چگونگی کارکرد جستجوی مبتنی بر هوش مصنوعی: راهنمایی برای توسعه‌دهندگان درباره دیدگاه‌پذیری در هوش مصنوعی
جستجو برای دهه‌ها به روشی آشنا کار می‌کرد: عبارت خود را تایپ می‌کردید، لیستی از صفحات را دریافت می‌کردید و یکی را برای کلیک کردن انتخاب می‌کردید. در پشت صحنه، گوگل صفحاتی را که فکر می‌کرد ممکن است بخواهید پیدا می‌کرد،
جستجو برای دهه‌ها به روشی آشنا کار می‌کرد: عبارت خود را تایپ می‌کردید، لیستی از صفحات را دریافت می‌کردید و یکی را برای کلیک کردن انتخاب می‌کردید. در پشت صحنه، گوگل صفحاتی را که فکر می‌کرد ممکن است بخواهید پیدا می‌کرد، رتبه‌بندی می‌کرد و لیستی از گزینه‌ها را به شما می‌داد.
اما جستجوی مبتنی بر هوش مصنوعی در حال تغییر دادن این تجربه است. اگر از ChatGPT، جمنای، پرپلکسیتی یا یک سیستم هوش مصنوعی دیگر سوالی بپرسید، ممکن است لیست بلندی از لینک‌ها برای بررسی دریافت نکنید. در عوض، سیستم می‌تواند سوال شما را تفسیر کند، در صورت امکان اطلاعات را از منابع مختلف جمع‌آوری کند و مستقیماً پاسخی را تولید کند.
این موضوع تغییر مهمی را برای وب‌سایت‌ها و برندها ایجاد می‌کند: چه اتفاقی می‌افتد وقتی دیگر هیچ رتبه سنتی‌ای برای رقابت وجود ندارد؟
اینجاست که مفهوم «دیدگاه‌پذیری در هوش مصنوعی» مطرح می‌شود. به جای اینکه کسب‌وکارها و ناشران فقط بپرسند: «وب‌سایت من چه رتبه‌ای دارد؟»، به‌طور فزاینده‌ای سوال متفاوتی می‌پرسند: «آیا وقتی کسی سوال مرتبطی می‌پرسد، هوش مصنوعی نامی از ما می‌برد؟»
این تفاوت ممکن است کوچک به نظر برسد، اما نشان‌دهنده تغییری اساسی در نحوه کشف اطلاعات به‌صورت آنلاین است. و این همان چیزی است که در اینجا بررسی خواهیم کرد.
آنچه پوشش خواهیم داد:
- گوگل نتایج رتبه‌بندی‌شده به شما می‌دهد، در حالی که هوش مصنوعی به شما پاسخ می‌دهد
- «دیدگاه‌پذیری در هوش مصنوعی» واقعاً به چه معناست؟
- پس یک هوش مصنوعی چگونه تصمیم می‌گیرد چه چیزی را نمایش دهد؟
- نکته عجیب درباره جستجوی هوش مصنوعی: سایت‌های کوچک‌تر همچنان می‌توانند برنده شوند
- چگونه چیزی را که رتبه‌بندی ندارد اندازه‌گیری می‌کنید؟
- داده‌ها درباره جستجوی هوش مصنوعی چه چیزی به ما می‌گویند
- این موضوع برای توسعه‌دهندگان و تولیدکنندگان محتوا چه معنایی دارد ساختار برای استخراج ارائه لنگرهای حقیقت قابل تایید بهینه‌سازی برای سوالات، نه قطعات پرس‌وجو
- ساختار برای استخراج
- ارائه لنگرهای حقیقت قابل تایید
- بهینه‌سازی برای سوالات، نه قطعات پرس‌وجو
- سئو نمرده است. معیار در حال تغییر است.
- جمع‌بندی
گوگل نتایج رتبه‌بندی‌شده به شما می‌دهد، در حالی که هوش مصنوعی به شما پاسخ می‌دهد
اگر می‌خواهید بفهمید که یک موتور جستجو و یک موتور پاسخ‌دهی واقعاً چگونه کار می‌کنند، همه چیز به نحوه مدیریت بازیابی اطلاعات توسط هر یک برمی‌گردد.
موتورهای جستجوی سنتی وب را خزش می‌کنند، صفحات را در یک فهرست کاتالوگ می‌کنند، الگوریتم‌های رتبه‌بندی را روی کلمات کلیدی کاربر اجرا می‌کنند و URLهای نامزد را به ترتیب اعتبار درک‌شده و ارزش لینک نمایش می‌دهند. تصمیم نهایی درباره اینکه چه چیزی را 실제로 کلیک کنید و بخوانید، کاملاً در دست شخصی است که سوال را می‌پرسد.
جستجوی هوش مصنوعی اوضاع را کمی تغییر می‌دهد. وقتی کاربری یک پرامپت با زبان طبیعی وارد می‌کند، مدل هوش مصنوعی نیت زیرین را تجزیه می‌کند، اطلاعات نامزد را با استفاده از تولید افزوده با بازیابی (یک تکنیک هوش مصنوعی که دقت مدل‌های LLM را بهبود می‌بخشد) یا حافظه پارامتری از پیش آموزش‌دیده خود شناسایی می‌کند، دیدگاه‌های متناقض را آشتی می‌دهد و به‌طور فعال تصمیم می‌گیرد که کدام منابع یا راه‌حل‌ها ارائه شوند.
مهم‌ترین نکته این است که رتبه بالا در گوگل تضمین نمی‌کند که یک موتور هوش مصنوعی به شما اشاره کند. در واقع، مطالعه استناد Ahrefs که هزاران پرامپت را تحلیل کرده است، کشف کرد که تنها حدود ۱۲ درصد از URLهای استناد شده توسط دستیارهای مولد مانند ChatGPT و Copilot در واقع در ۱۰ رتبه برتر گوگل برای همان پرس‌وجوی دقیق قرار داشتند.
در حالی که نمایه‌های هوش مصنوعی خود گوگل بیشتر از نتایج جستجوی معمولی استفاده می‌کنند، موتورهای گفتگوی مستقل، گراف‌های پاسخ مستقل می‌سازند. دیدگاه‌پذیری در هوش مصنوعی واقعاً اهمیتی به ادعای یک جایگاه URL خاص نمی‌دهد. آنچه اهمیت بیشتری دارد این است که آیا برند شما (و منابع آن) به عنوان بخشی از پاسخ مستقیم ماشین ظاهر می‌شود یا خیر.
«دیدگاه‌پذیری در هوش مصنوعی» واقعاً به چه معناست؟
اگر تمام زبان بازاریابی را کنار بگذارید، دیدگاه‌پذیری در هوش مصنوعی نشان‌دهنده احتمال و کیفیت گنجانده شدن برند شما در یک پاسخ سنتز شده است. ارزیابی آن مستلزم تجزیه سه بعد متمایز است:
- ذکر برند: مدل به صراحت نام شرکت، خدمات یا محصول شما را در متن پاسخ خود ذکر می‌کند. به عنوان مثال، اگر کسی کفش‌های دویدن سبک بخواهد، آیا مقاله کفش شما در لیست پیشنهادات گلوله‌ای قرار می‌گیرد؟
- استنادها: مدل به عنوان یک منبع معتبر برای اطلاعاتی که تازه ارائه کرده است، پاورقی می‌زند یا به صفحه وب خاص شما لینک می‌دهد.
- زمینه و لحن: روشی که مدل برند را به تصویر می‌کشد. ذکر شدن به عنوان یک گزینه مقرون‌به‌صرفه تفاوت قابل‌توجهی با توصیف شدن به عنوان غیرقابل اعتماد یا قدیمی دارد.
این تفاوت اهمیت دارد زیرا ذکر شدن‌ها و استنادها همیشه با هم اتفاق نمی‌افتند. یک مدل هوش مصنوعی می‌تواند آزادانه محصول شما را پیشنهاد دهد زیرا برند شما را به عنوان یک نهاد شناخته شده درک می‌کند، اما به یک سایت بررسی فناوری شخص ثالث به عنوان مرجع اصلی حقایق خود استناد کند. از سوی دیگر، ممکن است یک موتور برای شفاف‌سازی یک استاندارد API به مستندات شما استناد کند بدون اینکه هرگز شرکت شما را به عنوان یک ارائه‌دهنده پیشنهاد دهد.
پس یک هوش مصنوعی چگونه تصمیم می‌گیرد چه چیزی را نمایش دهد؟
برای درک اینکه چگونه هوش مصنوعی نهادها را برای گنجاندن در نتایج جستجوی خود انتخاب می‌کند، باید بررسی کنیم که موتورهای بازیابی مدرن چگونه کار می‌کنند.
سیستم‌های فعلی فقط از الگوریتم‌های تطبیق استفاده نمی‌کنند. آن‌ها همچنین عناصر تحلیل معنایی (فرآیندی که طی آن یک هوش مصنوعی یا برنامه رایانه‌ای معنا و زمینه واقعی کلمات را تفسیر می‌کند)، بازنمایی‌های برداری (روشی برای تبدیل کلمات، جملات یا داده‌ها به لیست‌هایی از اعداد تا رایانه‌ها بتوانند معنای آن‌ها را درک کنند) و تأیید چندمنبعی (تمرین بررسی متقابل یک ادعا یا مجموعه داده در چندین منبع مستقل و قابل اعتماد برای تأیید صحت و درستی آن) را ترکیب می‌کنند.
پس از اینکه کاربر پرامپت را ارائه داد، سیستم با آن به عنوان مجموعه‌ای از کلمات که باید با یک فهرست تط داده شوند برخورد نمی‌کند. با استفاده از بازیابی متراکم قطعه و تولید افزوده با بازیابی (RAG)، موتور درخواست را به یک جاسازی برداری با ابعاد بالا از زمینه معنایی واقعی ترجمه می‌کند. سپس سیستم به جستجوی قطعات نامزد در اینترنت می‌پردازد و آن‌ها را از طریق سیگنال‌های مختلف تحلیل می‌کند:
| سیگنال اصلی | آنچه موتور ارزیابی می‌کند | چرا بر پاسخ تأثیر می‌گذارد |
| ربط معنایی | معنا، زمینه و نزدیکی برداری | به‌جای متن دقیقاً کلمه‌به‌کلمه، قصد و نیت زیربنای کاربر را برطرف می‌کند. |
| تراکم اطلاعات | وجود داده‌های سخت، آمار و ادعاهای قابل‌تأیید | مدل‌ها متونی را که سرشار از حقایق ملموس هستند به توضیحات کیفی مبهم ترجیح می‌دهند. |
| اسناد و منبع‌یابی | ارجاعات و منابع خارجی منتسب‌شده | منبع‌یابی شفاف به مدل اجازه می‌دهد تا ادعاهای خود را با اطمینان استناد کند. |
| اجماع میان‌منابعی | تأیید متقابل در پلتفرم‌های مستقل | اگر شوراهای ارزیابی مستقل با هم توافق داشته باشند، مدل‌ها حقایق را به‌عنوان حقیقت محض می‌پذیرند. |
| به‌روز بودن اطلاعات | برچسب‌های زمانی جدید و به‌روزرسانی‌های فعال | تضمین می‌کند که مشخصات، قیمت‌گذاری و موجودی با واقعیت‌های فعلی بازار همخوانی دارد. |
| قابلیت استخراج ساختاری | ساختار سلسله‌مراتبی معنایی تمیز (تگ‌های HTML، جدول‌ها) | بلوک‌های ماژولار و تمیز به مدل اجازه می‌دهند بدون سوءبرداشت، بخش‌هایی از متن را استخراج کند. |
پشتیبانی ریاضی حامی این سیگنال‌ها در مطالعه پیشگامانه دانشگاه پرینستون در خصوص GEO کشف شد. این دانشمندان از طریق آزمایش ۱۰,۰۰۰ پرس‌وجو در موتورهای جستجوی مولد مختلف، تأیید کردند که تغییرات محتوای سفارشی‌شده می‌تواند دیدگاه منبع را در نتایج هوش مصنوعی ۳۰ تا ۴۰ درصد افزایش دهد.
مهم‌تر از آن، این مطالعه سلسله‌مراتب انواع پاداش‌هایی را که یک مدل مولد می‌تواند ارائه دهد آشکار ساخت:
- افزودن آمار: گنجاندن اطلاعات کمی منجر به افزایش ۴۱ درصدی در میزان دیده‌شدن شد. الگوریتم‌های هوش مصنوعی آمارهای قابل‌سنجش را به کلی‌گویی‌هایی مانند «بسیاری از کاربران ترجیح می‌دهند...» یا «بسیار کارآمد...» ترجیح می‌دهند.
- افزودن نقل‌قول/استناد: استناد به متخصصان موضوعی در قالب نقل‌قول و ارائه منابع منجر به افزایش ۲۸ تا ۴۰ درصدی در میزان دیده‌شدن شد.
- تکرار سنتی کلمات کلیدی به‌عنوان جریمه: سئوی سنتی برای اهداف بهینه‌سازی به‌شدت به تکرار کلمات کلیدی متکی بود. اما مطالعه پرینستون نشان داد که تکرار کلمات کلیدی در مدل‌هایی مانند Perplexity، میزان دیده‌شدن را تا ۱۰ درصد پایین‌تر از حد مبنا کاهش می‌دهد؛ زیرا مدل‌های زبانی بزرگ (LLM) تکرار را به‌عنوان متنی دستکار‌ی‌شده شناسایی می‌کنند.
همچنین، مطالعات انجام‌شده روی جستجوی مبتنی بر بازیابی در مدل‌های زبانی بزرگ در مجله بین‌المللی بینش داده‌های مدیریت اطلاعات نشان می‌دهد که موتورهای مکالمه‌ای پیش از نمایش یک برند، بررسی‌های بسیار دقیقی برای بی‌طرفی و سازگاری انجام می‌دهند. اگر ادعاهای مطرح‌شده توسط وب‌سایت از طریق اجماع اشخاص ثالث مانند پایگاه‌های داده معتبر صنعت، پایگاه‌های داده دانشگاهی یا بحث‌های همتایان قابل اثبات نباشد، موتور برای کاهش خطرات توهم (Hallucination)، آن موجودیت را از پایگاه داده خود فیلتر می‌کند.
نوع پرس‌وجو، کل روند انتخاب را تعیین می‌کند. برای مثال، یک پرس‌وجوی ساده مانند «GPS چیست؟» نیازمند پاسخی دایرةالمعارفی از مخازن آموزشی است. از سوی دیگر، یک پرس‌وجوی عملیاتی مانند «بهترین ساعت دویدن برای تمرین ماراتن چیست؟» نیازمند بازیابی مقایسه‌ای است. در این حالت، مدل مواردی مانند قدرت باتری، نظرات مربوط به GPS از جوامع دونندگان و نظرات علاقه‌مندان را بررسی متقابل می‌کند.
هوش مصنوعی وب‌سایتی را که بیشترین بک‌لینک یا سایر ویژگی‌های ظاهراً قابل‌پیش‌بینی را دارد انتخاب نمی‌کند. در عوض، وب‌سایت‌هایی را انتخاب می‌کند که جنبه‌های مختلف زمینه کاربر را با شواهد قابل‌تأیید برآورده کنند.
نکته عجیب درباره جستجوی هوش مصنوعی: سایت‌های کوچک‌تر همچنان می‌توانند برنده شوند
در سئوی سنتی، غول‌های جاافتاده با تعداد انبوهی از بک‌لینک‌ها اغلب انحصاری غیرقابل‌تکان بر جستجوهای با حجم بالا دارند. در مقابل، جستجوی هوش مصنوعی بر اساس اصل کاملاً متفاوتی کار می‌کند: کارایی را بر تسلط محض دامنه ترجیح می‌دهد.
از آنجا که موتورهای جستجوی هوش مصنوعی به دنبال پاسخ‌هایی برای جنبه‌های خاص درخواست هستند، ناشران متخصص، آژانس‌های کوچک و تولیدکنندگان محصولات خاص تمایل دارند رتبه بالاتری نسبت به برندهای بزرگ کسب کنند. یک مقاله ۲۰۰۰ کلمه‌ای در مورد نحوه رفع اشکال یک مسئله لبه‌ای (edge-case) در یک نرم‌افزار خاص که توسط یک توسعه‌دهنده ایجاد شده است، ارزش بسیار بیشتری برای موتور سنتز دارد تا یک پست وبلاگ استاندارد ۳۰۰۰ کلمه‌ای که توسط یک شرکت نوشته شده و با عبارات مقدماتی پر شده است.
داده‌ها نشان می‌دهند که ذکر نام یک برند به‌صورت آنلاین همبستگی بالایی با استنادهای مولد دارد، اما ارتباطی با حجم بک‌لینک‌های قدیمی ندارد. تحلیل ۶۸۰ میلیون استناد هوش مصنوعی نشان داد که منابع استنادشده‌ی یک موتور می‌تواند به طرز چشمگیری با منابع موتور دیگر متفاوت باشد. حتی چت‌جی‌پ تی (ChatGPT) و پرپلکسیتی (Perplexity) به دلیل منحصربه‌فرد بودن مدل‌های بازیابی، تنها ۱۱ درصد از استنادها را به اشتراک گذاشتند.
چگونه چیزی را که رتبه‌بندی ندارد اندازه می‌گیرید؟
در زمینه پاسخ‌هایی که به‌صورت پویا در رشته‌های مکالمه ترکیب می‌شوند، ردیاب رتبه‌بندی سنتی ارزش خود را به میزان زیادی از دست می‌دهد. هیچ «موقعیت چهارم» مشخصی در یک سیستم چت پویا وجود ندارد. دو کاربر مجزا که پرامپت‌های یکسانی را وارد می‌کنند ممکن است پاسخ‌های سفارشی‌سازی‌شده‌ای از مطالب کاملاً مجزای منبع دریافت کنند.
برای حل این مشکل، صنعت شروع به حرکت به سمت معیارهای جدید برای ارزیابی کرده است. نشانه آشکار این اتفاق، استفاده از جدول‌های امتیازدهی هوش مصنوعی (AI leaderboards) برای پیگیری فراوانی نمایش برندهای خاص در موتورهای پاسخ‌دهی مکالمه‌ای است.
این ابزارها سهم صدای مولد را از طریق شبیه‌سازی پرس‌وجوهای انجام‌شده در دنیای واقعی در دسته‌بندی‌ها، کشورها و موتورهای مختلف می‌سنجند. تیم‌ها به‌جای ردیابی رتبه کلمه کلیدی به شکلی ایستا، پرامپت‌هایی را که منجر به ذکر نام برند می‌شوند و وب‌سایت‌های اصلی ذکر شده برای پشتیبانی واقعی را تحلیل می‌کنند.
داده‌ها درباره جستجوی هوش مصنوعی چه چیزی به ما می‌گویند؟
هنگامی که داده‌های تجمیع‌شده مربوط به دیده‌شدن در هوش مصنوعی را تحلیل می‌کنیم، می‌توانیم چند الگوی کلیدی را از نظر استنادهای تولیدشده توسط مدل‌ها شناسایی کنیم.
اول اینکه، تجمیع‌کننده‌ها و وب‌سایت‌های بررسی مستقل، در مقایسه با سایت‌هایی که متعلق به خود برندها هستند، ارزش استناد بالاتری دارند. هنگام پاسخ به سوالات مقایسه‌ای در مورد محصولات، مدل مولد تمایل دارد از ایجاد این تصور که پیامی تبلیغاتی و مغرضانه است اجتناب کند. استناد به وب‌سایت فروشنده برای توضیح اینکه چرا بهترین انتخاب است، برخلاف اصل بی‌طرفی است. به همین دلیل است که نشریات ویرایشی، آزمایشگاه‌های تست و انجمن‌های آنلاین مانند ردیت (Reddit) یا کوورا (Quora) به عنوان منابع اصلی انتخاب می‌شوند، در حالی که دامنه برند به طور اتفاقی ذکر می‌شود.
دوم، معماری موتور، رویه استناددهی را تعیین می‌کند. بنچمارک تحلیل عمیق زیر نشان می‌دهد که موتورهای مختلف به مناطق کاملاً متفاوتی از اینترنت استناد می‌کنند:
- چت‌جی‌پتی عمدتاً به منابع دایرةالمعارفی، ناشران اخبار و منابع مرجع گسترده ارجاع می‌دهد.
- پرپلکسیتی به رشته‌های انجمن‌ها، سایت‌های توسعه‌دهندگان و بحث‌های زنده اولویت می‌دهد.
- نماهای کلی هوش مصنوعی گوگل (Google AI Overviews) عمدتاً بر شاخص جستجوی برتر فعلی اتکا دارند و مستقیماً از گزیده‌های سایت‌های تجاری معتبر استفاده می‌کنند.
برای نمونه، هنگام بررسی یک بازار بسیار رقابتی مانند ذخیره‌سازی ابری، ممکن است یک سرویس ابری در پیشنهادات برجسته شود؛ نه به دلیل افزایش تبلیغات، بلکه به خاطر اینکه مستندات آن چقدر در انجمن‌های مختلف مانند ردیت (Reddit) و استک اوورفلور (Stack Overflow) جستجو می‌شود.
این موضوع برای توسعه‌دهندگان و تولیدکنندگان محتوا چه معنایی دارد
سازگاری با وب مبتنی بر هوش مصنوعی مستلزم ارزیابی مجدد نحوه ساخت، ساختاردهی و نگهداری صفحات است. برای توسعه‌دهندگان، نویسندگان فنی و تولیدکنندگان محتوا، تمرکز از هدف‌گذاری کلمات کلیدی به خوانایی برای ماشین تغییر می‌کند.
ساختاربندی برای استخراج اطلاعات
موتورهای مولد، متن‌های طولانی را به قطعات کوچک‌تری به نام امبدینگ (Embeddings) تجزیه می‌کنند. اگر یک صفحه از طرح‌بندی‌های پیچیده‌ای استفاده کند که در آن‌ها پاسخ‌ها زیر مقدمه‌های تبلیغاتی یا جاوا اسکریپت سمت کاربر پنهان شده‌اند، خزنده‌ها ممکن است در استخراج اطلاعات اصلی ناکام بمانند.
- از تگ‌های توصیفی <h2> و <h3> استفاده کنید که منعکس‌کننده سوالات صریح باشند.
- پاسخ‌های مستقیم و بدون ابهام را در اولین جمله زیر هر تیتر قرار دهید.
- به جای ویجت‌های بوم سفارشی (custom canvas widgets)، از جدول‌های بومی HTML و فهرست‌های نقطه‌دار تمیز برای مشخصات مقایسه‌ای استفاده کنید.
لنگرهای داده‌های قابل‌تأیید فراهم کنید
مدل‌های زبانی بزرگ (LLMs) به‌گونه‌ای آموزش دیده‌اند که اجماع را در اولویت قرار دهند و از ادعاهای بدون پشتیبان اجتناب کنند. شما می‌توانید با پیوند دادن مشاهدات به نقاط داده واقعی، کار اعتبارسنچی مطالب خود را برای سیستم‌ها آسان‌تر کنید:
- اعتبارنامه مشخص نویسنده، داده‌های پژوهشی اولیه و لینک‌های منابع مستقیم را بگنجانید.
- مستندات واقعی (مانند سطوح قیمت‌گذاری، روش‌های ادغام و شماره نسخه‌ها) را به‌طور منظم به‌روز نگه دارید. محتوای منسوخ‌شده در طول فیلترینگ بازیابی کنار گذاشته می‌شود.
- از نشانه‌گذاری استاندارد اسکیما (Article, TechArticle, Product, FAQPage) استفاده کنید تا ابرداده‌های بدون ابهامی را در اختیار استخراج‌کنندگان خودکار قرار دهید.
برای سوالات بهینه‌سازی کنید، نه قطعات پرس‌وجو
جستجوی سنتی به جستجوهایی مانند «بهترین باتری لپ‌تاپ سبک‌وزن» تشویق می‌کرد. در مقابل، کاربران با استفاده از سوالات محاوره‌ای با هوش مصنوعی گفتگو می‌کنند: «کدام لپ‌تاپ ۱۴ اینچی می‌تواند در طول یک پرواز ۸ ساعته در حال اجرای کانتینرهای داکر دوام بیاورد؟» ایجاد محتوایی که سناریوهای خاص و چندلایه را پوشش دهد، تضمین می‌کند که صفحه شما حاوی گره‌های معنایی دقیقی است که هوش مصنوعی برای ساخت یک توصیه کامل به آن‌ها نیاز دارد.
سئو نمرده است؛ معیارها فقط در حال تغییرند.
ظهور جستجوی مولد، پیش‌بینی‌های آشنایی را درباره مرگ بهینه‌سازی موتور جستجو (سئو) برانگیخته است. اما سئو از بین نمی‌رود، بلکه به دو شاخه مکمل تقسیم می‌شود:
- موتورهای جستجوی سنتی همچنان محرک‌های حیاتی ترافیک اینترنت باقی می‌مانند
- موتورهای هوش مصنوعی همچنان برای پر کردن پایگاه‌های دانش خود به ایندکس وب باز متکی هستند
معماری سالم سایت، سرعت بارگذاری بالای صفحات و استانداردهای معتبر تحریریه همچنان پیش‌نیازهای هر دو مدل هستند.
آنچه تغییر کرده، تعریف موفقیت است. یک وب‌سایت می‌تواند رتبه اول ارگانیک را در یک صفحه جستجوی معمولی حفظ کند و در عین حال در خلاصه گفتاری هوش مصنوعی غایب باشد. برعکس، یک راهنمای فنی متمرکز می‌تواند پاسخ‌های هوش مصنوعی را در میلیون‌ها پرامپت چت تغذیه کند بدون اینکه هرگز در صفحه اول برای یک کلمه کلیدی اصلی رتبه بیاورد.
گوگل به ما یاد داد که چگونه برای کسب جایگاه برتر در صفحه نتایج بجنگیم. اما جستجوی هوش مصنوعی ما را به چالش می‌کشد تا به منبع قابل اعتمادی تبدیل شویم که مدل‌ها هنگام ترکیب دانش برای کاربران خود به آن اعتماد می‌کنند.
سازندگان و برندهایی که در این عصر جدید برنده می‌شوند، کسانی نخواهند بود که الگوریتم را برای کلیک بیشتر دور بزنند، بلکه کسانی هستند که واضح‌ترین، معتبرترین و قابل‌تأییدترین پاسخ‌ها را در وب منتشر می‌کنند.
جمع‌بندی
بزرگ‌ترین تغییر در جستجو ربطی به جایگزینی گوگل توسط هوش مصنوعی ندارد. مهم‌ترین تغییر در واقع این است که هوش مصنوعی معنای دیده شدن آنلاین را تغییر می‌دهد.
رتبه بالا همچنان می‌تواند ترافیک به همراه داشته باشد، اما رتبه دیگر تنها چیز مهم نیست. از آنجا که افراد بیشتری از سیستم‌های هوش مصنوعی پاسخ‌های مستقیم می‌خواهند، برندها و وب‌سایت‌ها نیز باید بررسی کنند که آیا اطلاعات آن‌ها واقعاً انتخاب، استناد و در آن پاسخ‌ها گنجانده می‌شود یا خیر.
در نهایت، هدف بسیار ساده است: ایجاد اطلاعاتی که به طور واقعی به سوالات پاسخ دهد، دسترسی به آن آسان باشد و به اندازه کافی قابل اعتماد باشد تا مورد استفاده قرار گیرد. زیرا در جستجوی هوش مصنوعی، شما می‌خواهید سایتتان بخشی از پاسخ باشد.
نظر مهندس بهمن آبادی: در عصر سئوی مبتنی بر هوش مصنوعی، تکرار کلمات کلیدی و رتبه اول گوگل دیگر تضمین‌کننده دیده‌شدن نیست؛ مدل‌های زبانی به جای لینک، به دنبال داده‌های مستند، ساختاریافته و هم‌راستا با اجماع عمومی هستند. به عنوان توسعه‌دهنده، تمرکز ما باید از بهینه‌سازی برای خزنده‌ها به سمت ساخت محتوای ماشینیِ شفاف، ماژولار و غنی از آمار تغییر کند تا هوش مصنوعی ما را به عنوان «منبع حقیقت» انتخاب کند. موفقیت در این فضا یعنی تبدیل شدن به مرجعی که مدل‌های مولد ناگزیرند برای پاسخ به کاربر، به آن استناد کنند.
منبع: https://www.freecodecamp.org/news/ai-search-visibility/