اگر برای دیده شدن محصولتان هنوز فقط به رتبه‌ی اول گوگل تکیه کرده‌اید، احتمالاً بخش بزرگی از مشتریان آینده‌تان را از دست می‌دهید. باید بدانید که در عصر جست‌وجوی هوشمند، رتبه در موتورهای سنتی دیگر تضمینی برای پیشنهاد شدن توسط هوش مصنوعی نیست.
Inithouse سامانه Be Recommended را عرضه کرد؛ سیستمی که دیده‌شدن (Visibility) یک محصول را در مقیاس ۰ تا ۱۰۰ در تأثیرگذارترین مدل‌های زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری هستند که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — محاسبه می‌کند. به نقل از گزارش dev.to که در ۲۴ ژوئن ۲۰۲۶ منتشر شد، بسیاری از شرکت‌های SaaS با کمتر از ۵۰ کارمند، با وجود سئوی فنی قوی، برای موتورهای توصیه هوشمند کاملاً نامرئی هستند. این موضوع تأییدی بر این واقعیت است که سهم صدای برند در پاسخ‌های هوش مصنوعی (AI SoV) اکنون به معیار جدید بقای برندها تبدیل شده است.
این تغییر در نحوه یافتن محصولات، نشان‌دهنده گذار به سمت جست‌وجوی عامل‌محور (Agentic) و خرید guided است. در حالی که ما پیش‌تر پوششی داشتیم بر اینکه چگونه مدل‌هایی مانند Gradium و GPT-Realtime بر کاهش تأخیر در ترجمه گفتاری تا سطح ۳.۰ ثانیه تمرکز کردند، میدان نبرد فعلی به «وضوح موجودیت» (Entity Clarity) و نحوه ادراک مدل‌های زبانی از اعتبار برند تغییر یافته است. در این اکوسیستم جدید، محصولی می‌تواند سئوی فنی بی‌نقصی داشته باشد اما امتیاز دیده‌شدگی‌اش ۰ باشد، زیرا منابع معتبر آن را به گونه‌ای توصیف نکرده‌اند که برای مدل‌های هوش مصنوعی قابل هضم و پردازش باشد. این مسئله به تضاد عمیقی میان شهرت سنتی برندها و آمادگی فنی آن‌ها برای پذیرش در توصیه‌های هوشمند اشاره دارد.
بستر دیده‌شدگی در هوش مصنوعی
دیده‌شدگی در هوش مصنوعی با سئوی سنتی متفاوت است؛ زیرا اندازه می‌گیرد که موتورها چند بار، در کجای پاسخ و با چه لحنی محصول شما را معرفی می‌کنند وقتی کاربران سوالاتی مرتبط با دسته‌بندی محصول شما می‌پرسند. امتیاز ۰ یعنی هیچ موتور هوش مصنوعی اصلاً نام شما را نمی‌برد. در مقابل، امتیاز ۱۰۰ یعنی در تمامی پرامپت‌های تست شده در هر چهار موتور، محصول شما به عنوان یکی از برترین توصیه‌ها نام برده می‌شود.
سیگنال‌هایی که این توصیه‌ها را پیش می‌برند — از جمله حضور در مقایسه‌ها، بنچ‌مارک‌های دست‌اول و ادعاهای ساختاریافته — با سئوی کلاسیک هم‌پوشانی دارند اما کاملاً یکسان نیستند. Inithouse این ابزار را پس از آن توسعه داد که متوجه شد برخی از محصولات در پرتفوی خودشان در گوگل رتبه‌های بسیار بالایی دارند، اما در پاسخ‌های هوش مصنوعی هیچ ذکری از آن‌ها نمی‌شود.
مکانیزم امتیازدهی
این ابزار دیده‌شدگی را با استفاده از یک بانک شامل بیش از ۵۰ پرامپت واقعی می‌سنجد. این پرس‌و‌جواب‌ها کلمات کلیدی خشک و توپر (Keyword-stuffed) نیستند، بلکه دقیقاً آینه همان نحوه پرسش کاربران واقعی برای دریافت توصیه هستند. برای یک محصول CRM، نمونه‌های مورد استفاده چنین است:
- «یک استارتاپ ۱۰ نفره باید از چه CRM-ی استفاده کند؟»
- «بهترین جایگزین‌های Salesforce برای کسب‌وکارهای کوچک چیست؟»
- «ابزارهای CRM با قابلیت ادغام API خوب را با هم مقایسه کن.»
- «کدام CRM در سال ۲۰۲۶ بهترین طرح رایگان (Free Tier) را دارد؟»
این پرسش‌ها برای تست سیگنال‌های مختلف در سه دسته تقسیم شده‌اند:
- مستقیم: کاربر نام دسته‌بندی محصول را می‌آورد (این دسته شناسایی برند یا Brand Recognition را می‌سنجد).
- مقایسه‌ای: کاربر درخواست جایگزین‌ها یا مقایسه می‌کند (این دسته جایگاه رقابتی یا Competitive Positioning را می‌سنجد).
- موقعیتی: کاربر مشکلی را توصیف می‌کند بدون اینکه نام دسته‌بندی را بیاورد (این دسته ارتباط زمینه‌ای یا Contextual Relevance را می‌سنجد).
این درخواست‌ها از طریق API به چهار مدل اصلی ارسال می‌شوند: ChatGPT (OpenAI)، Perplexity، Claude (Anthropic) و Gemini (Google). برای شبیه‌سازی دقیق تجربه یک کاربر برای اولین بار، تمام پرس‌وجوها از حساب‌های خنثی (Neutral) اجرا می‌شوند؛ حساب‌هایی که هیچ تاریخچه گفتگو، هیچ دستورالعمل سفارشی (Custom Instructions) و هیچ پلاگینی ندارند. هر پرس‌وجو دارای یک برچسب زمانی (Timestamp) است تا تغییرات جایگاه در طول زمان، همزمان با به‌روزرسانی مدل‌ها و تغییر محتوای وب، ردیابی شود.
تحلیل سیگنال‌های فنی
هر پاسخ از طریق سه سیگنال اولیه تحلیل می‌شود تا امتیاز هر موتور استخراج گردد:
- حضور (۴۰٪ وزن): یک بررسی باینری (صفر و یک) برای اینکه آیا محصول ذکر شده است یا خیر. این مقدار به صورت درصد در تمام پرامپت‌ها تجمیع می‌شود. برای مثال، اگر محصولی در ۱۲ مورد از ۵۰ پرامپت ظاهر شود، نرخ حضور آن ۲۴٪ خواهد بود.
- جایگاه (۳۵٪ وزن): بر اساس میزان برجستگی در مقیاس ۱ تا ۵ اندازه‌گیری می‌شود:
- ۵: اولین ذکر در پاسخ
- ۴: دومین ذکر
- ۳: فهرست شده در کنار چندین گزینه دیگر
- ۲: اشاره‌ای گذرا در متن
- ۱: ذکر در پاورقی یا همراه با یک شرط/احتیاط
- لحن (۲۵٪ وزن): با استفاده از استخراج ساختاریافته، ذکرها به دسته‌های مثبت، خنثی یا منفی تقسیم می‌شوند. جمله‌ای مانند «X بهترین گزینه برای تیم‌های کوچک است» امتیاز بسیار بیشتری نسبت به «X وجود دارد اما قابلیت‌های محدودی دارد» دریافت می‌کند.
وزن‌دهی و نرمال‌سازی
امتیازات هر موتور ابتدا به مقیاس ۰-۱۰۰ تبدیل (نرمال) شده و سپس با وزن‌های متغیر ترکیب می‌شوند تا امتیاز نهایی (Composite Score) به دست آید. وزن‌دهی برابر نیست و هر سه ماه یک‌بار بر اساس سهم بازار و داده‌های رفتار کاربر تنظیم می‌شود:
- ChatGPT: به دلیل حجم عظیم پرس‌وجوهای توصیه‌ای، بیشترین وزن را در فرمول دارد.
- Perplexity: با وجود اندازه کوچک‌تر، وزن بالایی دریافت می‌کند زیرا کاربران این موتور بیشتر به سمت تحقیقات با قصد خرید بالا (High-intent research) و تصمیمات خرید متمایل هستند.
- Claude و Gemini: این دو مدل وزن‌های متوازن‌تری را به دوش می‌کشند.
فرمول نهایی برای تجمیع این ورودی‌های وزن‌دار به این صورت است: composite = w1*chatgpt + w2*perplexity + w3*claude + w4*gemini. همچنین در داخل هر موتور، امتیاز به این شکل محاسبه می‌شود: engine_score = 0.4*presence + 0.35*position + 0.25*sentiment.
خروجی‌های عملیاتی
برای محصولاتی که امتیاز آن‌ها زیر ۳۰ است، ابزار هشدار می‌دهد که محصول عملاً برای موتورهای توصیه هوش مصنوعی در دسته‌بندی خود نامرئی است. به‌جای ارائه توصیه‌های مبهم و کلی، خروجی سیستم شامل یک تجزیه و تحلیل دقیق است از اینکه کدام موتورها محصول را ذکر کرده‌اند، کدام دسته‌های پرامپت شکست خورده‌اند و رقبای شما در کجای پاسخ‌ها ظاهر شده‌اند.
توصیه‌های فنی مشخصی برای توسعه‌دهندگان و بنیان‌گذاران فنی ارائه می‌شود که بر محورهای زیر تمرکز دارد:
- استفاده از نشانه‌گذاری داده‌های ساختاریافته (Structured Data Markup) برای بهبود وضوح موجودیت (Entity Clarity).
- شناسایی و پر کردن شکاف‌های محتوایی (Content Gaps).
- تولید صفحاتی که قابلیت استناد (Citation-worthy) داشته باشند.
- ایجاد فرصت‌هایی برای ساخت موجودیت (Entity-building opportunities).
برای سنجش جایگاه محصولتان، می‌توانید اسکن رایگان را در berecommended.com اجرا کنید تا گزارش کامل را در حدود ۲ دقیقه دریافت نمایید.
گام بعدی شما
- بررسی میزان «استنادپذیری» محتوا در وب‌سایت خود؛ آیا جملات شما به گونه‌ای است که مدل‌های زبانی بتوانند آن‌ها را به عنوان یک حقیقت (Fact) استخراج کنند؟
- اجرای تست رایگان Be Recommended برای شناسایی موتورهای هدف که در آن‌ها نامرئی هستید.
- تمرکز بر تولید محتوا برای Perplexity، چرا که کاربرانی با قصد خرید (High-intent) بیشتری دارد.
این تنها آغاز تغییر قواعد بازی است؛ اثر این مدل‌های رتبه‌بندی بر استراتژی‌های سئو در گزارش بعدی بررسی خواهیم کرد.
گفتگو