فراتر از سئو: دو وظیفه کلیدی برای دیده شدن در موتورهای جستجوی هوش مصنوعی

در تاریخ بازاریابی جستجو، اقدامات اجرایی عمدتاً به حوزه‌هایی محدود می‌شد که تیم‌های سئو و وب‌سایت بر آن‌ها کنترل داشتند: مسائل فنی، محتوا، لینک‌ها، اعتبار و کارهای مرتبط. اگرچه رفع مشکلات اغلب به توسعه‌دهندگان، نویسندگان یا کارشناسان موضوعی نیاز داشت، اما تیم‌های سئو معمولاً می‌توانستند مشکلات را تشخیص داده و بر نتیجه تأثیر بگذارند.

اما «دیده شدن در هوش مصنوعی» (AI visibility) به این سادگی در چارچوب سئو قرار نمی‌گیرد.

یک شرکت ممکن است وب‌سایتی با ساختار فنی بی‌نقص داشته باشد که خزنده‌های هوش مصنوعی بتوانند به آن دسترسی پیدا کرده و محتوای آن، از جمله محصولات و مخاطبانش را درک کنند. حتی ممکن است هوش مصنوعی به طور منظم در پاسخ‌های اطلاعاتی به آن برند اشاره و استناد کند.

با این حال، وقتی یک خریدار می‌پرسد چه چیزی بخرد، ممکن است همان برندها نادیده گرفته شوند. دلیل این است که هوش مصنوعی هنگام تغییر حالت از ارائه اطلاعات به ارائه توصیه، از معیارهای متفاوتی استفاده می‌کند. در نتیجه، برنامه‌های دیده شدن در هوش مصنوعی نیازمند اقداماتی از سوی تیم‌های مختلف در سراسر سازمان است، نه فقط تیم سئو.

به همین دلیل است که دیده شدن در هوش مصنوعی اکنون دو وظیفه اصلی دارد: بهینه‌سازی آنچه تیم‌های سئو و توسعه کنترل می‌کنند و بسیج کردن سازمان برای هر چیز دیگری. این قابلیت بسیج کردن تیم‌ها به یکی از مهم‌ترین توانایی‌های تیم‌های داخلی مسئول دیده شدن در هوش مصنوعی تبدیل خواهد شد.

بخش بزرگی از گفتگوی امروز صنعت درباره بهینه‌سازی برای موتورهای جستجوی هوش مصنوعی (GEO) بر پیدا شدن و ذکر شدن نام برند متمرکز است: آیا خزنده‌های هوش مصنوعی به محتوای ما دسترسی دارند؟ آیا به ما اشاره می‌شود؟ آیا به ما استناد می‌شود؟

این‌ها به خودی خود یک وظیفه مهم است. اما وقتی یک خریدار با نیازهای مشخصی سوالی مانند این را می‌پرسد: «برای یک کارخانه تولید مواد غذایی به یک سیستم هوای فشرده نیاز دارم که فشار ثابت را در طول تقاضای متغیر تولید حفظ کند و آلودگی روغنی وارد فرآیند نکند. چه گزینه‌هایی را باید در نظر بگیرم؟»

این دیگر فقط یک درخواست اطلاعاتی ساده نیست. خریدار مجموعه‌ای از الزامات خاص را ارائه داده و از هوش مصنوعی خواسته است تا در تصمیم‌گیری به او کمک کند. در این مرحله، هوش مصنوعی از ارائه اطلاعات به «ارائه مشاوره» تغییر وضعیت می‌دهد.

برای پاسخگویی مناسب، هوش مصنوعی باید تشخیص دهد کدام راه‌حل‌ها برای تولید مواد غذایی مناسب هستند، کدام‌یک می‌توانند تقاضای متغیر را مدیریت کنند و کدام‌یک نگرانی‌های مربوط به آلودگی را برطرف می‌کنند. سیستم هوش مصنوعی محصولات را با استفاده از مستندات، مشخصات فنی، تجربیات مشتریان، منابع شخص ثالث و درک خود از تولیدکنندگان و خریداران مقایسه می‌کند.

وقتی هوش مصنوعی وارد فاز مشاوره می‌شود، دیگر فقط اطلاعات را بازیابی نمی‌کند، بلکه توصیه ارائه می‌دهد. اینجاست که قابل درک بودن و قابل استناد بودن، دیگر با «قابل توصیه بودن» یکی نیست و این موضوع نقش تیم سئو و جستجوی هوش مصنوعی را به شکل چشمگیری گسترش می‌دهد.

گاهی هوش مصنوعی محصول شما را کاملاً درک می‌کند و دقیقاً به همین دلیل آن را توصیه نمی‌کند. یک تولیدکننده را با اعتبار دامنه قوی، محتوای گسترده و صفحات محصول بهینه‌سازی‌شده در نظر بگیرید. محصولاتش به طور مداوم در پاسخ به سوالات اطلاعاتی ظاهر می‌شوند.

حال تصور کنید یک خریدار می‌پرسد: «برای این کاربرد خاص، اگر به حداقل رساندن زمان از کار افتادگی (downtime) مهم‌تر از هزینه اولیه باشد، از چه تجهیزاتی باید استفاده کنم؟» ناگهان، محصولات آن تولیدکننده از توصیه‌ها حذف می‌شوند.

چرا؟ بیشتر تیم‌های سئو به دنبال یک فرصت محتوایی می‌گردند. شاید وب‌سایت مزایای عملیاتی محصول را به خوبی توضیح نداده باشد. اما تحلیل‌ها نشان می‌دهد که مشکلات بسیار عمیق‌تر از چیزی است که تیم‌های سئو معمولاً در نظر می‌گیرند. دلایلی مانند موارد زیر مشاهده شده است:

نیاز به نگهداری بیشتر نسبت به محصولات رقیب، فقدان قابلیت‌های کلیدی برای کاربرد خاص خریدار، گزارش‌های مکرر مشتریان از تجربه پشتیبانی ضعیف برای مسائل پیچیده، یا شهرت بد یک قطعه خاص به دلیل خرابی مکرر.

این‌ها مثال‌های فرضی نیستند. در بررسی دلایل حذف برندهای بزرگ و پیشرفته از توصیه‌های هوش مصنوعی، با چنین مسائلی مواجه شده‌ایم. در این موارد، هوش مصنوعی در پیدا کردن شرکت یا محصولاتش شکست نخورده بود؛ بلکه آن‌ها را بسیار خوب – در واقع، بیش از حد خوب – درک کرده بود.

هوش مصنوعی به درستی محدودیت‌های محصولات، مشکلات احتمالی و ریسک‌هایی که خریداران با آن روبرو خواهند شد را تشخیص داده بود. این یک مشکل «توصیه» است، نه یک مشکل «پیدا شدن».

وقتی مشکل در توصیه شدن باشد، کار از تیم سئو فراتر رفته و به تیم‌های چندوظیفه‌ای در سراسر سازمان کشیده می‌شود. برای مثال، اگر یک شرکت نرم‌افزاری (SaaS) به دلیل نداشتن یکپارچه‌سازی بومی (native integration) با یک پلتفرم سازمانی خاص، از لیست توصیه‌ها حذف می‌شود، انتشار محتوا درباره راه‌حل‌های جایگزین کافی نیست. اگر آن قابلیت برای خریدار مهم باشد، هوش مصنوعی محصول را گزینه‌ای ضعیف‌تر یا پرریسک‌تر می‌بیند.

در مثالی دیگر، هوش مصنوعی تشخیص داده بود که یک قطعه در یک ماشین تولیدی پیچیده از ماده متفاوتی نسبت به رقبا ساخته شده و این انتخاب طراحی بر عملکرد تأثیر می‌گذارد. به عبارت دیگر، خودِ «طراحی محصول» به یک عامل در توصیه‌ها تبدیل شده است.

اینجاست که دیده شدن در هوش مصنوعی از مرزهای سنتی سئو فراتر می‌رود. تیم سئو می‌تواند الگو را شناسایی کند، تأثیر آن را بسنجد و دلیل حذف شدن از توصیه‌ها را تشخیص دهد، اما نمی‌تواند جنس ماده اولیه محصول را تغییر دهد، یکپارچه‌سازی بومی اضافه کند یا سیاست گارانتی شرکت را بازنویسی کند.

نقش جدید و گسترده تیم سئو این است که یک مشکل کسب‌وکار را که شاید دیگران از وجودش بی‌خبر باشند، به تیم‌های مربوطه ارائه دهد: «وقتی خریداران در مورد این نیاز از هوش مصنوعی سوال می‌کنند، ما بازنده می‌شویم. این دلیل آن است و این میزان درآمد را تحت تأثیر قرار می‌دهد. چگونه آن را برطرف کنیم؟»

از آنجا به بعد، کسب‌وکار می‌تواند تصمیم بگیرد که آیا باید چیزی را تغییر دهد یا خیر. گاهی پاسخ، تغییر محصول، سیاست یا فرآیند است. گاهی پاسخ این است که «نمی‌توانیم تغییر دهیم» و تیم باید بر روی ارائه موقعیت‌یابی بهتر یا محتوای شفاف‌تر تمرکز کند. و گاهی شرکت تصمیم می‌گیرد که آن سناریوی خرید آنقدر مهم نیست که اقدامی برایش انجام شود.

پیشگامان حوزه دیده شدن در هوش مصنوعی تیم‌هایی نخواهند بود که یاد می‌گیرند هر چیزی را که پیدا می‌کنند بهینه کنند. آن‌ها تیم‌هایی خواهند بود که می‌دانند سئو چه چیزی را می‌تواند اصلاح کند، چه چیزی را نمی‌تواند، و چگونه سازمان را بسیج کنند وقتی راه‌حل در جای دیگری نهفته است.