E-E-A-T در سئوی بین‌المللی: استراتژی‌های جدید برای دوران هوش مصنوعی

سئوی بین‌المللی مدت‌ها بر این فرض استوار بود که اعتبار یک برند قابل انتقال است. اگر برندی در یک بازار تخصص خود را تثبیت کند، ترجمه و بومی‌سازی محتوای آن باید به طور طبیعی این اعتبار را به بازارهای دیگر نیز گسترش دهد.

در حالی که شهرت و اعتبار یک برند واقعاً منتقل می‌شود، متخصصان سئوی بین‌المللی دریافته‌اند که این انتقال رایگان نیست. همانطور که لینک‌سازی این درس را سال‌ها پیش به ما آموخت: یک صفحه در مکزیک به این دلیل رتبه نمی‌گرفت که برند در آمریکا لینک‌های قوی داشت، بلکه به این دلیل رتبه می‌گرفت که از سایت‌های همان بازار که دارای اعتماد محلی بودند، لینک دریافت می‌کرد. اعتبار، بازار به بازار و با شواهد محلی به دست می‌آید، نه اینکه از دفتر مرکزی به ارث برسد. اکنون همین واقعیت در مورد سیگنال‌های تجربه و تخصص برای هوش مصنوعی نیز صادق است. یک برند برای اعتباری که در جای دیگر دارد، امتیازی دریافت نمی‌کند؛ این اعتبار باید به شکلی ارائه شود که مدل هوش مصنوعی بتواند آن را به عنوان متعلق به همان بازار تشخیص دهد.

حتی اگر واقعاً منبع اصلی اطلاعات باشید، این موضوع به خودی خود تضمین‌کننده تشخیص اعتبار، تجربه یا دانش شما در آن حوزه نیست. یک برند می‌تواند پاسخ دقیق و اصلی به سؤال «این شرکت درباره خودش چه می‌گوید» باشد، اما همچنان به عنوان یک مرجع معتبر در حوزه‌ای که در آن فعالیت می‌کند، شناخته نشود. وضعیت «منبع اصلی بودن» هویت شرکت را مشخص می‌کند، اما E-E-A-T (تجربه، تخصص، اعتبار و اعتماد) قرار است به این سؤال پاسخ دهد که آیا شرکت یا فرد نماینده آن، واقعاً موضوع را می‌شناسد یا خیر. این دو، ادعاهای متفاوتی هستند و به نظر می‌رسد سیستم‌های هوش مصنوعی آن‌ها را جداگانه ارزیابی می‌کنند.

برای سال‌ها، نمایش E-E-A-T به معنای کمک به مردم برای تشخیص تخصص بود. نویسندگان، استنادات، مدارک، مراجع و تجربه دست اول، همگی به خوانندگان انسانی و ارزیابان کیفیت گوگل کمک می‌کردند تا قضاوت کنند که آیا یک محتوا شایسته اعتماد است یا خیر.

اما هوش مصنوعی یک پیش‌نیاز جدید را معرفی می‌کند که E-E-A-T سنتی هرگز مجبور به حل آن نبود: قبل از اینکه یک مدل بتواند تخصص را ارزیابی کند، ابتدا باید وجود آن تخصص را «تشخیص» دهد. این تمایز ظریف، اساساً آنچه را که سازمان‌های جهانی باید منتشر کنند، تغییر می‌دهد. تخصصی که برای انسان‌ها آشکار است، اگر به شکلی که مدل برای تفسیر آن آموزش دیده بیان نشود، ممکن است برای ماشین‌ها نامرئی باقی بماند.

این همان چالش جدیدی است که این مقاله به آن می‌پردازد: حتی زمانی که E-E-A-T برای بازار محلی به خوبی ارائه شده است، آیا ماشین‌ها واقعاً می‌توانند آن را به عنوان یک سیگنال E-E-A-T درک، پردازش و نسبت دهند؟ یک برند می‌تواند با محتوای واقعاً محلی که توسط متخصصان واجد شرایط محلی بازبینی شده، از مانع اول عبور کند، اما در مانع دوم شکست بخورد، زیرا مدلی که آن را می‌خواند هرگز یاد نگرفته است آنچه را که می‌بیند، تشخیص دهد. سازمان‌ها اکنون باید برای هر دو جنبه راه‌حل بیابند: نمایش تخصص برای خوانندگان انسانی، و به طور جداگانه، قابل فهم کردن آن تخصص برای ماشین‌ها.

برای درک اینکه چرا هوش مصنوعی اعتبار محلی را نمی‌بیند، یک برند جهانی با ۴۰ وب‌سایت منطقه‌ای را تصور کنید که هر کدام به روش «صحیح» ساخته شده‌اند. هر سایت به زبان بازار خود بومی‌سازی شده، با نویسندگان محلی کار می‌کند، توسط کارشناسان محلی بازبینی می‌شود و پر از مثال‌ها و اصطلاحات خاص آن بازار است. بر اساس تمام استانداردهای سئوی سنتی، این یک نمونه کلاسیک از E-E-A-T بین‌المللی است.

یک انسان با ارزیابی این برند بازار به بازار، ۴۰ منبع متمایز و معتبر با ۴۰ نمایش از تخصص محلی را تشخیص می‌دهد. اما یک مدل هوش مصنوعی لزوماً اینطور نمی‌بیند. مدلی که بر روی کوهی از محتوای تقریباً یکسان در این ۴۰ دامنه آموزش دیده، می‌تواند کل برند را به یک نمایش واحد و جهانی تقلیل دهد. در نتیجه، یک برداشت ترکیبی از هویت و دانش برند شکل می‌گیرد که از همان محتوایی که قرار بود اعتبار محلی را ثابت کند، مسطح شده است.

این الگو در پروژه‌های مختلف مشاهده شده است: سیگنال‌های اعتبار بومی‌سازی‌شده، اصطلاحات منطقه‌ای، مثال‌های خاص بازار، کارشناسان محلی نام‌برده شده و استنادات محلی، اغلب تحت تأثیر شباهت خودشان قرار می‌گیرند. هرچه محتوا در بازارهای مختلف سازگارتر و «همسو با برند» باشد، برای یک مدل آسان‌تر است که ۴۰ سایت را به عنوان یک سایت واحد در نظر بگیرد.

اگر این سیگنال‌های بومی‌سازی‌شده هرگز به بخشی از درک زیربنایی مدل از برند تبدیل نشوند، نمی‌توانند بر آنچه مدل بعداً توصیه می‌کند، تأثیر بگذارند. سازمان‌های جهانی دهه‌ها برای انتشار شواهد تخصص خود هزینه کرده‌اند. چالش برای هوش مصنوعی این نیست که آیا آن تخصص وجود دارد یا خیر، بلکه این است که آیا شواهد آن «آموخته» شده است یا نه.

یکی از مشکلاتی که به طور مکرر در بازارهای مختلف دیده می‌شود، مدارک حرفه‌ای است. ارزیابان کیفیت گوگل می‌توانند یک مدرک محلی را درک کنند زیرا زمینه آن را می‌فهمند. اما مدل‌های هوش مصنوعی این درک متنی را ندارند. اگر مدل‌های زبان بزرگ عمدتاً بر روی محتوای انگلیسی‌زبان از ایالات متحده آموزش دیده باشند، چقدر می‌توانند عناوین شغلی، گواهینامه‌ها و سیستم‌های صدور مجوز مورد استفاده در سایر نقاط جهان را به الگویی که به عنوان «متخصص» می‌شناسند، مرتبط کنند؟

به عنوان مثال، سه معمار را در نظر بگیرید: یک معمار آلمانی که از طریق سیستم صدور مجوز حرفه‌ای آلمان و انجمن معماران آلمان (Bund Deutscher Architektinnen und Architekten - BDA) شناخته می‌شود، یک معمار فرانسوی که در انجمن معماران (Ordre des Architectes) ثبت شده است، و یک معمار ژاپنی با مجوز 一級建築士 (معمار درجه یک ثبت‌شده). هر یک از این‌ها نشان‌دهنده تخصص قابل توجه و قانونی است، اما هر کدام از یک قرارداد فرهنگی و نهادی کاملاً متفاوت برای بیان آن تخصص پیروی می‌کنند. هیچ‌کدام لزوماً شبیه الگوهای اعتباری که یک مدل با آن‌ها آشناست، نیستند، به خصوص اگر داده‌های آموزشی آن تحت تأثیر عبارات انگلیسی مانند «licensed architect» باشد.

مدل‌های زبان از طریق تکرار مثال‌ها، روابط را یاد می‌گیرند. اگر این روابط در داده‌های آموزشی ضعیف یا کم‌تعداد باشند، یک مدرک معتبر می‌تواند به جای تبدیل شدن به شاهدی بر تخصص، صرفاً یک عبارت ناآشنا باقی بماند. در این حالت، صلاحیت فرد تغییر نکرده، بلکه توانایی مدل در تشخیص آن رابطه تغییر کرده است.

این مشکل فقط به معماری محدود نمی‌شود. فرقی نمی‌کند متخصص شما یک مهندس، وکیل، حسابدار یا مشاور مالی باشد؛ هوش مصنوعی باید یاد بگیرد که مدارک محلی آن‌ها چه معنایی دارند تا بتواند از آن‌ها به عنوان شاهدی بر اعتبار استفاده کند. تخصص صرفاً به دلیل وجود داشتنش، برای ماشین قابل تشخیص نمی‌شود.

این موضوع دیدگاه ما را نسبت به صفحات نویسنده نیز تغییر می‌دهد. فهرست کردن مدارک ممکن است خوانندگان انسانی را راضی کند، اما هوش مصنوعی زمانی بیشترین بهره را می‌برد که این مدارک به مؤسسات، گواهینامه‌ها، نشریات و سازمان‌هایی که دلیل اعتماد به نویسنده را مشخص می‌کنند، متصل شوند.

بومی‌سازی به طور سنتی به معنای ترجمه زبان، تطبیق تصاویر و ایجاد حسی بومی در یک بازار خاص بوده است. هوش مصنوعی مسئولیت دیگری را اضافه می‌کند: ما باید شواهد پشت تخصص خود را نیز «ترجمه» کنیم. این ایده، «ترجمه اعتبار» (Authority Translation) نامیده می‌شود. هدف فقط کمک به مشتریان محلی برای درک محتوای شما نیست، بلکه کمک به هوش مصنوعی برای درک این است که چرا سازمان شما شایسته اعتماد در آن بازار است.

برای بسیاری از سازمان‌ها، این کار به معنای بازسازی هر وب‌سایت منطقه‌ای نیست، بلکه به معنای آشکار کردن زمینه‌ای است که مخاطبان محلی از قبل آن را بدیهی می‌دانند. یک مدرک ممکن است برای مشتریان در آلمان یا کره واضح باشد، اما هوش مصنوعی ممکن است نداند آن مدرک چه چیزی را نمایندگی می‌کند. به جای فرض اینکه این روابط واضح هستند، سازمان‌ها باید به طور فزاینده‌ای آن‌ها را صریح و روشن بیان کنند.

هر بازار به شواهد اعتبار خاص خود نیاز دارد. هوش مصنوعی نیز تقریباً همین استاندارد را برای تخصص به کار می‌برد. اعتبار جهانی پایه و اساس را فراهم می‌کند، اما شواهد بومی‌سازی‌شده و قابل تشخیص برای ماشین، به طور فزاینده‌ای تعیین می‌کند که آیا آن تخصص به بخشی از آنچه هوش مصنوعی می‌فهمد و در نهایت توصیه می‌کند، تبدیل می‌شود یا خیر. برای تیم‌های سئوی بین‌المللی، این موضوع معنای بهینه‌سازی را تغییر می‌دهد. هدف جدید، قابل تشخیص کردن تخصص برای ماشین‌هاست.