوفير المال لشيء آخر.

اختبار الشوكولاتة يكشف الفارق

في دراسة نُشرت في سبتمبر أيلول 2026، قارن الباحثان سيباستيان أوتزل وتوبياس مايبرغر إجابات الذكاء الاصطناعي بإجابات 387 شخصاً جرى استقطابهم في حرم جامعي. شملت التجربة أربعة منتجات، وكان على المشاركين البشر تحديد مبلغ قد يترتب عليه شراء فعلي.

بالنسبة إلى "شوكولاتة دبي"، كانت المبالغ التي اقترحها المشاركون الافتراضيون أعلى بنسبة 86% مما أبدى البشر استعدادهم لدفعه. هذه فجوة بين إجابات التجربة، ولا تعني أن أسعار الشوكولاتة في المتاجر ارتفعت بهذه النسبة.

ولم يكن الخطأ دائماً باتجاه الزيادة. ففي اختبار سدادات الأذن، كانت تقديرات الذكاء الاصطناعي أقل من إجابات البشر بنحو 27%. وتبقى هذه نتائج لعينة محدودة ومنتجات محددة؛ فلا يمكن تعميمها على جميع المشترين.

قد يصيب المتوسط.. ويخطئ في توقع المبيعات

ظهرت مفاجأة أخرى في اختبار زجاجة قابلة لإعادة الاستخدام. كان الفرق بين متوسط المبالغ التي حددها البشر والبرنامج نحو 3% فقط؛ وهو فرق لم يكن كافياً إحصائياً لاستبعاد احتمال المصادفة. ومع ذلك، قادت الإجابات إلى نتائج مختلفة عند استخدامها لحساب الأسعار.

كيف يحدث ذلك؟ لنأخذ مثالاً افتراضياً بسيطاً.

لدينا مجموعتان، في كل منهما عشرة أشخاص. في الأولى، يقبل الجميع دفع 50 درهماً كحد أقصى. وفي الثانية، يقبل خمسة أشخاص دفع 20 درهماً فقط، بينما يقبل الخمسة الآخرون دفع 80 درهماً. متوسط المبلغ في المجموعتين واحد: 50 درهماً.

لكن إذا عرضنا المنتج بسعر 50 درهماً، وافترضنا أن كل من يقبل هذا السعر سيشتري، فسنبيع عشر قطع للمجموعة الأولى وخمس قطع للثانية. ستكون الإيرادات 500 درهم في الحالة الأولى و250 درهماً في الثانية، قبل احتساب التكاليف.

إذن، معرفة المتوسط لا تكفي. ما تحتاج الشركة إلى معرفته هو عدد الأشخاص الذين سيشترون فعلاً بالسعر الذي تختاره.

حتى الناس يبالغون عندما يكون السؤال افتراضياً

هذه المشكلة أقدم من الذكاء الاصطناعي. فحين راجع باحثان نتائج 77 دراسة، وجدا أن الناس يذكرون في الأسئلة الافتراضية مبالغ أعلى بنحو 21%، في المتوسط، مما يكونون مستعدين لدفعه عندما يصبح الشراء حقيقياً. نُشر البحث إلكترونياً عام 2019، وظهر في عدد عام 2020 من دورية أكاديمية متخصصة في التسويق.

لا يمكن مقارنة هذه النسبة مباشرة بنتيجة الشوكولاتة، لاختلاف الدراسات. لكنها تثير سؤالاً مهماً: إذا أجاب البرنامج مثل البشر تماماً، فهل يتوقع مشترياتهم، أم يكرر مبالغاتهم؟

وهذا فرق قد يكلف الشركة مالاً. فإذا توقعت إقبالاً كبيراً بناءً على تلك الإجابات، فقد تنتج كمية أكبر مما تستطيع بيعه. هذا احتمال تجاري تطرحه النتائج، وليس خسارة فعلية سجلتها الدراسات المذكورة.

هل يكفي أن نقول للبرنامج: "أنت مستهلك في دبي"؟

اختبرت دراسة نُشرت إلكترونياً عام 2025 مدى تشابه إجابات أشخاص في الإمارات والسعودية والولايات المتحدة مع إجابات شخصيات افتراضية أنشأها برنامج GPT-4. تناولت الأسئلة البيئة، والمعرفة المالية، ومشاركة النساء في سوق العمل.

كانت إجابات البرنامج قريبة من إجابات البشر في المتوسط. لكن التشابه في نمط الإجابات كان أضعف عموماً في العينتين الإماراتية والسعودية مقارنة بالأميركية. كما بدت الشخصيات الافتراضية أكثر معرفة بالشؤون المالية من الأشخاص الذين يفترض أنها تمثلهم.

لم تبحث الدراسة أسعار المنتجات. لكنها تدفعنا إلى الحذر من افتراض أن كتابة "مقيم في دبي" أو "مستهلك سعودي" في التعليمات تكفي لفهم هذا المستهلك. وللتحقق من ذلك، نحتاج إلى مقارنة إجابات البرنامج بإجابات أشخاص يعيشون في السوق نفسها.

ألف إجابة ليست بالضرورة ألف رأي

يستطيع البرنامج إنتاج عدد كبير من الإجابات بسرعة. لكن كثرتها لا تضمن دقتها. وهذا ما تؤكده مراجعة بحثية نُشرت عام 2024، توصي بالتحقق من الإجابات المولدة بمقارنتها ببيانات بشرية.

قد يبدو تقرير يضم آلاف الردود مقنعاً للإدارة. لكن السؤال الأهم هو: هل تعكس هذه الردود اختلافات العملاء، أم تكرر الافتراضات نفسها بأشكال مختلفة؟

حتى طريقة السؤال قد تؤثر في النتيجة. ففي بحث محكّم نُشر ضمن أعمال مؤتمر EMNLP 2025، اختبر الباحثون تعليمات صُممت لدفع البرامج نحو أحكام متحيزة، ووجدوا أنها أثرت في إجاباتها. وفي بعض الاختبارات، كانت البرامج الأحدث والأكبر أكثر تأثراً بهذه التحيزات.

هذا لا يعني أن كل برنامج جديد أقل دقة. لكنه يعني أن استخدام نسخة أحدث لا يعفي الشركة من فحص الطريقة التي طرحت بها أسئلتها.

أين يمكن أن يكون مفيداً؟

توجد نتائج مشجعة أيضاً. ففي دراسة نُشرت عام 2024 في دورية Marketing Science، تجاوز التوافق بين بيانات البشر والذكاء الاصطناعي 75% في اختبارات تتعلق بتشابه العلامات التجارية وتقييم صفات المنتجات ضمن فئات معينة.

قد يساعد ذلك الشركة على فهم الصورة التي ترتبط بعلامتها أو منتجها. لكنه لا يثبت أن البرنامج يعرف كم قطعة ستبيع، أو السعر الذي سيقبله العملاء.

ومن هنا يمكن استخدامه في البداية: لاختيار الأفكار التي تستحق التجربة، وتحسين الأسئلة قبل طرحها على الناس. أما تحديد السعر أو كمية الإنتاج، فيحتاج إلى التحقق من عملاء حقيقيين وبيانات شراء.

الأبحاث المذكورة لا تثبت أن هذه الطريقة تُستخدم على نطاق واسع لتحديد أسعار المتاجر اليوم. لكنها تكشف حدود فكرة يجري اختبارها: أن نسأل الذكاء الاصطناعي بالنيابة عن المستهلك.

فالزبون الافتراضي يستطيع أن يجيب عن كل أسئلة الشركة. لكن الزبون الحقيقي هو الذي سيقرر في النهاية إن كان سيفتح محفظته.

كتابة عادل فخري