چگونه یافته‌های هوش مصنوعی، رویکرد متخصصان سئو به بهینه‌سازی برای جستجوی مولد (GEO) را تغییر می‌دهد

بازاریابان بیش از هر زمان دیگری به هوش مصنوعی (AI) اعتماد دارند، اما کمتر از همیشه می‌توانند کارایی آن را اثبات کنند. این داستان واقعی است که در یک مطالعه جدید از شرکت «ترنس‌یونیون» (TransUnion) پنهان شده و شکافی بزرگ را در دنیای بازاریابی دیجیتال آشکار می‌کند: شکاف بین اعتماد و آمادگی.

این مطالعه که با نظرسنجی از ۱۰۰ مدیر ارشد بازاریابی و فناوری در برندهای بزرگ آمریکایی انجام شده، یک «پارادوکس اعتماد-آمادگی» را نشان می‌دهد. ۸۹ درصد از بازاریابان انتظار دارند سرمایه‌گذاری‌شان در بازاریابی مبتنی بر هوش مصنوعی طی یک تا دو سال آینده افزایش یابد و ۶۴ درصد مطمئن هستند که به اهداف خود در این زمینه خواهند رسید. اما تنها ۴۲ درصد، آمادگی نیروی انسانی سازمان خود را بالا ارزیابی می‌کنند و فقط ۳۶ درصد در مورد آمادگی داده‌ها و فرآیندها چنین نظری دارند. این یعنی با وجود خوش‌بینی فراوان، زیرساخت‌های لازم برای موفقیت هنوز فراهم نیست.

من از «مت اشپیگل» (Matt Spiegel)، معاون اجرایی استراتژی رشد در ترنس‌یونیون، خواستم تا سه شکاف اصلی شناسایی‌شده در این مطالعه (نیروی انسانی، فرآیند و داده) را رتبه‌بندی کند.

اگر بخواهم آن‌ها را رتبه‌بندی کنم، داده را در اولویت قرار می‌دهم. هوش مصنوعی می‌تواند چیزهای زیادی را جبران کند، اما نمی‌تواند داده‌های ناقص یا نامرتبط را جبران کند. اگر اطلاعات ناقصی به هوش مصنوعی بدهید، نتایجی که می‌گیرید کمتر از آنچه امیدوار بودید قابل پیش‌بینی خواهند بود.

— مت اشپیگل

استدلال اشپیگل این است که مشکلات مربوط به نیروی انسانی و فرآیندها، پس از مشکل داده‌ها قرار می‌گیرند. زمانی که سوابق مشتری، تاریخچه تراکنش‌ها و سیگنال‌های رفتاری به درستی به هم متصل شوند، حاکمیت داده و مهارت‌ها نیز به دنبال آن شکل می‌گیرند. بدون این پایه و اساس، هر کار دیگری دشوارتر می‌شود.

این موضوع زمانی از یک بحث کلی در حوزه بازاریابی به یک داستان مرتبط با سئو تبدیل می‌شود که به دلایل این شکاف در سنجش نگاه می‌کنیم. ۶۹ درصد از پاسخ‌دهندگان گفته‌اند که نقاط کور در «محیط‌های بسته» (Walled Gardens) مانند شبکه‌های اجتماعی، توانایی آن‌ها را برای ارزیابی اثربخsheی هوش مصنوعی محدود می‌کند. این مشکل در بازار ایران نیز کاملاً ملموس است؛ جایی که اتصال داده‌های کمپین‌های اینستاگرام یا فروش در پلتفرم‌هایی مانند دیجی‌کالا به داده‌های گوگل آنالیتیکس و سرچ کنسول یک چالش همیشگی است.

اشپیگل تأیید می‌کند که جستجوی مبتنی بر هوش مصنوعی (مانند AI Overviews گوگل) نیز بخشی از همین مشکل است، نه یک مسئله جداگانه. او می‌گوید: «جستجوی هوش مصنوعی نمونه دیگری است که نشان می‌دهد چرا سنجش مستقل در حال مهم‌تر شدن است.» هرچه کاربران بیشتر از طریق پاسخ‌های تولیدشده توسط هوش مصنوعی با برندها آشنا شوند، بازاریابان دید خود را نسبت به نحوه شکل‌گیری این توصیه‌ها از دست می‌دهند. این دقیقاً همان مشکل عدم شفافیت در محیط‌های بسته است.

این یافته‌ها باید نحوه صحبت متخصصان سئو در مورد «بهینه‌سازی برای موتورهای مولد» (GEO) را در داخل سازمان‌ها تغییر دهد. بسیاری از گفتگوهای فعلی، این موضوع را یک رشته تخصصی و مجزا با ابزارهای خاص خود می‌دانند. اما داده‌های این مطالعه خلاف آن را نشان می‌دهد. این مشکل، نمونه‌ای خاص از یک شکست گسترده‌تر در سنجش است که مدیران ارشد بازاریابی از قبل با آن درگیر هستند. بنابراین، تیم‌های سئویی که GEO را به عنوان بخشی از این گفتگوی بزرگتر مطرح کنند، سریع‌تر از تیم‌هایی که صرفاً درخواست یک ابزار جدید برای ردیابی جایگاه در نتایج هوش مصنوعی را دارند، بودجه دریافت خواهند کرد.

در اینجا چند گام عملی برای متخصصان سئو در بازار ایران ارائه می‌شود:

اول، بهینه‌سازی برای جستجوی هوش مصنوعی را به عنوان یک آیتم مجزای سئو مطرح نکنید. در جلسه بعدی بودجه، با اشاره به چالش‌های سنجش چندکاناله که مدیر شما از آن آگاه است، ردیابی نتایج هوش مصنوعی را به عنوان قطعه مربوط به جستجو از این پازل بزرگتر معرفی کنید. این تغییر رویکرد، تصمیم‌گیرنده نهایی برای تخصیص بودجه را تغییر می‌دهد.

دوم، قبل از خرید هر ابزار جدیدی، بررسی کنید که آیا داده‌های فعلی شما در بسترهایی مانند گوگل آنالیتیکس و سرچ کنسول به اندازه کافی یکپارچه و باکیفیت هستند یا خیر. توصیه اشپیگل این است که اولین ریال از بودجه هوش مصنوعی را صرف کیفیت داده‌ها کنید، نه یک اپلیکیشن دیگر. ابزاری که روی داده‌های پراکنده کار کند، فقط فعالیت را گزارش می‌دهد، نه تأثیر واقعی را.

سوم، از همین حالا «تست افزایشی» (Incrementality Testing) را در سنجش نتایج جستجوی هوش مصنوعی خود بگنجانید. به جای گزارش تعداد دفعات نمایش در نتایج هوش مصنوعی، نشان دهید که این حضور چقدر ترافیک یا نرخ تبدیل اضافی برای کسب‌وکار ایجاد کرده است. تیم‌هایی که بتوانند این تأثیر واقعی را اثبات کنند، در سطح مدیریتی اعتبار بیشتری خواهند داشت.

اشپیگل گفتگوی ما را با جمله‌ای به پایان رساند که شاید مهم‌ترین پیام این گزارش باشد.

بزرگترین اشتباهی که من می‌بینم، یک استراتژی بد هوش مصنوعی نیست. بلکه رهبرانی هستند که به جای پرسیدن «چه مشکل تجاری را حل می‌کنیم؟»، می‌پرسند «استراتژی هوش مصنوعی ما چیست؟»

— مت اشپیگل

این نکته مستقیماً به دنیای سئو نیز قابل تعمیم است. تیم‌هایی که هنوز می‌پرسند «چگونه در نتایج هوش مصنوعی بیشتر دیده شویم؟» بدون آنکه ابتدا بپرسند «این دیده شدن قرار است کدام خروجی تجاری را به همراه داشته باشد؟»، در نهایت با بازدید زیاد و بدون هیچ راهی برای اثبات ارزش آن تنها خواهند ماند.