Η Προσωποποίηση του AI Συνεχίζει να Αποτυγχάνει και το Μοντέλο Σπάνια Είναι ο Λόγος

Κάθε χαρακτηριστικό του AI φαίνεται εξαιρετικό στη δημοσιότητα. Η προσωποποιημένη χαιρετισμός φτάνει, η σύσταση feels uncanny, και το δωμάτιο κουνάει. Το πρόβλημα αρχίζει εβδομάδες αργότερα, όταν το ίδιο χαρακτηριστικό λέει σε einen πραγματικό χρήστη κάτι με σιγουριά λάθος, και δεν εμπιστεύονται ποτέ ξανά.

Το 2026, η προσωποποίηση του AI είναι το πρώτο στοιχείο κάθε ομάδας προϊόντων. Παρόλα αυτά, 42% των εταιρειών εγκατέλειψαν τις περισσότερες από τις πρωτοβουλίες του AI πριν από την παραγωγή, σε σύγκριση με 17% το προηγούμενο έτος. Τα περισσότερα από αυτά που αποστέλλονται είναι συνδεδεμένα αργά και σπάζουν με τρόπους που θα μπορούσαν να είχαν προβλεφθεί από την πρώτη μέρα. Εδώ είναι τα τέσσερα λάθη που συνεχίζουμε να βλέπουμε, τα οποία έμαθα από την κατασκευή μιας σειράς αισθητήρων, αλλά κανένα από αυτά δεν αφορά τους αισθητήρες ή το υλικό, per se. Αν βάλετε ένα στρώμα προσωποποίησης σε οτιδήποτε, σας περιμένουν.

Μιλάμε για την ανίχνευση της ποιότητας του αέρα, ένα γρήγορο παράδειγμα για να το κάνουμε συγκεκριμένο. Một συσκευή τοποθετημένη σε ένα νέο σπίτι αρχίζει να γνωρίζει τίποτα για το προφίλ του σπιτιού, τα μοτίβα μαγειρέματος, τις ιδιαιτερότητες της αερισμού ή τους εποχιακούς κύκλους του πολτού. Κάθε μοτίβο που εμφανίζεται τις πρώτες εβδομάδες είναι μια προβολή, όχι ένα πορτρέτο. Η διαφορά μεταξύ προβολής και πορτρέτου είναι όπου ζουν τα τέσσερα λάθη.

Λάθος 1: Έρευνα για ένα μεγαλύτερο μοντέλο όταν το πρόβλημα είναι τα δεδομένα

Όταν η προσωποποίηση υποπερφόρμησε, ο ένστικτος είναι να αναβαθμίσετε το μοντέλο, το οποίο σπάνια βοηθά. Η προσωποποίηση λειτουργεί με δεδομένα ανά χρήστη, αλλά αυτά τα δεδομένα είναι λεπτά και γεμάτα τρύπες. Ένας νέος χρήστης δεν έχει ιστορία, και κάθε ομάδα ανακαλύπτει το πρόβλημα της ψύχραιμης εκκίνησης με τον σκληρό τρόπο. Ένας ενεργός χρήστης σας δίνει μερικές ημέρες αναγνωστών που δεν μοιάζουν με ένα σταθερό μοτίβο. Ταΐστε αυτό σε ένα ικανό μοντέλο, και… δεν παίρνετε έμπνευση. Συχνά παίρνετε σιγουριά που δεν είναι τίποτα άλλο παρά η σιγουριά όλων των άλλων και την παρουσιάζει πίσω ως δική σας.

Η αλυσίδα εφοδιασμού δεδομένων είναι το πραγματικό περιορισμό. Σύμφωνα με μια έρευνα του 2025 από 200 CMOs σε ΗΠΑ, Ηνωμένο Βασίλειο, Γερμανία, Αυστρία και Ελβετία, μόνο το 45% των δεδομένων που συλλέγουν οι οργανισμοί είναι πραγματικά χρησιμό για λήψη αποφάσεων με βάση το AI. Μια ξεχωριστή ανάλυση RAND βρήκε ότι πολλά έργα AI αποτυγχάνουν επειδή οι οργανισμοί δεν έχουν τα δεδομένα που χρειάζονται για να εκπαιδεύσουν αποτελεσματικά τα μοντέλα AI, μαζί με κενά στην οργανωτική και ροή εργασίας, και όχι λόγω ποιότητας μοντέλου. Το αναφορά “GenAI Divide” του MIT τοποθετεί το ποσοστό αποτυχίας παραγωγής ακόμη υψηλότερα. Περίπου το 95% των πιλότων γενικής AI επιχειρήσεων αποτυγχάνουν να προσφέρουν μετρήσιμο αντίκτυπο P&L, με την αναφορά των εύθραυστων ροών εργασίας και της ανεπαρκούς контекστουαλικής μάθησης ως τους κυριότερους ένοχους.

Μια μελέτη Nature Medicine βρήκε το ίδιο μοτίβο στην ιατρική AI. Τα συστήματα λειτουργούσαν καλά όταν τους δόθηκαν πλήρη, δομημένα περιπτώσεις και σταμάτησαν όταν οι κοινοί άνθρωποι περιέγραψαν τις καταστάσεις τους με τον μερικό, κάπως ασαφή τρόπο που μιλάει πραγματικά ο κόσμος. Η αλήθεια είναι, οι χρήστες σας είναι σε μια μερική, ασαφή κατάσταση από προεπιλογή. Το αντίδοτο δεν είναι ένα πιο οξυδερκές μοντέλο – είναι μια ειλικρινής περιγραφή του πόσο λίγα πραγματικά ξέρετε για αυτόν τον άνθρωπο ακόμη, και η πειθαρχία να ενεργήσετε ανάλογα. Μέχρι να έχετε μάθει (και να κερδίσετε) ένα προσωπικό προφίλ, η σωστή κίνηση είναι συχνά να προσωποποιήσετε λιγότερο, όχι περισσότερο, και να βασιστείτε σε αυτό που ισχύει για όλους ανθρώπους παρά να εφευρίσετε ένα προφίλ από μερικά σημεία.

Στην ανίχνευση της ποιότητας του αέρα, το πρόβλημα του προφίλ είναι δομικό. Η καθορισμός ενός σημαντικού προσωπικού προφίλ ποιότητας αέρα απαιτεί εβδομάδες συνεχών αναγνωστών σε διαφορετικές δραστηριότητες, καταστάσεις αερισμού και εξωτερικές συνθήκες. Ένα εσωτερικό συσκευή εγκατεστημένο το χειμώνα δεν καταγράφει τίποτα για το προφίλ ρύπανσης του καλοκαιριού. Ένα τοποθετημένο στην κουζίνα δεν καταγράφει τίποτα για το δωμάτιο. Η εποχιακή ολίσθηση, οι αλλαγές κατοχής και ακόμη και η αναδιάρθρωση των επίπλων μπορεί να μετατοπίσουν το προφίλ ενός σπιτιού περισσότερο από τις ανωμαλίες που σημειώνονται από το AI. Παρόλα αυτά, οι ομάδες αρχίζουν να εμφανίζουν “προσωποποιημένες” εντυπώσεις μετά από 48 ώρες δεδομένων – ακριβώς τη στιγμή που οι μέσοι όροι του πληθυσμού είναι το μόνο ειλικρινές σήμα που είναι διαθέσιμο.

Λάθος 2: Αποστολή σιγουριά που τα δεδομένα δεν έχουν κερδίσει

Ένα μοντέλο δεν θα σημάνει όταν κάνει υποθέσεις trừ αν το αναγκάσετε. Αφενός, συχνά επιστρέφει την ίδια απόκριση για einen χρήστη με τρία χρόνια ιστορίας και einen χρήστη με τρεις ώρες. Για τον άνθρωπο που διαβάζει, αυτές οι απαντήσεις φαίνονται ίδιες – μέχρι που μια από αυτές είναι λάθος.

Αυτό είναι πώς πεθαίνει η εμπιστοσύνη. Πείτε σε κάποιον ότι κοιμήθηκε άσχημα λόγω X με ψευδή σιγουριά, χάσετε μια φορά με σαφή τρόπο, και θα σας κατατάξει το προϊόν σας υπό gimmick. Είναι προετοιμασμένοι να το κάνουν. Η έλλειψη εμπιστοσύνης είναι ήδη δομική: σε μια έρευνα Quantum Metric του 2026, το 81% των καταναλωτών είπε ότι δεν θα επιστρέψουν σε ένα brand μετά από μια seule κακή εμπειρία AI-driven. Eine έρευνα Rithum των καταναλωτών των ΗΠΑ και του Ηνωμένου Βασιλείου βρήκε ότι το 58% κατηγορεί το brand – όχι το εργαλείο AI – όταν μια σύσταση AI αποτυγχάνει, και το 16% θα αποφύγει να αγοράσει το προϊόν εντελώς. Μόνο το 13% των καταναλωτών λέει ότι εμπιστεύονται πλήρως το AI.

Η ποιότητα του αέρα είναι ένα σαφές παράδειγμα. Οι συγκεντρώσεις PM2.5 ποικίλλουν με ένα τάγμα της μέγιστης τιμής σε μια seule ημέρα ανάλογα με το μαγείρεμα, το καθάρισμα, την κυκλοφορία, το καιρό και πολλά άλλα παράγοντες. Λέτε σε einen χρήστη ότι η έκθεσή του είναι “υψηλή για σας” μετά από τρεις ημέρες αναγνωστών, συγχέει μια Τρίτη πρωινή ώρα με ένα μόνιμο προσωπικό μοτίβο. Το μοντέλο δεν ψεύδεται. Απλά δεν έχει τρόπο να γνωρίζει τι δεν γνωρίζει – trừ αν η ομάδα χτίστηκε αυτή την ευαισθησία. Η εμφάνιση ενός εύρους σιγουριά (“το τυπικό σας εύρος εξακολουθεί να καθορίζεται”) δεν είναι ένα σημάδι αδυναμίας. Σε προϊόντα που σχετίζονται με την υγεία, είναι το μόνο ειλικρινές πράγμα να δείχνει.

Τα στοιχήματα πολλαπλασιάζονται σε περιπτώσεις υγείας. Eine μελέτη JMIR mHealth βρήκε ότι η πρόθεση των χρηστών να μοιραστούν προσωπικά δεδομένα υγείας και να ενεργήσουν με βάση τις συστάσεις AI εξαρτάται σε μεγάλο βαθμό από το εάν κατανοούν πώς το σύστημα χρησιμοποιεί τα δεδομένα τους και εάν η λογική εξηγείται σαφώς. Eine μελέτη αβεβαιότητας-οπτικής βρήκε ότι η εμφάνιση αβεβαιότητας AI μπορεί να αυξήσει την κατάλληλη εμπιστοσύνη αντί να απλά να προειδοποιεί τους χρήστες.

Το φθηνότερο χαρακτηριστικό αξιοπιστίας για να χτιστεί είναι η γραμμή “δεν υπάρχουν αρκετά δεδομένα ακόμη” ή “μάθηση σε εξέλιξη”. Σχεδόν κανείς δεν το χτίζει, επειδή feels σαν να ομολογούν αδυναμία. Παρόλα αυτά, είναι το αντίθετο. Αυτή η γραμμή κρατάει einen χρήστη στην ημέρα που μια σιγουριά θα είχε χάσει.

Λάθος 3: Βελτιστοποίηση για το wow αντί για χρησιμότητα

Πολύ από την προσωποποίηση χτίζεται για να εντυπωσιάσει στην πρώτη συνεδρία, όχι για να βοηθήσει στην εκατοστή. Το wow моментο δемо καλά και γηράσκει κακά. Χειρότερο, το ίδιο κόλπο που feels σαν μαγία γίνεται αμήχανο την στιγμή που διαβάζει λάθος κάποιον – η αμήχανη κοιλάδα που σιγά-σιγά καταστρέφει ένα brand.

Οι άνθρωποι μπορούν να αισθανθούν τη διαφορά μεταξύ AI που τους εξυπηρετεί και AI που εξυπηρετεί ένα πίνακα ελέγχου. Eine έρευνα Qualtrics του 2026 βρήκε ότι σχεδόν ένας στους πέντε καταναλωτές που χρησιμοποίησαν AI για εξυπηρέτηση πελατών δεν είδαν κανένα όφελος.

Τα στοιχεία εγκατάλειψης διηγούνται την ιστορία σαφώς. 71% των καταναλωτών λένε ότι θα εγκαταλείψουν μια αγορά αν η εμπειρία AI-driven δεν είναι σχετική με αυτούς. Σε ηλεκτρονικό εμπόριο ειδικά, 69% των αγοραστών εγκαταλείπουν μια αναζήτηση λόγω ακαδημαϊκών συστάσεων AI. Εν τω μεταξύ, 80% των ηγετών επιχειρήσεων αξιολογούν την προσωποποίηση της εταιρείας τους ως εξαιρετική – αλλά μόνο το 8% των πελατών συμφωνούν. Αυτή η διαφορά είναι ένα πρόβλημα προϊόντος, καθώς οι ομάδες βελτιστοποιούν τα μετρικά που αισθάνονται καλά εσωτερικά αντί για αποτελέσματα που αισθάνονται καλά και σχετικά με τους χρήστες.

Έρευνα Gartner βρήκε ότι οι προσωποποιημένοι πελάτες είναι 3,2 φορές πιο πιθανό να μετανιώσουν για μια αγορά και 44% λιγότερο πιθανό να αγοράσουν ξανά από το ίδιο brand – μια κατηγορία προσωποποίησης που προωθεί τη μετατροπή έναντι της ταιριάς. Το wow γίνεται ένα μειονέκτημα.

Η καινοτομία τείνει να φθαρεί πιο γρήγορα κάθε χρόνο. Τα χαρακτηριστικά που επιζούν του δεύτερου έτους ενός προϊόντος είναι αυτά που χτίζονται για την εκατοστή συνεδρία, όχι για την πρώτη.

Λάθος 4: Προσωποποίηση μέσα σε ένα μαύρο κουτί

Η προσωποποίηση συχνά χρειάζεται κάπως ιδιωτικά δεδομένα, και όσο πιο προσωπικό το μοντέλο, τόσο πιο ευαίσθητο το σωρό που είστε τώρα υπεύθυνοι. Αυτό σταμάτησε να είναι αφηρημένο το 2026. Στα πρώτα μήνες του έτους, πέντε εταιρείες τεχνολογίας εξέδωσαν αφιερωμένα προϊόντα AI υγείας για καταναλωτές, συμπεριλαμβανομένων προϊόντων που επιτρέπουν στους χρήστες να συνδέσουν ιατρικά αρχεία, αποτελέσματα εργαστηρίου και δεδομένα wearable σε ένα ενιαίο προφίλ. Ό,τι προσωποποιείτε σε αυτό κινείται προς συστήματα σαν αυτά.

Δύο αποτυχίες ακολουθούν. Η πρώτη είναι η αδιαφάνεια. Eine μελέτη JMIR mHealth επιβεβαίωσε αυτό trực tiếp: οι χρήστες’ πρόθεση να μοιραστούν προσωπικά δεδομένα υγείας και να ενεργήσουν με βάση τις συστάσεις AI εξαρτάται σε μεγάλο βαθμό από το εάν μπορούν να έχουν πρόσβαση σε σαφείς, προληπτικές εξηγήσεις του πώς χρησιμοποιούνται τα δεδομένα τους.

Η δεύτερη αποτυχία είναι η παραμέληση. Οι ομάδες συλλέγουν κάθε σήμα “για να το χρειάζεται το μοντέλο,” δημιουργώντας μια ευθύνη που δεν έχουν τιμήσει. Η έρευνα Transcend State of Customer Data του 2026 βρήκε ότι το 93% των οργανισμών αντιμετωπίζουν προβλήματα διαχείρισης δεδομένων ή διοίκησης κατά τη διάρκεια του κύκλου ζωής του AI, και ότι το 85% των επιχειρήσεων δεν έχει τουλάχιστον μία από τις τέσσερις θεμελιώδεις ικανότητες διαχείρισης δεδομένων AI. Το 30% των πρωτοβουλιών προσωποποίησης/πελάτη AI έχει σταματήσει ειδικά λόγω αυτών των κενών. Eine έρευνα Twilio βρήκε ότι το 61% των καταναλωτών είναι σκεπτικοί σχετικά με το πώς οι εταιρείες χρησιμοποιούν τα δεδομένα τους, ενώ το 54% θέλει να γνωρίζει όταν αλληλεπιδρούν με AI.

Είναι καλύτερο να συλλέξετε λιγότερα και να κάνετε τις εικασίες διαφανείς. Αφήστε τους ανθρώπους να διαμάχονται με αυτές.

Τι έχουν κοινό οι αποτυχίες

Παρατηρήστε το εύρος. Κανένα από αυτά δεν είναι αποτυχία της ευφυΐας. Το μοντέλο είναι συνήθως το ισχυρότερο μέρος του σωρού. Αυτά είναι αποτυχίες της ειλικρινείας: για το πόσο λίγα δεδομένα έχετε, πόσο σίγουροι είστε πραγματικά, τι χτίσατε το χαρακτηριστικό για να κάνει και τι συλλέγετε και γιατί. Αυτό είναι άβολο, επειδή η ειλικρινεία δεν δемо καλά, δυστυχώς. Eine έρευνα Klaviyo βρήκε ότι μόνο το 13% των καταναλωτών λέει ότι εμπιστεύονται πλήρως το AI.

Τι λειτουργεί πραγματικά

Κανένα από αυτά δεν είναι ένα επιχείρημα κατά της προσωποποίησης του AI. Είναι ένα επιχείρημα για την αυτοσυγκράτηση. Στενεύστε το εύρος μέχρι να μπορέσετε να είστε σωστοί μέσα σε αυτό. Διαβάστε πριν ερμηνεύσετε, και κρατήστε αυτό που μετρήσατε χωριστά από αυτό που εικασθήκατε. Εμφανίστε την αβεβαιότητα αντί να την κρύβετε. Κάνετε κάθε εικασία κάτι που ένας χρήστης μπορεί να ερευνήσει και να αμφισβητήσει ή να αντιταχθεί. Κερδίστε την επόμενη δόση εμπιστοσύνης πριν την ξοδέψετε. Ασχημάδες, όλα αυτά – και είναι η γραμμή μεταξύ ενός χαρακτηριστικού που οι άνθρωποι κρατούν και ενός που το απενεργοποιούν σε μια εβδομάδα.

Γυρίστε πίσω στη δημοσιότητα. Η έκδοση που εντυπωσιάζει ένα δωμάτιο την πρώτη ημέρα και η έκδοση που ένας χρήστης ακόμη εμπιστεύεται μετά από ένα χρόνο δεν είναι το ίδιο προϊόν, και η