اگر امروز رتبه‌ی کلمات کلیدی خود را در گوگل دنبال می‌کنید، در واقع دارید یک شبح را اندازه می‌گیرید. در عصر جستجوی زاینده، هدف دیگر اول شدن در فهرستی از ۱۰ لینک نیست، بلکه تبدیل شدن به پاسخ اصلی در گوگل (Google) یا سایر موتورهای مبتنی بر مدل‌های زبانی است.
سئو (SEO) سنتی بر دیده شدن ارگانیک تمرکز دارد، اما جستجوی هوش مصنوعی واحد اندازه‌گیری را به‌طور کلی تغییر می‌دهد. یک برند ممکن است در نتایج سنتی رتبه‌ی بالایی داشته باشد، اما در خلاصه‌ی تولیدشده توسط هوش مصنوعی کاملاً غایب باشد. مرکز پژوهش‌های پیو (Pew Research Center) گزارش داده است که کاربران وقتی یک خلاصه‌ی هوش مصنوعی می‌بینند، کمتر روی لینک‌های سنتی کلیک می‌کنند؛ این یعنی دیده شدن اکنون پیش از مرحله‌ی کلیک اتفاق می‌افتد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی تغییر رفتار کاربر در عصر LLMها اشاره کردیم، مدل‌های زبانی دیگر فقط راهنما نیستند، بلکه خود به مقصد تبدیل شده‌اند. در این میان، مفهوم سهم صدای هوش مصنوعی (AI Share of Voice) وارد می‌شود. این معیار می‌سنجد که یک برند هر چند وقت یک‌بار و با چه برجستگی‌ای در پاسخ‌های تولیدشده توسط مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — ظاهر می‌شود.
سهم صدای هوش مصنوعی، میزان تکرار و برجستگی حضور یک برند را در پاسخ‌های تولیدشده توسط هوش مصنوعی در مجموعه‌ای مشخص از پرامپت‌ها، رقبا، موضوعات و موتورهای پاسخ‌دهنده اندازه می‌گیرد. در حالی که سئو سنتی «دیده شدن» (Visibility) را رصد می‌کند، سهم صدای هوش مصنوعی «مشارکت در پاسخ» (Answer Participation) را دنبال می‌کند.
طبق گزارش‌های تخصصی، این اندازه‌گیری باید متغیرهای متعددی از جمله ذکر نام برند، توصیه‌ها، ارجاعات و مقایسه‌ها با رقبا را در نظر بگیرد. همچنین باید بررسی شود که لحن ذکر نام برند مثبت، خنثی یا منفی است و آیا ارجاعات به صفحات داخلی برند است یا منابع شخص ثالث.
برای مقابله با این تغییرات، یک چارچوب اندازه‌گیری جدید تعریف شده است که «سهم صدای هوش مصنوعی» را به عنوان تکرار و برجستگی یک برند در پاسخ‌های تولیدشده توسط AI تعریف می‌کند. این معیار به جای کلمات کلیدی ساده، در مجموعه‌های خاصی از پرامپت‌ها — مانند پرامپت‌های اکتشافی، مقایسه‌ای و پرامپت‌های با قصد خرید — ردیابی می‌شود.
برای تحلیل دقیق این وضعیت، چهار نقطه داده‌ی کلیدی تعریف شده است:
- سهم پاسخ (Answer Share): درصدی از کل پاسخ‌های هوش مصنوعی که برند در آن‌ها ظاهر می‌شود. مثلاً حضور در ۳۴ مورد از ۱۰۰ پرامپت تست‌شده، یعنی سهم پاسخ ۳۴٪ است.
- سهم ذکر (Mention Share): مقایسه‌ی تعداد دفعات ذکر نام برند در برابر رقبا. این معیار ردیابی می‌کند که آیا برند در ابتدای پاسخ می‌آید، در یک مقایسه گنجانده شده است یا به عنوان یک ریسک یا محدودیت ذکر شده است.
- سهم ارجاع (Citation Share): دفعاتی که صفحات رسمی برند به عنوان منبع ذکر می‌شوند. این شاخص، ارجاعات داخلی را از ارجاعات شخص ثالث، ارجاعات متعلق به رقیب یا منابع معتبر خنثی جدا می‌کند. نکته‌ی حیاتی این است که ممکن است نام برند ذکر شود اما ارجاع (لینک) به رقیب داده شود.
- حضور رقبا (Competitor Presence): نقشه‌ای که نشان می‌دهد چه کسی در کنار، بالای یا به جای برند ظاهر می‌شود. این بخش ترتیب توصیه‌ها، نقاط قوت و ضعف مرتبط و خوشه‌های پرامپتی خاصی که رقبا در آن‌ها برنده هستند را ردیابی می‌کند.
این تغییر در اندازه‌گیری بسیار حیاتی است زیرا یک پاسخ هوش مصنوعی ممکن است از چندین مرحله بازیابی داده ساخته شده باشد. مستندات ویژگی‌های هوش مصنوعی گوگل اشاره می‌کند که AI Overviews و حالت AI ممکن است از «توزیع پرس‌وجو» (Query Fan-out) در میان زیرمجموعه‌های موضوعی و منابع داده‌ای مختلف استفاده کنند. این یعنی یک برند ممکن است توسط هوش مصنوعی توصیه شود اما لینکی دریافت نکند و در نتیجه نرخ کلیک (CTR) سنتی بی‌معنی شود.
برای اجرای این استراتژی، مجموعه‌ی پرامپت‌ها (Prompt Sets) زیربنای اندازه‌گیری هستند. مجموعه‌های ضعیف، معیارهای ضعیفی ایجاد می‌کنند. یک مجموعه‌ی قوی باید شامل موارد زیر باشد:
- پرامپت‌های اکتشافی و آموزش دسته‌بندی
- پرامپت‌های مقایسه‌ای، جایگزین‌ها و پرامپت‌های آگاه از رقبا
- پرامپت‌های مربوط به قصد خرید و رفع ابهامات
- پرامپت‌های بدون ذکر نام برند (Unbranded)
برای یک بازاریاب، سهم پاسخ پایین یعنی نیاز به سیگنال‌های قوی‌تر از موجودیت‌ها (Entity Signals)، بهبود قابلیت خزش (Crawlability) و ساده‌تر کردن استخراج حقایق محصول برای هوش مصنوعی. اگر مشکل در سهم ارجاع است، راهکار در بهبود مستندات فنی، شفاف‌تر کردن صفحات ویژگی‌ها و لینک دادن محتوای وبلاگ به صفحات منبع کانونی (Canonical) است. زمانی که رقبا در نقشه حضور تسلط دارند، برندها باید ادعاهای تکراری رقبا را شناسایی کرده و تمایزهای قوی‌تری منتشر کنند تا مستقیماً به اعتراضات تولیدشده توسط هوش مصنوعی پاسخ دهند.
پاسخ‌های هوش مصنوعی ایستا نیستند؛ آن‌ها بر اساس نحوه بیان پرامپت، جغرافیا، به‌روزرسانی‌های مدل، تازگی منابع و محتوای رقبا تغییر می‌کنند. ابزارهایی مثل بررسی‌کننده دیدگی جستجوی هوش مصنوعی در AIvsRank و ممیزی‌های GEO اکنون برای شناسایی نقاط کور برند در لایه‌ی پاسخ‌ها ضروری شده‌اند.
دیگر نپرسید که در جستجو چقدر دیده می‌شوید، بلکه بپرسید چه مقدار از «پاسخ» را مالک هستید. گذار از کلمات کلیدی به پرامپت‌ها، مرز جدید رقابت دیجیتال است.
گام بعدی شما
- مجموعه‌ای از پرامپت‌های «مقایسه‌ای» و «قصد خرید» را برای محصول خود طراحی کنید و در مدل‌های مختلف تست کنید.
- بررسی کنید آیا هوش مصنوعی نام شما را می‌برد اما لینک را به رقیب می‌دهد؟ در این صورت مستندات فنی خود را به‌روز کنید.
- به جای رصد رتبه‌ی کلمات کلیدی، نرخ «حضور در پاسخ» (Answer Share) را به عنوان KPI جدید تعریف کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو