اگر امروز برای تولید محتوای سئو بودجه میریزید، احتمالاً متوجه شدهاید که افزایش تعداد مقالات دیگر تضمینی برای جذب مخاطب نیست. باید بدانید که تفاوت بین یک سایت بازدیدکننده و یک سایت تبدیلشونده، در پاسخ به «قصد کاربر» نه در «حجم کلیدواژهها» نهفته است.
بسیاری از استراتژیهای محتوایی با هوش مصنوعی شکست میخورند چون به جای «قصد»، روی «مقیاس» تمرکز میکنند. بسیاری از تولیدکنندگان محتوا از مدلهای زبانی بزرگ (LLM) استفاده میکنند تا سایتهای خود را با مقالاتی بر اساس کلیدواژههای محبوب بمباران کنند. نتیجه این است که نمایشها (Impressions) افزایش مییابد، در حالی که کلیکهای واقعی ثابت میمانند. به گزارش وبسایت AIdeazz.xyz، النا رویچیوا (Elena Revicheva) دقیقاً با همین مشکل مواجه بود: پس از انتشار ۳۰ مقاله در دو ماه، نمایشهای او در گوگل سرچ کنسول ۱۲۰٪ رشد کرد، اما کلیکها تنها ۱۵٪ افزایش یافت. این همان «تلهی حجم» است؛ یعنی محتوایی وجود دارد، اما پاسخ دقیقی به سوالی که کاربر در لحظهی جستوجو دارد نمیدهد.
همانطور که در تحلیلهای پیشین ما دربارهی بهینهسازی استنتاج مدلها اشاره کردیم، دقت در هدفگذاری همیشه بر کمیت ارجحیت دارد. رویچیوا در این پروژه، «شکاف محتوایی» را نه به معنای نبودِ یک موضوع، بلکه به معنای «نبودِ یک پاسخ» تعریف کرد. از دیدگاه او، شکاف واقعی محتوا زمانی رخ میدهد که پاسخی برای یک پرسوجوی خاص و با قصد بالا (High-intent) وجود ندارد و محتوای فعلی در پاسخ به آن عملکرد ضعیفی دارد. او به جای جستوجوی کلیدواژههای جدید، روی ۱۵ عبارت خاص در سرچ کنسول تمرکز کرد که مقادیر اندکی ترافیک میآوردند. او بهطور ویژه پرسوجوهایی را هدف قرار داد که نمایش داشتند اما نرخ کلیک آنها صفر بود یا رتبه میانگین آنها ۲۰ یا بیشتر بود.
شناسایی شکاف واقعی محتوا
طبق مستندات این پروژه، فرآیند با استخراج دادههای ۹۰ روزه از Google Search Console (GSC) را از بخشهای «Queries» و «Pages» آغاز میشود. رویچیوا برای ایزوله کردن اهداف، سه فیلتر سختگیرانه اعمال کرد:
- نمایش (Impressions) بیشتر از ۱۰: برای اطمینان از اینکه عبارت، دیداری اولیه و پایه دارد.
- کلیک برابر با صفر: شناسایی دقیقترین شکاف؛ جایی که کاربر نتیجه را میبیند اما تصمیم میگیرد روی آن کلیک نکند.
- رتبه میانگین بیشتر از ۱۵: شناسایی صفحاتی که در صفحه ۲ یا ۳ گوگل هستند و پتانسیل جهش به صفحه اول را دارند.
برای مثال، عبارت «oracle cloud free tier gpu» دارای ۵۰ نمایش و صفر کلیک در رتبه ۲۲ بود. بررسیهای نقشهبرداری (Mapping) نشان داد که این پرسوجو کاربر را به مقالهای موجود درباره «لایه رایگان اوراکل کلاد» هدایت میکرد. هرچند آن مقاله به GPUها اشاره داشت، اما بخش تخصصی و دقیقی را به در دسترس بودن آنها یا pitfalls (اشتباهات رایج) اختصاص نداد. همین عدم تطابق بین قصد کاربر و عمق محتوا، دلیل اصلی تکامل این شکاف بود.
موتور تحلیل شکاف و اتوماسیون
برای اتوماسیون این فرآیند، رویچیوا یک عامل (Agent) — شبیه به یک کارمند متخصص که دستورات پیچیده را میگیرد و مرحلهبهمرحله اجرا میکند — روی زیرساخت Oracle Cloud Infrastructure (OCI) با بکاند Python Flask پیاده کرد. در توسعه چنین سیستمهایی، ایجاد تعادل بین سرعت پیادهسازی و کیفیت خروجی حیاتی است، مشابه آنچه در تجربه ساخت سریع سایتهای ابزارهای AI مشاهده کردیم. این سیستم یک فراخوان ساده از مدل نیست، بلکه یک فرآیند چندمرحلهای است:
- گروهبندی پرسوجوها: با استفاده از کتابخانه
sentence-transformersبررسی میشود که آیا یک پرسوجوی شکافدار از نظر معنایی با عناوین و خلاصههای مقالات موجود مشابه است یا خیر. اگر مشابه باشد، برای «بهینهسازی» (افزودن یک بخش یا بازنویسی) علامتگذاری میشود؛ در غیر این صورت، برای تولید «محتوای جدید» علامت میخورد. - استخراج قصد (Intent): سیستم از مدل Claude 3.5 Sonnet استفاده میکند تا هدف اصلی کاربر را تعریف کند. در این مسیر، اگر پنجره بافت (Context window) کوچک باشد، برای افزایش سرعت از Groq استفاده میشود و در غیر این صورت درخواست مستقیماً به Anthropic ارسال میگردد. برای مثال در مورد GPUهای اوراکل، قصد کاربر اینگونه استخراج شد: «آیا میتوانم GPU رایگان در OCI بگیرم، و اگر بله، چگونه و محدودیتها چیست؟»
- تولید ساختار: عامل یک Outline دقیق با ۵ تا ۷ زیر-نکته مشخص برای هر بخش ایجاد میکند. هدف این است که محتوا بین ۱۲۰۰ تا ۱۸۰۰ کلمه باشد تا عمق فنی لازم را داشته باشد. این ساختارها شامل سوالات احتمالی و نقاط دقیقی است که باید پوشش داده شوند تا از تولید محتوای سطحی توسط LLM جلوگیری شود.
کل این مسیر از استخراج داده تا تولید ساختار، برای هر خوشه تنها ۳ دقیقه زمان میبرد. رویچیوا این کارها را در دستههای ۵ تا ۱۰ پرسوجویی انجام میدهد و با تأکید بر حضور انسان در حلقه (Human-in-the-loop)، تمامی ساختارها را پیش از تولید نهایی به صورت دستی برای دقت و ارتباط بازبینی میکند.
بازنویسی تکرار شونده و پالایش
در مرحله نگارش، Claude 3.5 Sonnet به دلیل توانایی بیشتر در توضیحات فنی و حفظ لحن ثابت و کمی رسمی نسبت به GPT-4o یا Llama 3 انتخاب شده است. عامل هوشمند، ساختار تولید شده و ۳ تا ۵ مقاله مرجع که از نتایج ردهبالای گوگل استخراج (Scrape) شدهاند را به مدل میدهد تا محتوا بر اساس دادههای جاری وب باشد.
برای تضمین کیفیت، او از یک پرامپت بسیار ساختاریافته استفاده میکند. هوش مصنوعی در نقش یک «نویسنده فنی ارشد» قرار میگیرد که مخاطبان او «برنامهنویسان و بنیانگذاران فنی» هستند که «نسبت به هایپها و تبلیغات بدبین» میباشند. پرامپت دستور میدهد که لحن حرفهای، اطلاعرسان و کمی صاحبنظر باشد (مثلاً: «من X را توصیه میکنم زیرا...») و صراحتاً استفاده از مقدمهها یا نتیجهگیریهای کلی را ممنوع میکند، مگر اینکه در ساختار ذکر شده باشد.
برای جلوگیری از «لحن خنثی و کلی هوش مصنوعی»، یک حلقه بازخوردی خودکار اجرا میشود:
- راستیآزمایی: عامل از یک پایگاهداده برداری (Vector Database) — که شامل مستندات تأیید شده و مقالات قبلی اوست — برای تأیید اعداد دقیق یا نام محصولات استفاده میکند. برای جلوگیری از خطاهای احتمالی در این مرحله، پیادهسازی لایههای کنترلی مشابه مدلهای جلوگیری از توهم در Bedrock AgentCore میتواند دقت پاسخها را بهشدت افزایش دهد.
- سنجش خوانایی: امتیازهای Flesch-Kincaid محاسبه شده و در صورت پیچیدگی بیش از حد، یک پرامپت بازبینی ارسال میشود.
- تراکم کلیدواژهای: عامل بررسی میکند که پرسوجوی هدف و عبارات مرتبط به صورت طبیعی در متن گنجانده شده باشند.
- تأیید ساختار: بررسی میشود که تک تک نقاط ذکر شده در Outline اصلی به طور کامل پوشش داده شده باشد.
اگر بخشی بیش از حد مبهم باشد (مثلاً قیمتگذاری GPU در OCI)، عامل یک درخواست بازبینی هدفمند برای مثالهای خاص، مانند هزینه نمونههای A10 یا V100 در مناطق مختلف، ارسال میکند. این چرخه معمولاً شامل ۱ یا ۲ بازبینی است و زمان ویرایش دستی را ۶۰ الی ۷۰ درصد کاهش میدهد.
توزیع خودکار و هزینهها
محتوای تأیید شده از طریق API سرویس Dev.to و یک Endpoint اختصاصی در سایت اصلی منتشر میشود. استفاده از URL کانونی (Canonical) برای اشاره به AIdeazz.xyz به کار گرفته شده تا از جریمه محتوای تکراری توسط گوگل جلوگیری شود. استراتژی او این است که ابتدا محتوا در Dev.to منتشر شود تا تقویت اولیه در دیدهشدن و دریافت بکلینکها حاصل شود. کل فرآیند انتشار، از تأیید نهایی تا فعال شدن مقالات در هر دو پلتفرم، کمتر از ۳۰ ثانیه زمان میبرد.
هزینههای ماهانه این زیرساخت به شرح زیر است:
- رایانش: یک نمونه VM در OCI مدل VM.Standard.E4.Flex با ۴ پردازنده (OCPUs) و ۶۴ گیگابایت رم (حدود ۱۲۰ دلار).
- APIهای مدل: هزینه استفاده از Claude 3.5 Sonnet و Groq (به طور میانگین بین ۵۰ تا ۸۰ دلار برای ۲۰ تا ۳۰ مقاله).
- مجموع: کل هزینه ماهانه زیر ۲۰۰ دلار باقی میماند.
برای سایتهایی که دادههای کافی برای تحلیل GSC ندارند، رویچیوا پیشنهاد میکند با تحلیل رقبا شروع کنند. با شناسایی ۳ تا ۵ رقیب و استخراج مقالات برتر آنها از طریق Ahrefs یا Semrush، سایت میتواند موضوعات اولیه راe seed کند و پس از جمعآوری دادههای کافی، به تحلیل شکافهای GSC روی آورد.
نتایج و اثر راهبردی
پس از اجرای این متد روی ۱۵ عبارت هدف، نتایج در عرض ۶ هفته ملموس بود: نرخ کلیک (CTR) از ۰ به ۳.۲ درصد رسید، میزان نمایشها برای این عبارات ۴۰٪ رشد کرد (که نشان میدهد گوگل ارتباط محتوا را مجدداً ارزیابی کرده است) و مهمتر از همه، رتبه میانگین از ۲۲ به ۱۱ بهبود یافت.
این یک داستان رشد انفجاری یا «عصای هاکی» نیست، بلکه نمایش بهبودهای تدریجی و هدفمند است. کلید موفقیت در تغییر رویکرد از «هدفگذاری کلیدواژههای کلی» به «بهینهسازی پرسوجوهای فوقتخصصی» بود. عاملهای هوش مصنوعی در اینجا جایگزین تفکر استراتژیک نشدند، بلکه قدرت اجرای آن را در مقیاس بالا فراهم کردند و دادههای GSC را به محتوای منتشر شده تبدیل کردند.
گام بعدی شما
- گزارش Queries در سرچ کنسول خود را بررسی کنید و الگوی «نمایش زیاد و کلیک صفر» را برای شناسایی اولین ۱۵ هدف خود بیابید.
- برای هر عبارت، پاسخ دقیق کاربر را استخراج کرده و بررسی کنید آیا در مقالات فعلی شما پاسخی جامع به آن داده شده است یا خیر.
- از مدلهای استدلالی برای تبدیل این شکافها به ساختارهای محتوایی (Outline) دقیق استفاده کنید.
اما تأثیر این روش بر کاهش هزینههای جذب کاربر در بلندمدت حتی خیرهکنندهتر است؛ در تحلیل ما دربارهی اقتصاد محتوای تولید شده با AI بخوانید.
گفتگو