چرا ChatGPT بعضی برندها را حتی با وجود حضور در منابع، معرفی نمی‌کند؟ بررسی نقش سئو و دیده‌شدن در هوش مصنوعی

به نقل از دیجیتال مارکتینگ ایران، حضور یک برند در صفحات وبی که ChatGPT به آن‌ها استناد می‌کند، لزوماً به این معنا نیست که این هوش مصنوعی نام آن برند را در پاسخ‌های خود مطرح خواهد کرد. پژوهشی از شرکت Graphite نشان می‌دهد برندهایی که ChatGPT در پاسخ‌های بدون جست‌وجو کمتر به آن‌ها اشاره می‌کند، معمولاً در پاسخ‌های همراه با جست‌وجو نیز کمتر دیده می‌شوند؛ حتی اگر نام آن‌ها در تعداد قابل‌توجهی از صفحات استنادشده وجود داشته باشد.

این یافته برای کسب‌وکارهایی که روی سئو، بهینه‌سازی برای موتورهای پاسخ‌گو و دیده‌شدن در ابزارهای هوش مصنوعی سرمایه‌گذاری می‌کنند، اهمیت دارد. تا پیش از این، بسیاری از راهبردهای بازاریابی در جست‌وجوی هوش مصنوعی بر کسب استناد، حضور در منابع معتبر و افزایش تعداد صفحاتی متمرکز بودند که نام برند را ذکر می‌کنند. اما داده‌های جدید مطرح می‌کنند که احتمالاً باید عامل دیگری را نیز در نظر گرفت: اینکه مدل هوش مصنوعی پیش از جست‌وجوی وب، تا چه اندازه برند را می‌شناسد و آن را به‌عنوان گزینه‌ای مرتبط به خاطر می‌آورد.

این موضوع هنوز به معنای اثبات یک رابطه علت‌ومعلولی نیست. پژوهش Graphite محدودیت‌هایی دارد و نشان نمی‌دهد که افزایش آگاهی مدل از یک برند الزاماً باعث افزایش معرفی آن در پاسخ‌های جست‌وجومحور می‌شود. بااین‌حال، نتایج آن پرسش مهمی را برای بازاریابان مطرح می‌کند: آیا برای حضور مؤثر در پاسخ‌های هوش مصنوعی، تنها بهینه‌سازی صفحات وب کافی است یا باید به شناخت برند در داده‌های آموزشی مدل‌ها نیز توجه کرد؟

پژوهش Graphite درباره معرفی برندها در ChatGPT چه می‌گوید؟

شرکت Graphite در تحلیلی که در ۱۶ اکتبر منتشر شد، پاسخ‌های نسخه خارج‌شده از حساب کاربری ChatGPT را برای پرسش‌های مقایسه‌ای بررسی کرد. این پرسش‌ها معمولاً از هوش مصنوعی می‌خواهند چند برند، محصول یا شرکت را با یکدیگر مقایسه کند؛ برای مثال، انتخاب ابزار مناسب برای یک نیاز مشخص یا معرفی گزینه‌های برتر در یک حوزه.

در این بررسی، داده‌های مربوط به ۳۱۱۵ جفت پرسش و موجودیت در قالب ۵۷ سؤال مقایسه‌ای تحلیل شدند. پاسخ‌ها در ماه اوت جمع‌آوری شده بودند و پژوهشگران، میزان دیده‌شدن برندها را با و بدون استفاده از جست‌وجو مقایسه کردند.

منظور از «دیده‌شدن برند» در این پژوهش، سهم پاسخ‌هایی است که نام آن برند یا محصول را ذکر می‌کنند. بنابراین، این شاخص با رتبه‌بندی سنتی گوگل، تعداد کلیک‌ها، ترافیک سایت یا نرخ تبدیل یکسان نیست. ممکن است برندی در پاسخ‌های یک مدل هوش مصنوعی نام برده شود، اما کاربر روی لینک آن کلیک نکند یا به مشتری تبدیل نشود.

نتیجه اصلی پژوهش این بود که برندهایی که در پاسخ‌های بدون جست‌وجوی ChatGPT بیشتر نام برده می‌شدند، معمولاً در پاسخ‌های همراه با جست‌وجو نیز حضور بیشتری داشتند. این الگو در گروه‌های مختلف برندها مشاهده شد؛ حتی در مواردی که صفحات استنادشده، اشاره‌های قابل‌توجهی به برند داشتند.

چرا حضور در منابع استنادشده برای معرفی شدن کافی نیست؟

در پاسخ‌های مبتنی بر جست‌وجو، ChatGPT ممکن است صفحات وب را بازیابی کند، اطلاعات آن‌ها را بررسی کند و سپس پاسخی همراه با پیوند به منابع ارائه دهد. در نگاه نخست، انتظار می‌رود هر برندی که در این منابع حضور دارد، شانس مناسبی برای ورود به پاسخ نهایی داشته باشد. اما فرایند تولید پاسخ می‌تواند پیچیده‌تر از این باشد.

یافته‌های Graphite نشان می‌دهد که میان میزان حضور یک برند در صفحات استنادشده و میزان معرفی آن در پاسخ‌های ChatGPT، ارتباط وجود دارد؛ بااین‌حال، این ارتباط به‌تنهایی تمام تفاوت‌ها را توضیح نمی‌دهد. آشنایی قبلی مدل با برند، نحوه صورت‌بندی پرسش، نوع مقایسه و انتخاب گزینه‌های مرتبط نیز ممکن است در نتیجه نهایی نقش داشته باشند.

مثال ساده از تفاوت میان استناد و معرفی برند

فرض کنید کاربری از ChatGPT می‌پرسد بهترین ابزارهای مدیریت پروژه برای یک تیم کوچک کدام‌اند. در پاسخ به این پرسش، مدل ممکن است چند ابزار شناخته‌شده را معرفی کند و برای توضیح ویژگی‌های آن‌ها به مقاله‌های مقایسه‌ای یا صفحات بررسی محصول استناد کند.

اگر نام یک ابزار کمترشناخته‌شده در چندین مقاله وجود داشته باشد، این موضوع به‌تنهایی تضمین نمی‌کند که ChatGPT آن را در فهرست پیشنهادهای نهایی قرار دهد. ممکن است مدل همچنان گزینه‌هایی را ترجیح دهد که در دانش پیشین آن برجسته‌تر هستند یا با برداشت آن از پرسش تناسب بیشتری دارند.

این مثال صرفاً برای توضیح تفاوت میان حضور در منبع و معرفی در پاسخ است و به معنای اثبات رفتار یکسان ChatGPT در تمام موضوعات نیست. نکته مهم این است که بازاریابان باید هر دو شاخص را جداگانه اندازه‌گیری کنند.

داده‌های پژوهش درباره میزان دیده‌شدن برندها چه هستند؟

یکی از نتایج برجسته گزارش Graphite به برندهایی مربوط می‌شود که نام آن‌ها در دست‌کم ۱۵ درصد از صفحات استنادشده به‌صورت قابل‌توجه مطرح شده بود. در میان این برندها، اگر ChatGPT در کمتر از یک‌چهارم پاسخ‌های بدون جست‌وجو نام یک برند را ذکر می‌کرد، میانه میزان دیده‌شدن آن برند در پاسخ‌های همراه با جست‌وجو حدود ۱۱ درصد بود.

این آمار نشان می‌دهد که حضور در منابع وب، دست‌کم در مجموعه داده‌های بررسی‌شده، برای تضمین دیده‌شدن گسترده برند در پاسخ نهایی کافی نبوده است. بااین‌حال، عدد ۱۱ درصد را نباید به‌عنوان یک معیار عمومی برای تمام برندها یا همه انواع پرسش‌ها در نظر گرفت. این مقدار به نمونه پژوهش، نحوه انتخاب پرسش‌ها و تعریف شاخص دیده‌شدن وابسته است.

Graphite همچنین اعلام کرده است که الگوی مشابهی را در دو بررسی تکمیلی مشاهده کرده است. در بررسی نخست، ۱۰۰ پرسش از طریق رابط برنامه‌نویسی کاربردی یا API و با فعال و غیرفعال کردن صریح جست‌وجو آزمایش شد. بررسی دوم نیز شامل ۲۰۰ پرسش بود که در بازه زمانی سه‌هفته‌ای دیگری با ابزار ردیابی Graphite پایش شدند.

این تکرارها می‌توانند به تقویت فرضیه مطرح‌شده کمک کنند، اما برای نتیجه‌گیری قطعی درباره سازوکار داخلی مدل‌ها کافی نیستند. پژوهش همچنین درباره برخی متغیرهای کنترل‌شده، از جمله میزان آشنایی عمومی کاربران یا مدل‌ها با هر برند، توضیحات کاملی ارائه نمی‌کند. بنابراین، نتایج بهتر است به‌عنوان شواهد اولیه و زمینه‌ای برای تحقیقات بیشتر تفسیر شوند.

جست‌وجوهای داخلی ChatGPT چگونه بر انتخاب برند تأثیر می‌گذارند؟

بخش دیگری از تحلیل Graphite به جست‌وجوهای زمینه‌ای ChatGPT یا Fan-out Queries اختصاص دارد. این عبارت به جست‌وجوها و پرس‌وجوهای فرعی اشاره می‌کند که یک سامانه هوش مصنوعی ممکن است برای جمع‌آوری اطلاعات بیشتر پیش از ارائه پاسخ نهایی اجرا کند.

برای نمونه، وقتی کاربر یک پرسش گسترده درباره مقایسه محصولات مطرح می‌کند، سیستم ممکن است آن را به چند جست‌وجوی محدودتر تقسیم کند تا ویژگی‌ها، گزینه‌ها و اطلاعات مرتبط را پیدا کند. در این فرایند، نحوه انتخاب واژه‌ها و نام‌هایی که وارد جست‌وجو می‌شوند، می‌تواند بر صفحاتی که بازیابی خواهند شد تأثیر بگذارد.

Graphite نام برندها را در حدود ۹۵۷ هزار جست‌وجوی زمینه‌ای ChatGPT بررسی کرد. این داده‌ها از ۲۲ هزار و ۹۵۳ پرسش مقایسه‌ای درباره موجودیت‌های غیرمرتبط با نام برند به دست آمده بودند و بازه زمانی جمع‌آوری آن‌ها از اوت تا اوایل اکتبر ادامه داشت.

طبق گزارش، ۵۹٫۶ درصد از این جست‌وجوها شامل نام یک برند بودند؛ برچسب‌گذاری نام برندها با کمک مدل Claude Haiku 4.5 انجام شده بود. همچنین ۲۲٫۷ درصد از جست‌وجوها از عملگر site: استفاده می‌کردند؛ عملگری که برای محدود کردن جست‌وجو به یک وب‌سایت یا دامنه مشخص کاربرد دارد.

نکته مهم این است که در پرسش‌های اولیه، نام هیچ برندی مطرح نشده بود. بنابراین، حضور نام برندها در جست‌وجوهای فرعی نشان می‌دهد که سیستم ممکن است هنگام بررسی یک موضوع، گزینه‌های مشخصی را به‌عنوان بخشی از مسیر جست‌وجو انتخاب کند.

آیا ChatGPT پیش از جست‌وجو تصمیم می‌گیرد کدام برندها را پیشنهاد دهد؟

داده‌های گزارش، پرسشی درباره نقش دانش قبلی مدل در فرایند جست‌وجو ایجاد می‌کنند، اما به‌تنهایی ثابت نمی‌کنند که ChatGPT پیش از جست‌وجو تصمیم نهایی خود را درباره برندها گرفته است. وجود نام یک برند در پرس‌وجوی زمینه‌ای می‌تواند بر بازیابی اطلاعات تأثیر بگذارد، اما پاسخ نهایی همچنان ممکن است با توجه به نتایج، ارتباط اطلاعات و صورت‌بندی پرسش تغییر کند.

در گزارشی جداگانه که سوجانثان موهاناداسان در ماه اوت منتشر کرده بود، الگویی مشابه در یک آزمایش محدودتر مشاهده شد. در ۲۱ مورد از ۲۷ مکالمه بررسی‌شده در یک حساب کاربری واردشده، نخستین جست‌وجوی ChatGPT شامل نام برندهایی بود که کاربر آن‌ها را در پرسش خود ذکر نکرده بود.

این آزمایش کوچک نیز به‌تنهایی برای تعمیم نتیجه به تمام کاربران، مدل‌ها و موضوعات کافی نیست. بااین‌حال، در کنار تحلیل Graphite نشان می‌دهد که بررسی فقط لینک‌های نهایی پاسخ ممکن است تصویر کاملی از نحوه کشف و انتخاب برندها ارائه نکند.

نرخ استناد ChatGPT چه تغییری کرده است؟

Graphite در بررسی دیگری، میزان پاسخ‌های دارای استناد را برای مجموعه‌ای ثابت از پرسش‌های مقایسه‌ای اندازه‌گیری کرد. بر اساس داده‌های گزارش، سهم پاسخ‌های ChatGPT خارج از حساب کاربری که دارای استناد بودند، از ۵۶٫۶ درصد در هفته منتهی به ۳ اوت به ۸۸٫۵ درصد در هفته منتهی به ۲۸ سپتامبر افزایش یافت.

در همان بازه‌های زمانی، نرخ پاسخ‌های دارای استناد در Gemini از ۷۹ درصد به ۸۱٫۲ درصد رسید. Graphite افزایش سهم استنادها در ChatGPT را نشانه‌ای احتمالی از استفاده بیشتر از جست‌وجو یا منابع وب در این مجموعه پرسش‌ها دانسته است.

بااین‌حال، باید بین «وجود استناد» و «اجرای قطعی جست‌وجو» تفاوت قائل شد. درج پیوند در پاسخ لزوماً به این معنا نیست که جست‌وجوی زنده در همان لحظه انجام شده است. در پژوهش قبلی Graphite درباره ردیابی پرسش‌ها نیز اشاره شده بود که ChatGPT می‌تواند در برخی شرایط لینک‌های درون‌متنی ارائه کند، بدون آنکه نشانه روشنی از اجرای جست‌وجو در پاسخ دیده شود.

همچنین افزایش نرخ استناد در یک مجموعه ثابت از پرسش‌ها را نباید به تمام موضوعات و کاربران تعمیم داد. نوع پرسش، نسخه مدل، تنظیمات جست‌وجو و تغییرات محصول می‌توانند بر نتیجه اثر بگذارند.

تفاوت داده‌های Graphite و Ahrefs چیست؟

در گزارشی دیگر، شرکت Ahrefs میزان استفاده از جست‌وجوهای زمینه‌ای را در پاسخ‌های ChatGPT بررسی کرده بود. طبق آن گزارش، ۱۴٫۴ درصد از ۶۶٫۶ میلیون پاسخ رایگان ChatGPT که خارج از حساب کاربری و در ماه‌های اوت و سپتامبر جمع‌آوری شده بودند، شامل جست‌وجوهای زمینه‌ای بودند.

این عدد را نمی‌توان مستقیماً با آمار استنادهای Graphite مقایسه کرد. Ahrefs پاسخ‌های مربوط به طیف گسترده‌ای از موضوعات را بر اساس حجم جست‌وجوی آن‌ها و کشورهای مختلف بررسی کرده بود؛ درحالی‌که Graphite بر پرسش‌های مقایسه‌ای متمرکز بود و سهم پاسخ‌های دارای استناد را اندازه‌گیری می‌کرد.

تفاوت در نمونه، روش گردآوری داده و تعریف شاخص باعث می‌شود اعداد این دو گزارش معنای یکسانی نداشته باشند. برای تحلیل معتبر، باید مشخص شود هر پژوهش دقیقاً چه چیزی را اندازه‌گیری کرده است؛ زیرا مقایسه دو درصد که بر اساس روش‌های متفاوت محاسبه شده‌اند، ممکن است به برداشت نادرست منجر شود.

بهینه‌سازی دانش مدل یا PKO چیست؟

Graphite بر اساس نتایج خود پیشنهاد می‌کند که برندها علاوه بر تمرکز بر استنادها و منابع وب، به آنچه مدل‌های هوش مصنوعی در مرحله آموزش یاد می‌گیرند نیز توجه کنند. این شرکت برای این رویکرد از اصطلاح «بهینه‌سازی دانش پارامتری» یا Parametric Knowledge Optimization با مخفف PKO استفاده می‌کند.

در مدل‌های زبانی، بخشی از اطلاعات و الگوهای آموخته‌شده در پارامترهای مدل بازنمایی می‌شود. این دانش می‌تواند بر نحوه پاسخ‌گویی مدل حتی پیش از مراجعه به منابع وب اثر بگذارد. البته نباید چنین برداشت کرد که مدل یک پایگاه داده ساده و قابل‌جست‌وجو از تمام برندها در اختیار دارد یا همه اطلاعات را به شکل دقیق و ثابت ذخیره می‌کند.

PKO در این گزارش به تلاش برای تقویت شناخت مدل از برند اشاره دارد؛ رویکردی که در کنار بهینه‌سازی برای بازیابی اطلاعات و کسب استناد قرار می‌گیرد. این مفهوم هنوز یک روش استاندارد و تضمین‌شده برای افزایش دیده‌شدن در هوش مصنوعی محسوب نمی‌شود و پیشنهادهای Graphite در این زمینه ماهیتی اکتشافی دارند.

تفاوت PKO با سئو و بهینه‌سازی برای موتورهای پاسخ‌گو

سئو معمولاً بر بهبود قابلیت کشف صفحات در موتورهای جست‌وجو، ارتباط محتوا با نیاز کاربر و تجربه مناسب بازدیدکننده تمرکز دارد. بهینه‌سازی برای موتورهای پاسخ‌گو یا AEO نیز به آماده‌سازی محتوا برای سیستم‌هایی می‌پردازد که پاسخ مستقیم تولید می‌کنند و ممکن است منابع را معرفی کنند.

PKO در چارچوب پیشنهادی Graphite، توجه را به شناخت پیشین مدل از برند جلب می‌کند. بااین‌حال، این سه حوزه کاملاً مستقل نیستند. محتوای دقیق، حضور در منابع معتبر، اطلاعات روشن درباره محصولات و شناخته‌شدن برند در فضای وب می‌توانند برای راهبرد کلی دیده‌شدن مفید باشند؛ اما هیچ‌یک به‌تنهایی تضمین نمی‌کند که یک مدل مشخص نام برند را در پاسخ خود بیاورد.

آیا محتوای جدید فوراً وارد دانش مدل‌های هوش مصنوعی می‌شود؟

یکی از محدودیت‌های مهم در بررسی PKO، فاصله زمانی میان انتشار محتوا و عرضه نسخه جدید یک مدل است. Graphite با استفاده از تاریخ انتشار مدل‌ها و تاریخ اعلام‌شده برای پایان داده‌های آموزشی، بازه‌ای را محاسبه کرده که آن را حداقل زمان بالقوه اثرگذاری محتوای جدید می‌نامد.

طبق تحلیل این شرکت، برای مدل‌هایی که از ماه ژوئیه به بعد منتشر شده‌اند، این فاصله در برخی موارد حدود دو تا پنج ماه بوده است. بااین‌حال، این محاسبه نشان نمی‌دهد که یک مقاله مشخص دقیقاً چه زمانی در داده‌های آموزشی قرار گرفته یا آیا انتشار آن واقعاً پاسخ‌های مدل را تغییر داده است.

تاریخ پایان داده‌های آموزشی با زمان خزیدن یک صفحه، ورود آن به مجموعه آموزشی یا تأثیرگذاری آن بر پاسخ‌های مدل یکسان نیست. علاوه بر این، مدل‌ها ممکن است از روش‌های دیگری برای بازیابی اطلاعات جدید استفاده کنند؛ بنابراین، دانش پارامتری و اطلاعاتی که هنگام پاسخ از وب دریافت می‌شوند، باید از یکدیگر متمایز شوند.

نقش خزنده‌های هوش مصنوعی و تنظیمات فنی سایت

یکی از پیشنهادهای عملی مطرح‌شده در گزارش Graphite، بررسی دسترسی خزنده‌های آموزشی به وب‌سایت است. اگر یک شرکت می‌خواهد محتوای عمومی آن در فرایندهای مجاز جمع‌آوری داده قابل‌دسترسی باشد، باید تنظیمات فنی سایت، محدودیت‌های امنیتی و سیاست‌های مربوط به خزنده‌ها را بررسی کند.

بااین‌حال، باز گذاشتن دسترسی یک خزنده تضمین نمی‌کند که محتوای سایت وارد داده‌های آموزشی مدل شود یا نام برند در پاسخ‌های آینده افزایش یابد. هر ارائه‌دهنده هوش مصنوعی سیاست‌ها و زیرساخت‌های خاص خود را دارد و استفاده از محتوا نیز تابع تنظیمات و شرایط همان سرویس است.

برای مثال، گوگل توکن Google-Extended را برای کنترل برخی کاربردهای محتوای خزیده‌شده در ارتباط با آموزش مدل‌های آینده Gemini و برخی قابلیت‌های مبتنی بر اطلاعات بازیابی‌شده معرفی کرده است. طبق مستندات گوگل، این توکن بر حضور سایت در جست‌وجوی معمول گوگل تأثیر نمی‌گذارد و سیگنال رتبه‌بندی جست‌وجو محسوب نمی‌شود.

به همین دلیل، مدیران سایت باید پیش از تغییر فایل robots.txt یا تنظیمات فایروال و شبکه توزیع محتوا، مستندات رسمی هر سرویس را بررسی کنند. محدودیت دسترسی می‌تواند بر نحوه بازیابی یا استفاده از محتوا اثر بگذارد، اما نباید بدون بررسی، رابطه مستقیمی میان یک تنظیم خاص و میزان معرفی برند در هوش مصنوعی فرض کرد.

چگونه دیده‌شدن برند در ChatGPT را اندازه‌گیری کنیم؟

برای بازاریابان، مهم‌ترین پیام این پژوهش آن است که سنجش دیده‌شدن در هوش مصنوعی باید فراتر از شمارش لینک‌ها و استنادها باشد. اگر نام یک برند در پاسخ‌های بدون جست‌وجو و پاسخ‌های جست‌وجومحور رفتار متفاوتی دارد، بررسی هر دو نوع پاسخ می‌تواند اطلاعات بیشتری درباره وضعیت برند ارائه کند.

۱. مجموعه‌ای ثابت از پرسش‌های مرتبط بسازید

پرسش‌هایی را انتخاب کنید که مشتریان بالقوه واقعاً ممکن است مطرح کنند؛ مانند مقایسه محصولات، انتخاب ارائه‌دهنده خدمت یا یافتن راه‌حل برای یک مسئله مشخص. پرسش‌ها باید متنوع باشند و تنها به عبارت‌هایی محدود نشوند که نام برند در آن‌ها ذکر شده است.

۲. پاسخ‌ها را با جست‌وجو و بدون جست‌وجو بررسی کنید

در صورت دسترسی به ابزارها و تنظیمات مناسب، پاسخ‌های مدل را در دو وضعیت مقایسه کنید. در حالت بدون جست‌وجو، هدف بررسی میزان شناخت و معرفی برند بدون اتکای مستقیم به جست‌وجوی زنده است. در حالت جست‌وجومحور نیز می‌توان بررسی کرد که مدل پس از دسترسی به منابع وب چه برندهایی را نام می‌برد.

برای کاهش خطا، تعداد پاسخ‌ها باید کافی باشد. Graphite در روش پیشنهادی خود برای برخی آزمون‌ها جمع‌آوری دست‌کم ۵۰ پاسخ برای هر پرسش را مطرح می‌کند. این عدد توصیه همان شرکت است، نه یک استاندارد قطعی برای تمام پژوهش‌ها. در گزارش‌گیری نیز باید نسخه مدل، تنظیمات جست‌وجو و تاریخ اجرای آزمایش ثبت شود.

۳. شاخص‌های مختلف را جداگانه ثبت کنید

• نرخ ذکر نام برند: چند درصد از پاسخ‌ها نام برند را شامل می‌شوند؟
• سهم استنادها: چه میزان از پاسخ‌های مرتبط به صفحات سایت یا منابع معرفی‌کننده برند پیوند دارند؟
• حضور در صفحات استنادشده: چه تعداد از منابع پاسخ، برند را به‌طور معنادار معرفی می‌کنند؟
• جایگاه در پاسخ: برند در ابتدای پاسخ معرفی می‌شود یا تنها در بخش‌های پایانی به آن اشاره می‌شود؟
• ارتباط با پرسش: آیا معرفی برند با نیاز کاربر و معیارهای مقایسه هماهنگ است؟
• نتایج تجاری: آیا مراجعه‌کنندگان حاصل از ابزارهای هوش مصنوعی به سرنخ، تماس یا خرید تبدیل می‌شوند؟

این شاخص‌ها معانی متفاوتی دارند و نباید به‌جای یکدیگر استفاده شوند. برای مثال، افزایش استناد ممکن است به افزایش ترافیک منجر نشود و افزایش ذکر نام نیز لزوماً به معنی افزایش فروش نیست.

جمع‌بندی؛ برای دیده‌شدن در هوش مصنوعی فقط به استنادها تکیه نکنید

تحلیل Graphite نشان می‌دهد در مجموعه پرسش‌های مقایسه‌ای بررسی‌شده، برندهایی که ChatGPT بدون جست‌وجو کمتر نام می‌برد، معمولاً در پاسخ‌های همراه با جست‌وجو نیز کمتر دیده می‌شدند؛ حتی زمانی که نام آن‌ها در بخشی از صفحات استنادشده وجود داشت. این نتیجه توجه را به احتمال نقش دانش قبلی مدل و شیوه انتخاب جست‌وجوهای زمینه‌ای جلب می‌کند.

بااین‌حال، شواهد موجود ثابت نمی‌کنند که افزایش شناخت پارامتری مدل یا بیشتر کردن تعداد صفحات حاوی نام برند، به‌تنهایی باعث افزایش معرفی آن در پاسخ‌های ChatGPT می‌شود. محدودیت‌های نمونه‌گیری، تفاوت روش‌های اندازه‌گیری و نبود کنترل کامل برخی متغیرها باید در تفسیر نتایج در نظر گرفته شوند.

برای کسب‌وکارها، رویکرد عملی این است که در کنار سئوی فنی و تولید محتوای مفید، میزان معرفی برند در پاسخ‌های هوش مصنوعی را نیز به‌صورت منظم بررسی کنند. انتشار اطلاعات دقیق و قابل‌استناد، حضور در منابع معتبر، روشن بودن هویت و ویژگی‌های برند و آزمایش پرسش‌های واقعی کاربران می‌تواند تصویر جامع‌تری از عملکرد برند در محیط جدید جست‌وجو ارائه دهد.

در نهایت، دیده‌شدن در هوش مصنوعی یک شاخص واحد نیست. معرفی نام برند، استناد به سایت، دریافت بازدید و تبدیل مخاطب به مشتری مراحل متفاوتی هستند که باید جداگانه سنجیده شوند. ترکیب این داده‌ها به بازاریابان کمک می‌کند تصمیم‌های دقیق‌تری بگیرند و از نتیجه‌گیری‌های شتاب‌زده درباره سازوکار مدل‌های هوش مصنوعی پرهیز کنند.

برای مطالعه جدیدترین اخبار و تحلیل‌های هوش مصنوعی، سئو و بازاریابی دیجیتال به دیجیتال مارکتینگ ایران مراجعه کنید.

“`