Structuré, mais chronophage.
Le son n'est pas intuitif, les utilisateurs sont toujours anxieux avant de décider d'écouter : et si je n'aime pas ce que j'entends ? Bien qu'on puisse se consoler en se disant que même si on n'aime pas, ça fait passer le temps, les gens veulent toujours tout avoir. Même pour tuer le temps, il vaut mieux s'amuser, sinon on perd à la fois du temps et de la bonne humeur, les mains vides.
Dans ce scénario, l'IA devient un excellent assistant. Bien que le son lui-même ne soit pas intuitif, il peut être converti en texte, transformé en un problème de NLP, permettant aux grands modèles de langage d'exploiter leurs forces, de comprendre le contenu, de résumer les points clés, de présenter intuitivement le contenu, aidant ainsi les utilisateurs à filtrer et à juger.
En fait, tant que les conditions "structuré" + "chronophage" sont remplies, l'IA peut intervenir. Par exemple, WeChat Reading a également lancé une fonction de questions-réponses IA, intégrée à la plateforme. Lorsqu'un utilisateur s'intéresse à un concept ou à une question, la fonction IA peut le diriger vers des pages spécifiques de livres pertinents sur WeChat Reading, facilitant ainsi une lecture et un apprentissage approfondis. C'est aussi une sorte de mini-recherche basée sur l'écosystème propre à WeChat Reading.
Cependant, dans l'expérience d'Amazon, on va plus loin en utilisant les capacités de dialogue des grands modèles pour faire des recommandations précises. Une approche similaire est tentée par la plateforme de podcast chinoise Xiaoyuzhou, qui a lancé une version bêta de "Ask Xiaoyuzhou".
Cette fonction n'est pas encore intégrée dans l'application Xiaoyuzhou, mais est une page web séparée avec un design très unique, imitant les anciennes pages web de navigateur, créant un effet de "bien que vous ayez obtenu l'aide de l'IA, ouvrez vite un podcast pour écouter au lieu de continuer à surfer sur le web".
Comparé au contenu structuré, l'IA sera plus significative dans l'extraction et l'intégration de contenu fragmenté, bien qu'elle fasse face à plus de défis. C'est aussi la raison pour laquelle diverses plateformes de contenu intègrent successivement la recherche IA dans leurs plateformes.
Le plus représentatif est Xiaohongshu, qui a lancé deux fonctionnalités consécutives. Il y a un assistant IA dédié "Da Vinci" et "Sousou Shu" spécifiquement pour la recherche.
Nous avons déjà fait une évaluation, les deux fonctionnalités ont leurs forces et leurs faiblesses, elles sont toutes deux assez préliminaires pour le moment, le contenu recommandé ne peut pas être entièrement adopté, les utilisateurs doivent se rendre sur les notes citées pour confirmer et vérifier le contenu. Leur caractéristique commune est qu'elles dynamisent toutes deux le riche contenu des notes sur Xiaohongshu.
Pour les écosystèmes de contenu enracinés dans des environnements spécifiques, c'est une zone épineuse pour la recherche traditionnelle. D'une part, en raison de la protection de l'écosystème, les moteurs de recherche ne peuvent pas y accéder. D'autre part, les fonctions de recherche intégrées sont généralement peu pratiques. Par exemple, la fonction de recherche avancée de Weibo est toujours basée sur des informations de base comme le temps et le lieu, avec une précision très limitée.
C'est parce que les médias sociaux apportent une grande quantité de contenu, mais très fragmenté. Cela offre plus d'espace pour la recherche IA tout en posant de plus grands défis.
Contrairement aux produits de podcast et de livres audio plus réguliers, en prenant Xiaohongshu comme exemple, le contenu sur ces plateformes de médias sociaux est varié, comprenant des images, du texte, des vidéos et des diffusions en direct. De plus, ce contenu provient d'expériences et de sentiments personnels, mélangés à de nombreux mèmes Internet, emojis, etc. - tous les utilisateurs dont la vitesse Internet n'est pas assez rapide pourraient avoir du mal à suivre.
Lorsque les utilisateurs s'attendent à des recommandations plus conformes aux goûts actuels, les algorithmes de recommandation existants, généralement basés sur une modélisation à long terme des intérêts des utilisateurs, ont besoin de collecter lentement les préférences et les données comportementales des utilisateurs pour construire un profil, tendant à recommander ce que les utilisateurs ont déjà montré qu'ils aimaient.
En comparaison, la recherche IA est un bon point de départ, obtenant des retours à travers le comportement de recherche des utilisateurs. En particulier, les utilisateurs qui surfent souvent sur Internet ne captent généralement que vaguement certains sujets tendance.
Actuellement, l'intérêt des utilisateurs suscité par le discours populaire est présent, mais limité, nécessitant une compréhension plus approfondie pour le compléter. À ce moment-là, lorsque l'utilisateur fait activement le pas de rechercher, la recherche basée sur les grands modèles de langage peut mieux jouer son rôle.
La recherche est un processus de requête-réponse, tandis que la recommandation est un processus dynamique continu, leur intersection étant l'objectif de partir des besoins de l'utilisateur et d'être plus personnalisé. Le fardeau de "créer des bulles d'information" que les algorithmes de recommandation traditionnels ont toujours porté pourrait être amélioré grâce à la recherche IA intégrée.