பெரும்பாலான sellers-க்கு AI ஏன் முடிவுகளைத் தரவில்லை (data) - உண்மையில் எது வேலை செய்கிறது
பல sellers AI-யில் உண்மையான நேரத்தைச் செலவிட்டுள்ளனர். Chatbots மற்றும் image tools-ஐ முயற்சித்துள்ளனர், automations அமைத்துள்ளனர், prompt packs வாங்கியுள்ளனர், emails வரைவதற்கும் ads உருவாக்குவதற்கும் competitors-ஐ பகுப்பாய்வு செய்வதற்கும் AI-ஐப் பயன்படுத்தியுள்ளனர். இருந்தும் பலரால் ஒரு தெளிவான, அளவிடக்கூடிய வணிக முடிவைச் சுட்டிக்காட்டமுடியவில்லை: வருவாய் (revenue) உயரவில்லை, லாப விகிதம் மேம்படவில்லை, அர்த்தமுள்ள நேரமும் திரும்பக் கிடைக்கவில்லை. இவர்கள் புதியவர்கள் அல்ல. அப்படியென்றால் என்ன தவறு நடக்கிறது?
இந்த முறைப்பாடு இப்படி இருக்கிறது: புதிய tool ஒன்று வருகிறது, நீங்கள் சோதிக்கிறீர்கள், அது output தருகிறது, பின்னர் அது உண்மையில் மாற்றத்தைக் கொண்டுவந்ததா என்பது தெளிவாகத் தெரியாமல் அடுத்ததற்குச் செல்கிறீர்கள். காலப்போக்கில் வணிகம் ஒரு patchwork-ஆக மாறுகிறது - இங்கே ஒரு automation, அங்கே ஒரு agent, proposals-க்கு ஒரு project, content-க்கு ஒரு scenario. பல துண்டுகள்; எதுவும் இணைக்கப்படவில்லை; வணிகத்தை உண்மையில் முன்னேற்றுவதுடன் எதுவும் தொடர்புடையதாக இல்லை. வருடத்திற்கு கிட்டத்தட்ட $900K செய்யும் ஒரு agency உரிமையாளர் தனது முழு செயல்பாட்டிலும் AI touchpoints வைத்திருந்தார் - ஐந்து platforms, மாதத்திற்கு 40 முதல் 60 மணி நேர முதலீடு (investment) - எது வேலை செய்கிறது என்று கேட்கப்பட்டபோது, எதிலிருந்தும் உண்மையான முடிவுக்கு ஒரு கோடு போடமுடியவில்லை.
Tools-தான் பிரச்சனை அல்ல; அவை பெரும்பாலும் வாக்குறுதி அளித்ததைச் செய்கின்றன. காணாமல் இருப்பது மூலோபாயம்: தனிப்பட்ட பரிசோதனைகளுக்குப் பின்னால் architecture-உம் ஒரு system-உம் இல்லை. பல sellers AI-ஐ ஒரு தசாப்தத்துக்கு முன் Facebook ads-ஐ அணுகியது போல அணுகுகிறார்கள் - ஒரு தந்திரத்தைக் கண்டுபிடி, முயற்சி செய், என்ன நடக்கிறது என்று பார். அது ஒற்றை channel-க்கு வேலை செய்யும். AI ஒரு channel அல்ல; அது எல்லாவற்றையும் தொடும் infrastructure. திட்டம் இல்லாமல், செயல்பாடு முழுவதும் சிதறிய தனித்தனி பரிசோதனைகள் மட்டுமே மிஞ்சும்.
இதற்கிடையில், சிறிய குழுவொன்று முன்னேறி வருகிறது; அந்த இடைவெளி தினமும் பெருகிக் கொண்டிருக்கிறது. முன்னணி e-commerce brands முழு agent loops இயக்குகின்றன: ஒரு agent தினமும் competitors-இன் ads-ஐ scrape செய்கிறது, மற்றொன்று எந்த hooks முன்னேறுகின்றன என்று பகுப்பாய்வு செய்கிறது, ஒரு production agent brand-இன் குரலில் புதிய variations-ஐ உருவாக்குகிறது, ஒரு analysis agent நேரடியாக performance-ஐக் கண்காணிக்கிறது. Competitors வாரத்திற்கு இரண்டு ad variations சோதிக்கும்போது, இந்த systems 50 சோதிக்கின்றன. வெற்றி பெறும் agencies-களில் AI 60 முதல் 70 சதவீத delivery-ஐக் கையாளுகிறது - ஒன்று client hours-ஐ 50-லிருந்து 30-ஆகக் குறைத்து, தரமும் வேகமும் உயர்ந்ததால் விலையையும் உயர்த்தியது. Software நிறுவனங்களில் agents 70 முதல் 80 சதவீத tier-one support-ஐத் தீர்க்கின்றன, புதிய users-ஐ தானாக onboard செய்கின்றன, customers வெளியேற நினைக்கும் முன்னரே churn அபாயங்களைக் கண்டறிகின்றன.
நேரம் ஏன் முக்கியம் என்றால், இந்த இடைவெளி நிலையாக இருக்காது. ஒரு மனிதக் குழு அதிகபட்சம் நேர்க்கோட்டில் மேம்படும்; நன்கு கட்டப்பட்ட ஒரு agent system பெருக்க முறையில் மேம்படும் - ஒவ்வொரு சுழற்சியும் அடுத்ததை உணவளிக்கும். ஆறு மாதங்களுக்கு முன் தொடங்கிய competitor ஆறு மாத வேலை முன்னால் இல்லை - ஆறு மாத பெருக்க மேம்பாடு முன்னால் இருக்கிறார்கள். அடுத்த 12 முதல் 24 மாதங்களில் உண்மையான AI systems-ஐக் கட்டும் வணிகங்களை அதற்குப் பின் பல வருடங்களுக்குப் பிடிக்கமுடியாது; பெருகும் (Peru) இடைவெளியிலிருந்து வெறும் உழைப்பால் தப்பிக்கமுடியாது.
ஊற்சாகமூட்டும் பகுதி: பெரும்பாலான வணிகங்களும் இதை இன்னும் புரிந்துகொள்ளவில்லை, ஆகவே ஜன்னல் இன்னும் திறந்தே இருக்கிறது. தீர்வு: சரியான tool-ஐத் தேடுவதை நிறுத்தி, tools சேரும் சரியான system-ஐக் கட்டத் தொடங்குங்கள். "AI-ஐ நன்றாகப் பயன்படுத்துவது" ஒரு இலக்கு அல்ல - வாரத்திற்கு 10 முதல் 15 மணி நேரம் மீட்பது, பணியாளர்களை இரட்டிப்பாக்காமல் விரிவாக்குவது, லாப விகிதத்தை 20 முதல் 30 சதவீதம் மேம்படுத்துவது ஆகியவை இலக்குகள்; சரியாக அமைக்கப்பட்டால் AI ஒவ்வொன்றையும் இயக்கமுடியும்.
தனியாக, சுற்றி வரும் ஒரு நடைமுறை விளம்பர குறிப்பு: audit செய்யப்பட்ட ஒரு account-இல் "repair" என்ற சொல் 23 வெவ்வேறு search terms-இல் சிதறி இருந்தது; ஒன்றில்கூட ஒரு விற்பனை இல்லை. ஒவ்வொரு term-க்கும் 8 அல்லது 9 clicks மட்டுமே இருந்ததால், எதையும் தடுக்கத் தேவையில்லை என்று தோன்றியது - ஆனால் சேர்த்துப் பார்த்தால் 200-க்கும் மேற்பட்ட clicks, பூஜ்ஜிய விற்பனை, $847 வீண். ஒரே ஒரு negative phrase keyword 23-ஐயும் ஒரே நேரத்தில் சரிசெய்தது. பாடம்: search term reports-ஐ வரி வரியாகப் படிப்பதை நிறுத்தி, மீண்டும் மீண்டும் வரும் சொல் முறைப்பாடுகளைத் தேடுங்கள் (சில வேளை N-gram analysis எனப்படும்): தோல்வியுறும் search terms-ஐ ஒன்று, இரண்டு, மூன்று சொல் துண்டுகளாகப் பிரித்து எது தொடர்ந்து தோன்றுகிறது என்று பாருங்கள். optimize செய்யப்படாத சராசரி account தனது ad spend-இல் 28 முதல் 40 சதவீதத்தை ஒருபோதும் convert ஆகாத searches-இல் வீணடிக்கிறது என்று மதிப்பிடப்பட்டுள்ளது.
தற்போதைய Amazon discovery-க்கு ஒரு பயனுள்ள mental model: ஒரே மையத்தைப் பகிரும் இரண்டு flywheels. முதலாவது பாரம்பரிய keyword search: shopper ஒரு query தட்டச்சு செய்கிறார், A9 algorithm keywords-ஐப் பொருத்துகிறது, விற்பனை keyword ranking-ஐ உயர்த்துகிறது, சக்கரம் வேகமாகச் சுழல்கிறது. இரண்டாவது Rufus வழியான conversational AI search: shopper "மலையேற்றத்திற்கு ஏற்ற, நாள் முழுக்க குளிர்ந்த பானத்தை வைத்திருக்கும் சிறந்த water bottle எது?" போல கேட்கும்போது, Rufus உங்கள் listing, reviews, Q&A மற்றும் brand story-ஐப் படித்து நீங்கள் பொருள்ரீதியாகப் பொருத்தமானவர்களா என்று தீர்மானிக்கிறது. எந்த engine-லிருந்து வந்த விற்பனையும் இரண்டையும் உணவளிக்கும். நடைமுறைக் கருத்து: listings-க்கு இன்னும் வலுவான keyword architecture தேவை; ஆனால் இயற்கையான, உரையாடல் மொழியும் தேவை; reviews மற்றும் Q&A இப்போது AI-driven discovery-ஐ நேரடியாகப் பாதிக்கின்றன. பழைய playbook இறக்கவில்லை - அது இப்போது பாதிப் படம் மட்டுமே.
Seller சமூகத்தில் சுற்றிவரும் ஒரு எச்சரிக்கைக் கதை: பல வருடங்களாக உறுதியான, நன்கு மதிப்பாய்வு (evaluation) செய்யப்பட்ட dog leashes விற்று, ஏழு இலக்கங்களைத் தாண்டியிருந்த ஒரு seller-க்கு, ஒரு customer leash-இன் clip அறுந்து திரும்பி அடித்து கண்ணில் பட்டதாக email செய்தார். Seller உடனே refund செய்து, அதோடு முடிந்தது என்று நினைத்தார். சில நாட்களில் வழக்கறிஞர் கடிதம் வந்தது: காயமடைந்த customer ஒரு surgeon; இழந்த வருமானம், மருத்துவச் செலவுகள், நீண்டகால தொழில் பாதிப்பு ஆகியவற்றைக் கோரினர். பின்னர் Amazon listing-ஐ மதிப்பாய்வுக்காக நீக்கி, ஆவணங்களைக் கேட்டு payouts-ஐத் தாமதப்படுத்தியது. Seller-இன் வழக்கறிஞரின் முதல் கேள்வி எளிது: "உங்களுக்கு product liability insurance உண்டா?" இல்லை - leash போன்ற தீங்கற்ற பொருளுக்கு அது தேவையில்லை என்று எப்போதும் நினைத்திருந்தார். வணிகம் உயிர்வாழ்ந்தாலும், சட்டக் கட்டணங்கள், முடக்கப்பட்ட listing, cash-flow அழுத்தம் (pressure) ஆகியவை coverage-ஐவிடப் பலமடங்கு அதிகமாகச் செலவாயின. கருத்து: மோசமான ஒன்று நடக்கும் என்று எதிர்பார்ப்பதால் insurance வாங்குவதில்லை; ஒரு சம்பவம் வணிகத்தையே முடிக்கும் நிகழ்வாக மாறக்கூடாது என்பதற்காக வாங்குகிறீர்கள். E-commerce-இல் நீங்கள் products-ஐ மட்டும் விற்பதில்லை - அவற்றுடன் வரும் அபாயத்தையும் (risk) சுமக்கிறீர்கள்.
இன்னும் ஒரு சிந்திக்கத்தக்க எண்ணிக்கை: 2021-இல் Amazon-இல் 2.4 மில்லியன் active sellers இருந்தனர். 2025 இறுதியில் அது 1.65 மில்லியனாகக் குறைந்தது - சிறிய களம், ஆனால் மேலும் போட்டிமிக்கது.
