به نقل از دیجیتال مارکتینگ، با رشد جستوجوی مبتنی بر هوش مصنوعی، مفهوم GEO یا Generative Engine Optimization به یکی از موضوعات مهم برای متخصصان سئو و بازاریابی محتوا تبدیل شده است. اما بهینهسازی محتوا برای موتورهای هوش مصنوعی را نمیتوان صرفاً با یک چکلیست ثابت انجام داد؛ زیرا ChatGPT، Claude، Gemini و Perplexity هرکدام در نحوه بازیابی، ارزیابی و ارائه اطلاعات تفاوتهایی دارند.
هیچکس خارج از شرکتهای OpenAI، Anthropic، Google و Perplexity به فرمول دقیق و فعلی انتخاب یا رتبهبندی محتوای این سیستمها دسترسی ندارد. الگوریتمها و زیرساختهای این محصولات نیز دائماً تغییر میکنند. بنابراین آنچه میتوان با اطمینان بیشتری بررسی کرد، سازوکارهای مستند و تفاوتهای قابل مشاهده میان این چهار پلتفرم است؛ تفاوتهایی که میتوانند روی استراتژی GEO یک برند تأثیر بگذارند.
GEO چیست و چرا برای هر موتور هوش مصنوعی یکسان نیست؟
GEO یا Generative Engine Optimization مجموعهای از روشها برای افزایش احتمال دیدهشدن، ذکرشدن یا استناد به یک برند و محتوای آن در پاسخهای تولیدشده توسط موتورهای هوش مصنوعی است. برخلاف SEO سنتی که بخش زیادی از آن حول رتبه یک صفحه برای یک کلمه کلیدی میچرخد، در GEO مسئله این است که یک سیستم AI هنگام پاسخ به پرسش کاربر از چه منابعی استفاده میکند و چه برندهایی را در پاسخ خود وارد میکند.
چهار موتور مورد بررسی، یعنی ChatGPT، Claude، Gemini و Perplexity، پایههای مشترکی دارند. همه آنها از فرایندهایی مانند پیشآموزش (Pretraining)، تنظیم برای پیروی از دستورها (Instruction Tuning) و بهینهسازی بر اساس ترجیحات انسانی استفاده میکنند. با این حال، نحوه استفاده از بازیابی اطلاعات، دادههای خارجی و قابلیتهای محصول در هرکدام متفاوت است.
به همین دلیل، یک استراتژی عمومی برای GEO ممکن است در یک موتور نتیجه متفاوتی نسبت به موتور دیگر داشته باشد. محتوایی که برای یک سیستم بهدلیل استنادهای فراوان مناسب است، ممکن است در سیستمی دیگر به ساختار، عمق یا دادههای ساختاریافته بیشتری نیاز داشته باشد.
موتورهای هوش مصنوعی چگونه تصمیم میگیرند چه چیزی بگویند؟
فرایند تولید پاسخ را میتوان بهطور کلی در سه لایه بررسی کرد: شکلدهی مدل در زمان آموزش، انتخاب پاسخ هنگام دریافت درخواست و بازیابی اطلاعات در سطح محصول.
۱. شکلدهی مدل در زمان آموزش
مدل ابتدا در مرحله Pretraining با حجم بسیار زیادی از متن آموزش میبیند. سپس در مرحله Instruction Tuning یاد میگیرد چگونه دستورهای کاربر را بهتر دنبال کند. در ادامه، روشهایی مانند RLHF یا RLAIF برای تنظیم رفتار مدل بر اساس ترجیحات انسانی یا ارزیابیهای تعریفشده به کار میروند.
این مرحله روی ویژگیهایی مانند میزان جزئیات پاسخ، نحوه بیان عدم قطعیت، سبک پاسخگویی و میزان ساختاریافته بودن خروجی تأثیر میگذارد.
۲. انتخاب پاسخ در زمان اجرا
وقتی کاربر یک پرسش را ارسال میکند، مدل باید از میان مسیرهای مختلف تولید پاسخ، خروجی مناسب را ایجاد کند. لایههای همراستاسازی و مدلهای ترجیحی که در فرایند آموزش شکل گرفتهاند، بر رفتار نهایی سیستم تأثیر میگذارند.
۳. بازیابی اطلاعات در سطح محصول
تفاوت میان محصولات در این مرحله بیشتر به چشم میآید. برخی موتورهای هوش مصنوعی هنگام دریافت پرسش، اطلاعات تازه را از وب بازیابی میکنند؛ روشی که معمولاً با عنوان RAG یا Retrieval-Augmented Generation شناخته میشود. برخی دیگر در بعضی سناریوها بیشتر به اطلاعاتی متکی هستند که در وزنهای مدل و فرایندهای آموزشی آن وجود دارد.
در نتیجه، بخشی از تفاوت تجربه کاربر میان یک چتبات و یک موتور جستوجوی هوش مصنوعی به همین لایه مربوط میشود.
دادههای آموزش چه چیزی درباره ساختار پاسخهای AI نشان میدهند؟
دو مجموعه داده عمومی میتوانند تصویری از نحوه ارزیابی پاسخهای مدلهای زبانی ارائه کنند. Anthropic در سال ۲۰۲۲ مجموعه hh-rlhf را منتشر کرد که حدود ۱۶۹ هزار ردیف داشت و در آن، ارزیاب انسانی میان دو پاسخ یکی را ترجیح میداد.
در مقابل، مجموعه HelpSteer2 از Nvidia که در سال ۲۰۲۴ منتشر شد، پاسخها را بر اساس پنج معیار جداگانه شامل مفیدبودن، درستی، انسجام، پیچیدگی و میزان جزئیات ارزیابی میکند.
یک تحلیل مستقل از این دو مجموعه داده نشان داده است که در بخش قابل توجهی از مقایسههای HelpSteer2، پاسخهایی با ساختار فهرستوار و شمارهگذاریشده امتیاز بالاتری گرفتهاند. این موضوع میتواند توضیحی احتمالی برای فراوانی bullet pointها و فهرستهای شمارهدار در پاسخهای AI باشد، اما نباید آن را بهعنوان اثبات مستقیم الگوریتم فعلی ChatGPT، Claude، Gemini یا Perplexity در نظر گرفت.
نکته مهم این است که این دادهها مربوط به دورههای مشخصی از توسعه مدلها هستند و نقشه زندهای از الگوریتمهای فعلی این شرکتها محسوب نمیشوند. بنابراین میتوان از آنها برای درک روندهای تاریخی استفاده کرد، اما نباید آنها را دستورالعمل قطعی برای GEO امروز دانست.
GEO برای Perplexity؛ تمرکز بر منابع و استناد
Perplexity محصولی است که بخش مهمی از تجربه خود را بر جستوجوی اطلاعات و ارائه منابع بنا کرده است. پاسخهای این موتور معمولاً با ارجاعات و لینکهای منبع همراه هستند و در بسیاری از پرسشها اطلاعات تازه وب در فرایند تولید پاسخ نقش دارد.
به همین دلیل، برای GEO در Perplexity، محتوای مستند و منبعمحور اهمیت زیادی پیدا میکند. آمارهای دارای منبع، تحقیقات اختصاصی، نقلقولهای قابل انتساب و ادعاهایی که بهصورت شفاف توضیح داده شدهاند، برای سیستمی که باید پاسخ خود را به منابع موجود متصل کند، ارزش بیشتری دارند.
از دیدگاه عملی، بهتر است هر ادعای مهم در یک صفحه تا حد امکان مستقل و قابل فهم باشد. اگر یک آمار بدون توضیح یا منبع در میانه یک متن طولانی قرار گرفته باشد، استخراج و تفسیر آن برای سیستم سختتر خواهد بود.
برای Perplexity چه محتوایی مناسبتر است؟
- ارائه آمار و دادههای قابل استناد
- لینک دادن به منابع اولیه و معتبر
- انتشار تحقیقات و دادههای اختصاصی
- بیان شفاف و مستقیم ادعاهای اصلی
- بهروزرسانی محتوای مربوط به موضوعات سریعالتغییر
GEO برای Claude؛ عمق، ساختار و زمینه اهمیت بیشتری دارند
Claude در بسیاری از سناریوها برای پردازش متنهای طولانی، حفظ زمینه و انجام وظایف چندمرحلهای مورد استفاده قرار میگیرد. در چنین شرایطی، محتوایی که صرفاً مجموعهای از نکات کوتاه و سطحی باشد، لزوماً تمام ظرفیت این نوع تعامل را پوشش نمیدهد.
برای استراتژی GEO در Claude، محتوای عمیقتر، ساختاریافته و دارای استدلال روشن میتواند کاربرد بیشتری داشته باشد. استفاده از تیترهای مشخص، توضیح مرحلهبهمرحله، ارائه تجربه واقعی و بیان دقیق محدودیتها، به خواننده و سیستم AI کمک میکند ساختار موضوع را بهتر درک کنند.
این موضوع به مفهوم تجربه واقعی یا Experience در چارچوب E-E-A-T نیز نزدیک میشود. اگر نویسنده یا برند واقعاً تجربه اجرای یک استراتژی را دارد، توضیح آن تجربه، دادههای حاصل از اجرا و نتایج قابل بررسی میتواند محتوای ارزشمندتری نسبت به یک متن عمومی و تکراری ایجاد کند.
GEO برای ChatGPT؛ انعطاف و پوشش موضوعی
ChatGPT طیف بسیار گستردهای از کاربردها را پوشش میدهد؛ از پاسخگویی و تولید متن گرفته تا جستوجو، کار با تصویر، صدا و سایر قابلیتهای چندرسانهای. همین گستردگی باعث میشود محتوایی که برای حضور در اکوسیستم ChatGPT آماده میشود، بهتر است بتواند هم بهعنوان یک راهنمای کامل و هم بهعنوان منبعی برای پاسخ به پرسشهای جزئیتر مورد استفاده قرار گیرد.
در عمل، ساختار محتوایی ماژولار میتواند مفید باشد. یعنی یک مقاله جامع علاوه بر ارائه تصویر کلی، بخشهایی داشته باشد که هرکدام بهتنهایی پاسخ یک سؤال مشخص را ارائه میکنند. چنین ساختاری امکان استفاده از بخشهای مختلف محتوا در سناریوهای گوناگون را افزایش میدهد.
همچنین در موضوعاتی که کاربران معمولاً سؤالهای پیدرپی مطرح میکنند، پوشش دادن پرسشهای مرتبط و اصطلاحات هممعنی میتواند به کاملتر شدن محتوای مرجع کمک کند.
GEO برای Gemini؛ اهمیت اکوسیستم Google
تفاوت مهم Gemini در ارتباط آن با اکوسیستم Google دیده میشود. Gemini در سناریوهایی که به سرویسهایی مانند Gmail، Docs، Sheets، YouTube یا Google Workspace مربوط هستند، میتواند به دادهها و ابزارهایی دسترسی داشته باشد که الزاماً در اختیار سایر سیستمها نیستند.
برای بازاریابان، این مسئله اهمیت ساختارمند بودن اطلاعات برند را بیشتر میکند. تعریف دقیق موجودیتها (Entities)، استفاده صحیح از دادههای ساختاریافته و Schema Markup و ایجاد ارتباط روشن میان برند، محصولات، خدمات و صفحات مرتبط میتواند به سیستمهای گوگل در درک بهتر موضوع محتوا کمک کند.
در اینجا GEO تا حدی با Technical SEO همپوشانی پیدا میکند. هدف فقط نوشتن محتوای متقاعدکننده نیست؛ بلکه باید اطلاعات به شکلی ارائه شوند که ماشین نیز بتواند رابطه میان اجزای مختلف آن را تشخیص دهد.
آیا باید برای هر موتور هوش مصنوعی استراتژی جداگانه داشت؟
نه به معنای ایجاد چهار استراتژی کاملاً جدا. بخش قابل توجهی از اصول پایه میان این پلتفرمها مشترک است: محتوای دقیق، قابل اعتماد، ساختاریافته، بهروز و قابل استناد همچنان اهمیت دارد.
تفاوت اصلی در این است که بعد از ساخت پایه محتوایی، باید مشخص شود مخاطبان یک برند بیشتر در کدام محیطها سؤال میپرسند و هر موتور چه نوع سیگنالهایی را در پاسخهای خود نشان میدهد.
برخی موتورهای AI بیشتر به منابع زنده و استنادها متکی هستند، برخی برای پردازش محتوای طولانی مناسبترند و برخی دیگر از ارتباط گسترده با یک اکوسیستم داده بهره میبرند. بنابراین بهینهسازی GEO بهتر است بهجای یک نسخه واحد، با توجه به سناریوی استفاده انجام شود.
منبع اول یا سایتهای دیگر؛ کدامیک برای GEO اهمیت دارد؟
یکی از نکات مهم در GEO این است که موتورهای هوش مصنوعی الزاماً منابع را به یک شکل وزندهی نمیکنند. یک سیستم ممکن است بیشتر از محتوای وبسایت رسمی برند استفاده کند، در حالی که سیستم دیگر برای پاسخ خود از گزارشهای رسانهای، منابع تخصصی یا سایتهای شخص ثالث بهره ببرد.
بنابراین استراتژی حضور در AI Search نباید صرفاً به انتشار محتوای بیشتر در سایت خود برند محدود شود. در برخی موضوعات، کسب استناد از منابع مستقل و معتبر، حضور در رسانههای تخصصی و ایجاد دادههای ساختاریافته میتواند به اندازه تولید محتوای جدید اهمیت داشته باشد.
برای مثال، اگر یک برند در وبسایت خود ادعایی درباره محصولش مطرح کند اما هیچ منبع مستقل یا اطلاعات قابل بررسی دیگری آن را تأیید نکند، پوشش محتوایی آن برند ممکن است ناقص بماند. در مقابل، وجود اطلاعات منسجم در سایت رسمی و منابع شخص ثالث میتواند تصویر کاملتری ایجاد کند.
KPIهای مناسب برای اندازهگیری GEO چیست؟
رتبهبندی سنتی کلمات کلیدی معیار کاملی برای سنجش عملکرد در موتورهای مولد نیست. در GEO باید بررسی کرد یک برند چند بار در پاسخهای AI ظاهر میشود، چه منابعی به آن استناد میکنند و محتوای آن در چه جایگاهی از پاسخ قرار میگیرد.
تعداد استنادها
اولین شاخص، تعداد دفعاتی است که صفحات برند بهعنوان منبع در پاسخهای موتورهای هوش مصنوعی معرفی میشوند. این معیار با صرفاً دیدهشدن نام برند تفاوت دارد.
ذکر نام برند
Brand Mention نیز باید جداگانه اندازهگیری شود. ممکن است یک مدل نام برند را در پاسخ خود ذکر کند اما مستقیماً به سایت آن لینک ندهد. این حضور نیز میتواند بخشی از Visibility برند در AI Search باشد.
تنوع منابع
بررسی کنید موتور هوش مصنوعی برای یک موضوع مشخص از چند دامنه مختلف استفاده میکند و آیا برند شما بهطور مداوم در میان آن منابع قرار دارد یا خیر.
تطابق با پرسش واقعی کاربران
در GEO صرفاً تطابق محتوا با کلمات کلیدی کافی نیست. باید پرسشهایی را بررسی کرد که کاربران واقعاً از AI میپرسند و سپس دید محتوای برند چقدر با نیت و ساختار این پرسشها همخوانی دارد.
تازگی محتوا
تازگی محتوا برای موتورهایی که بیشتر به بازیابی زنده اطلاعات متکی هستند، اهمیت بیشتری پیدا میکند. بنابراین تاریخ بهروزرسانی و دقت اطلاعات باید بخشی از فرایند مدیریت محتوای GEO باشد.
تفاوت SEO و GEO در یک نگاه
در SEO سنتی، هدف اصلی افزایش دیدهشدن یک صفحه در نتایج جستوجو است؛ اما در GEO، مسئله فقط جایگاه صفحه نیست. ممکن است یک کاربر هیچ صفحهای را باز نکند و پاسخ خود را مستقیماً از یک موتور هوش مصنوعی دریافت کند. در این شرایط، برند باید تلاش کند به بخشی از منابعی تبدیل شود که سیستم برای ساخت پاسخ خود انتخاب میکند.
به همین دلیل، شاخصهایی مانند Citation، Mention، Source Diversity و حضور در پاسخ مستقیم AI اهمیت بیشتری پیدا میکنند. این معیارها جایگزین کامل SEO سنتی نیستند، بلکه در کنار آن تصویری گستردهتر از دیدهشدن محتوا در اکوسیستم جستوجوی جدید ارائه میکنند.
آینده GEO؛ استراتژیای که باید مرتب بازبینی شود
یکی از مهمترین نکات در بهینهسازی برای موتورهای هوش مصنوعی این است که هیچ مقایسهای را نباید دائمی فرض کرد. مدلها، قابلیتهای جستوجو، سیستمهای بازیابی و روشهای رتبهبندی دائماً تغییر میکنند. بنابراین نتایج یک تست در یک ماه ممکن است چند ماه بعد دیگر معتبر نباشد.
در نتیجه، GEO بیشتر از آنکه یک پروژه یکباره باشد، یک فرایند آزمایش و اندازهگیری مداوم است. برندها باید پرسشهای واقعی کاربران را روی موتورهای مختلف آزمایش کنند، منابع ظاهرشده را بررسی کنند، تغییرات را ثبت کنند و بر اساس دادههای جدید استراتژی خود را اصلاح کنند.
در نهایت، هدف GEO تسلط بر یک فرمول مخفی یا پیدا کردن یک ترفند ثابت برای ورود به پاسخهای AI نیست. هدف اصلی، ساخت محتوایی دقیق، قابل اعتماد، قابل فهم برای ماشین و قابل استناد است و سپس تطبیق آن با نحوه عملکرد هر موتور. ChatGPT، Claude، Gemini و Perplexity اشتراکات زیادی دارند، اما تفاوتهای محصولی و فنی آنها باعث میشود یک استراتژی واحد همیشه برای همه شرایط کافی نباشد.
برای مطالعه جدیدترین اخبار و تحلیلهای سئو، GEO و بازاریابی دیجیتال به دیجیتال مارکتینگ مراجعه کنید.
“`
