تصور کنید کسب‌وکاری را که در توصیه‌های هوش مصنوعی به زبان انگلیسی رتبه اول است، اما به محض اینکه مشتری سوالش را به فرانسوی می‌پرسد، به‌طور کامل از نتایج حذف شود. این نابرابری در مطالعه‌ای که در اواخر سپتامبر ۲۰۲۶ توسط جانی لانیو، بنیان‌گذار VectorGap منتشر شد، فاش شده است. او دریافت که تغییر زبان جست‌وجو از انگلیسی به فرانسوی یا هلندی، فهرست کسب‌وکارهایی را که دستیارهای هوش مصنوعی پیشنهاد می‌دهند، به‌طور بنیادین تغییر می‌دهد.
این پدیده یک ریسک پنهان برای شرکت‌هایی ایجاد می‌کند که در مراکز چندزبانه فعالیت می‌کنند. لانیو با تجربه کار در لوکزامبورگ — جایی که مشتریان در یک جلسه واحد بین زبان‌های فرانسوی، آلمانی و انگلیسی جابه‌جا می‌شوند — متوجه شد که نیاز مبرمی وجود دارد تا بررسی شود آیا پاسخ‌های هوش مصنوعی تنها با تغییر زبانِ سوال تغییر می‌کنند یا خیر. این موضوع در واقع تکمیلی بر این هشدار است که وب‌سایت‌های محلی ممکن است در برابر عامل‌های هوش مصنوعی نامرئی شوند و دسترسی به آن‌ها دشوارتر شود.
این موضوع شبیه به این است که یک کسب‌وکار در مونترال برای انگلیسی‌زبان‌ها برترین توصیه باشد، اما برای فرانسوی‌زبان‌ها اصلاً وجود نداشته باشد. این مشکل صرفاً یک مسئله ترجمه نیست، بلکه به نحوه درک و بازیابی داده‌های محلی توسط مدل‌های هوش مصنوعی در بسترهای زبانی مختلف برمی‌گردد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی سوگیری‌های داده‌ای در مدل‌های زبانی اشاره کردیم، مدل‌ها همیشه واقعیت را بازتاب نمی‌دهند، بلکه آنچه را که در داده‌های آموزشی‌شان برجسته‌تر بوده، بازیابی می‌کنند.
به نقل از گزارش VectorGap، این پژوهش روی هفت مدل با قابلیت جست‌وجوی وب فعال انجام شد: ChatGPT، Claude، Gemini، Perplexity، Grok، Mistral و DeepSeek (که از آن زمان به بعد با Muse Spark جایگزین شده است). تمرکز این مطالعه بر چهار شهر استراتژیک مونترال، بروکسل، لوکزامبورگ و پاریس بود.
داده‌های شکاف دیده‌شدن
لانیو از هشت پرسش خریدار استفاده کرد که بر «زاویه حضور» (یعنی اینکه آیا نام یک کسب‌وکار ذکر می‌شود یا خیر) متمرکز بود. این سوالات به‌گونه‌ای نوشته شدند که یک خریدار واقعی در آن شهر خاص می‌پرسد، نه به صورت ترجمه‌های کلمه به کلمه. نتایج تضادهای تکان‌دهنده‌ای را در ذکر نام کسب‌وکارها در زبان‌های مختلف نشان داد:
- مونترال: شرکت بیمه Qubit در ۱۶ مورد از ۵۶ پاسخ انگلیسی نام برده شد، اما در هیچ‌یک از ۵۲ پاسخ فرانسوی حضور نداشت (۰ مورد).
- پاریس: شرکت Laforêt در پاسخ‌های فرانسوی پیشتاز بود (۱۸ از ۵۰)، در حالی که Paris Property Group در انگلیسی پیشتاز بود (۱۳ از ۵۴) اما در فرانسوی کاملاً غایب بود (۰ از ۵۰).
- بروکسل: شرکت Yago در ۲۹ مورد از ۵۶ پاسخ فرانسوی ظاهر شد، اما در هلندی تنها ۸ مورد از ۵۳ پاسخ و در انگلیسی فقط ۲ مورد از ۵۶ پاسخ دیده شد.
- لوکزامبورگ: بروکرهای برتر بر اساس زبان تغییر کردند؛ Weicker & Co در فرانسوی (۲۰ از ۵۰)، OCA در انگلیسی و IBG در آلمانی پیشتاز بودند.
این اعداد توصیف‌کننده یک لحظه خاص در سپتامبر ۲۰۲۶ هستند و یک قانون دائمی نیستند. از آنجایی که جست‌وجوی وب به آنچه هر مدل در آن روز خاص می‌یابد وابسته است، تعداد کل پاسخ‌های دریافتی بسته به مدل و زبان متغیر بود و بین ۵۰ تا ۵۶ مورد نوسان داشت.
پروتکل اندازه‌گیری دیده‌شدن در هوش مصنوعی
برای ردیابی دقیق این وضعیت، لانیو به‌جای استفاده از تماس‌های ساده با API، یک پروتکل سخت‌گیرانه پیشنهاد می‌کند تا اطمینان حاصل شود که اعداد به‌دست‌آمده واقعاً معنای آماری دارند:
- عبارت‌پردازی بومی: سوالات باید دقیقاً همان‌طور که یک خریدار واقعی می‌پرسد نوشته شوند. ترجمه‌های تحت‌اللفظی اغلب غیرطبیعی به نظر می‌رسند و سوالات اشتباه، پاسخ‌های متفاوتی را تحریک می‌کنند. در صورت امکان، از یک گوینده بومی استفاده کنید.
- کشف ارگانیک: هرگز نام کسب‌وکار را در متن سوال قرار ندهید. هدف این است که ببینید آیا مدل به‌طور مستقل و خودبه‌خود نام آن کسب‌وکار را ذکر می‌کند یا خیر.
- تنوع مدل‌ها: از چندین مدل مختلف با قابلیت جست‌وجوی وب استفاده کنید. پاسخ یک مدل تنها یک حکایت است، اما پاسخ چندین مدل یک «روند» را نشان می‌دهد.
- شمارش به‌جای رتبه‌بندی: تعداد دفعاتی که نام کسب‌وکار ذکر شده را بشمارید (مثلاً «در ۱۶ مورد از ۵۶ پاسخ ذکر شده»). این روش بسیار ساده‌تر از رتبه‌بندی است و قابلیت تکرار و بررسی بیشتری دارد.
- اندازه‌گیری نویز: در ۸ اکتبر ۲۰۲۶، لانیو همان سوالات را دو بار در یک روز در مونترال پرسید. او متوجه شد که جایگاه یک کسب‌وکار تا ۵ پاسخ از ۵۶ مورد تغییر کرده است. بنابراین، یک تغییر تنها زمانی معنادار است که از این آستانه نویز فراتر رود و کسب‌وکار حداقل پنج بار نام برده شده باشد.
- تاریخ‌گذاری دقیق: پاسخ‌های هوش مصنوعی روزانه تغییر می‌کنند. هر عددی که بدون تاریخ ذکر شود، در واقع فقط یک شایعه است.
برای کسانی که قصد دارند این فرآیند را از طریق کد پیاده‌سازی کنند، این مسیر شامل استفاده از ابزارهایی مانند OpenRouter برای پرس‌وجو از چندین مدل به‌طور همزمان است. با تکرار روی یک دیکشنری از سوالات بومی‌شده — مانند درخواست یک بروکر بیمه در بروکسل به زبان‌های فرانسوی، هلندی و انگلیسی — و بررسی وجود نام کسب‌وکار در پاسخ، شرکت‌ها می‌توانند میزان دسترسی زبانی خود را به‌صورت کمی اندازه‌گیری کنند. این رویکرد در واقع نوعی اعتبارسنجی عملی است که با معیارهای سنجش ارزش تجاری سیستم‌های RAG در سازمان‌ها همسو است تا دقت بازیابی داده‌ها تضمین شود.
این تغییر در دیده‌شدن به این معناست که سئو (SEO) سنتی دیگر کافی نیست. کسب‌وکارها اکنون باید برای «دیده‌شدن در هوش مصنوعی» (AI Visibility) در هر زبانی که مشتریانشان استفاده می‌کنند بهینه‌سازی شوند، وگرنه ریسک این را می‌پذیرند که نیمی از بازار احتمالی خود را به دلیل یک نقص زبانی در فرآیند بازیابی (Retrieval) مدل از دست بدهند. این تحول نشان می‌دهد که چگونه پاسخ‌های محاوره‌ای هوش مصنوعی در حال جایگزینی لینک‌های سنتی در موتورهای جست‌وجو هستند.
اگر برندی را در یک شهر چندزبانه مدیریت می‌کنید، باید فوراً دیده‌شدن خود را در زبان‌های مختلف تست کنید تا متوجه شوید آیا نقطه کوری در حضور دیجیتال خود دارید یا خیر.
گام بعدی شما
- اگر برندی در یک شهر چندزبانه دارید، فوراً دیده‌شدن خود را در زبان‌های مختلف تست کنید تا نقاط کور خود را بیابید.
- به‌جای تکیه بر یک مدل، از ابزارهای تجمیعی برای مقایسه پاسخ‌های مدل‌های مختلف استفاده کنید.
- استراتژی محتوای خود را از کلمات کلیدی ساده به سمت پاسخ به سوالات بومی خریداران در زبان‌های مختلف تغییر دهید.
اما تأثیر این شکاف بر رتبه‌بندی‌های جهانی مدل‌ها حتی پیچیده‌تر است — به تحلیل ما درباره‌ی سوگیری‌های زبانی در مدل‌های بنیادی مراجعه کنید.
گفتگو