صفحات محصول ۲۴ درصد ارجاع‌های هوش مصنوعی را می‌گیرند؛ ردیت و یوتیوب ۴ درصد

اگر امسال در کانال‌های تخصصی بهینه‌سازی برای موتورهای جست‌وجو یا دستیارهای هوش مصنوعی فعالیت کرده باشید، احتمالاً این توصیه را بارها شنیده‌اید: در ردیت (Reddit) و یوتیوب (YouTube) حضور داشته باشید و خریدار را در همان جامعه‌ای پیدا کنید که به آن اعتماد دارد. این توصیه برای خریداری که هنوز در حال یادگیری یک دسته محصول است منطقی است، اما داده‌های مطالعه تازه تن‌اسپید (Ten Speed) نشان می‌دهد وقتی همان خریدار سراغ مقایسه برندهای مشخص می‌رود، تصویر کاملاً فرق می‌کند.

این مطالعه را نلسون برسل (Nelson Brassell) از تن‌اسپید نگارش کرده و در آن، ابزار پیک ای‌ای (Peec AI) نحوه ارجاع چت‌جی‌پیتی (ChatGPT)، پرپلکسیتی (Perplexity)، کلود (Claude) و جمینای (Gemini) به آدرس‌های اینترنتی را رصد کرده است. پژوهشگران ۱۷۰ پرامپت طراحی کردند که مکالمه خریدار را در مرحله انتخاب برند شبیه‌سازی می‌کند؛ پرسش‌هایی مانند «کدام ابزار CRM برای شرکت فروش‌محور مناسب‌تر است؟» نه «CRM چیست؟». این پرامپت‌ها روی مشتریان تن‌اسپید در حوزه‌های فین‌تک، امنیت فیزیکی، هتلداری و اتوماسیون فناوری اطلاعات و نیز رقبای مشابه اجرا شد و در مجموع ۷۳۸۷ بار ارجاع ثبت شد.

نتایج نشان می‌دهد صفحات محصول با ۲۴.۱ درصد بزرگ‌ترین منبع ارجاع بودند. مقالات شامل بلاگ‌پست‌ها، اخبار و اطلاعیه‌های مطبوعاتی ۱۷.۴ درصد، صفحات مقایسه و فهرست‌نویسی‌ها هرکدام حدود ۱۳ درصد، راهنماهای آموزشی کمتر از ۹ درصد و صفحه اصلی وب‌سایت‌ها ۷.۸ درصد از ارجاع‌ها را گرفتند. پروفایل‌های دایرکتوری‌هایی مانند G2 و کپترا (Capterra) نیز ۷.۲ درصد سهم داشتند. ردیت، یوتیوب، فروم‌ها و بحث‌های کاربری روی هم فقط ۴.۲ درصد ارجاع‌ها را تولید کردند؛ بخش اعظم این عدد متعلق به ردیت بود و سهم یوتیوب حدود ۱ درصد باقی ماند. در مجموع، ۸۸.۳ درصد ارجاع‌ها به محتوای قابل‌کنترل برند، یعنی صفحاتی که تیم بازاریابی خودش می‌نویسد، رسید.

برتری صفحات مقایسه در ارجاع‌های هوش مصنوعی

فرمت مقایسه‌ای عملکرد بهتری از سهم خود داشت: این پرامپت‌ها فقط ۲۰ درصد پرسش‌ها را تشکیل می‌دادند، اما نزدیک به ۲۷ درصد ارجاع‌ها را به دست آوردند، یعنی بازدهی ۱.۳۳ برابری. نویسنده نتیجه گرفته که بسیاری از تیم‌های محتوای B2B این فرصت را نادیده می‌گیرند، چون صفحات «مقایسه با رقیب» را یک کار دفاعی می‌دانند، نه یک سطح مستقل برای جذب ارجاع.

برای سنجش اعتبار این آمار، شش پرسش روش‌شناختی مطرح شد. در نسخه منتشرشده، جدول پرامپت‌ها عدد ۲۲۰ را نشان می‌داد، در حالی که مخرج بقیه محاسبات ۱۷۰ بود. تن‌اسپید تأیید کرد عدد صحیح ۱۷۰ است و نمودار اشتباه اصلاح می‌شود. دسته‌بندی «مقایسه» نیز در دو نمودار به دو شکل متفاوت برچسب خورده بود که در نهایت روی ۳۴ پرامپت ثابت شد. تن‌اسپید از اعلام تعداد دقیق برندها و حوزه‌های تجاری مشتریان خودداری کرد، چون ترکیب این دو عدد می‌توانست نمونه کوچک محرمانه را لو بدهد.

محدودیت‌های روش‌شناسی مطالعه تن‌اسپید

دو پاسخ دیگر از این‌ها مهم‌ترند. نخست، مطالعه داده‌های تفکیک‌شده برای هر پلتفرم را ندارد و مشخص نیست چت‌جی‌پیتی، پرپلکسیتی، کلود و جمینای در پایین قیف فروش چه رفتاری دارند. دوم، عدد کلیدی «۴ درصد در برابر ۲۴ درصد» فقط یک الگوی توصیفی است و با آزمون آماری سنجیده نشده. مطالعه در جای دیگری برای مقایسه نرخ ارجاع میان انواع صفحات از آزمون‌های ناپارامتریک استفاده کرده، اما همین ادعای اصلی که تیتر و استدلال روی آن سوار شده، در حد گزارش توصیفی باقی مانده است.

خود تن‌اسپید نیز به محدودیت‌های کار اذعان دارد: داده‌ها فقط مشتریان B2B و خدمات حرفه‌ای را پوشش می‌دهد، نتیجه یک برش مقطع زمانی است نه روند، و تعداد ارجاع با کلیک، درخواست دمو یا فروش بسته‌شده برابر نیست. این شرکت تأکید کرده هنوز داده لازم برای ارتباط دادن ارجاع‌ها به سرنخ‌های فروش را ندارد.

سه اقدام برای افزایش ارجاع برند در پاسخ‌های هوش مصنوعی

این نتایج به این معنا نیست که توصیه به حضور در ردیت و یوتیوب غلط است؛ بلکه این توصیه برای مرحله بالاتر قیف کاربرد دارد، وقتی خریدار هنوز در حال شکل دادن به تصویر ذهنی خود از یک دسته محصول است. اگر هدف این باشد که در لحظه نزدیک به خرید دیده شوید، باید محل هزینه‌کرد بودجه محتوا تغییر کند.

برای این کار سه اقدام مشخص پیشنهاد شده است: اول، صفحات محصول و صفحه اصلی را طوری بازنویسی کنید که گویی مدل هوش مصنوعی بدون هیچ زمینه‌ای آن‌ها را می‌خواند؛ پاسخ روشن به این پرسش‌ها بدهید که محصول چه کار می‌کند، برای چه کسی است و با چه ابزارهایی یکپارچه می‌شود. دوم، صفحات مقایسه‌ای را زودتر و نه فقط علیه دو رقیب همیشگی بسازید، چون همین فرمت بیش از سهم پرسش‌های خودش ارجاع جذب می‌کند. سوم، پروفایل‌های G2 و کپترا را مثل یک صفحه محتوایی مدیریت کنید، نه فقط صندوق دریافت نظر مشتری؛ چون برچسب‌های دسته‌بندی و فهرست یکپارچه‌سازی‌ها داده ساختاریافته‌ای هستند که مدل هنگام ساختن فهرست گزینه‌ها به آن‌ها تکیه می‌کند.

نویسنده در پایان توصیه می‌کند پیش از تکرار هر آماری درباره دیده‌شدن در هوش مصنوعی در جلسه با مشتری یا سند استراتژی محتوا، بپرسید مخرج محاسبه چیست؛ آیا عدد میانگین پلتفرم‌هایی است که یک مورد پرت را پنهان می‌کند؛ آیا عدد اصلی آزمون آماری شده یا فقط توصیف شده است. مطالعه‌ای که از پس شش پرسش پیگیرانه و اصلاح نمودار بربیاید، برای کار عملی سئو ارزش بیشتری از مطالعه‌ای دارد که فقط یک بیانیه مطبوعاتی پشت آن است.