Conceptual Dimensions of AI-Washing in Marketing Claims: Antecedents, Consequences, and Strategies to Address Misleading Practices in a Competitive Environment

Arman, Mohsen; Feiz, Davod; Abbasi, Zohreh

doi:10.22108/nmrj.2026.146143.3226

Conceptual Dimensions of AI-Washing in Marketing Claims: Antecedents, Consequences, and Strategies to Address Misleading Practices in a Competitive Environment

Document Type : Original Article

Authors

¹ Ph.D Candidate, Department of Business Management, Faculty of Economics, Management and Administrative Sciences, University of Semnan, Semnan, Iran

² Professor, Department of Management, Faculty of Economics, Management and Administrative Sciences, University of Semnan, Semnan, Iran

³ Master of Business Administration, Department of Management, Faculty of Humanities, Qom Azad University, Qom Branch, Qom, Iran

10.22108/nmrj.2026.146143.3226

Abstract

AI washing—defined as the misleading application of artificial intelligence terminology in marketing—has emerged as a significant challenge to consumer trust and market integrity. This study aimed to identify the conceptual dimensions, antecedents, consequences, and strategies for addressing AI washing within Iran’s competitive marketing landscape. Adopting an exploratory qualitative methodology, the research employed a thematic analysis approach. Data were gathered through semi-structured interviews with 18 marketing and management academics and experts from universities in Tehran, Mazandaran, Semnan, Qom, and Ilam. Snowball sampling was utilized until theoretical saturation was reached and the data were transcribed and analyzed according to ethical research principles. The findings yielded 144 basic codes, 24 organizing themes, and 6 global themes for antecedents—including lack of awareness and cognitive limitations, competitive market dynamics, legal and regulatory weaknesses, deceptive marketing strategies, psychological manipulation, and violation of ethical principles. Additionally, there were 86 basic codes, 30 organizing themes, and 6 global themes for consequences, which encompassed negative effects on consumer behavior, market dynamics, regulatory policymaking, cognitive and psychological impacts, economic and investment effects, and brand credibility and reputation. The strategies identified included 75 basic codes, 20 organizing themes, and 5 global themes: regulation and supervision, consumer education, ethics in marketing, interdisciplinary approaches, and collaboration and partnerships. The novelty of this study lay in the presentation of an integrated framework for analyzing the conceptual dimensions of AI washing, along with practical solutions anchored in ethical and interdisciplinary principles that had received limited attention in previous research. The results demonstrated that AI washing eroded consumer trust and fair competition, ultimately marginalizing genuine innovation. The proposed strategies—strengthening legal oversight, enhancing technological literacy, and adhering to ethical principles—can help foster a more transparent and ethically focused marketing environment.
Introduction
The increasing adoption of artificial intelligence in marketing has fundamentally transformed how firms communicate value, personalize offerings, and engage with consumers. Alongside these advancements, a concerning phenomenon known as AI-washing has emerged. This term refers to the exaggerated or misleading claims related to artificial intelligence that aim to enhance product appeal without accurately reflecting actual technological capabilities (Ozturkcan & Bozdağ, 2025; Nyilasy & Gangadharbatla, 2025). Such practices raise significant concerns regarding consumer trust, ethical marketing conduct, and integrity of competitive markets.
AI-washing is exacerbated by a considerable knowledge gap between firms and consumers, many of whom lack a sufficient understanding of how artificial intelligence systems operate and what their realistic limitations entail (Tello & Espinoza, 2025). Under intense competitive pressure, firms may exploit this asymmetry by using technical jargon, symbolic imagery, and forward-looking narratives to create inflated perceptions of innovation (Hermann, 2023). This issue is compounded by weak regulatory frameworks and limited oversight of technology-related advertising, which enables misleading claims to proliferate without substantial consequences (Baqi et al., 2022).
The ramifications of AI-washing extend beyond mere short-term consumer deception. Continuous exposure to misleading AI claims can erode consumer trust, cultivate skepticism towards genuine technological innovation, and distort competitive dynamics by granting unfair advantages to firms that engage in deceptive communication (Ottenheimer, 2024). In the Iranian context, where the actual adoption of advanced AI technologies remains relatively limited, the disparity between marketing claims and technological reality heightens the risk of AI-washing (Jami Pour et al., 2024; Marzdar, 2025).
Despite increasing scholarly attention, existing research is fragmented and lacks an integrated framework for understanding AI-washing as a multidimensional phenomenon encompassing deception, emotional manipulation, and misrepresentation. Accordingly, this study aimed to address the following research question: What are the conceptual dimensions, antecedents, and consequences of AI-washing in competitive marketing claims and how can effective strategies be developed to mitigate misleading practices?

Materials & Methods
This study employed an exploratory qualitative research design rooted in an interpretive philosophical framework and an inductive methodological approach. The research strategy was guided by the research onion framework of Saunders et al., emphasizing a qualitative mono-method design and a cross-sectional time horizon. Data were gathered through semi-structured interviews with 18 academic experts in marketing and management from universities in Tehran, Mazandaran, Semnan, Qom, and Ilam. Participants were selected by using snowball sampling based on their academic expertise, research background, and professional experience related to marketing, artificial intelligence, or digital technologies.
The interviews, which lasted between 45 and 60 minutes, were conducted either face-to-face or online and were audio-recorded with the participants' informed consent. The interview protocol consisted of open-ended questions addressing perceptions of AI-washing, its antecedents, consequences, and potential regulatory and ethical responses. All interviews were transcribed verbatim.
Data analysis followed the 6-phase thematic analysis process outlined by Braun and Clarke (2006): familiarization with the data, generation of initial codes, searching for themes, reviewing themes, defining and naming themes, and producing the final report. To enhance credibility and reliability, several validation techniques were employed, including data triangulation, member checking, independent coding by multiple researchers, and systematic documentation of analytical procedures. Ethical considerations, such as confidentiality, voluntary participation, and the right to withdraw, were rigorously upheld throughout the research process.
Research Findings
Analysis of the interview data led to the identification of 144 initial codes related to the antecedents of AI-washing, which were organized into 24 themes and 6 overarching categories.
Antecedents of AI-Washing

Consumer Cognitive Limitations: Limited AI literacy, technical complexity, and inadequate access to transparent information rendered consumers vulnerable to misleading claims.
Competitive Market Dynamics: Intense competition and pressure to appear technologically advanced encouraged firms to overstate their AI capabilities.
Regulatory and Supervisory Weaknesses: The absence of clear legal frameworks and enforcement mechanisms facilitated deceptive marketing practices related to AI.
Deceptive Marketing Strategies: The use of ambiguous terminology, exaggerated performance claims, and symbolic representations misled consumer perceptions.
Psychological Manipulation: Emotional appeals, future-oriented imagery, and narratives of technological superiority affected consumer judgment.
Ethical Violations: A short-term profit orientation and a lack of professional responsibility contributed to intentional misrepresentation.

Consequences of AI-Washing
The consequences derived from 86 initial codes were categorized into 6 major themes:

Erosion of consumer trust and increased skepticism
Disruption of fair competition and marginalization of ethical firms
Suppression of genuine innovation
Negative cognitive and psychological effects on consumers
Economic and investment distortions
Damage to brand credibility and long-term reputation

Strategies to Mitigate AI-Washing
5 overarching strategies emerged from the analysis: regulatory reinforcement, consumer education, commitment to ethical marketing, interdisciplinary collaboration, and institutional cooperation.

Discussion of Results & Conclusion
The findings highlighted AI-washing as a complex, multidimensional phenomenon rooted in knowledge asymmetry, competitive pressure, and institutional gaps. While AI-related marketing claims might provide short-term visibility, they ultimately eroded consumer trust, distort market competition, and impede authentic technological advancement. Consistent with prior research, the results underscored the necessity of transparency, ethical accountability, and regulatory oversight in mitigating misleading AI claims (Nyilasy & Gangadharbatla, 2025; Ozturkcan & Bozdağ, 2025). Addressing AI-washing requires a comprehensive approach that integrates policy intervention, consumer education, and robust ethical marketing standards.
Practical Recommendations

Establishing clear regulatory standards for AI-related marketing claims
Promoting initiatives aimed at enhancing AI literacy and consumer education
Encouraging firms to adopt transparent and ethical marketing practices
Fostering interdisciplinary collaboration among regulators, academics, and industry stakeholders.

Limitations
This study was subject to limitations inherent in qualitative research, including potential interpretive bias and reliance on expert perspectives. The cross-sectional design might not fully capture the evolving nature of AI-washing practices. Future research could employ quantitative or longitudinal approaches to expand upon these findings.

Keywords

Main Subjects

Full Text

مقدمه

مفهوم هوش‌ مصنوعی‌نمایی در سال‌های اخیر، به‌ویژه با افزایش استفادۀ شرکت‌ها از هوش مصنوعی در راهبرد‌های بازاریابی، اهمیت فزاینده‌ای یافته است. هوش‌ مصنوعی‌نمایی به معنای بزرگ‌نمایی یا ارائۀ نادرست از نقش هوش مصنوعی در محصولات یا خدمات است، به‌گونه‌ای که تصویری نادرست و اغراق‌شده از توانایی‌های واقعی آن‌ها در ذهن مخاطب شکل می‌گیرد. این پدیده، نگرانی‌های مهمی را درزمینۀ اعتماد مصرف‌کننده، اخلاق در بازاریابی و سلامت فضای رقابتی ایجاد کرده است (Ozturkcan & Bozdağ, 2025; Nyilasy & Gangadharbatla, 2025)

در این مقدمه، به بررسی پیش‌زمینه‌ها و پیامدهای هوش‌ مصنوعی‌نمایی، ابعاد مفهومی آن و راهکارهای ممکن برای کاهش آثار آن پرداخته می‌شود. امروزه در پژوهش‌های انجام‌شده مشخص شده است که ابزارهای هوش مصنوعی می‌توانند به سؤالات و مشکلات مشتریان به‌صورت سریع‌تر و کارآمدتر پاسخ دهند؛ ولی به‌کارگیری این ابزارها مستلزم رعایت اصول اخلاقی و جلب اعتماد مصرف‌کنندگان است (نصرآبادی و همکاران، 1404).

یکی از مهم‌ترین عوامل بروز هوش‌ مصنوعی‌نمایی، پیشرفت سریع فناوری‌های هوش مصنوعی است که باعث ایجاد خلأ دانشی میان شرکت‌ها و مصرف‌کنندگان شده است. بسیاری از مردم درک دقیق و عمیقی از عملکرد واقعی هوش مصنوعی ندارند و همین موضوع آن‌ها را در برابر ادعاهای گمراه‌کننده آسیب‌پذیر می‌سازد (Tello & Espinoza, 2025). این خلأ با فشارهای رقابتی در صنایع مختلف نیز تشدید می‌شود؛ شرکت‌ها برای حفظ جایگاه خود و جذب مشتریان علاقه‌مند به فناوری، احساس می‌کنند باید از اصطلاحات درزمینۀ هوش مصنوعی استفاده کنند (Hermann, 2023)؛ در نتیجه، برخی کسب‌وکارها حتی بدون بهره‌گیری واقعی از هوش مصنوعی، برای متمایز شدن از رقبا، به هوش‌ مصنوعی‌نمایی روی می‌آورند.

پیامدهای هوش‌ مصنوعی‌نمایی چندوجهی است و می‌تواند تأثیرات بلندمدتی بر رفتار مصرف‌کنندگان و پویایی بازار داشته باشد. برای مصرف‌کنندگان، مهم‌ترین اثر، از بین رفتن اعتماد به ادعاهای بازاریابی است که این موضوع می‌تواند موجب بدبینی به نوآوری‌های واقعی در حوزۀ هوش مصنوعی شود (Ottenheimer, 2024). کاهش اعتماد، در بلندمدت ممکن است به کاهش وفاداری مشتری و تعامل کمتر با برندها منجر شود. همچنین، هوش‌ مصنوعی‌نمایی می‌تواند فضای رقابتی ناعادلانه‌ای را به ‌وجود آورد، جایی که شرکت‌هایی که از روش‌های فریب‌کارانه استفاده می‌کنند، نسبت به برندهای اخلاق‌مدار، مزیت ناعادلانه‌ای کسب می‌کنند (Baqi et al., 2022). این وضعیت نه‌تنها رقابت سالم را تضعیف می‌کند، بلکه نوآوری واقعی را نیز به حاشیه می‌راند؛ زیرا تمرکز شرکت‌ها بر ظاهرگرایی و استفادۀ نمایشی از هوش مصنوعی خواهد بود. از منظر مفهومی، هوش‌ مصنوعی‌نمایی را می‌توان از سه بُعد اصلی فریب‌کاری، دست‌کاری و تحریف واقعیت تحلیل کرد. در این رویکرد، شیوه‌های بازاریابی فریبنده از سوگیری‌های شناختی بهره می‌برند و باعث شکل‌گیری تصورات غلطی دربارۀ قابلیت‌های محصولات می‌شوند (Dave, 2025). همچنین، استفادۀ حساب‌شده از زبان و تصاویر در تبلیغات می‌تواند روایتی نادرست دربارۀ ویژگی‌های مبتنی‌بر هوش مصنوعی بسازد که نیاز به آگاهی انتقادی مصرف‌کنندگان را افزایش می‌دهد (Rozenova et al., 2025). درک این ابعاد به ما کمک می‌کند تا پیچیدگی‌های هوش‌ مصنوعی‌نمایی و آثار آن را بهتر بشناسیم. برای مقابله با پیامدهای هوش‌ مصنوعی‌نمایی، می‌توان مجموعه‌ای از راهکارها را به کار گرفت؛ مثلاً در درجۀ نخست، ایجاد چهارچوب‌های نظارتی می‌تواند شفافیت در ادعاهای مربوط به هوش مصنوعی را تضمین کند (Steinhoff, 2024). این مقررات شرکت‌ها را ملزم می‌کند تا اطلاعات دقیق و قابل راستی‌آزمایی دربارۀ نحوه و میزان استفاده از هوش مصنوعی در محصولات خود ارائه دهند. در کنار آن، آموزش مصرف‌کنندگان نیز نقش مهمی دارد. با آگاه‌سازی عمومی و ارتقای سواد فناوری، مردم می‌توانند ادعاهای نادرست را شناسایی کرده و تفاوت میان کاربرد واقعی و ادعاهای نمایشی را تشخیص دهند (Petrishyna et al., 2024). این رویکرد می‌تواند از گسترش بیشتر هوش‌ مصنوعی‌نمایی جلوگیری کند.

علاوه‌بر این، شرکت‌ها خود نیز می‌توانند به اصول بازاریابی اخلاقی پایبند بمانند و صداقت و شفافیت را در اولویت قرار دهند. این موضوع شامل ارائۀ توضیحات دقیق دربارۀ نحوۀ استفاده از هوش مصنوعی در محصولات و مزایای واقعی آن برای مصرف‌کننده است (Urias et al., 2017). پایبندی به چنین استانداردهایی می‌تواند اعتماد مصرف‌کننده را تقویت کرده و راهی برای تمایز پایدار در بازار فراهم کند.

در نهایت، هوش‌ مصنوعی‌نمایی یکی از چالش‌های مهم در فضای بازاریابی امروزی است که از ترکیب فشار رقابتی و ناآگاهی عمومی از فناوری نشئت می‌گیرد. این پدیده پیامدهایی فراتر از سودآوری شرکت‌ها دارد و اعتماد مصرف‌کننده و سلامت بازار را تهدید می‌کند. با شناخت عوامل زمینه‌ساز و ابعاد مفهومی آن، و با اجرای راهکارهای مقابله‌ای، می‌توان به‌سمت محیطی شفاف‌تر و اخلاق‌مدارتر در بازاریابی حرکت کرد، محیطی که هم به نفع مصرف‌کنندگان است و هم به ترویج نوآوری واقعی در حوزه هوش مصنوعی کمک می‌کند. باوجود توجه فزاینده به پدیدۀ هوش‌ مصنوعی‌نمایی در بازاریابی، پژوهش‌های موجود اغلب به تحلیل‌های غیرنظام‌مند یا توصیفی محدود شده و بدون چهارچوبی نظری برای تبیین ابعاد مفهومی این پدیده در بستر رقابتی بازاریابی‌اند. مطالعات پیشین عمدتاً بر جنبه‌های فنی هوش مصنوعی یا مصادیق خاص گمراه‌سازی متمرکز بوده‌ و کمتر به تحلیل میان‌رشته‌ای فریب‌کاری، دست‌کاری، و تحریف واقعیت پرداخته‌اند. در کشور ایران، براساس گزارش شاخص هوش مصنوعی ایران ۱۴۰۳ (دانشگاه صنعتی شریف، ۱۴۰۳)، تنها ۱۷درصد شرکت‌های ایرانی تاکنون از فناوری هوش مصنوعی استفاده کرده‌اند که این میزان حدود ۷ سال عقب‌تر از میانگین جهانی است. این میزان پایین پذیرش واقعی، همراه با چالش‌هایی نظیر تحریم‌ها، کمبود نیروی متخصص و ضعف زیرساخت‌ها، زمینه را برای تشدید پدیدۀ هوش‌ مصنوعی‌نمایی فراهم کرده است؛ به‌عنوان مثال، در بسیاری از فروشگاه‌های اینترنتی و سکو‌های تجارت الکترونیک ایرانی، فناوری هوش مصنوعی عمدتاً برای شخصی‌سازی پیشنهادها و چت‌بات‌های ابتدایی به کار گرفته شده، اما ادعاهای بازاریابی اغلب فراتر از قابلیت‌های واقعی موجود است (Jami Pour et al., 2024; Marzdar, 2025). این پژوهش با ارائۀ مدل مفهومی یکپارچه، این پدیده را از این سه بُعد بررسی کرده و راهکارهای عملیاتی برای کاهش گمراه‌سازی در بازاریابی رقابتی پیشنهاد می‌دهد. نوآوری این مطالعه در طراحی چهارچوبی نظری است که نه‌تنها ابعاد مفهومی هوش‌ مصنوعی‌نمایی را تبیین می‌کند، بلکه با ارائۀ راه‌حل‌های مبتنی‌‌بر اصول اخلاقی، پتانسیل کاربرد در سیاست‌گذاری و آموزش مصرف‌کننده را فراهم می‌سازد. سؤال اصلی پژوهش چنین است: «ابعاد مفهومی هوش‌ مصنوعی‌نمایی در ادعاهای بازاریابی رقابتی ایران کدام‌اند و چگونه می‌توان با شناسایی راهکارهای مقابله، به ایجاد فضایی شفاف و در اکوسیستم بازاریابی ایران کمک کرد؟» پاسخ به این پرسش می‌تواند به تدوین سیاست‌های نظارتی مؤثر و تقویت اعتماد در اکوسیستم بازاریابی ایران مبتنی‌بر هوش مصنوعی منجر شود.

پاسخ به این پرسش می‌تواند به تدوین سیاست‌های نظارتی مؤثر و تقویت اعتماد در اکوسیستم بازاریابی ایران مبتنی‌بر هوش مصنوعی منجر شود.

مبانی نظری

پدیدۀ هوش‌ مصنوعی‌نمایی که به استفادۀ‌ گمراه‌کننده، اغراق‌آمیز یا نادرست از اصطلاحات و مفاهیم حوزۀ هوش مصنوعی در تبلیغات و بازاریابی اشاره دارد، به یکی از چالش‌های برجسته در شیوه‌های بازاریابی معاصر تبدیل شده است (Tello & Espinoza, 2025). این پدیده با بهره‌گیری از سه بُعد اصلی -فریب‌کاری (Deception)، دست‌کاری عاطفی (Manipulation) و تحریف واقعیت (Misrepresentation)- تلاش می‌کند تا با ایجاد تصویری غیرواقعی از فناوری‌های پیشرفته، ادراک مصرف‌کنندگان را تحت‌تأثیر قرار دهد و اعتماد عمومی به نوآوری‌های اصیل مبتنی‌بر هوش مصنوعی را تضعیف کند (Sivathanu et al., 2023). این اقدام‌ها نه‌تنها اعتماد مصرف‌کنندگان را خدشه‌دار می‌کنند، بلکه با ایجاد مزیت رقابتی ناعادلانه برای شرکت‌های متقلب، به رقابت سالم و توسعۀ فناوری‌های واقعی آسیب می‌رسانند. این مطالعه با هدف تحلیل جامع ابعاد مفهومی، پیشایندها، پیامدها و راهبردهای مقابله با هوش‌ مصنوعی‌نمایی، چهارچوبی میان‌رشته‌ای ارائه می‌دهد که ضمن بررسی جنبه‌های اجتماعی، فرهنگی و اخلاقی این پدیده، راهکارهای عملی برای کاهش تأثیرات مخرب آن پیشنهاد می‌کند. هوش‌ مصنوعی‌نمایی را می‌توان از سه منظر اصلی تحلیل کرد: فریب‌کاری، دست‌کاری عاطفی و تحریف واقعیت. هریک از این ابعاد نقش مهمی در شکل‌دهی به ادراک مصرف‌کننده و تأثیرگذاری بر تصمیم‌گیری‌های او در محیط‌های رقابتی ایفا می‌کنند.

فریب‌کاری: فریب‌کاری در بازاریابی هوش مصنوعی از سوگیری‌های شناختی مصرف‌کنندگان بهره می‌برد تا برداشت‌های نادرستی از قابلیت‌های یک محصول ایجاد کند (Hollebeek et al., 2024)؛ برای مثال، شرکت‌ها ممکن است با استفادۀ گسترده از اصطلاحات فنی مانند «هوش مصنوعی پیشرفته» یا «یادگیری عمیق»، محصولی را به‌عنوان یک نوآوری پیشرو معرفی کنند، درحالی‌که در عمل، فقط از الگوریتم‌های ساده یا حتی روش‌های سنتی استفاده شده باشد (Baqi et al., 2022). این نوع فریب‌کاری مصرف‌کنندگان را گمراه و اعتبار کاربردهای واقعی هوش مصنوعی را نیز دچار تردید می‌کند و می‌تواند به بی‌اعتمادی گسترده به فناوری منجر شود (Sivathanu et al., 2023).

دست‌کاری عاطفی: دست‌کاری عاطفی ازطریق استفادۀ هدفمند از زبان، تصاویر و روایت‌های تبلیغاتی، احساسات و تمایلات مصرف‌کنندگان را هدف قرار می‌دهد تا آن‌ها را به پذیرش ادعاهای غیرواقعی ترغیب کند (Chen, 2025)؛ برای نمونه، تبلیغات ممکن است با نمایش تصاویری از آینده‌ای پیشرفته یا استفاده از شعارهایی مانند «آینده را با هوش مصنوعی تجربه کنید»، احساس هیجان و نوآوری را در مخاطب برانگیزد، درحالی‌که محصول واقعی از چنین قابلیت‌هایی برخوردار نیست. این تکنیک‌های پیچیدۀ بازاریابی، تشخیص حقیقت را برای مصرف‌کنندگان دشوار می‌سازند و ضرورت افزایش آگاهی انتقادی را برجسته می‌کنند (Hollebeek et al., 2024).

تحریف واقعیت: تحریف واقعیت زمانی رخ می‌دهد که شرکت‌ها قابلیت‌ها یا مزایای هوش مصنوعی را به‌گونه‌ای اغراق‌آمیز یا نادرست ارائه می‌دهند. این اقدام ممکن است شامل بزرگ‌نمایی عملکرد محصول، پنهان‌سازی محدودیت‌ها یا حتی ادعای استفاده از هوش مصنوعی درحالی‌که هیچ‌گونه فناوری پیشرفته‌ای به کار نرفته باشد، شود (Ottenheimer, 2024). چنین شیوه‌هایی نه‌تنها مصرف‌کنندگان را گمراه می‌کنند، بلکه با ایجاد مزیت رقابتی ناعادلانه برای شرکت‌های متقلب، به برندهای اخلاق‌مدار و نوآور زیان وارد می‌کنند (McCarthy, 2024).

2-1- پیشایندهای هوش‌ مصنوعی‌نمایی

عوامل گوناگونی به گسترش پدیدۀ هوش‌ مصنوعی‌نمایی در بازاریابی کمک کرده‌اند: نخست، خلأ دانشی است که پیشرفت سریع فناوری‌های هوش مصنوعی و پیچیدگی فنی آن‌ها، خلأ دانشی عمیقی میان شرکت‌ها و مصرف‌کنندگان ایجاد کرده است (Karthika, 2025). بسیاری از مصرف‌کنندگان درک کاملی از نحوۀ عملکرد هوش مصنوعی یا محدودیت‌های آن ندارند؛ در نتیجه آن‌ها را در برابر ادعاهای گمراه‌کننده آسیب‌پذیر می‌سازد. این ناآگاهی، به‌ویژه در مواجهه با اصطلاحات تخصصی و پیچیده، ارزیابی دقیق تبلیغات را برای مخاطبان دشوار می‌کند (Tello & Espinoza, 2025)؛ برای مثال، استفاده از عبارت‌هایی مانند «هوش مصنوعی مبتنی‌بر کلان داده‌ها» ممکن است برای مصرف‌کننده جذاب به نظر برسد؛ اما بدون دانش فنی کافی، او قادر به تشخیص درستی این ادعاها نخواهد بود؛ دوم، فشارهای رقابتی است که در بازارهای رقابتی امروزی، شرکت‌ها برای جلب‌توجه مخاطبان و حفظ جایگاه خود در برابر رقبا، تحت‌فشار شدیدی قرار دارند (Yu et al., 2023). این فشار، به‌ویژه در صنایع فناوری‌محور، شرکت‌ها را وادار می‌کند تا از اصطلاحات در حوزۀ هوش مصنوعی به‌عنوان ابزاری برای بازاریابی استفاده کنند، حتی اگر محصول آن‌ها بدون فناوری‌های پیشرفته باشد. این گرایش به‌ویژه در استارتاپ‌ها و شرکت‌های کوچک‌تر که به‌‌دنبال جذب سرمایه‌گذاران یا مشتریان‌اند، مشهود است (Baqi et al., 2022)؛ سوم، نبود مقررات شفاف است که نداشتن چهارچوب‌های قانونی روشن و الزام‌آور درزمینۀ استفاده از هوش مصنوعی در بازاریابی، به شرکت‌ها اجازه می‌دهد تا ادعاهای اغراق‌آمیز را بدون نگرانی از پیامدهای قانونی مطرح کنند (Tello & Espinoza, 2025). در بسیاری از کشورها، قوانین موجود برای ساماندهی تبلیغات به‌گونه‌ای طراحی نشده‌اند که به‌طور خاص به پیچیدگی‌های فناوری‌های نوین مانند هوش مصنوعی بپردازند. این خلأ نظارتی، زمینه‌ساز گسترش هوش‌ مصنوعی‌نمایی شده و به شرکت‌ها امکان داده است تا از ابهام‌های موجود سوءاستفاده کنند (Manheim, 2025).

پیامدهای هوش‌ مصنوعی‌نمایی فراتر از آثار کوتاه‌مدت بر شرکت‌ها؛ بر اعتماد مصرف‌کننده، سلامت بازار و حتی سیاست‌گذاری‌های کلان تأثیر می‌گذارد، ازجملۀ آن‌ها فرسایش اعتماد عمومی است که هوش‌ مصنوعی‌نمایی می‌تواند به بی‌اعتمادی گسترده به ادعاهای بازاریابی منجر شود و مصرف‌کنندگان را به نوآوری‌های واقعی در حوزۀ هوش مصنوعی بدبین کند (Hermann, 2023). این بی‌اعتمادی ضمن کاهش وفاداری به برند، می‌تواند تعامل مصرف‌کنندگان با محصولات و خدمات فناورانه را محدود کند؛ برای مثال، مصرف‌کنندگانی که بارها با ادعاهای نادرست مواجه شده‌اند، ممکن است به‌طور کلی از پذیرش فناوری‌های جدید خودداری کنند (Sivathanu et al., 2022).

عامل دیگر، اخلال در رقابت بازار است. این پدیده با ایجاد مزیت ناعادلانه برای شرکت‌های متقلب، رقابت سالم را مختل کرده و نوآوری‌های واقعی را به حاشیه می‌راند (McCarthy, 2024). شرکت‌هایی که به‌جای سرمایه‌گذاری در توسعۀ فناوری‌های واقعی، بر ساختن تصویری نمایشی از هوش مصنوعی تمرکز می‌کنند، می‌توانند منابع و توجه بازار را از برندهای اخلاق‌مدار و نوآور منحرف کنند. این موضوع در بلندمدت به کاهش انگیزه برای نوآوری و توسعۀ فناوری‌های پیشرفته منجر می‌شود (Ottenheimer, 2024).

واکنش‌های نظارتی از دیگر موضوع‌هایی است که با افزایش آگاهی عمومی و نهادهای ناظر به هوش‌ مصنوعی‌نمایی، احتمال وضع مقررات سخت‌گیرانه‌تر افزایش یافته است (Manheim, 2025). این مقررات می‌توانند ساختار رقابتی بازار را تغییر دهند و الزامات جدیدی برای شرکت‌ها درزمینۀ شفافیت و پاسخ‌گویی ایجاد کنند؛ برای مثال، نهادهای نظارتی ممکن است استانداردهایی برای اثبات ادعاهای هوش مصنوعی وضع کنند که شرکت‌ها را ملزم به ارائۀ شواهد فنی و قابل راستی‌آزمایی کند (Pink et al., 2024).

برای کاهش پیامدهای مخرب هوش‌ مصنوعی‌نمایی و ایجاد محیطی شفاف‌تر و عادلانه‌تر در بازاریابی، راهبردهایی پیشنهاد شده است؛ مانند چهارچوب‌های قانونی و نظارتی که تدوین و اجرای قوانین شفاف و الزام‌آور درزمینۀ بازاریابی هوش مصنوعی، می‌تواند به کاهش ادعاهای گمراه‌کننده کمک کند. این چهارچوب‌ها باید شرکت‌ها را ملزم کنند که اطلاعات دقیق، قابل راستی‌آزمایی و شفاف دربارۀ کاربرد هوش مصنوعی در محصولات و خدمات خود ارائه دهند (Pink et al., 2024)؛ برای مثال، نهادهای نظارتی می‌توانند استانداردهایی برای تعریف دقیق اصطلاحاتی مانند «هوش مصنوعی» یا «یادگیری ماشین» در تبلیغات وضع کنند تا از سوءاستفاده جلوگیری شود.

عامل دیگر، آموزش و آگاه‌سازی مصرف‌کننده است؛ به‌گونه‌ای که ارتقای سواد فناورانه و آگاهی عمومی، مصرف‌کنندگان را توانمند می‌سازد تا محتوای تبلیغاتی را با دید انتقادی ارزیابی کرده و بین ادعاهای واقعی و گمراه‌کننده تمایز قائل شوند (Gabelaia, 2022). برنامه‌های آموزشی، کمپین‌های عمومی و منابع اطلاعاتی می‌توانند به مصرف‌کنندگان کمک کنند تا درک بهتری از قابلیت‌ها و محدودیت‌های هوش مصنوعی به دست آورند. این آگاهی، آسیب‌پذیری آن‌ها در برابر تبلیغات فریبنده را کاهش می‌دهد.

عامل بعدی پایبندی به اصول اخلاقی در بازاریابی است که شرکت‌ها باید به شفافیت و صداقت در تبلیغات خود پایبند باشند و توضیحات دقیقی دربارۀ نحوۀ استفاده از هوش مصنوعی و مزایای واقعی آن ارائه دهند (Lee, 2022). این رویکرد نه‌تنها اعتماد مصرف‌کننده را تقویت می‌کند، بلکه می‌تواند به‌عنوان یک مزیت رقابتی پایدار عمل کند؛ برای مثال، شرکت‌هایی که به‌طور شفاف محدودیت‌های فناوری خود را بیان می‌کنند، چه بسا در بلندمدت اعتبار بیشتری نزد مشتریان کسب خواهند کرد.

عامل دیگر، رویکردهای میان‌رشته‌ای است که با بهره‌گیری از تحلیل‌های میان‌رشته‌ای، که ابعاد اجتماعی، فرهنگی، روان‌شناختی و اخلاقی هوش‌ مصنوعی‌نمایی را در نظر می‌گیرند، می‌تواند درک عمیق‌تری از این پدیده فراهم کند (Liu, 2021). این رویکرد، امکان طراحی راه‌حل‌های جامع‌تر را برای سیاست‌گذاران، پژوهشگران و فعالان صنعت فراهم می‌آورد؛ برای مثال، ترکیب دیدگاه‌های روان‌شناسی مصرف‌کننده با تحلیل‌های حقوقی و فنی می‌تواند به شناسایی مؤثرتر راهکارهای مقابله با این پدیده کمک کند.

هوش‌ مصنوعی‌نمایی به‌عنوان چالشی جدی در بازاریابی معاصر، از خلأ دانشی، فشارهای رقابتی و نبود مقررات شفاف نشئت می‌گیرد. این پدیده با بهره‌گیری از فریب‌کاری، دست‌کاری عاطفی و تحریف واقعیت، نه‌تنها اعتماد مصرف‌کنندگان را تضعیف می‌کند، بلکه به رقابت سالم و نوآوری‌های واقعی آسیب می‌رساند. با تحلیل جامع پیشایندها، پیامدها و ابعاد مفهومی هوش‌ مصنوعی‌نمایی، این مطالعه ضرورت تدوین راهبردهای اثربخش برای مقابله با آن را برجسته می‌سازد. ازطریق چهارچوب‌های قانونی دقیق، آموزش و آگاه‌سازی مصرف‌کنندگان، پایبندی به اصول اخلاقی در بازاریابی و بهره‌گیری از رویکردهای میان‌رشته‌ای، می‌توان محیطی شفاف‌تر و عادلانه‌تر در حوزۀ بازاریابی ایجاد کرد. چنین محیطی نه‌تنها به نفع مصرف‌کنندگان است، بلکه توسعۀ نوآوری‌های واقعی مبتنی‌بر هوش مصنوعی را تسهیل کرده و به پایداری بازارهای فناوری‌محور کمک می‌کند.

روش پژوهش

پژوهش حاضر مطالعه‌ای کیفی‌اکتشافی با رویکرد استقرایی و مبتنی‌بر فلسفه تفسیرگرایی است که از روش تحلیل مضمون برای بررسی پدیدۀ هوش‌ مصنوعی‌نمایی بهره می‌گیرد. برای ارتقای شفافیت روش‌شناختی، از مدل پیاز پژوهش ساندرز (Saunders' Research Onion) (Saunders et al., 2016) استفاده شد که در آن، فلسفه پژوهش بر تفسیرگرایی استوار است و ضمن اینکه رویکرد پژوهش ماهیتی استقرایی دارد، راهبرد پژوهش به‌صورت مطالعه موردی چندگانه و با تأکید بر مصاحبه‌های عمیق انتخاب شده است. همچنین، روش‌شناسی پژوهش از نوع تک‌روش کیفی بوده و گردآوری داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته انجام گرفته است. تحلیل داده‌ها نیز با بهره‌گیری از تحلیل مضمون شش‌مرحله‌ای براون و کلارک (Braun & Clarke, 2006) و افق زمانی مقطعی تعیین شد؛ این چهارچوب چندلایه‌ای، انسجام، اعتبار و قابلیت تکرارپذیری روش‌شناختی پژوهش را به‌طور کامل تضمین می‌کند.

جامعۀ آماری شامل خبرگان حوزۀ مدیریت بازرگانی و اعضای هیئت‌علمی مدیریت و بازاریابی در دانشگاه‌های تهران و مازندران و سمنان و ایلام و قم است. معیار انتخاب این افراد، داشتن تخصص علمی، تجربۀ عملی یا آثار منتشرشده دربارۀ موضوع پژوهش بوده و همچنین سابقه مدیریتی یا مشاوره‌ای بیش از 3 سال نیز به‌عنوان یک معیار اصلی در نظر گرفته شده است. برای نمونه‌گیری از روش گلوله‌برفی استفاده شد و درمجموع 27 نفر به‌عنوان نمونه انتخاب شدند. این تعداد براساس رسیدن به اشباع نظری تعیین شد، به‌طوری‌که پس‌ا‌‌‌ز مصاحبه هجدم، مشاهده شد که کدهای مشابه و تکراری پدیدار می‌شوند. مصاحبه‌های نیمه‌ساختاریافته براساس شیوه‌نامه‌ای ازپیش‌طراحی‌شده شامل ۸ سؤال اصلی و سؤالات کاوشی انجام شد. برای اطمینان از اعتبار و پایایی یافته‌ها، از مجموعه‌ای از راهبردها استفاده شد، از جمله بررسی توسط اعضا از طریق ارسال خلاصه مضمون‌ها به تعدادی از مشارکت‌کنندگان به‌منظور تأیید و اعمال اصلاحات احتمالی، مثلث‌سازی پژوهشگر (کدگذاری مستقل داده‌ها و مقایسۀ نتایج توسط دو پژوهشگر) و نیز مستندسازی منظم فرایند پژوهش که شامل نگهداری متن‌های پیاده‌سازی‌شده، نسخه‌های مختلف کدها و یادداشت‌های میدانی بود؛ همچنین تحلیل داده‌ها به‌صورت محدود و کمک نرم‌افزارMAXQDA نسخۀ ۲۰۲۴ انجام گرفت و تحلیل اصلی براساس رویکرد شش‌مرحله‌ای براون و کلارک بود.

مصاحبه‌ها به‌صورت حضوری یا مجازی انجام شد و هر مصاحبه بین 45 تا 60 دقیقه طول کشید. تمامی مصاحبه‌ها با رضایت آگاهانۀ مشارکت‌کنندگان به‌صورت صوتی ضبط و سپس به‌صورت کلمه‌به‌کلمه پیاده‌سازی شدند. برای افزایش دقت، متن پیاده‌سازی‌شده به مشارکت‌کنندگان بازگردانده شد تا صحت و کامل بودن آن‌ها تأیید شود. همچنین اصول اخلاقی شامل رضایت آگاهانه، محرمانگی داده‌ها، و امکان انصراف از پژوهش رعایت شد. ابزار اصلی گردآوری داده‌ها در این پژوهش، مصاحبۀ نیمه‌ساختاریافته بوده است.

3-1- سؤالات پژوهش

ابعاد مفهومی هوش‌ مصنوعی‌نمایی در ادعاهای بازاریابی رقابتی کدام‌اند و چگونه می‌توان آن‌ها را از منظر فریب‌کاری، دست‌کاری عاطفی، و تحریف واقعیت تبیین کرد؟
چه عوامل زمینه‌سازی (پیشایندها) در بروز پدیدۀ هوش‌ مصنوعی‌نمایی در راهبردهای بازاریابی شرکت‌ها نقش دارند؟
پیامدهای هوش‌ مصنوعی‌نمایی بر اعتماد مصرف‌کنندگان، رفتار خرید، و سلامت فضای رقابتی بازار چیست؟
چگونه سوگیری‌های شناختی و ناآگاهی مصرف‌کنندگان به تشدید اثرگذاری هوش‌ مصنوعی‌نمایی در تبلیغات منجر می‌شوند؟
چه راهکارهای عملی و نظارتی را می‌توان برای کاهش گمراه‌سازی ناشی از هوش‌ مصنوعی‌نمایی در بازاریابی رقابتی پیشنهاد داد؟
چگونه می‌توان ازطریق آموزش مصرف‌کنندگان و پایبندی شرکت‌ها به اصول اخلاقی، فضایی شفاف‌تر و اخلاق‌مدارتر در بازاریابی مبتنی‌بر هوش مصنوعی ایجاد کرد؟

برای بررسی اعتبار پژوهش حاضر، از روش مثلث‌سازی (Triangulation) استفاده شده است. به این منظور، داده‌ها از سه منبع اصلی شامل مدیران و کارشناسان ارشد شرکت‌های فعال در حوزۀ فناوری و بازاریابی، اعضای هیئت‌علمی دانشگاه‌های مازندران، قم، تهران و سمنان، و پژوهشگران حوزۀ مدیریت بازرگانی و متخصصان حوزۀ بازاریابی گردآوری شده است. این رویکرد به پژوهشگر امکان داده تا اطلاعات جامع‌تری از زوایای مختلف با موضوع پژوهش -یعنی شناسایی پیشایندها و پسایندها هوش مصنوعی احساسی- را در بازاریابی هوشمند به دست آوردند. جمع‌آوری داده از منابع مختلف، ضمن بهبود عمق و وسعت داده‌ها، به تحلیل دقیق‌تر و چندجانبۀ یافته‌ها کمک کرده است. علاوه‌بر این، برای ارتقای کیفیت تحلیل، از بررسی‌های نظری و پژوهشی موجود در منابع و مآخذ هوش مصنوعی احساسی نیز به‌عنوان منبع مکمل بهره‌برداری شد. این ترکیب منابع، دیدگاه‌های گوناگون و کاملی را فراهم آورد تا موضوع مورد مطالعه از منظرهای مختلف بررسی شود. به‌منظور اطمینان از روایی یافته‌ها، فرایند کنترل کیفیت داده‌ها نیز اجرا و پس‌از تحلیل داده‌های گردآوری‌شده، نتایج به‌صورت خلاصه تهیه و به تعدادی از مصاحبه‌شوندگان ارائه شد. هدف این مرحله، بررسی صحت برداشت پژوهشگر از اظهارنظرهای مصاحبه‌شوندگان و میزان تناسب یافته‌ها با دیدگاه واقعی آن‌ها بود. مصاحبه‌شوندگان بازخوردهای خود را ارائه کردند و سوگیری‌های احتمالی که برداشت پژوهشگر با منظور واقعی آن‌ها همخوانی نداشت، مشخص شد. براساس این بازخوردها، بخشی از یافته‌ها اصلاح و بازبینی شد تا مطابقت بیشتری با دیدگاه‌های مصاحبه‌شوندگان داشته باشد. این رویکرد نه‌تنها نشان‌دهندۀ روایی قابل قبول یافته‌های پژوهش است، بلکه تضمین می‌کند که نتایج به‌دست‌آمده منطقی و با دیدگاه‌های واقعی مصاحبه‌شوندگان هماهنگ باشد. به‌ویژه درزمینۀ تحلیل پیشایندها و پسایندهای هوش مصنوعی احساسی، استفاده از این روش، اطلاعات عمیق‌تر و گسترده‌تری را فراهم و به تقویت اعتبار علمی پژوهش کمک کرده است. برای بررسی پایایی ابزار پژوهش، از رویکردهای مختلفی استفاده شد تا اطمینان حاصل شود که ابزارهای مورد استفاده قادر به تولید نتایج معتبر و پایا هستند. یکی از روش‌های اصلی بهبود پایایی در این پژوهش، توجه ویژه به تعریف دقیق و واضح اصطلاحات و مفاهیم کلیدی بود. این موضوع به‌ویژه در مصاحبه‌های نیمه‌ساختاریافته، که مبنای اصلی جمع‌آوری داده‌ها در پژوهش حاضر هستند، اهمیت فراوانی دارد.

یکی از عواملی که ممکن است پایایی ابزار سنجش را به خطر بیندازد، مبهم بودن اصطلاحات است. در این پژوهش تلاش شد که تمامی اصطلاحات و مفاهیم به‌گونه‌ای طراحی شوند که برای مصاحبه‌شوندگان کاملاً قابل فهم و ساده باشند. برای این منظور: پرسش‌ها بارها بازبینی شدند تا از وضوح و فهم‌پذیری آن‌ها اطمینان حاصل شود. آزمایش‌های اولیه انجام شد تا مشخص شود که آیا مصاحبه‌شوندگان برداشت یکسانی از واژه‌ها و مفاهیم مورد استفاده دارند یا خیر. با طرح این سؤال که «آیا پاسخ‌دهندگان به همان شیوه‌ای که پژوهشگر مدنظر دارد، مفاهیم را درک می‌کنند؟» سؤالات ارزیابی شدند. یکی از معیارهای اصلی در طراحی ابزار پژوهش، توجه به وضعیت ظاهری و درونی ابزار پژوهش بود. پرسش‌ها به‌گونه‌ای طراحی شدند که برای مصاحبه‌شوندگان انگیزه‌بخش و شوق‌آفرین باشند. این موضوع با انتخاب واژگان مناسب، طراحی ساختار پرسش‌ها، و ایجاد فضایی جذاب برای پاسخ‌دهندگان تحقق یافت. ابزارهایی که ازنظر ظاهری زیبا و واضح باشند، معمولاً پاسخ‌دهی بهتری را نیز به دنبال دارند. برای اطمینان از پایداری داده‌ها و برداشت صحیح از اظهارنظرهای مصاحبه‌شوندگان: یافته‌های به‌دست‌آمده پس‌از تحلیل اولیه، به تعدادی از مصاحبه‌شوندگان ارائه شد تا نظر آن‌ها دربارۀ دقت و تطابق داده‌ها با منظور واقعی خودشان پرسیده شود. بازخوردهای ارائه‌شده در این مرحله برای اصلاح و بهبود یافته‌ها استفاده شد.

3-2- مراحل شش‌گانۀ تحلیل مضمون

شکل 1: روش کار تحلیل مضمون (منبع: Braun & Clarke, 2006)

Figure 1: Thematic Analysis Methodology

1- آشنایی با داده‌ها: در این مرحله، پژوهشگر برای درک عمیق و جامع داده‌ها، آن‌ها را چندین بار به‌صورت فعال و با هدف جستجوی معانی و الگوها مطالعه می‌کند. یادداشت‌برداری و علامت‌گذاری مفاهیم اولیه که در مراحل بعدی استفاده می‌شوند، از همین مرحله آغاز می‌شود.

2- ایجاد کدهای اولیه: پس‌ا‌ز آشنایی با داده‌ها، کدگذاری اولیه انجام می‌شود. در این مرحله، پژوهشگر بخش‌های مرتبط داده‌ها را شناسایی و آن‌ها را براساس نقاط تمرکز پژوهش کدگذاری می‌کند. کدگذاری می‌تواند به‌صورت داده‌محور یا نظریه‌محور باشد و به هدف پژوهش بستگی دارد. برای اجرای پژوهش حاضر کدگذاری کاملاً داده‌محور و استقرایی انجام شد؛ بخش‌های معنادار متن‌ها شناسایی و کدگذاری شدند و هر کد با ارجاع دقیق به مصاحبه و محل مربوطه مشخص شد.

3- جستجوی مضمون‌ها: کدهای اولیه به‌صورت سازمان‌یافته دسته‌بندی و در قالب مضمون‌های بالقوه گروه‌بندی می‌شوند. برخی کدها، مضمون‌های اصلی را شکل می‌دهند، برخی دیگر مضمون‌های فرعی را تشکیل می‌دهند، و مابقی که مرتبط نیستند حذف می‌شوند. برای اجرای پژوهش حاضر کدهای اولیه به‌تدریج گروه‌بندی شدند؛ ابتدا مضمون‌ها اولیه شکل گرفتند، سپس مضمون‌های فرعی و در نهایت مضمون‌های اصلی تدوین و کدهای پراکنده و غیرمرتبط در این مرحله کنار گذاشته شدند.

4- بازبینی مضمون‌ها: در این مرحله، مضمون‌های شناسایی‌شده بازبینی و اصلاح می‌شوند. این فرایند در دو سطح انجام می‌شود: نخست، بررسی مضمون‌ها در سطح کدهای خلاصه‌شده و دوم ارزیابی مضمون‌ها نسبت به کل مجموعه داده‌ها. درصورت نیاز، کدگذاری و مضمون‌سازی تا رسیدن به نقشه‌ای رضایت‌بخش ادامه می‌یابد. برای اجرای پژوهش حاضر مضمون‌ها در دو سطح (سطح کدها و کل مجموعۀ داده‌ها) چندین بار بازبینی و اصلاح و نیز برخی مضمون‌ها حذف و برخی دیگر با یکدیگر ادغام شدند تا نقشه مضمون‌ها با کل داده‌ها همخوانی کامل پیدا کند و اشباع نظری حاصل شود.

5- تعریف و نام‌گذاری مضمون‌ها: پس‌از تثبیت مضمون‌ها، پژوهشگر آن‌ها را تعریف، نام‌گذاری و تحلیل می‌کند. این مرحله شامل بازبینی مجدد مضمون‌ها و مشخص کردن جزئیات داده‌ها در هر مضمون است. برای اجرای پژوهش حاضر مضمون‌های نهایی با نام‌گذاری بومی، تعریف دقیق و ارائۀ نقل‌قول‌های نمونه از خبرگان در جداول مربوطه ارائه شدند.

6- تهیۀ گزارش: در مرحله نهایی، پژوهشگر تحلیل پایانی را انجام داده و گزارش پژوهش را تهیه می‌کند. گزارش باید شامل مضمون‌های پالایش‌شده و تحلیل‌های مربوط به آن‌ها باشد. این فرایند گام‌به‌گام، ساختاریافته و انعطاف‌پذیر است و به پژوهشگر کمک می‌کند تا داده‌ها را به‌صورت نظام‌مند تحلیل و نتایج ‌اتکاپذیری ارائه کند. برای اجرای پژوهش حاضر، گزارش نهایی با ارائۀ مدل مفهومی، جدول‌های مضمون‌ها، نقل‌قول‌های کلیدی و مقایسه با پیشینۀ موجود تدوین شد (Braun & Clarke, 2006).

یافته‌ها و بحث

در پژوهش حاضر، به‌منظور شناسایی ابعاد مفهومی، پیشایندها و پیامدهای هوش‌ مصنوعی‌نمایی در بازاریابی رقابتی، با ۱۸ نفر از اعضای هیئت‌علمی دانشگاه‌های کشور در رشته‌های مدیریت بازاریابی، سیستم‌های اطلاعاتی، مدیریت راهبردی و... مصاحبه نیمه‌ساختاریافته انجام شد. مشارکت‌کنندگان براساس معیارهایی از جمله داشتن تخصص دانشگاهی، سابقۀ علمی در موضوع پژوهش و همچنین تجربۀ پژوهشی یا آموزشی یا مشاوره‌ای درزمینۀ بازاریابی دیجیتال و هوش مصنوعی انتخاب شدند. براساس اطلاعات جدول 1، ازنظر جنسیت، ۸۹درصد از اعضا هیئت‌علمی مرد و ۱۱درصد زن بودند. ازحیث گروه سنی، ۲۸درصد زیر ۴۰ سال، ۵۰درصد بین ۴۰ تا ۵۰ سال، و ۲۲درصد بیش از ۵۰ سال سن داشتند. تمامی مصاحبه‌شوندگان دارای مدرک دکتری و مرتبۀ علمی در دانشگاه بودند. همچنین، ازنظر سابقۀ حرفه‌ای (آموزشی و پژوهشی)، ۲۲درصد کمتر از ۱۰ سال سابقه، ۵۰ درصد بین ۱۰ تا ۱۵ سال، و ۲۸درصد بیش از ۱۵ سال سابقۀ فعالیت علمی و دانشگاهی داشتند.

جدول 1: آمار توصیفی پژوهش

Table 1: Descriptive statistics of the study

ویژگی	دسته‌بندی	تعداد	درصد
جنسیت	مرد	16	89
جنسیت	زن	2	11
گروه سنی	کمتر از ۵۰ سال	14	78
	۵۰ سال و بیشتر	4	22
	دکتری	18	100
سابقۀ حرفه‌ای	کمتر از ۱۵ سال	13	72
سابقۀ حرفه‌ای	۱۵ سال و بیشتر	5	80

منبع: یافته‌های پژوهش

جدول 3 تحلیل مضمون پیشایندهای هوش‌ مصنوعی‌نمایی شامل 144 کد پایه، 24 مضمون سازمان‌دهنده و 6 مضمون فراگیر اصلی است که عوامل زمینه‌ساز بروز این پدیده در بازاریابی رقابتی را تعیین می‌کند. این پیشایندها نشان‌دهندۀ تأثیر عمیق ناآگاهی عمومی، رقابت‌های ناسالم، و خلأهای قانونی بر گسترش ادعاهای گمراه‌کننده در بازاریابی هستند. شناسایی این عوامل به درک بهتر ریشه‌های هوش‌ مصنوعی‌نمایی کمک کرده و زمینه‌ساز ارائۀ راهکارهای مؤثر برای کاهش آثار آن می‌شود. جدول 3 با ساختار منظم و تحلیل عمیق، پایه‌ای برای سیاست‌گذاری و آموزش در حوزۀ بازاریابی مبتنی‌بر هوش مصنوعی فراهم می‌کند.

جدول 2: نمونه‌ای از پیاده‌سازی مصاحبۀ انجام‌شده

Table 2: Sample implementation of the conducted interview

متن مصاحبه	کدهای پایه استخراج‌شده
مردم معمولاً نمی‌فهمن واقعاً چقدر از هوش مصنوعی استفاده شده، چون اصطلاحات پیچیده‌ست، منابع آموزشی هم خیلی کمه، واسه همین هرچی می‌شنون رو باور می‌کنن.	پیچیدگی اصطلاحات فنی، کمبود منابع آموزشی ساده، تشخیص ندادن ادعاهای نادرست
تو تبلیغات، یه عباراتی مثل یادگیری عمیق می‌نویسن که کسی متوجه نشه واقعاً چیه، ازطرفی توضیح کافی نمی‌دن، بعد هم یه تصویر از یه ربات می‌ذارن که همه رو گمراه می‌کنه.	استفاده از واژگان تخصصی بدون توضیح، نمایش غیرواقعی محصولات، تحریف داده‌های عملکرد
خیلی از این شرکت‌ها اطلاعات درست نمی‌دن، داده‌ها رو دست‌کاری می‌کنن، تبلیغشون هم اصلاً شفاف نیست، معلوم نیست چی دارن می‌فروشن.	تحریف واقعیت محصول، تبلیغات غیرشفاف، ارائه نکردن اطلاعات کامل
واسه اینکه محصولشون جلوه کنه، از تصاویر آینده‌نگرانه استفاده می‌کنن، یه شعار جذاب می‌زنن و حس نوآوری کاذب به مخاطب القا می‌کنن.	استفاده از تصاویر آینده‌نگرانه، استفاده از شعارهای جذاب، القای حس نوآوری کاذب

منبع: یافته‌های پژوهش

جدول 3- شناسایی پیشایندهای هوش مصنوعی نمایی

Table 3: Identification of Washing Artificial Intelligence Antecedents

مضمون فراگیر	مضمون سازمان‌دهنده	کدهای پایه
ناآگاهی و محدودیت‌های شناختی	خلأ دانشی مصرف‌کنندگان	ناآگاهی عمومی از عملکرد هوش مصنوعی، درک محدود از فناوری، پیچیدگی اصطلاحات فنی، تشخیص ندادن ادعاهای نادرست، سوءاستفاده از واژگان تخصصی، در دسترس نبودن منابع آموزشی ساده، تصور نادرست از قابلیت‌های فناوری، پیچیدگی درک الگوریتم‌ها.
	سوءبرداشت از فناوری	جذابیت ظاهری فناوری، سوءبرداشت از قابلیت‌های هوش مصنوعی، ناآگاهی از محدودیت‌های فناوری، گمراهی در درک عملکرد، استفاده از اصطلاحات بدون توضیح، نمایش غیرواقعی فناوری در رسانه‌ها، تصور اغراق‌آمیز از هوش مصنوعی، ناآگاهی از کاربردهای واقعی.
	کمبود سواد فناوری	کمبود آموزش فناوری، ناتوانی در ارزیابی تبلیغات، دسترسی نداشتن به اطلاعات شفاف، ضعف سواد دیجیتال، ناآگاهی از کاربردهای واقعی هوش مصنوعی، نبود برنامه‌های آموزشی عمومی، پیچیدگی تحلیل تبلیغات، کمبود منابع اطلاعاتی معتبر.
	محدودیت در ارزیابی فناوری	ناتوانی در تشخیص فناوری‌های واقعی، گمراهی به‌دلیل تبلیغات پیچیده، نبود شفافیت در عملکرد محصولات، تصور اشتباه از هوش مصنوعی پیشرفته، ناآگاهی از محدودیت‌های فنی، گمراهی توسط شعارهای تبلیغاتی، پیچیدگی ارزیابی ادعاها، دسترسی نداشتن به اطلاعات فنی.
پویایی‌های رقابتی بازار	فشارهای رقابتی بازار	رقابت شدید در بازار فناوری، نیاز به جذب سرمایه‌گذار، تمایل به متمایز شدن، فشار برای جلب مشتریان جدید، استفاده از هوش مصنوعی به‌عنوان مزیت رقابتی، نیاز به جلب سرمایه‌گذاری خارجی، رقابت برای جذب استعدادها، فشار برای عرضۀ محصولات نوآورانه.
	رقابت برای جلب‌توجه	جلب‌توجه رسانه‌ها، رقابت با استارتاپ‌ها، فشار برای نوآوری ظاهری، نیاز به رشد سریع، تمایل به پیشرو بودن در صنعت، رقابت برای دیده شدن در رسانه‌های اجتماعی، فشار برای برندسازی سریع، رقابت برای جذب مشتریان جهانی.
	رقابت برای سهم بازار	تقاضای فراوان بازار برای فناوری، فشار برای عرضۀ محصولات جدید، رقابت در بازارهای جهانی، تمایل به کسب سهم بازار، فشار برای برندسازی پیشرفته، نیاز به پاسخ‌گویی به انتظارات بازار، رقابت برای جذب مشتریان وفادار، فشار برای ارائۀ فناوری‌های نوین.
	رقابت برای تمایز در بازار	تمایل به پیشی گرفتن از رقبا، فشار برای عرضۀ محصولات پیشرفته، رقابت برای جلب سرمایه‌گذاری، نیاز به جذب مشتریان فناوری‌محور، استفاده از هوش مصنوعی برای برندسازی، رقابت در بازارهای نوظهور، فشار برای نوآوری سریع، رقابت برای ایجاد تمایز.
ضعف‌های قانونی و نظارتی	نبود چهارچوب‌های نظارتی	نبود قوانین مشخص برای تبلیغات، نبود نظارت بر ادعاهای بازاریابی، نبود استانداردهای تعریف هوش مصنوعی، خلأ نظارتی در تبلیغات، آزادی عمل در ادعاهای نادرست، نبود استانداردهای بین‌المللی، ضعف در اجرای قوانین موجود، نبود نظارت بر تبلیغات دیجیتال.
	خلأهای قانونی در تبلیغات	نبود جریمه برای فریب‌کاری، الزام نداشتن به شفافیت، ضعف در سیاست‌گذاری تبلیغات، نبود استانداردهای جهانی، عدم نظارت نداشتن بر تبلیغات فناوری، نبود سازوکارهای تنبیهی، ضعف در هماهنگی بین‌المللی، نبود قوانین خاص برای فناوری.
	ضعف نظارت بر تبلیغات	ضعف در نظارت بر شرکت‌ها، نبود الزامات اثبات ادعاها، کمبود نهادهای نظارتی تخصصی، نداشتن مقررات محلی، ناهماهنگی بین‌المللی در نظارت، ضعف در رصد تبلیغات گمراه‌کننده، کمبود منابع نظارتی، نبود دستورالعمل‌های شفاف.
	کمبود ابزارهای نظارتی	نبود ابزارهای نظارتی دیجیتال، ضعف در رصد تبلیغات آنلاین، نداشتن پروتکل‌های نظارتی، کمبود نظارت بر محتوای تبلیغاتی، ناهماهنگی نهادهای نظارتی، ضعف در اجرای مقررات، نبود استانداردهای نظارتی محلی، کمبود نظارت بر پلتفرم‌های دیجیتال.
فریب‌کاری در راهبرد‌های بازاریابی	تکنیک‌های بازاریابی گمراه‌کننده	استفاده از عبارات فریبنده، بهره‌گیری از سوگیری‌های شناختی، بزرگ‌نمایی توانایی‌های محصول، استفاده از شعارهای اغراق‌آمیز، نمایش تصاویر آینده‌نگرانه، استفاده از اصطلاحات تخصصی بدون توضیح، تحریف داده‌های عملکرد، ایجاد تصور نادرست از محصول.
	تبلیغات غیرواقعی	تبلیغات غیرشفاف، استفاده از واژگان تخصصی بدون توضیح، نمایش غیرواقعی محصولات، تحریف داده‌های عملکرد، استفاده از عنوان‌های گمراه‌کننده، ارائۀ اطلاعات ناقص، نمایش نادرست ویژگی‌ها، استفاده از تصاویر فریبنده.
	ایجاد انتظارات کاذب	تمرکز بر ظاهرگرایی، استفاده از شعارهای جذاب، نمایش نادرست ویژگی‌ها، ایجاد انتظارات غیرواقعی، استفاده از تصاویر فریبنده، تأکید بر نوآوری کاذب، نمایش غیرواقعی عملکرد، ایجاد تصورات نادرست.
	گمراه‌سازی ازطریق داستان‌سرایی	استفاده از داستان‌سرایی غیرواقعی، تحریف واقعیت محصول، نمایش فناوری به‌ عنوان نماد پیشرفت، گمراه‌سازی ازطریق تصاویر، استفاده از شعارهای غیرواقعی، ایجاد حس فوریت برای خرید، نمایش غیرواقعی مزایا، تحریف قابلیت‌های محصول.
تأثیرگذاری روان‌شناختی مصرف‌کننده	تأثیرگذاری عاطفی در تبلیغات	جلب اعتماد با ادعاهای نادرست، ایجاد تصور پیشرفته بودن، تحریک احساسات مصرف‌کننده، استفاده از تصاویر هیجان‌انگیز، القای حس برتری محصول، ایجاد حس فوریت در خرید، تحریک حس کنجکاوی، نمایش غیرواقعی فناوری.
	تحریک احساسات مصرف‌کننده	تحریک حس کنجکاوی، ایجاد حس نوآوری، استفاده از داستان‌سرایی غیرواقعی، القای حس اعتماد کاذب، نمایش فناوری به‌صورت اغراق‌آمیز، استفاده از تصاویر آینده‌نگرانه، تحریک احساسات مثبت، ایجاد حس هیجان در مصرف‌کننده.
	القای حس نوآوری کاذب	ایجاد حس فوریت برای خرید، استفاده از تصاویر آینده‌نگرانه، تحریف واقعیت در تبلیغات، القای حس پیشرفته بودن، استفاده از واژگان پیچیده، ایجاد حس نیاز به فناوری، تحریک حس برتری، القای حس نوآوری کاذب.
	ایجاد حس نیاز کاذب	استفاده از تصاویر فریبنده، تحریک حس اعتماد غیرواقعی، ایجاد حس نیاز کاذب، نمایش فناوری به‌عنوان راه‌حل همه‌جانبه، القای حس ضرورت خرید، استفاده از داستان‌سرایی هیجان‌انگیز، تحریف واقعیت محصول، ایجاد حس کنجکاوی کاذب.
نقض اصول اخلاقی	تحریف واقعیت در تبلیغات	شفافیت نداشتن در عملکرد محصول، پنهان‌سازی محدودیت‌های فناوری، ادعای استفاده از هوش مصنوعی بدون شواهد، ارائۀ داده‌های گمراه‌کننده، تحریف واقعیت محصول، ارائه نکردن اطلاعات کامل، گمراه‌سازی عمدی، پنهان کردن نقص‌های محصول.
	فریب‌کاری عمدی	گمراه‌سازی عمدی مصرف‌کننده، ارائه نکردن شواهد فنی، ادعاهای اثبات‌نشدنی، پنهان کردن نقص‌های محصول، استفاده از اطلاعات ناقص، تحریف داده‌های عملکرد، نبود شفافیت در تبلیغات، ارائۀ اطلاعات گمراه‌کننده.
	نقض مسئولیت‌های اخلاقی	پایبند نبودن به اصول اخلاقی، سوءاستفاده از اعتماد مصرف‌کننده، تمرکز بر سود کوتاه‌مدت، نادیده گرفتن مسئولیت اجتماعی، ارائۀ اطلاعات ناقص، رعایت نکردن صداقت، گمراه‌سازی برای سود بیشتر، نقض اصول حرفه‌ای.
	تمرکز بر سود کوتاه‌مدت	تمرکز بر منافع کوتاه‌مدت، نادیده گرفتن آثار بلندمدت، سوءاستفاده از ناآگاهی مصرف‌کننده، رعایت نکردن شفافیت، تحریف واقعیت برای جلب مشتری، ارائه نکردن اطلاعات دقیق، گمراه‌سازی برای رقابت، نقض استانداردهای اخلاقی.

منبع: یافته‌های پژوهش

جدول 4 تحلیل مضمون پیامدهای هوش‌ مصنوعی‌نمایی شامل 86 کد پایه، 30 مضمون سازمان‌دهنده و 6 مضمون فراگیر اصلی است که آثار این پدیده بر مصرف‌کنندگان، بازار، و اکوسیستم فناوری را بررسی می‌کند. مضمون‌ها فراگیر شامل تأثیرات منفی بر رفتار مصرف‌کننده، تأثیرات منفی بر پویایی بازار، تأثیرات سیاستی و نظارتی، تأثیرات شناختی و روانی، تأثیرات اقتصادی و سرمایه‌گذاری، و تأثیرات بر اعتبار و برندسازی هستند. این مضمون‌ها نشان‌دهندۀ پیامدهای چندوجهی هوش‌ مصنوعی‌نمایی، ازجمله فرسایش اعتماد مصرف‌کننده، کاهش نوآوری واقعی، اخلال در رقابت سالم، و افزایش نیاز به مقررات و قوانین سخت‌گیرانه‌اند. جدول 4 با ارائۀ تحلیل جامع، به شناسایی چالش‌های ناشی از ادعاهای گمراه‌کننده در بازاریابی کمک کرده و بر ضرورت اقدام‌هایی مانند آموزش مصرف‌کننده و تقویت نظارت قانونی تأکید دارد. تأثیر این تحلیل در ارائۀ دیدگاه‌های عملی برای بهبود شفافیت و سلامت بازار است.

جدول4- شناسایی پیامدهای هوش‌ مصنوعی‌نمایی

Table 4: Identification of Washing Artificial Intelligence Consequences

مضمون فراگیر	مضمون سازمان‌دهنده	کدهای پایه
تأثیرات منفی بر رفتار مصرف‌کننده	فرسایش اعتماد مصرف‌کننده	کاهش اعتماد به برندها، بدبینی به تبلیغات فناوری، کاهش وفاداری مشتری، اطمینان نداشتن به ادعاهای نوآورانه، کاهش تعامل با محصولات فناوری، بی‌اعتمادی به نوآوری‌های واقعی، کاهش اعتماد به صنعت فناوری، گمراهی مصرف‌کنندگان توسط تبلیغات.
	تغییر رفتار خرید	کاهش خرید محصولات فناوری، تغییر در تصمیم‌گیری خرید، کاهش انگیزه برای پذیرش فناوری‌های جدید، اجتناب از محصولات مبتنی‌بر هوش مصنوعی، کاهش اثرگذاری تبلیغات، تغییر در الگوهای خرید، کاهش تقاضا برای محصولات جدید، تردید در خرید فناوری‌های نوظهور
	کاهش تعامل مصرف‌کننده	کاهش تعامل با برندها، کاهش مشارکت در کمپین‌های بازاریابی، کاهش اشتراک‌گذاری محتوای تبلیغاتی، کاهش اعتماد به محتوای دیجیتال، کاهش تعامل با تبلیغات فناوری، کاهش وفاداری به برندهای فناوری، کاهش پاسخ به تبلیغات، کاهش اعتماد به رسانه‌های دیجیتال.
	کاهش پذیرش فناوری	بدبینی به نوآوری‌های واقعی، کاهش پذیرش فناوری‌های جدید، مقاومت در برابر محصولات هوش مصنوعی، کاهش اعتماد به توسعه‌دهندگان فناوری، کاهش جذابیت فناوری‌های نوین، کاهش پذیرش محصولات دیجیتال، کاهش اعتماد به تبلیغات دیجیتال، کاهش انگیزه برای استفاده از فناوری.
پیامدهای منفی بر پویایی بازار	اخلال در رقابت بازار	مزیت ناعادلانه برای شرکت‌های متقلب، کاهش رقابت سالم، تضعیف برندهای اخلاق‌مدار، کاهش سرمایه‌گذاری در نوآوری واقعی، کاهش انگیزه برای توسعه فناوری، انحراف منابع بازار، کاهش اعتماد به بازار فناوری، کاهش رقابت مبتنی‌بر کیفیت.
	کاهش نوآوری واقعی	کاهش سرمایه‌گذاری در پژوهش و توسعه، تمرکز بر بازاریابی نمایشی، کاهش نوآوری واقعی، انحراف منابع به تبلیغات، کاهش کیفیت محصولات فناوری، کاهش اعتماد به استارتاپ‌ها، کاهش رقابت مبتنی‌بر نوآوری، کاهش توسعۀ فناوری‌های پیشرفته.
	تمرکز بر ظاهرگرایی در بازار	افزایش هزینه‌های بازاریابی، تمرکز بر ظاهرگرایی، کاهش منابع برای توسعۀ محصول، افزایش تبلیغات گمراه‌کننده، کاهش شفافیت در بازار، کاهش اعتماد به تبلیغات فناوری، افزایش رقابت ناسالم، کاهش کیفیت محصولات در بازار.
	تضعیف اکوسیستم فناوری	کاهش اعتبار شرکت‌های نوآور، کاهش اعتماد به بازارهای فناوری، تضعیف جایگاه برندهای معتبر، کاهش رقابت مبتنی‌بر ارزش، کاهش سرمایه‌گذاری در فناوری‌های واقعی، کاهش اعتماد به اکوسیستم فناوری، کاهش شفافیت در رقابت، کاهش جذابیت بازار فناوری.
تأثیرات سیاستی و نظارتی	واکنش‌های نظارتی سخت‌گیرانه	افزایش تقاضا برای مقررات سخت‌گیرانه، فشار برای تدوین قوانین جدید، افزایش نظارت بر تبلیغات، الزام به شفافیت در ادعاها، افزایش هزینه‌های نظارتی، فشار برای استانداردسازی تبلیغات، افزایش جریمه‌های قانونی، فشار برای وضع استانداردهای بین‌المللی.
	الزامات شفافیت و پاسخ‌گویی	الزام به ارائۀ شواهد فنی، افزایش شفافیت در تبلیغات، نیاز به استانداردهای تعریف هوش مصنوعی، افزایش نظارت بر محتوای دیجیتال، الزام به افشای محدودیت‌ها، افزایش پاسخ‌گویی شرکت‌ها، نیاز به چهارچوب‌های قانونی جدید، افزایش نظارت بر تبلیغات فناوری.
	تغییر در سیاست‌گذاری بازار	تغییر ساختار بازار، افزایش هزینه‌های انطباق قانونی، تغییر در راهبردهای بازاریابی، افزایش نظارت بر استارتاپ‌ها، تغییر در سیاست‌گذاری تبلیغات، افزایش الزامات قانونی برای شرکت‌ها، تغییر در رقابت بازار، افزایش استانداردهای تبلیغاتی.
	هماهنگی و نظارت بین‌المللی	افزایش جریمه‌های قانونی، فشار برای تدوین قوانین بین‌المللی، افزایش نظارت بر تبلیغات دیجیتال، نیاز به هماهنگی بین‌المللی، افزایش الزامات نظارتی، تغییر در قوانین تبلیغات، افزایش پاسخ‌گویی در برابر ادعاها، فشار برای شفافیت در بازار.
تأثیرات شناختی و روانی	تأثیرات شناختی منفی	گمراهی در تصمیم‌گیری مصرف‌کننده، سوءاستفاده از سوگیری‌های شناختی، افزایش انتظارات غیرواقعی، کاهش رضایت مشتری، افزایش شکایات مصرف‌کننده، کاهش اعتماد به تبلیغات، افزایش انتظارات غیرمنطقی، کاهش تجربۀ کاربری مثبت.
	افزایش بدبینی مصرف‌کننده	کاهش اعتماد به اطلاعات دیجیتال، افزایش بدبینی به رسانه‌ها، کاهش تأثیرگذاری تبلیغات، افزایش مقاومت روانی در برابر تبلیغات، کاهش جذابیت محتوای دیجیتال، افزایش سوءظن به برندها، کاهش اعتماد به محتوای بازاریابی، افزایش بدبینی به فناوری.
	افزایش مقاومت روانی	کاهش انگیزه برای تعامل با فناوری، افزایش اضطراب درزمینۀ فناوری، کاهش اعتماد به نوآوری‌های دیجیتال، افزایش سوءظن به تبلیغات، کاهش پذیرش محصولات جدید، افزایش مقاومت در برابر فناوری، کاهش اعتماد به اکوسیستم دیجیتال، افزایش نگرانی‌های روانی.
	کاهش رضایت مصرف‌کننده	کاهش رضایت از تجربۀ کاربری، افزایش انتظارات غیرواقعی از فناوری، کاهش اعتماد به عملکرد محصولات، افزایش ناامیدی از فناوری، کاهش اعتماد به تبلیغات فناوری، افزایش سوءظن به نوآوری‌ها، کاهش تعامل با محصولات دیجیتال، افزایش نارضایتمندی مصرف‌کننده.
تأثیرات اقتصادی و سرمایه‌گذاری	کاهش اعتماد سرمایه‌گذاران	کاهش سرمایه‌گذاری در فناوری‌های واقعی، کاهش اعتماد سرمایه‌گذاران، کاهش جذابیت بازارهای فناوری، کاهش منابع برای نوآوری، کاهش اعتماد به استارتاپ‌های فناوری، کاهش سرمایه‌گذاری در پژوهش و توسعه، کاهش اعتماد به اکوسیستم فناوری، کاهش جذابیت فناوری برای سرمایه‌گذاران.
	انحراف منابع اقتصادی	کاهش منابع برای نوآوری، افزایش هزینه‌های بازاریابی نمایشی، کاهش سرمایه‌گذاری در توسعۀ محصول، افزایش هزینه‌های تبلیغات گمراه‌کننده، کاهش منابع برای پژوهش و توسعه، افزایش تمرکز بر برندسازی نمایشی، کاهش سرمایه‌گذاری در فناوری‌های پیشرفته، کاهش منابع برای نوآوری واقعی.
	کاهش رشد صنعت فناوری	کاهش رشد اقتصادی در بخش فناوری، کاهش اعتماد به بازارهای فناوری، کاهش سرمایه‌گذاری در استارتاپ‌ها، کاهش جذابیت صنعت فناوری، کاهش منابع برای توسعه فناوری، کاهش اعتماد به اکوسیستم فناوری، کاهش سرمایه‌گذاری در نوآوری، کاهش رشد صنعت فناوری.
	کاهش سرمایه‌گذاری پایدار	کاهش منابع برای توسعۀ پایدار، افزایش تمرکز بر سود کوتاه‌مدت، کاهش سرمایه‌گذاری در فناوری‌های سبز، کاهش اعتماد به نوآوری‌های پایدار، کاهش منابع برای توسعه فناوری‌های نوین، افزایش تمرکز بر بازاریابی نمایشی، کاهش سرمایه‌گذاری در پژوهش و توسعه، کاهش رشد فناوری‌های پایدار.
تأثیرات بر اعتبار و برندسازی	کاهش اعتبار برندها	کاهش اعتبار برندهای فناوری، کاهش اعتماد به صنعت فناوری، کاهش وفاداری به برندهای معتبر، کاهش اعتماد به اکوسیستم فناوری، کاهش جذابیت برندهای نوآور، کاهش اعتماد به تبلیغات فناوری، کاهش اعتبار شرکت‌های نوآور، کاهش جایگاه برندهای اخلاق‌مدار.
	کاهش جذابیت برندها	کاهش اعتماد به تبلیغات فناوری، کاهش جذابیت برندهای فناوری، کاهش وفاداری به برندهای نوآور، کاهش اعتبار در بازارهای جهانی، کاهش اعتماد به اکوسیستم فناوری، کاهش جذابیت برندهای دیجیتال، کاهش اعتماد به نوآوری‌های فناوری، کاهش جایگاه برندهای معتبر.
	کاهش تمایز برندهای اخلاق‌مدار	کاهش تمایز برندهای اخلاق‌مدار، کاهش اعتماد به برندهای نوآور، کاهش وفاداری به برندهای فناوری، کاهش اعتبار در بازارهای رقابتی، کاهش جذابیت برندهای دیجیتال، کاهش اعتماد به تبلیغات دیجیتال، کاهش جایگاه برندهای معتبر، کاهش اعتماد به اکوسیستم فناوری.
	کاهش اعتماد به اکوسیستم فناوری	کاهش اعتماد به نوآوری‌های واقعی، کاهش جذابیت برندهای فناوری، کاهش وفاداری به برندهای دیجیتال، کاهش اعتبار در بازارهای فناوری، کاهش اعتماد به تبلیغات فناوری، کاهش جایگاه برندهای نوآور، کاهش جذابیت اکوسیستم فناوری، کاهش اعتماد به برندهای معتبر.

منبع: یافته‌های پژوهش

جدول 5 تحلیل مضمون راهکارهای مقابله با هوش‌ مصنوعی‌نمایی شامل 75 کد پایه، 20 مضمون سازمان‌دهنده، و 5 مضمون فراگیر اصلی است که به‌صورت نظام‌مند راهبردهای عملی و نظری برای کاهش آثار این پدیده را ارائه می‌دهد. مضمون‌های فراگیر شامل تقویت نظارت و قانون‌گذاری، آموزش و آگاه‌سازی مصرف‌کننده، تقویت اخلاق در بازاریابی، رویکردهای میان‌رشته‌ای، و همکاری و مشارکت‌ا‌ند. این مضمون‌ها، راهکارهای چندبُعدی را برای مقابله با گمراه‌سازی در بازاریابی مبتنی‌بر هوش مصنوعی پیشنهاد می‌کنند که از تدوین چهارچوب‌های نظارتی شفاف و الزام‌آور تا ارتقای سواد فناوری مصرف‌کنندگان و پایبندی شرکت‌ها به اصول اخلاقی را در بر می‌گیرند.

جدول 5- شناسایی راهکارهای مقابله با هوش‌ مصنوعی‌نمایی

Table 5: Identification of Strategies to Counter Washing Artificial Intelligence

مضمون فراگیر	مضمون سازمان‌دهنده	کدهای پایه
تقویت نظارت و قانون‌گذاری	تدوین چهارچوب‌های نظارتی	تدوین قوانین شفاف برای تبلیغات، الزام به ارائۀ شواهد فنی، تعریف استانداردهای هوش مصنوعی، نظارت بر ادعاهای بازاریابی، ایجاد چهارچوب‌های قانونی، الزام به شفافیت در تبلیغات، وضع استانداردهای بین‌المللی، نظارت بر محتوای دیجیتال.
	اجرای قوانین و مقررات	افزایش جریمه‌های قانونی، اجرای قوانین موجود، ایجاد سازوکارهای تنبیهی، نظارت بر تبلیغات فناوری، هماهنگی بین‌المللی در مقررات، الزام به افشای محدودیت‌ها، تقویت اجرای قوانین، وضع قوانین خاص برای فناوری.
	استانداردسازی ادعاهای تبلیغاتی	ایجاد استانداردهای تعریف هوش مصنوعی، الزام به ارائۀ داده‌های قابل راستی‌آزمایی، نظارت بر تبلیغات دیجیتال، تدوین سیاست‌های تبلیغاتی، الزام به شفافیت در ادعاها، ایجاد چهارچوب‌های نظارتی جهانی، تقویت نظارت بر استارتاپ‌ها، الزام به ارائۀ شواهد عملکرد.
	نظارت بر محتوای تبلیغاتی	نظارت بر محتوای بازاریابی، ایجاد نهادهای نظارتی مستقل، الزام به گزارش‌دهی شفاف، نظارت بر تبلیغات فناوری‌محور، ایجاد استانداردهای اخلاقی در تبلیغات، تقویت هماهنگی بین‌المللی، نظارت بر کمپین‌های دیجیتال، الزام به ارائۀ اطلاعات دقیق.
آموزش و آگاه‌سازی مصرف‌کننده	ارتقای سواد فناوری مصرف‌کننده	آموزش عمومی درزمینۀ هوش مصنوعی، ارتقای سواد دیجیتال، ارائۀ منابع آموزشی ساده، افزایش آگاهی از محدودیت‌های فناوری، آموزش تشخیص ادعاهای نادرست، ایجاد برنامه‌های آموزشی عمومی، ارتقای سواد فناوری، ارائۀ محتوای آموزشی در رسانه‌ها.
	آموزش انتقادی مصرف‌کننده	آموزش انتقادی برای ارزیابی تبلیغات، افزایش آگاهی از سوگیری‌های شناختی، آموزش دربارۀ عملکرد هوش مصنوعی، ارائۀ منابع اطلاعاتی معتبر، آموزش عمومی درزمینۀ فناوری، ارتقای توانایی تحلیل تبلیغات، آموزش درخصوص محدودیت‌های فنی، ایجاد کمپین‌های آگاهی‌بخشی.
	ارائۀ اطلاعات شفاف به مصرف‌کننده	ارائۀ اطلاعات شفاف به مصرف‌کنندگان، آموزش درزمینۀ کاربردهای واقعی هوش مصنوعی، افزایش دسترسی به منابع آموزشی، آموزش دربارۀ سوءاستفاده از اصطلاحات، ارتقای سواد دیجیتال عمومی، آموزش دربارۀ تبلیغات گمراه‌کننده، ارائۀ محتوای آموزشی ساده، افزایش آگاهی از فناوری‌های نوین.
	برنامه‌های آموزشی دیجیتال	ایجاد برنامه‌های آموزشی دیجیتال، آموزش درزمینۀ تشخیص فناوری‌های واقعی، ارتقای سواد رسانه‌ای، آموزش درخصوص اصطلاحات فنی، افزایش دسترسی به اطلاعات فناوری، آموزش دربارۀ ارزیابی ادعاها، ایجاد منابع آموزشی آنلاین، ارتقای آگاهی از محدودیت‌های فناوری.
تقویت اخلاق در بازاریابی	پایبندی به اصول اخلاقی	پایبندی به اصول اخلاقی در تبلیغات، ارائۀ توضیحات دقیق دربارۀ فناوری، شفافیت در محدودیت‌های محصول، اجتناب از بزرگ‌نمایی در تبلیغات، ارائۀ اطلاعات واقعی درزمینۀ هوش مصنوعی، پایبندی به صداقت در بازاریابی، ارائۀ مزایای واقعی محصول، اجتناب از ادعاهای نادرست.
	شفافیت در بازاریابی	ارائۀ اطلاعات دقیق دربارۀ عملکرد، شفافیت درخصوص قابلیت‌ها، اجتناب از استفاده نادرست از اصطلاحات، ارائۀ توضیحات واضح درزمینۀ فناوری، پایبندی به استانداردهای اخلاقی، شفافیت درخصوص محدودیت‌ها، ارائۀ اطلاعات قابل راستی‌آزمایی، اجتناب از تبلیغات گمراه‌کننده.
	ایجاد کدهای اخلاقی	ایجاد کدهای اخلاقی برای تبلیغات، پایبندی به اصول صداقت، ارائۀ اطلاعات واقعی دربارۀ محصول، اجتناب از دست‌کاری عاطفی، تقویت اعتماد مصرف‌کننده ازطریق صداقت، ایجاد استانداردهای اخلاقی در بازاریابی، ارائۀ اطلاعات شفاف درزمینۀ فناوری، پایبندی به ارزش‌های اخلاقی.
	تقویت اعتماد ازطریق اخلاق	تقویت اعتماد ازطریق شفافیت، اجتناب از تحریف واقعیت، ارائۀ اطلاعات دقیق دربارۀ مزایا، پایبندی به اصول پاسخ‌گویی، ایجاد تبلیغات مبتنی‌بر صداقت، اجتناب از سوءاستفاده از اصطلاحات، تقویت اعتبار برند ازطریق شفافیت، ارائۀ اطلاعات واقعی درخصوص عملکرد.
رویکردهای میان‌رشته‌ای	تحلیل‌های میان‌رشته‌ای	استفاده از تحلیل‌های روان‌شناختی، ترکیب دیدگاه‌های حقوقی و فنی، تحلیل سوگیری‌های شناختی، استفاده از تحلیل‌های اجتماعی، بررسی ابعاد فرهنگی تبلیغات، ترکیب تحلیل‌های اخلاقی، استفاده از داده‌های میان‌رشته‌ای، تحلیل تأثیرات روانی تبلیغات.
	تحلیل تأثیرات اجتماعی و روانی	بررسی تأثیرات اجتماعی تبلیغات، تحلیل رفتار مصرف‌کننده، ترکیب دیدگاه‌های روان‌شناختی، تحلیل تأثیرات فرهنگی، استفاده از تحلیل‌های حقوقی، بررسی سوگیری‌های شناختی در تبلیغات، ترکیب داده‌های اجتماعی و فنی، تحلیل تأثیرات روانی فناوری.
	ترکیب دیدگاه‌های روان‌شناختی و اجتماعی	استفاده از دیدگاه‌های روان‌شناسی مصرف‌کننده، تحلیل تأثیرات فرهنگی تبلیغات، بررسی سوگیری‌های شناختی، ترکیب تحلیل‌های اجتماعی و اخلاقی، تحلیل تأثیرات روانی تبلیغات، استفاده از داده‌های میان‌رشته‌ای، بررسی تأثیرات اجتماعی فناوری، تحلیل رفتار مصرف‌کننده.
	تحلیل‌های فرهنگی و اخلاقی	تحلیل تأثیرات اخلاقی تبلیغات، استفاده از تحلیل‌های حقوقی و اجتماعی، بررسی سوگیری‌های شناختی در تبلیغات، ترکیب دیدگاه‌های فرهنگی و روانی، تحلیل تأثیرات اجتماعی فناوری، استفاده از داده‌های روان‌شناختی، بررسی تأثیرات فرهنگی تبلیغات، ترکیب تحلیل‌های میان‌رشته‌ای.
همکاری و مشارکت	همکاری بین صنعت و نهادها	همکاری بین صنعت و نهادهای نظارتی، ایجاد بستر‌های همکاری، تقویت ارتباط بین شرکت‌ها و مصرف‌کنندگان، ایجاد شبکه‌های همکاری بین‌المللی، تقویت همکاری بین صنعت و دانشگاه، ایجاد بستر‌های آموزشی مشترک، تقویت ارتباط بین نهادهای نظارتی، همکاری برای تدوین استانداردها.
	تقویت همکاری‌های آموزشی	ایجاد بستر‌های آموزشی مشترک، تقویت همکاری بین شرکت‌ها و دانشگاه‌ها، ایجاد شبکه‌های همکاری برای آگاهی‌بخشی، همکاری برای تدوین کدهای اخلاقی، تقویت ارتباط بین صنعت و مصرف‌کنندگان، ایجاد بستر‌های نظارتی مشترک، همکاری برای ارتقای سواد فناوری، تقویت همکاری بین‌المللی.
	ایجاد شبکه‌های همکاری	ایجاد شبکه‌های همکاری بین‌المللی، تقویت ارتباط بین نهادهای نظارتی، همکاری برای تدوین استانداردها، ایجاد بستر‌های مشترک برای آموزش، تقویت همکاری بین صنعت و دانشگاه، ایجاد شبکه‌های آگاهی‌بخشی، همکاری برای تدوین قوانین، تقویت ارتباط بین شرکت‌ها و نهادها.
	همکاری برای شفافیت و آموزش	همکاری برای ارتقای شفافیت، تقویت ارتباط بین صنعت و مصرف‌کنندگان، ایجاد بستر‌های مشترک برای نظارت، همکاری برای تدوین کدهای اخلاقی، تقویت همکاری بین شرکت‌ها و نهادهای نظارتی، ایجاد شبکه‌های آموزشی مشترک، همکاری برای ارتقای سواد دیجیتال، تقویت همکاری برای استانداردسازی.

منبع: یافته‌های پژوهش

شکل 2: پیشایندهای هوش مصنوعی نمایی

Figure 2: Antecedents of Washing Artificial Intelligence

شکل 3: پیامدهای هوش مصنوعی نمایی

Figure 3: Consequences of Washing Artificial Intelligence

شکل 4: راهکارهای مقابله با هوش مصنوعی نمایی

Figure 4: Strategies to Counter Washing Artificial Intelligence

نتیجه‌گیری

پدیدۀ هوش‌ مصنوعی‌نمایی به‌عنوان یکی از چالش‌های کلیدی در بازاریابی معاصر، با استفاده از ادعاهای گمراه‌کننده و اغراق‌آمیز دربارۀ کاربرد هوش مصنوعی، تأثیرات عمیقی بر اعتماد مصرف‌کنندگان، سلامت بازار و نوآوری‌های واقعی دارد. این مطالعه با تحلیل کیفی پیشایندها، پیامدها و راهبردهای مقابله با هوش‌ مصنوعی‌نمایی، چهارچوبی جامع برای درک این پدیده و ارائۀ راه‌حل‌های عملی پیشنهاد داده است. ازطریق مصاحبه‌های نیمه‌ساختاریافته با 18 نفر از اعضا هیئت‌علمی دانشگاه‌ها و خبرگان حوزۀ بازاریابی و مدیریت، 144 کد پایه، 24 مضمون سازمان‌دهنده و 6 مضمون فراگیر برای پیشایندها، 86 کد پایه، 30 مضمون سازمان‌دهنده و 6 مضمون فراگیر برای پیامدها، و 75 کد پایه، 20 مضمون سازمان‌دهنده و 5 مضمون فراگیر برای راهبردهای مقابله شناسایی شدند. این تحلیل‌ها به شناسایی عوامل زمینه‌ساز، آثار چندوجهی و راهکارهای عملی برای کاهش گمراه‌سازی در بازاریابی مبتنی‌بر هوش مصنوعی کمک کرده است.

پیشایند: ناآگاهی و محدودیت‌های شناختی

یکی از مضمون‌های اصلی که به‌عنوان پیشایند شناسایی شده است، ناآگاهی و محدودیت‌های شناختی که شامل خلأ دانشی مصرف‌کنندگان، سوءبرداشت از فناوری، کمبود سواد فناوری، محدودیت در ارزیابی فناوری است نشان‌دهنده خلأ دانشی عمیق بین شرکت‌ها و مصرف‌کنندگان است. ناآگاهی عمومی از عملکرد و محدودیت‌های هوش مصنوعی، همراه با پیچیدگی اصطلاحات فنی، مصرف‌کنندگان را در برابر ادعاهای گمراه‌کننده آسیب‌پذیر می‌کند؛ برای مثال، در دسترس نبودن منابع آموزشی ساده و تصور نادرست از قابلیت‌های فناوری، ارزیابی دقیق تبلیغات را برای مخاطبان دشوار می‌سازد. طبق مطالعات انجام‌شده، پیشرفت سریع فناوری هوش مصنوعی به‌طور چشمگیری رفتار مصرف‌کنندگان را دگرگون کرده است؛ اما بسیاری از آن‌ها همچنان از قابلیت‌ها و محدودیت‌های این فناوری بی‌اطلاع‌اند که این موضوع به ایجاد خلأ بزرگی در دانش آن‌ها منجر شده است. این خلأ با پیچیدگی اصطلاحات فنی تشدید می‌شود که می‌تواند مصرف‌کنندگان را گمراه کرده و آن‌ها را در برابر شیوه‌های بازاریابی فریبنده آسیب‌پذیر سازد؛ برای نمونه، پژوهش‌های انجام‌شده نشان می‌دهد که اجرا نکردن مؤثر قوانین و آگاهی حقوقی عمومی، باعث افزایش آسیب‌پذیری مصرف‌کنندگان در برابر ادعاهای گمراه‌کننده در محیط‌های آنلاین شده است و این موضوع اهمیت ابتکارات آموزشی برای توانمندسازی مصرف‌کنندگان را برجسته می‌کند (Ernawan & Sukresno, 2025). علاوه‌بر این، براساس مطالعات انجام‌شده، ادغام هوش مصنوعی در راهبرد‌های بازاریابی نگرانی‌های اخلاقی را به همراه دارد، به‌ویژه درزمینۀ شفافیت که می‌تواند درک مصرف‌کنندگان را از قابلیت‌های هوش مصنوعی بیش از پیش مبهم کند (Kumar, & Ahmad khan, 2025). این وضعیت اهمیت تقویت دانش و سواد مصرف‌کنندگان را درزمینۀ هوش مصنوعی نشان می‌دهد تا با کاهش ریسک‌های ناشی از اطلاعات گمراه‌کننده و ترویج تصمیم‌گیری آگاهانه، راه‌حل‌هایی ارائه شود (Pan, 2025).

پیشایند: ضعف‌های قانونی و نظارتی

پیشایند دیگری که در یافته‌های پژوهش برجسته شد، ضعف‌های قانونی و نظارتی است که شامل نبود چهارچوب‌های نظارتی، خلأهای قانونی در تبلیغات، ضعف نظارت بر تبلیغات، کمبود ابزارهای نظارتی است. نبود قوانین شفاف و الزام‌آور درزمینۀ تبلیغات هوش مصنوعی، به شرکت‌ها اجازه می‌دهد ادعاهای اغراق‌آمیز را بدون نگرانی از عواقب قانونی مطرح کنند. طبق مطالعات انجام‌شده، تکامل سریع فناوری‌های هوش مصنوعی از توسعۀ چهارچوب‌های نظارتی مناسب پیشی گرفته است که این مسئله به ایجاد خلأ‌های قانونی درخور ‌توجه و نظارت ناکافی در شیوه‌های تبلیغاتی منجر شده است. پژوهش‌ها نشان می‌دهد که بسیاری از حوزه‌های قضایی همچنان به مقررات قدیمی وابسته‌اند که نمی‌توانند پاسخ‌گوی پیچیدگی‌های هوش مصنوعی باشند و نتیجۀ آن، کمبود شفافیت و پاسخ‌گویی در ادعاهای تبلیغاتی است (Rohimi, 2025; Lala, 2025). این پراکندگی نظارتی به شرکت‌ها اجازه می‌دهد تا بدون ترس از پیامدهای قانونی ادعاهای اغراق‌آمیز مطرح کنند؛ زیرا قوانین موجود راهنمایی‌های روشن یا سازوکارهای اجرایی ارائه نمی‌دهند (Farooq et al., 2025). علاوه‌بر این، براساس پژوهش‌های انجام‌شده در این راستا، نبود استانداردهای اخلاقی یکپارچه، ریسک‌های بخش تبلیغات مبتنی‌بر هوش مصنوعی را تشدید می‌کند که این موضوع اعتماد مصرف‌کنندگان را تضعیف کرده و ممکن است به شیوه‌های دست‌کاری منجر شود (Mittal, 2025).

پیشایند: فریب‌کاری در راهبرد‌های بازاریابی

یکی دیگر از پیشایندهای مؤثر بر بروز هوش ‌مصنوعی‌نمایی شناسایی‌‌شده، فریب‌کاری در راهبرد‌های بازاریابی است که شامل تکنیک‌های بازاریابی گمراه‌کننده، تبلیغات غیرواقعی، ایجاد انتظارات کاذب، گمراه‌سازی ازطریق داستان‌سرایی است، این مضمون به استفاده از شگرد‌های فریبنده مانند بزرگ‌نمایی توانایی‌های محصول و بهره‌گیری از سوگیری‌های شناختی برای ایجاد تصورات نادرست اشاره دارد. طبق مطالعات انجام‌شده که بر گسترش و تأثیر شیوه‌های بازاریابی گمراه‌کننده تأکید دارد و نشان می‌دهد که این مسائل، بار عاطفی و مالی چشمگیری برای مصرف‌کنندگان به همراه داشته است. گردشگران گزارش داده‌اند که به‌دلیل ترفندهای فریبندۀ بازاریابی، احساس خیانت و بدبینی بلندمدت داشته‌اند که این با اشاره به ایجاد انتظارات نادرست و روایت‌های گمراه‌کننده هم‌راستا است. این پژوهش بر ضرورت شفافیت برای بازسازی اعتماد مصرف‌کنندگان تأکید می‌کند (Shahidul Islam, 2025). علاوه‌‌بر این، براساس پژوهش‌های انجام‌شده انواع مختلف دیگری از تبلیغات گمراه‌کننده ازجمله ادعاهای اغراق‌آمیز و تصاویر دست‌کاری‌شده بررسی شده است که نشان می‌دهد بیشتر مصرف‌کنندگان با چنین آگهی‌هایی مواجه شده‌اند که منجر به کاهش وفاداری به برند و افزایش بدبینی شده است. واکنش‌های عاطفی مانند احساس خیانت و سردرگمی در میان مصرف‌کنندگان، به‌ویژه درزمینۀ بازاریابی گمراه‌کننده، نیز مورد بحث قرار گرفته است (Mittal, 2025).

پیشایند: تأثیرگذاری روان‌شناختی مصرف‌کننده

مضمون محوری دیگری که به‌عنوان پیشایند استخراج شد، تأثیرگذاری روان‌شناختی مصرف‌کننده (دست‌کاری عاطفی در تبلیغات، تحریک احساسات مصرف‌کننده، القای حس نوآوری کاذب، ایجاد حس نیاز کاذب) است که بر استفادۀ هدفمند از زبان و تصاویر برای تحریک احساسات و ایجاد حس نیاز کاذب تمرکز دارد. ویتاکر و همکاران در پژوهش خود این موضوع را تأیید کرده و بیان می‌کند که استفاده از تکنیک‌های روان‌شناختی در تبلیغات هوش مصنوعی، مصرف‌کنندگان را به پذیرش ادعاهای غیرواقعی ترغیب می‌کند (Whittaker et al., 2020). پژوهش‌های اخیر نیز بر نقش دست‌کاری روانی در تبلیغات، به‌ویژه ازطریق جلب احساسات و ایجاد نیازهای کاذب در میان مصرف‌کنندگان تأکید کرده است. پژوهشهای انجام شده نشان می‌دهند که جاذبه‌های عاطفی می‌توانند ارتباط قوی بین مصرف‌کنندگان و برندها ایجاد کنند. این ارتباط عاطفی می‌تواند به تصمیم‌های خرید مثبت منجر شود و مؤثر بودن دست‌کاری عاطفی در راهبرد‌های تبلیغاتی را برجسته می‌کند (Gong, 2025). همچنین، پژوهش‌های دیگر نشان می‌دهند که تبلیغات بر نگرش‌ها، ادراک‌ها و فرایندهای تصمیم‌گیری مصرف‌کنندگان تأثیر می‌گذارد و تأکید دارند که جلب‌های عاطفی نقش کلیدی در شکل‌دهی رفتار آن‌ها دارند، زیرا می‌توانند واکنش‌های عاطفی قوی‌ای را برانگیزند که خرید را ترغیب می‌کند (Upadhyay, 2024).

پیشایند: نقض اصول اخلاقی

یکی از پیشایندهای مهم شناسایی‌شده در پژوهش حاضر، نقض اصول اخلاقی (تحریف واقعیت در تبلیغات، فریب‌کاری عمدی، نقض مسئولیت‌های اخلاقی، تمرکز بر سود کوتاه‌مدت)، این مضمون به فعالیت‌های عمدی شرکت‌ها برای تحریف واقعیت و پنهان‌سازی محدودیت‌های فناوری اشاره دارد. لی و همکاران نیز در پژوهش خود این یافته را تأیید می‌کند و بر تأثیر نقض اصول اخلاقی بر کاهش اعتماد مصرف‌کننده تأکید دارد (Lee et al., 2022). مطالعات اخیر به آثار زیان‌بار نقض اصول اخلاقی در تبلیغات، به‌ویژه تحریف واقعیت و فریب عمدی توسط شرکت‌ها، پرداخته‌اند. برخی پژوهش‌ها نشان می‌دهند شرکت‌هایی که به شیوه‌های غیراخلاقی مانند بازاریابی گمراه‌کننده و غفلت از مسئولیت‌های اخلاقی روی می‌آورند، با آسیب جدی به اعتبار خود و واکنش منفی مصرف‌کنندگان مواجه می‌شوند. این پژوهش‌ها نشان می‌دهند که چنین تخلفات اخلاقی می‌تواند به کاهش اعتماد مصرف‌کنندگان منجر شود. شرکت‌هایی که اولویت را به رعایت اصول اخلاقی کسب‌وکار می‌دهند، بهتر می‌توانند اعتماد ذی‌نفعان را حفظ کرده و به پایداری بلندمدت دست یابند (Yendra & Zakaria, 2025). پژوهش‌های دیگری نیز نشان می‌دهند که شیوه‌های تبلیغاتی غیراخلاقی، ازجمله ارائۀ اطلاعات گمراه‌کننده و فریب عمدی، تأثیر فراوانی بر رفتار مصرف‌کنندگان دارد. یافته‌ها حاکی از آن است که تبلیغات نادرست، نه‌تنها ادراک مصرف‌کنندگان را دست‌کاری می‌کند، بلکه به زیان‌های مالی و فرسایش اعتماد به برندها منجر می‌شود و در نهایت اعتماد مصرف‌کنندگان را تضعیف می‌کند (Ahmed & Othman, 2024).

پیامد: تأثیرات منفی بر رفتار مصرف‌کننده

یکی از مهم‌ترین پیامدهای هوش‌ مصنوعی‌نمایی شناسایی‌شده در پژوهش، تأثیرات منفی بر رفتار مصرف‌کننده نظیر فرسایش اعتماد مصرف‌کننده، تغییر رفتار خرید، کاهش تعامل مصرف‌کننده، کاهش پذیرش فناوری است، هوش‌ مصنوعی‌نمایی با ایجاد بدبینی به ادعاهای بازاریابی، اعتماد مصرف‌کنندگان به فناوری‌های واقعی را کاهش می‌دهد. براساس پژوهش‌های انجام‌شده، هوش مصنوعی می‌تواند شخصی‌سازی و تعامل را بهبود بخشد؛ اما نگرانی‌هایی دربارۀ حریم خصوصی، امنیت داده‌ها و تعصب الگوریتمی به وجود می‌آورد که می‌تواند اعتماد مصرف‌کنندگان را به‌طور چشمگیری کاهش داده و رفتار خرید آن‌ها را تغییر دهد (Shoib & Hermawan, 2025). علاوه‌بر این، ادعاهای گمراه‌کننده درزمینۀ فناوری‌های هوش مصنوعی می‌تواند شک و تردید را در میان مصرف‌کنندگان ایجاد کند و در نهایت پذیرش فناوری‌های نوظهور را کاهش دهد (Dai & Liu, 2024). این دوگانگی تأثیر هوش مصنوعی، ضرورت توجه به ملاحظات اخلاقی در کاربرد آن را برای حفظ اعتماد و تعامل مصرف‌کنندگان برجسته می‌کند.

پیامد: تأثیرات منفی بر پویایی بازار

یکی دیگر از پیامدهای منفی برجسته‌شده توسط خبرگان تأثیرات منفی بر پویایی بازار نظیر اخلال در رقابت بازار، کاهش نوآوری واقعی، تمرکز بر ظاهرگرایی در بازار، تضعیف اکوسیستم فناوری است. این پدیده با ایجاد مزیت ناعادلانه برای شرکت‌های متقلب، رقابت سالم را مختل کرده و منابع را از نوآوری واقعی منحرف می‌کند. پژوهش‌های اخیر نشان داده‌اند که هوش مصنوعی می‌تواند با ایجاد مزیت‌های ناعادلانه برای شرکت‌های متقلب، پویایی بازار را به‌طور چشمگیری مختل کند که این موضوع رقابت سالم را تضعیف کرده و منابع را از نوآوری واقعی دور می‌سازد (McCarthy, 2024). این پدیده با تمرکز بر راهبرد‌های بازاریابی سطحی تشدید می‌شود که می‌تواند به کاهش نوآوری واقعی و ضعف در اکوسیستم فناوری منجر شود (Li, 2024). یافته‌ها نشان می‌دهند که هوش مصنوعی پتانسیل بهبود کارایی بازار را دارد؛ اما ریسک‌هایی نیز به همراه دارد که می‌تواند توسعۀ بازار رقابتی و قوی را مختل کند.

پیامد: تأثیرات سیاستی و نظارتی

یکی دیگر از عواملی که به‌عنوان پیامدها شناسایی شده است تأثیرات سیاستی و نظارتی نظیر واکنش‌های نظارتی سخت‌گیرانه، الزامات شفافیت و پاسخ‌گویی، تغییر در سیاست‌گذاری بازار، هماهنگی و نظارت بین‌المللی است، افزایش آگاهی عمومی و فشار برای نظارت، احتمال وضع مقررات سخت‌گیرانه‌تر را افزایش داده است. مطالعات اخیر نشان می‌دهند که افزایش استفاده از هوش مصنوعی به رشد آگاهی عمومی و فشار برای نظارت منجر شده است که این مسئله احتمال به‌کارگیری مقررات سخت‌گیرانه‌تر را افزایش می‌دهد (Pink et al., 2024). این آگاهی فزاینده بر ضرورت شفافیت و پاسخ‌گویی در شیوه‌های تبلیغاتی مبتنی‌بر هوش مصنوعی تأکید دارد؛ زیرا اطلاعات گمراه‌کننده می‌تواند اعتماد مصرف‌کنندگان و یکپارچگی بازار را تضعیف کند (Farooq et al., 2025). یافته‌ها نشان می‌دهند که بدون چهارچوب‌های نظارتی روشن و شیوه‌نامه‌های اخلاقی، پتانسیل هوش مصنوعی برای اختلال در پویایی بازار و حقوق مصرف‌کنندگان همچنان درخور ‌توجه باقی می‌ماند که این موضوع، رویکردی فعال در توسعۀ سیاست‌گذاری در این حوزۀ روبه‌رشد را ضروری می‌کند.

پیامد: تأثیرات شناختی و روانی

تأثیرات شناختی و روانی مضمون محوری دیگری که به‌عنوان پیامد استخراج شد و شامل تأثیرات شناختی منفی، افزایش بدبینی مصرف‌کننده، افزایش مقاومت روانی، کاهش رضایت مصرف‌کننده است. هوش‌ مصنوعی‌نمایی با سوءاستفاده از سوگیری‌های شناختی، انتظارات غیرواقعی ایجاد کرده و رضایت مصرف‌کننده را کاهش می‌دهد. مطالعات اخیر نشان داده است که هوش مصنوعی می‌تواند با بهره‌گیری از سوگیری‌های شناختی، انتظارات غیرواقعی ایجاد کند که در نهایت به کاهش رضایت مصرف‌کنندگان منجر می‌شود (Mohan et al., 2025). این پدیده به افزایش شک و تردید مصرف‌کنندگان و مقاومت روانی آن‌ها کمک می‌کند؛ زیرا کاربران با آگاهی بیشتری از حجم دست‌کاری و اطلاعات نادرست مواجه می‌شوند (Deckker, 2025). یافته‌ها نشان می‌دهند که ماهیت گمراه‌کنندۀ بازاریابی مبتنی‌بر هوش مصنوعی می‌تواند پیامدهای شناختی منفی را تشدید کند و به شکل‌گیری پایگاه مصرف‌کننده‌ای انتقادی‌تر و کم‌اعتمادتر منجر شود (Çeber, 2025).

پیامد: تأثیرات اقتصادی و سرمایه‌گذاری

پیامد دیگری که در دیدگاه خبرگان پرتکرار بود، تأثیرات اقتصادی و سرمایه‌گذاری است که شامل کاهش اعتماد سرمایه‌گذاران، انحراف منابع اقتصادی، کاهش رشد صنعت فناوری، و کاهش سرمایه‌گذاری پایدار است. این پدیده با کاهش اعتماد سرمایه‌گذاران و انحراف منابع، رشد صنعت فناوری را محدود می‌کند. باقی و همکاران (2022) در پژوهش خود این موضوع را تأیید کرده و بر تأثیر هوش‌ مصنوعی‌نمایی بر کاهش سرمایه‌گذاری در نوآوری‌های واقعی تأکید دارد (Baqi et al., 2022). تأثیرات اقتصادی کاهش اعتماد سرمایه‌گذاران و انحراف منابع، به‌ویژه در بخش فناوری، بسیار چشمگیر است. ناپایداری بازارهای مالی، تخصیص سرمایه را مختل کرده و اعتماد سرمایه‌گذاران را تضعیف می‌کند که می‌تواند رشد صنایع فناوری را به‌طور جدی محدود کند. نتایج پژوهش یولفاجر و همکاران نشان می‌دهد که ناپایداری بازارهای مالی، نه‌تنها بر تخصیص منابع تأثیر می‌گذارد، بلکه بخش‌هایی که به پایداری نیاز دارند -مانند بازارهای فناوری و سهام سبز- را نیز به‌طور چشمگیری تحت‌تأثیر قرار می‌دهد. این ناپایداری می‌تواند به کاهش سرمایه‌گذاری‌های پایدار منجر شود؛ زیرا سرمایه‌گذاران به‌دلیل نگرانی از ریسک‌های موجود، منابع را از پروژه‌های نوآورانه دور می‌کنند (Yulfajar et al., 2025). علاوه‌بر این، هوانگ و همکاران نیز به بررسی تأثیر تنظیمات نرخ بهره توسط فدرال رزرو (بانک مرکزی ایالات متحده آمریکا) بر اعتماد سرمایه‌گذاران و جریان سرمایه به صنایع فناوری نوظهور پرداخته است. این مطالعه تأکید دارد که کاهش نرخ بهره می‌تواند نقدینگی و تمایل سرمایه‌گذاران به ریسک‌پذیری را افزایش دهد؛ اما ممکن است به گمانه‌زنی‌های بیش‌ از حد و تخصیص نادرست منابع منجر شود و بدین ترتیب، چشم‌انداز سرمایه‌گذاری در بخش‌های فناوری را پیچیده‌تر کند (Huang et al., 2025).

پیامد: تأثیرات بر اعتبار و برندسازی

یکی از مهم‌ترین پیامدهای هوش‌ مصنوعی‌نمایی شناسایی‌شده در پژوهش، تأثیرات بر اعتبار و برندسازی نظیر کاهش اعتبار برندها، کاهش جذابیت برندها، کاهش تمایز برندهای اخلاق‌مدار، و کاهش اعتماد به اکوسیستم فناوری است که باعث می‌شود هوش‌ مصنوعی‌نمایی اعتبار برندهای معتبر را تضعیف کرده و اعتماد به اکوسیستم فناوری را کاهش می‌دهد. تأثیرات هوش مصنوعی بر اعتبار برندها و اعتماد در اکوسیستم‌های فناوری بسیار عمیق است. مطالعات انجام شده نشان می‌دهد که هوش مصنوعی می‌تواند اعتبار برندهای شناخته‌شده را تضعیف کرده و اعتماد به اکوسیستم فناوری را کاهش دهد؛ برای نمونه، شاو و پاتل به بررسی این موضوع پرداخته که ادغام هوش مصنوعی در برندسازی می‌تواند رضایت و وفاداری مشتریان را افزایش دهد، اما چالش‌های اخلاقی ناشی از آن را نیز برجسته می‌کند که اگر به‌درستی مدیریت نشوند، می‌توانند اعتماد مصرف‌کنندگان را تضعیف کنند (Sahu & Patel, 2025). علاوه‌بر این، پان در پژوهش خود چهارچوبی را پیشنهاد می‌دهد که ادراک هوش مصنوعی و شکل‌گیری اعتماد را به هم مرتبط می‌کند و بیان می‌کند که اعتماد عاملی میانجی‌گری مهمی در تأثیرگذاری بر تعامل و وفاداری مصرف‌کنندگان درزمینۀ برندسازی مبتنی‌بر هوش مصنوعی است (Pan, 2025). این مطالعات به‌طور جمعی ضرورت مدیریت آثار اخلاقی هوش مصنوعی توسط برندها را برای حفظ اعتبار و ترویج یک اکوسیستم فناوری قابل ‌اعتماد برجسته می‌کنند. برای مقابله با پدیدۀ هوش‌ مصنوعی‌نمایی در بازاریابی، که ازطریق ادعاهای گمراه‌کننده و اغراق‌آمیز دربارۀ کاربرد هوش مصنوعی به اعتماد مصرف‌کنندگان و سلامت اکوسیستم بازار آسیب می‌رساند، مجموعه‌ای از راهبردهای نظام‌مند و عملیاتی تدوین شده است. این راهبردها، که براساس تحلیل کیفی داده‌های حاصل از مصاحبه‌های عمیق با متخصصان حوزۀ بازاریابی و مدیریت استخراج و از پیشینۀ موجود نیز یاری گرفته شده است چهارچوبی جامع و یکپارچه ارائه می‌دهند تا فضایی شفاف، اخلاق‌مدار و مبتنی‌بر اعتماد در بازاریابی ایجاد شود. تشریح این راهبردها موجب فراهم شدن درک عمیقی از نحوۀ مواجهه با این موضوع است.

راهبرد: تقویت نظارت و قانون‌گذاری

یکی از راهکارهای عملی پیشنهادی خبرگان برای مقابله با هوش‌ مصنوعی‌نمایی، تقویت نظارت و قانون‌گذاری است که این راهبرد بر ایجاد و اجرای چهارچوب‌های قانونی شفاف و الزام‌آور متمرکز است تا از ادعاهای گمراه‌کننده در تبلیغات حوزۀ هوش مصنوعی جلوگیری شود. تدوین استانداردهای دقیق برای تعریف اصطلاحات فنی مانند «هوش مصنوعی» و «یادگیری ماشین»، همراه با الزام شرکت‌ها به ارائۀ شواهد فنی قابل راستی‌آزمایی، از سوءاستفاده از اصطلاحات پیچیده فناوری جلوگیری می‌کند. علاوه‌بر این، نظارت فعال بر محتوای تبلیغاتی و اجرای قوانین با سازوکارهای تنبیهی مؤثر، مانند جریمه‌های بازدارنده، به کاهش تبلیغات غیرواقعی کمک می‌کند. این رویکرد مانند یک کنترل‌کننده نظارتی عمل می‌کند که شفافیت را به بازار بازمی‌گرداند و از مصرف‌کنندگان در برابر فریب‌های بازاریابی محافظت می‌کند. مطالعات اخیر بر نیاز حیاتی به چهارچوب‌های نظارتی قوی برای مقابله با تبلیغات گمراه‌کننده درزمینۀ هوش مصنوعی تأکید دارند؛ برای مثال، مطالعه‌ای در سال 2025 نشان می‌دهد که ادغام هوش مصنوعی در تبلیغات، نگرانی‌های اخلاقی بسیاری ازجمله پتانسیل الگوریتم‌های تعصب‌آمیز و راهبرد‌های دست‌کاری‌کننده را به همراه دارد که می‌تواند اعتماد مصرف‌کنندگان را تضعیف کند. این مطالعه بر ایجاد شیوه‌نامه‌های اخلاقی و فرایندهای نظارتی برای اطمینان از شفافیت و پاسخ‌گویی در شیوه‌های تبلیغاتی مبتنی‌بر هوش مصنوعی تأکید دارد (Farooq et al., 2025). همچنین، مقاله پژوهشی دیگری ضرورت تعریف جایگاه قانونی و مسئولیت هوش مصنوعی در چهارچوب‌های نظارتی را برای محافظت از مصرف‌کنندگان در برابر اطلاعات گمراه‌کننده بررسی می‌کند و پیشنهاد می‌دهد که نظارت قانونی جامع برای حفظ حقوق مصرف‌کنندگان در چشم‌انداز درحال تحول تبلیغات هوش مصنوعی ضروری است (Al Kautsar et al., 2024). این یافته‌ها اهمیت تقویت سازوکار‌های نظارتی را برای ترویج شفافیت و محافظت از مصرف‌کنندگان در برابر شیوه‌های بازاریابی فریبندۀ فناوری‌های هوش مصنوعی برجسته می‌کنند.

راهبرد: آموزش و آگاه‌سازی مصرف‌کننده

از مهم‌ترین راهکارهای پیشنهادی پژوهش حاضر می‌توان به آموزش و آگاه‌سازی مصرف‌کننده اشاره کرد، توانمندسازی مصرف‌کنندگان ازطریق آموزش، سنگ‌بنای این راهبرد است. ارتقای سواد فناوری و رسانه‌ای، مصرف‌کنندگان را توانمند می‌سازد تا ادعاهای تبلیغاتی را با دید انتقادی ارزیابی کرده و تمایز بین کاربردهای واقعی و نمایشی هوش مصنوعی را تشخیص دهند. برنامه‌های آموزشی دیجیتال، کمپین‌های آگاهی‌بخشی عمومی و ارائۀ منابع اطلاعاتی ساده و معتبر دربارۀ قابلیت‌ها و محدودیت‌های هوش مصنوعی، مانند مشعلی در تاریکی عمل می‌کنند که مسیر تصمیم‌گیری آگاهانه را روشن می‌سازند؛ برای مثال، آموزش عمومی دربارۀ اصطلاحات تخصصی مانند «یادگیری عمیق» یا «هوش مصنوعی مبتنی‌بر داده‌های بزرگ» می‌تواند مصرف‌کنندگان را از تأثیر شعارهای فریبنده مصون نگه دارد و آن‌ها را به پرسشگری دربارۀ صحت ادعاها ترغیب کند. آموزش و آگاهی مصرف‌کنندگان نقش مهمی در توانمندسازی افراد برای ارزیابی انتقادی ادعاهای تبلیغاتی در حوزۀ هوش مصنوعی ایفا می‌کند. مطالعه‌ای دیگر نشان می‌دهد که افزایش دانش مصرف‌کنندگان به‌طور چشمگیری قوانین محافظت از مصرف‌کنندگان را تقویت می‌کند و به افراد امکان می‌دهد تصمیم‌های آگاهانه بگیرند و حقوق خود را بشناسند. این توانمندسازی در شناسایی و گزارش دادن شیوه‌های فریبنده -به‌ویژه درزمینۀ هوش مصنوعی که ادعاهای گمراه‌کننده به‌راحتی گسترش می‌یابند- حیاتی است (Bashir et al., 2023). همچنین، پژوهش‌ها نشان می‌دهند که ابتکارات آموزشی می‌توانند توانایی مصرف‌کنندگان را در تشخیص تفاوت بین ادعاهای واقعی و اغراق‌آمیز بهبود بخشند و به ایجاد بازاری آگاه‌تر کمک کنند. با ترویج سواد دیجیتال و ارائۀ منابع ‌دسترس‌پذیر دربارۀ قابلیت‌ها و محدودیت‌های هوش مصنوعی، مصرف‌کنندگان بهتر می‌توانند پیچیدگی‌های تبلیغات مبتنی‌بر هوش مصنوعی را مدیریت کنند (Lee et al., 2025). این رویکرد، اعتماد مصرف‌کنندگان را تقویت و به فرهنگ ارزیابی انتقادی ترغیب می‌کند و در نهایت به توسعۀ شیوه‌های تبلیغاتی اخلاقی‌تر منجر می‌شود.

راهبرد: تقویت اخلاق در بازاریابی

یکی دیگر از راهکارهای اولویت‌دار شناسایی‌شده، تقویت اخلاق در بازاریابی است. این راهبرد بر تعهد شرکت‌ها به اصول اخلاقی در تبلیغات تأکید دارد. پایبندی به صداقت و شفافیت، ازطریق ارائۀ توضیحات دقیق درباره نحوۀ استفاده از هوش مصنوعی در محصولات و اجتناب از بزرگ‌نمایی غیرواقعی، اعتماد مصرف‌کننده را بازسازی می‌کند. ایجاد کدهای اخلاقی برای تبلیغات، که شرکت‌ها را ملزم به ارائۀ اطلاعات قابل راستی‌آزمایی و پرهیز از دست‌کاری عاطفی می‌کند؛ مانند یک پیمان اعتماد بین برندها و مشتریان عمل می‌کند. این رویکرد اعتبار برندها را تقویت و به‌عنوان یک مزیت رقابتی پایدار در بازار عمل می‌کند؛ برای مثال، برندی که محدودیت‌های فناوری خود را صادقانه بیان می‌کند، می‌تواند وفاداری بلندمدت مشتریان را جلب کرده و در بازار رقابتی، متمایز شود. تقویت شیوه‌های بازاریابی اخلاقی برای ایجاد اعتماد مصرف‌کنندگان و کسب مزیت رقابتی در عرصۀ تبلیغات، به‌ویژه دربارۀ هوش مصنوعی، ضروری است. مطالعه‌ای دیگر بر این نکته تأکید دارد که پایبندی به اصول اخلاقی مانند صداقت و شفافیت برای بازسازی اعتماد مصرف‌کنندگان توسط شرکت‌ها حیاتی است. با ارائۀ توضیحات روشن دربارۀ نحوۀ استفاده از هوش مصنوعی در محصولات و اجتناب از اغراق‌های غیرواقعی، برندها می‌توانند رابطه‌ای مبتنی‌بر اعتماد با مشتریان خود برقرار کنند (Koswara & Herlina, 2025). همچنین، تدوین کدهای اخلاقی برای تبلیغات می‌تواند شرکت‌ها را ملزم به ارائۀ اطلاعات ‌اثبات‌شدنی و خودداری از دست‌کاری عاطفی کند که به‌عنوان پیمانی از اعتماد بین برندها و مصرف‌کنندگان عمل می‌کند. این رویکرد ضمن افزایش اعتبار برند، به‌عنوان یک مزیت رقابتی پایدار در بازار عمل می‌کند؛ برای مثال، برندهایی که به‌طور صادقانه محدودیت‌های فناوری خود را اعلام می‌کنند، می‌توانند وفاداری بلندمدت مشتریان را جلب کرده و در محیطی رقابتی، متمایز شوند.

راهبرد: رویکردهای میان‌رشته‌ای

راهکار دیگری که خبرگان تأکید بسیاری بر آن داشتند، رویکردهای میان‌رشته‌ای است، هوش‌ مصنوعی‌نمایی پدیده‌ای چندوجهی است که نیازمند راه‌حل‌هایی فراتر از یک رشته علمی است. این راهبرد با ترکیب دیدگاه‌های روان‌شناختی، اجتماعی، حقوقی و فرهنگی، به درک عمیق‌تری از این پدیده و ارائۀ راه‌حل‌های جامع کمک می‌کند؛ برای مثال، تحلیل سوگیری‌های شناختی که شرکت‌ها برای فریب مصرف‌کنندگان از آن‌ها بهره می‌برند، می‌تواند با تحلیل‌های حقوقی دربارۀ تنظیم مقررات و بررسی تأثیرات اجتماعی تبلیغات تلفیق شود. این رویکرد مانند پازلی چندبُعدی است که با کنار هم قرار گرفتن قطعه‌های مختلف، راه‌حل‌هایی مؤثر و پایدار برای کاهش گمراه‌سازی ارائه می‌دهد. این دیدگاه کل‌نگر به سیاست‌گذاران و فعالان صنعت امکان می‌دهد تا راهبرد‌هایی چندجانبه برای مقابله با این چالش طراحی کنند. رویکرد میان‌رشته‌ای برای درک ماهیت چندبُعدی هوش مصنوعی و تأثیرات آن بر جامعه ضروری است. این رویکرد با ادغام دیدگاه‌هایی از حوزه‌های مختلف مانند روان‌شناسی، جامعه‌شناسی، حقوق و اخلاق، راه‌حل‌های جامع‌تری برای چالش‌های ناشی از هوش مصنوعی ارائه می‌دهد؛ به‌عنوان مثال، ترکیب دیدگاه‌های متنوع می‌تواند درک ما را از سوگیری‌های شناختی -که ممکن است شرکت‌ها برای فریب مصرف‌کنندگان از آن سوءاستفاده کنند- بهبود بخشد و در عین حال چهارچوب‌های حقوقی و پیامدهای اجتماعی این اقدام‌های را نیز در نظر بگیرد. پژوهش‌ها نشان می‌دهند که همکاری میان‌رشته‌ای به‌طور چشمگیری موجب افزایش استحکام و پذیرش اجتماعی کاربردهای هوش مصنوعی می‌شود؛ برای نمونه، مطالعه‌ای نشان می‌دهد که استفاده از هوش مصنوعی در کشاورزی از رویکرد میان‌رشته‌ای بهره‌مند می‌شود؛ زیرا این رویکرد نگرانی‌های اخلاقی را پوشش داده و با همسوسازی دیدگاه‌های مختلف، راه‌حل‌هایی پایدار ارائه می‌کند (Ryan et al., 2023). همچنین، مقاله‌ای دیگر بر اهمیت راهبرد‌های میان‌رشته‌ای در پرداختن به پیامدهای اجتماعی هوش مصنوعی مولد تأکید می‌کند و خاطرنشان می‌سازد که تحلیل متوازن آثار آن، نیازمند همکاری میان حوزه‌های مختلف است (Sabherwal & Grover, 2024).

راهبرد: همکاری و مشارکت

کد محوری دیگری که به‌عنوان راهکار مقابله‌ای استخراج شد، همکاری و مشارکت است که بیان می‌کند موفقیت در مقابله با هوش‌ مصنوعی‌نمایی نیازمند همکاری هماهنگ بین ذی‌نفعان مختلف است. این راهبرد بر تقویت مشارکت بین صنعت، دانشگاه‌ها، نهادهای نظارتی و مصرف‌کنندگان تمرکز دارد. ایجاد شبکه‌های همکاری بین‌المللی برای تدوین استانداردهای شفاف، بستر‌های آموزشی مشترک و تقویت ارتباط بین شرکت‌ها و نهادهای نظارتی، مانند پلی است که همۀ بازیگران کلیدی را به هم متصل می‌کند؛ برای مثال، همکاری بین دانشگاه‌ها و شرکت‌های فناوری می‌تواند به طراحی برنامه‌های آموزشی منجر شود که هم سواد فناوری مصرف‌کنندگان را ارتقا دهد و هم استانداردهای اخلاقی را در صنعت ترویج کند. این مشارکت‌ها مانند اکوسیستمی هم‌افزا عمل می‌کنند که شفافیت، اعتماد و نوآوری واقعی را در بازاریابی تقویت می‌کنند. پژوهش‌ها نشان می‌دهند که ادغام هوش مصنوعی در بازاریابی، نحوۀ تعاملات تجاری را دگرگون ساخته و راهبرد‌ها را بهینه می‌کند؛ بااین‌حال، مشکلاتی نیز به همراه دارد که مستلزم توجه به ملاحظات اخلاقی و راهکارهای مشارکتی است (Bastray et al., 2025).

این راهبردها، که از تحلیل عمیق دیدگاه‌های متخصصان استخراج شده است، به‌عنوان مجموعه‌ای از ابزارهای قدرتمند عمل می‌کنند که نه‌تنها از گمراه‌سازی در بازاریابی هوش مصنوعی جلوگیری می‌کنند، بلکه بستری برای اعتمادسازی، رقابت سالم و پیشرفت فناوری فراهم می‌سازند. اجرای این راه‌حل‌ها می‌تواند به ایجاد بازاری منجر شود که در آن صداقت و نوآوری واقعی در کانون توجه قرار دارند و مصرف‌کنندگان با اطمینان بیشتری از فناوری‌های نوظهور استقبال می‌کنند.

6- محدودیت‌های پژوهش

محدودیت‌ها بخشی اجتناب‌ناپذیر از هر پژوهش‌اند و همین محدودیت‌ها می‌توانند زمینه‌ساز پژوهش‌های آینده و ارائۀ راهکارهای نوین شوند، برخی از آن‌ها عبارت‌اند از:

تحلیل داده‌های کیفی مبتنی‌بر پارادایم تفسیری ممکن است تحت‌تأثیر ذهنیت و پیش‌فرض‌های پژوهشگر قرار گیرد؛ اما در این پژوهش تلاش شده است تا با تمرکز بر تجربه‌های مشارکت‌کنندگان از سوگیری جلوگیری شود؛
گردآوری داده‌ها فقط ازطریق مصاحبه انجام شده که می‌توان با استفاده از روش‌های مکمل آن را تقویت کرد؛
انجام پژوهش در بازۀ زمانی مشخص، ممکن است تغییرات پویا در رفتار کاربران یا بازار را منعکس نکند. پیشنهاد می‌شود مطالعات طولی برای بررسی این تغییرات انجام شود.

7-تشکر و قدردانی

از استادان، خبرگان حوزه بازاریابی و مدیریت و نیز همکاران که با مشارکت و ارائۀ دیدگاه‌های تخصصی در مصاحبه‌ها به غنای این پژوهش کمک کردند، صمیمانه قدردانی میشود.

References

دانشگاه صنعتی شریف (۱۴۰۳). شاخص هوش مصنوعی ایران ۱۴۰۳: تحلیل جامع و داده‌محور [گزارش]. تهران، دانشگاه صنعتی شریف، مرکز راهبردی هوش مصنوعی.

https://aistrategy.tsc.sharif.ir

نصرآبادی، غزل، امیری، صبا، و محمدی فر، یوسف (1404). بررسی تأثیر هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی. تحقیقات بازاریابی نوین، 15(1)، 87-120.

https://doi.org/10.22108/nmrj.2025.143880.3134

Ahmed, A. M. A., & Othman, A. K. B. (2024). The effect of false advertising on consumer online purchase behavior with the mediating effect of e-wom: Consumers in Malaysia. Information Management and Business Review, 16(2), 115-128.‏ https://doi.org/10.22610/imbr.v16i2(I)S.3774

Al Kautsar, I., Sulistiyono, A., & Muryanto, Y. T. (2024, November 25). When AI meets advertising: The potential of misleading and regulatory framework on consumer protection. In SHS Web of Conferences (Vol. 204, p. 07007). EDP Sciences.‏ https://doi.org/10.1051/shsconf/202420407007

Baqi, A., Abdeldayem, M. M., & Aldulaimi, S. H. (2022, June 22-23). Embedding artificial intelligence and green ideology in formulating corporate and marketing strategies. In 2022 ASU International Conference in Emerging Technologies for Sustainability and Intelligent Systems (pp. 1-4). IEEE.‏‏

https://doi.org/10.1109/ICETSIS55481.2022.9888893

Bashir, S., Khan, A. S., & Khan, F. S. (2023). The role of consumer education in strengthening consumer protection laws. Pakistan Journal of Social Research, 5(02), 85-92.

https://B2n.ir/gt9572

Bastray, T., Ramesh Babu, S., Mahesh, G., & Varma Kanumuri, V. (2025). The integration of AI in digital marketing: Opportunities and challenges. Journal of Informatics Education and Research. 5(1). https://doi.org/10.52783/jier.v5i1.2111

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in psychology, 3(2), 77-101.

https://doi.org/10.1191/1478088706qp063oa

Çeber, B. (2025). Generative artificial intelligence and brain rot from an advertising perspective. Turkish Online Journal of Design Art and Communication, 15(3), 1162-1177.

https://doi.org/10.7456/tojdac.1674327

Chen, Y. (2025). Artificial intelligence and digital imaging: Future trends in editing and ethical concerns. Journal of Sociology and Education, 1(2).‏

https://doi.org/10.63887/jse.2025.1.2.7

Dai, X., & Liu, Q. (2024). Impact of artificial intelligence on consumer buying behaviors: Study about the online retail purchase. Journal of Infrastructure, Policy and Development, 8(9).

https://doi.org/10.24294/jipd.v8i9.7700

Dave, D. P. (2025). Manipulative communication in cybercrime: Unraveling the linguistic tactics of online scams and attacks. Gurukul International Multidisciplinary Research Journal, 13(3).

https://doi.org/10.69758/GIMRJ/2503I3IIVXIIIP0031

Deckker, D., & Sumanasekara, S. (2025). A systematic review of the impact of artificial intelligence, digital technology, and social media on cognitive functions. International Journal of Research and Innovation in Social Science, 9(3), 134–154.

https://doi.org/10.47772/IJRISS.2025.90300011

Ernawan, D., & Sukresno, S. (2025). Legal protection for consumers through the politics of dumping in online buying and selling according to law number 8 of 1999 concerning consumer protection. Jurnal Indonesia Sosial Sains, 6(4)

https://doi.org/10.59141/jiss.v6i4.1690

Farooq, N., Hashmat, S., & Hashim, A. (2025). AI in advertising: Ethical risks, consumer protection, and policy implications. Annual Methodological Archive Research Review, 3(6), 1-18.‏

https://amresearchjournal.com/index.php/Journal/article/view/208

Gabelaia, I. (2022). The applicability of artificial intelligence marketing for creating data-driven marketing strategies. Journal of Marketing Research and Case Studies, 2022.

https://doi.org/10.5171/2022.466404

Gong, R. (2025). A review on the impact of advertising on consumer. Advances in Economics, Management and Political Sciences, 145(1), 160-164.

https://doi.org/10.54254/2754-1169/2024.LD19040

Hermann, E. (2023). Artificial intelligence in marketing: Friend or foe of sustainable consumption?. AI & Society, 38(5), 1975-1976.‏ https://doi.org/10.1007/s00146-021-01227-8

Hollebeek, L. D., Menidjel, C., Sarstedt, M., Jansson, J., & Urbonavicius, S. (2024). Engaging consumers through artificially intelligent technologies: Systematic review, conceptual model, and further research. Psychology & Marketing, 41(4), 880-898.‏ https://doi.org/10.1002/mar.21957

Huang, B., Li, Z., & Wei, Y. (2025). The impact of Federal Reserve interest rate adjustments on investments in emerging technology industries. Highlights in Business, Economics and Management, 50, 197-203. https://doi.org/10.54097/31k5rj90

Jami Pour, M., Irani, H. R., & Yaghobi, A. (2024). Exploring the challenges of migration towards software-as-a-service in Iran: the case study of cloud-based CRM using a multidimensional perspective. Interdisciplinary Journal of Management Studies, 18(1), 173-193.

https://doi.org/10.22059/ijms.2024.372661.676553

Karthika, M. (2025). The role of artificial intelligence in shaping the future of market research. Thiagarajar College of Preceptors Edu Spectra. 7(1).

https://www.doi.org/10.34293/eduspectra.v7is1-feb25.004

Koswara, A., & Herlina, L. (2025). The ethical deviations of AI in marketing practices: a critical review from halal perspectives. Research of Islamic Economics, 2(2), 105-116.‏

https://doi.org/10.58777/rie.v2i2.393

Kumar, A., & Ahmad khan, M. (2025). Ethical concern in marketing: addressing the gap in ethical AI - Driven consumer targeting. International Journal of Scientific Research in Engineering and Management, 9(05), 1-9. https://ijsrem.com/volume-09-issue-05-may-2025/

Lala, A. (2025). Regulatory framework for Artificial Intelligence: Ethical and legal issues. Journal of Law and Regulation Governance. 3(4). 173-181.

https://doi.org/10.57185/jlarg.v3i4.104

Lee, C. T., Pan, L. Y., & Hsieh, S. H. (2022). Artificial intelligent chatbots as brand promoters: A two-stage structural equation modeling-artificial neural network approach. Internet Research, 32(4), 1329-1356.‏ https://doi.org/10.1108/INTR-01-2021-0030

Lee, J. L., Choi, S. H., Jeong, S., & Ko, N. (2025). Generative AI in sport advertising: effects of source-message (in) congruence, model types and AI awareness. International Journal of Sports Marketing and Sponsorship, 26(4), 670-693.‏

https://doi.org/10.1108/IJSMS-06-2024-0147

Li, Z. (2024). The impact of artificial intelligence technology innovation on economic development: From the perspective of generative AI products. Journal of Education, Humanities and Social Sciences, 27, 565-574.

https://doi.org/10.54097/8eb1ks76

Liu, Z. (2021). Sociological perspectives on artificial intelligence: A typological reading. Sociology Compass, 15(3), e12851.‏ https://doi.org/10.1111/soc4.12851

Manheim, D., Martin, S., Bailey, M., Samin, M., & Greutzmacher, R. (2025). The necessity of AI audit standards boards. AI & Society, 1-16.‏

https://doi.org/10.48550/arXiv.2404.13060

Marzdar, M. H. (2025). Artificial intelligence in Iran's public administration: opportunities, challenges, and strategic approaches for governance innovation. International Journal of applied Research in Management, Economics and Accounting, 2(2), 16-35.

https://doi.org/10.63053/ijmea.38

McCarthy, B. (2024). Can generative artificial intelligence help or hinder sustainable marketing? An overview of its applications, limitations and ethical considerations. Journal of Resilient Economies, 4(2), 18-33.‏

https://doi.org/10.25120/jre.4.2.2024.4153

Mittal, R. (2025). The impact of deceptive advertising on consumers’ trusts and market dynamic: A mix method study in the Indian contexts. International Journal of Scientific Research in Engineering And Management. 9. 1-9.

https://doi.org/10.55041/IJSREM50379

Mohan, A., Singh, D., Kataria, A., Meena, H. K., & Singh, R. (2025, January 16-18). The impact of AI on human psychology: A user perspective. In 2025 International Conference on Cognitive Computing in Engineering, Communications, Sciences and Biomedical Health Informatics (pp. 1321-1326). IEEE.‏

https://doi.org/10.1109/IC3ECSBHI63591.2025.10990736

Nasrabadi, G., Amiri, S., & Mohamadifar, Y. (2025). Examining the impact of artificial intelligence on customer satisfaction in consumer goods purchases. New Marketing Research Journal, 15(1), 87-120.

https://doi.org/10.22108/nmrj.2025.143880.3134 [In Persian]

Nyilasy, G., & Gangadharbatla, H. (2025). AI-washing: The asymmetric effects of its two types on consumer moral judgments. arXiv preprint arXiv:2507.04352.

https://doi.org/10.48550/arXiv.2507.04352

Ottenheimer, D. (2024). A guide to evaluating AI vendors: Key questions to mitigate security risks. Cyber Security: A Peer-Reviewed Journal, 7(4), 290-306.‏

https://doi.org/10.69554/MPCW7053

Ozturkcan, S., & Bozdağ, A. A. (2025). Responsible AI in marketing: AI booing and AI washing cycle of AI mistrust. International Journal of Market Research, 67(6), 696-722.

https://doi.org/10.1177/14707853251379285

Pan, X. (2025). A conceptual framework on AI-driven consumer behavior in the age of digital branding. Frontiers in Business, Economics and Management, 19(3), 58-64. https://doi.org/10.54097/3aasrp70

Petrishyna, T., Suprun, A., & Andrushchenko, H. (2024). Research of digital trends in insurance marketing. Black Sea Economic Studies. (89).

https://doi.org/10.32782/bses.89-35

Pink, S., Quilty, E., Grundy, J., & Hoda, R. (2024). Trust, artificial intelligence and software practitioners: An interdisciplinary agenda. AI & Society, 40, 639–652.

https://doi.org/10.1007/s00146-024-01882-7

Rohimi, U. E. (2025). Artificial intelligence and cybersecurity regulation in Indonesia: Towards an adaptive legal framework. Indonesian Cyber Law Review, 2(1), 29-38.‏

http://dx.doi.org/10.59261/iclr.v2i1.14

Rozenova, M. I., Ognev, A.S., & Likhacheva, E. V. (2025). Psychological mechanisms of destructive manipulation and strategies for preventing digital fraud. Journal of Modern Foreign Psychology, 14(2), 26–37. https://doi.org/10.17759/jmfp.2025140203 [In Russian]

Ryan, M., Isakhanyan, G., & Tekinerdogan, B. (2023). An interdisciplinary approach to artificial intelligence in agriculture. NJAS: Impact in Agricultural and Life Sciences, 95(1). https://doi.org/10.1080/27685241.2023.2168568

Sabherwal, R., & Grover, V. (2024). The societal impacts of generative artificial intelligence: A balanced perspective. Journal of the Association for Information Systems, 25(1), 13-22.‏

https://doi.org/10.17705/1jais.00860

Sahu, K. K., & Patel, T. (2025). The impact of AI-enhanced brand image on consumer purchase intention: A comparative study. International Scientific Journal of Engineering and Management. 04. 1-9.

https://doi.org/10.55041/ISJEM04422

Saunders, M., Lewis, P., & Thornhill, A. (2016). Research methods for business students (7nd Ed.). Pearson.

https://www.researchgate.net/publication/240218229

Shahidul Islam, M. (2025). Deconstructing deception: exploring misleading practices in tourism marketing. Journal of Travel Research, 00472875241312177.

https://doi.org/10.1177/0047287524131217

Sharif University of Technology, Strategic Center for Artificial Intelligence. (2024). Iran Artificial Intelligence Index 1403: A comprehensive and data-driven analysis (Report). Tehran, Sharif University of Technology. https://aistrategy.tsc.sharif.ir [In Persian]

Shoib, A. A., & Hermawan, A. (2025). The impact of artificial intelligence (AI) on consumer behavior in digital marketing: A systematic literature review. International Journal of Finance and Business Management, 3(3), 161-176.‏

https://doi.org/10.59890/ijfbm.v3i3.44

Sivathanu, B., Pillai, R., & Metri, B. (2023). Customers' online shopping intention by watching AI-based deepfake advertisements. International Journal of Retail & Distribution Management, 51(1), 124-145.‏ https://doi.org/10.1108/IJRDM-12-2021-0583

Steinhoff, J. (2024). AI ethics as subordinated innovation network. AI & Society, 39(4), 1995-2007. ‏https://doi.org/10.1007/s00146-023-01658-5

Tello, M. C., & Espinoza, N. A. (2025). AI washing: una nueva modalidad de engaño al consumidor. Ius et Praxis, (059), 89-99. https://doi.org/10.26439/iusetpraxis2024.n59.7652

Upadhyay, A. K. (2024). Impact of advertising on consumer behaviour. Interantional Journal of Scientific Research in Engineering and Management, 8(01), 1-10.‏ https://ijsrem.com/download/impact-of-advertising-on-consumer-behaviour/

Urias, V. E., Stout, W. M., Luc-Watson, J., Grim, C., Liebrock, L., & Merza, M. (2017, October 23-26). Technologies to enable cyber deception. In 2017 International Carnahan Conference on Security Technology (ICCST) (pp. 1-6). IEEE.‏ https://doi.org/10.1109/CCST.2017.8167793

Yendra, & Zakaria, Z. (2025). Evaluation of ethical dilemmas and business sustainability in maintaining a company’s reputation in global markets. Paradoks: Jurnal Ilmu Ekonomi, 8(3), 837–851. https://doi.org/10.57178/paradoks.v8i3.1490

Yu, X., Xu, S., & Ashton, M. (2023). Antecedents and outcomes of artificial intelligence adoption and application in the workplace: the socio-technical system theory perspective. Information Technology & People, 36(1), 454-474.‏ https://doi.org/10.1108/ITP-04-2021-0254

Yulfajar, A., Noor, G. M., & Putranto, R. S. (2025). The impact of financial market instability on economic growth and long-term investment. Advances in Economics & Financial Studies, 3(1), 43-55.‏

https://doi.org/10.60079/aefs.v3i1.454

Conceptual Dimensions of AI-Washing in Marketing Claims: Antecedents, Consequences, and Strategies to Address Misleading Practices in a Competitive Environment

Full Text

References

Volume 16, Issue 1 - Serial Number 60
January 2026
Pages 1-38

Files

History

Share

How to cite

Statistics

Volume 16, Issue 1 - Serial Number 60January 2026Pages 1-38

Volume 16, Issue 1 - Serial Number 60
January 2026
Pages 1-38