به جای تمرکز بر روی ارجاعات (Citations) و ترافیک ارجاعی (Referral Traffic) – جایی که ۸۰ تا ۹۰ درصد از لیدهای (مشتریان بالقوه) ورودی از طریق هوش مصنوعی به اشتباه به عنوان «ترافیک ارگانیک» برچسب گذاری می شوند – روی پرامپت ها، میزان دیده شدن در مدل های مختلف و اسناد خودگزارش دهیِ کاربران (Self-reported attribution) تمرکز کنید.
من در طول هفته ده ها گفت وگو با متخصصان رشد (Growth) و بازاریابی دارم؛ از مدیران ارشد، معاونان بازاریابی و مدیران ارشد بازاریابی (CMO) گرفته تا متخصصان سئو (SEO) که درگیر کارهای دقیق و روزمره هستند.
بسیاری از مکالمات من حول محور «اندازه گیری» (Measurement) می چرخد. با ظهور پاسخ های هوش مصنوعی (AI Answers)، این موضوع به یک چالش فزاینده تبدیل شده است، زیرا متریک ها و معیارهای سنتی سئو در حال فروپاشی هستند.
(توضیح تکمیلی: در سئوی سنتی، ما به راحتی با استفاده از ابزارهایی مثل سرچ کنسول یا گوگل آنالیتیکس می توانستیم تعداد کلیک ها و ایمپرشن ها را ردیابی کنیم. اما در عصر AEO یا بهینه سازی برای موتورهای هوش مصنوعی، کاربر پاسخ خود را مستقیماً در چت بات می گیرد و اصلاً کلیکی روی لینک سایت شما انجام نمی دهد!)
بخش زیادی از این گفت وگوها صرفِ از بین بردن تصورات غلط و توصیه های گمراه کننده ای می شود که مدیران و متخصصان در شبکه های اجتماعی می بینند.
این مکالمه آسانی نیست، اما بسیار مهم است. این یعنی باید به افراد بگویید از بسیاری از چیزهایی که دیگران در شبکه های اجتماعی تبلیغ می کنند، دوری کنند. بله، گفت وگوی راحتی نیست، اما گفت وگوی درستی است.
هدف من در اینجا رفع این سردرگمی هاست تا بتوانید تلاش های خود برای «دیده شدن در هوش مصنوعی» را به نتایج ملموس تجاری گره بزنید.
چه چیزی را باید ردیابی (Track) کنیم؟
این موارد ترکیبی از شاخص های پیشرو (Leading) و پسرو (Lagging) هستند که شما درجات مختلفی از کنترل را روی آن ها دارید. من ابتدا استدلال می کنم که چرا هر کدام از آن ها اهمیت دارند و سپس نحوه تاثیرگذاری بر آن ها را بررسی خواهیم کرد.
تصویری که اهمیت تحقیق پرامپت های واقعی مشتریان و چالش های نگاشت کلمات کلیدی برای مدل های هوش مصنوعی را نشان می ده
۱. پرامپت ها (Prompts / دستورات متنی)
این بدیهی ترین و مهم ترین تصمیم است، زیرا «آنچه اندازه می گیرید، بر رفتار شما تاثیر می گذارد». بر اساس ده ها گفت وگویی که داشته ام، این دقیقاً همان جایی است که بسیاری از افراد اشتباه می کنند.
اشتباه در این مرحله، تبدیل به اولین دومینو در زنجیره ای از اندازه گیری های غلط می شود. اگر در حال ردیابیِ مجموعه پرامپت های اشتباهی باشید، هیچ یک از معیارهای دیگر مانند سهم ارجاعات (Citation Share)، منشن شدن برند یا میزان دیده شدن، اهمیتی نخواهند داشت.
بیشتر ابزارهای ردیابی هوش مصنوعی مانند Profound، Peec و AirOps به طور خودکار پرامپت هایی را برای ردیابی به شما پیشنهاد می دهند، اما این پیشنهادات به ندرت همان چیزهایی هستند که باید روی آن ها تمرکز کنید. من شخصاً این موضوع را کاملاً تایید نکرده ام، اما تا جایی که می توانم بگویم، این ابزارها وب سایت شما را تجزیه و تحلیل می کنند و صفحات موجود را به پرامپت ها نگاشت (Map) می کنند. پیش فرض آن ها این است که صفحاتی که در حال حاضر روی سایت شما وجود دارند، همان صفحاتی هستند که باید در خروجی مدل های زبانی بزرگ (LLM) ارجاع داده شوند یا دیده شوند.
این فرض ممکن است درست باشد. اما بیشتر شرکت هایی که با آن ها صحبت می کنیم می گویند: “ما برای پرامپت هایی که می خواهیم در آن ها دیده شویم، نمایش داده نمی شویم!” این جمله به من می گوید که آن ها استراتژی درستی ندارند و در نتیجه، صفحات مناسبی را هم منتشر نکرده اند.
ما در دانش وب همیشه به مشتریان خود در بخش خدمات سئو تاکید می کنیم که پیش از هرگونه تولید محتوا، باید «تحقیق کلمات کلیدی و پرامپت ها» بر اساس نیاز واقعی و درد مشتری (Pain Points) انجام شود، نه صرفاً بر اساس محتواهایی که از قبل روی سایت وجود دارد.
۲. میزان دیده شدن در هوش مصنوعی (AI Visibility)
همان طور که متوجه شدید، اگر پرامپت های اشتباهی را ردیابی کنید، میزان دیده شدنِ چیزهای اشتباهی را اندازه خواهید گرفت.
از دیدگاه ما و با بررسی وضعیت ده ها کلاینت، ChatGPT پرکاربردترین LLM است؛ اما ارزش آن را دارد که بررسی کنید برند شما چقدر برای پرامپت های هدف در پلتفرم های مختلفی مانند ChatGPT، Gemini، مدِ هوش مصنوعی گوگل (Google AI Mode)، Perplexity، Claude و Copilot ظاهر می شود.
این موضوع بسیار مهم است، زیرا پایگاه کاربری ChatGPT بیشتر به سمت «مصرف کنندگان عادی» (Consumer) گرایش دارد، در حالی که پایگاه کاربری Claude بیشتر به سمت «کسب وکارها و شرکت ها» (B2B/Enterprise) متمایل است. اگر شما یک کسب وکار B2B هستید، باید بدانید که اگرچه Claude کاربران کمتری دارد، اما آن کاربران در «محل کار» خود از Claude استفاده می کنند، و این دقیقاً همان کانتکستی (Context) است که برای شما اهمیت دارد.
همچنین، گوگل حالت هوش مصنوعی (AI Mode / AI Overviews) خود را برجسته تر کرده است و با توجه به اینکه مرورگر کروم بیشترین سهم بازار را در اختیار دارد، بسیاری از افراد خروجی های هوش مصنوعی گوگل را به صورت پیش فرض خواهند دید.
ردیابی هر مدل به صورت جداگانه به شما امکان می دهد تا ببینید آیا تغییر در میزان دیده شدن یا ترافیک، فقط به یک مدل خاص محدود می شود یا در تمام آن ها در حال وقوع است.
علاوه بر این، تفاوت های قابل توجهی در نحوه جستجو و ارائه اطلاعات توسط هر مدل وجود دارد. به عنوان مثال، Claude از موتور جستجوی Brave استفاده می کند در حالی که ChatGPT از Bing بهره می برد؛ آن ها متدولوژی های متفاوتی برای انتخاب منابع دارند و هر مدل از طریق قراردادهای رسانه ای، منابعِ ارجحِ خود را دارد.
نمایی از داشبورد بررسی حضور برند در پلتفرم های مختلف مانند ChatGPT، Claude، Gemini و Perplexity.
۳. اسناد خودگزارش دهی (Self-Reported Attribution)
در بیشترِ سال های دهه گذشته، بازاریابان برای اینکه بفهمند لیدها (مشتریان راغب) از کجا آمده اند، به ابزارهای تحلیل کلیک (Clickstream Analytics) و پارامترهای UTM تکیه می کردند.
اما این پارادایم مدتی است که در حال فروپاشی است و اکنون تنها بخش بسیار کوچکی از تصویر واقعی را نشان می دهد.
مدل های زبانی (LLMها) ماهیتاً و بر اساس طراحی خود، «بدون کلیک» (Zero-click) هستند. وقتی کسی از ChatGPT، Gemini یا Claude سوالی می پرسد، پاسخ را مستقیماً در همان چت دریافت می کند. آن ها روی لینک کلیک نمی کنند تا وارد سایت شما شوند. آن ها تحقیقات خود را در همان مکالمه انجام می دهند و سپس، ممکن است بعداً برند شما را مستقیماً در گوگل جستجو کنند یا آدرس URL سایت (مثلاً daneshweb.com) را مستقیماً در مرورگر تایپ کنند. در این حالت، پلتفرم های آنالیتیکس و CRM شما این ترافیک را به عنوان «ارگانیک» یا «دایرکت» (Direct) ثبت می کنند، اما واقعیت این است که این یک هوش مصنوعی بود که آن فرد را به سمت سایت شما هدایت کرد!
(توضیح تکمیلی: در اصطلاحات دیجیتال مارکتینگ به این پدیده Dark Social یا ترافیک پنهان می گویند. در تیم مارکتینگ دانش وب ما برای حل این مشکل، معماری جمع آوری داده ها را بازطراحی می کنیم تا دقیق ترین آمار از منابع ورودی به دست آید.)
سیستم خودگزارش دهی، ساده ترین و در عین حال باکیفیت ترین (Highest-signal) راه برای درک بخش پنهان داستان است. ما توصیه می کنیم خیلی ساده از افراد بپرسید: “چگونه با ما آشنا شدید؟” البته این روش نقص های شناخته شده و مستندی دارد (عمدتاً به دلیل ضعف حافظه انسان و برجسته بودن برخی نقاط تماس)، بنابراین بی نقص نخواهد بود؛ اما این خودِ خریدار است که با کلمات خودش به شما می گوید چگونه شما را پیدا کرده است.
اگر این اطلاعات را از طریق یک فیلد در فرم تماس یا ثبت نامِ خود ثبت کنید، سپس می توانید آن منابعِ ورودی را در CRM خود تا رسیدن به مرحله فروش و درآمد نهایی ردیابی کنید. این نهایتِ معیار موفقیت برای یک کانال بازاریابی است.
یکی از کلاینت های ما که این سیستم را اضافه کرده بود، متوجه شد که حدود 5% از ثبت نام هایشان از طریق ChatGPT انجام می شود، با وجود اینکه آن ها هیچ کارِ سئویی برای دیده شدن در هوش مصنوعی انجام نداده بودند!
داده های ما نشان داد که ۸۰ تا ۹۰ درصد از لیدهایی که از طریق پلتفرم های هوش مصنوعی آمده بودند، در سیستم به اشتباه تحت عنوان «ارگانیک» یا «دایرکت» برچسب خورده بودند.
تصویری مفهومی از نحوه ردیابی لیدهای ورودی از هوش مصنوعی که به اشتباه به عنوان ترافیک مستقیم یا ارگانیک ثبت می شوند.
چه چیزی را پایش (Monitor) کنیم، اما به عنوان شاخص کلیدی عملکرد (KPI) تعیین نکنیم؟
این معیارها معمولاً مرتبط هستند، اما هدف نهایی نیستند و در بسیاری از مواقع، شما کنترل مستقیمی روی آن ها ندارید.
۱. ارجاعات (Citations)
این همان بخش استراتژیکی است که افراد به اشتباه آن را به عنوان معیار موفقیت (Success Metric) در نظر می گیرند.
منابعِ خارج از صفحه (Off-page) بر ارجاعات در تمام مراحل قیف فروش تسلط دارند. تحقیقات ما روی منابع ارجاعی نشان داد که حتی برای کلمات کلیدی برندسازی شده یا کوئری های انتهای قیف (پایین ترین سطح قیف فروش که به خرید نزدیک است)، از منابع از نوع رسانه های اکتسابی (Earned Media / مثل مقالات روابط عمومی)، از محتوای تجاری سایت های دیگر و تنها از وب سایتِ خود برند بوده است.
بنابراین، شما باید بررسی کنید که در حال حاضر چه درصدی از منشن های (اشاره به برند) قابلِ دستیابی را در پلتفرم های شخص ثالث (سایت های دیگر) اشغال کرده اید. اگر این رقم است، یعنی فضای رشد عظیمی در پیش دارید.
و به یاد داشته باشید: فقط به خاطر اینکه سایت شما ارجاع (Cite) داده شده است، به این معنی نیست که در خروجی نهایی LLM، برند شما «توصیه» (Recommended) یا ارائه شده است.
این بدان معناست که بله، شما باید ارجاعات را بررسی کنید، اما نه فقط برای اینکه ببینید آیا به سایت شما لینک داده شده است یا خیر؛ بلکه باید ببینید آیا نام برند شما در صفحاتی که بیشترین ارجاع را دریافت کرده اند، منشن شده است یا نه.
۲. احساسات (Sentiment)
من سوالات زیادی از بازاریاب ها دریافت می کنم که می گویند: “ChatGPT برند ما را در مقایسه با رقبایمان با لحن کمتر مطلوبی نشان می دهد. چگونه می توانیم این موضوع را بهبود ببخشیم؟”
تاثیرگذاری بر احساساتِ بازار نسبت به یک برند، کارِ بسیار عظیمی است که هیچ فردی به تنهایی نمی تواند آن را کنترل کند.
البته تاکتیک هایی وجود دارد که می توانید برای تاثیرگذاری بر احساساتی که LLMها ارائه می دهند استفاده کنید؛ مانند فعالیت در رشته بحث های مرتبط در پلتفرم هایی مثل ردیت (Reddit) یا تولید محتوایی که برند شما را در نور بهتری نشان می دهد.
اما در نهایت، آنچه LLMها درباره برند شما ارائه می دهند، تفکراتِ خودِ هوش مصنوعی نیست؛ بلکه انعکاسِ چیزی است که بازار در صدها وب سایت مختلف درباره برند شما می گوید.
این موضوع بیشتر به تجربه افراد از محصول شما، تیم فروش شما، پشتیبانی مشتریان و تجربه کاربریِ کلی (UX) که شرکت شما ارائه می دهد، بستگی دارد. بازاریابی تنها بخش کوچکی از آن است. هیچ حجمِ از بازاریابی و سئو نمی تواند یک تجربه منفی مشتری از برند شما را جبران کند.
بنابراین احساسات را پایش کنید، اما بیشتر به عنوان یک «بازخورد برای بهبود تجربه مشتری» به آن نگاه کنید تا چیزی که صرفاً با ابزارهای مارکتینگ بخواهید آن را دستکاری کنید. (بهبود تجربه مشتری، به صورت خودکار احساسات برند را هم مثبت می کند).
تصویری مفهومی که نشان می دهد چرا تعداد ارجاعات (Citations) برای کسب وکارها شاخص نهایی موفقیت نیست.
۳. ترافیک ارجاعی از LLMها (LLM Referral Traffic)
پایش این مورد هم ارزش دارد، اما KPI خوبی نیست، زیرا شما نمی توانید آن را کنترل کنید.
شرکت OpenAI اخیراً نحوه ارائه منابع توسط ChatGPT را تغییر داد و تعداد منابعی که نشان می داد را کاهش داد. در نتیجه، بسیاری از وب سایت ها ترافیک ارجاعی از سوی ChatGPT را از دست دادند. با این حال، آن ها یک ماه بعد این تغییر را به حالت قبل برگرداندند و ارجاعات بیشتری نشان دادند، که منجر به افزایش شدیدِ ترافیک ارجاعی شد. همین مسئله آن را به یک KPI به شدت نوسانی و ناپایدار تبدیل می کند.
علاوه بر این، بخش زیادی از ترافیک ارجاعی هوش مصنوعی توسط ابزارهایی مانند گوگل آنالیتیکس (GA4) یا HubSpot تحت عنوان ترافیک LLM برچسب نمی خورد، زیرا منبع ارجاع دهنده (Referrer) در مرورگر حذف می شود. در نتیجه این ترافیک در نهایت به عنوان ترافیک مستقیم (Direct) دسته بندی می شود.
چگونه مهم ترین متریک ها را اندازه گیری کنیم؟
دانستنِ اینکه چه چیزی را باید ردیابی کنیم تنها نیمی از مسیر است؛ در ادامه بررسی می کنیم که چگونه باید این شاخص های حیاتی را در عمل و به شکلی دقیق اندازه گیری کنیم.
چگونه پرامپت های درست را ردیابی می کنید؟
اشتباهی که بسیاری از تیم ها مرتکب می شوند این است که اجازه می دهند ابزارِ هوش مصنوعیِ آن ها، پرامپت ها را برایشان انتخاب کند یا خودشان سعی می کنند حدس بزنند چه چیزی را ردیابی کنند.
مشکل اینجاست که آن ابزارها مشتریان شما را نمی شناسند. خبر خوب چیست؟ شما آن ها را می شناسید! این دانش در حال حاضر در قالب فایل های ضبط شده تماس های فروش، رونوشت چت ها، تماس های آنبوردینگ (ورود مشتری) و مصاحبه های تحقیقاتی با مشتریان در دسترس شماست. این ها منابع غنی هستند که می توانید برای درک «صدای مشتری» استخراج کنید:
- چه سوالاتی مرتباً پرسیده می شود؟
- مشتریان چه اعتراضات و دغدغه هایی را مطرح می کنند؟
- آن ها برای توصیف مشکلات و چالش های خود از چه ادبیات و کلماتی استفاده می کنند؟
اگر مشتریان بالقوه شما این سوالات را در یک تماس می پرسند، مطمئن باشید آن ها – و افرادی شبیه به آن ها – دقیقاً همین سوالات را از ChatGPT یا Claude هم می پرسند.
منبع دیگر، همان اسناد خودگزارش دهی است که قبلاً اشاره شد. زمانی که این سیستم را پیاده سازی کردید، تیم فروش شما می تواند متوجه شود که آیا یک لید از طریق یک LLM آمده است یا خیر، و به سادگی از او بپرسد که “دقیقاً چه پرامپتی را جستجو کردید؟” یا حتی از او بخواهد یک اسکرین شات از چت خود بفرستد. طبق تجربه من، افراد معمولاً با کمال میل این اطلاعات را به اشتراک می گذارند.
با ترکیب رونوشت تماس ها و بازخورد مستقیم خریدار، شما حدس و گمان را با «زبان و ادبیات دقیقِ مشتریان» جایگزین می کنید.
مجموعه پرامپت های هدف شما می تواند و احتمالاً باید در طول زمان تغییر کند. ما توصیه می کنیم پرامپت ها را به صورت فصلی بر اساس تحقیقات صدای مشتری بازبینی کنید؛ به ویژه اگر در صنعتی با سرعت تغییرات بالا فعالیت می کنید.
تصویری از فرآیند تحلیل داده های حاصل از مکالمات فروش و چت های پشتیبانی برای استخراج پرامپت های واقعی.
چگونه میزان دیده شدن را در ChatGPT، Claude، Gemini و … اندازه می گیرید؟
هنگامی که مجموعه پرامپت های خود را استخراج کردید، توصیه می کنیم از ابزارهایی مانند Profound، Peec یا AirOps برای ردیابی آن ها استفاده کنید.
مراقب کانال های پیش فرضی که ردیابی می شوند باشید. به عنوان مثال، ما خیلی به Perplexity اهمیت نمی دهیم و از طرفی Claude اغلب به عنوان یک LLM پیش فرض در این ابزارها قرار ندارد. بنابراین ما ردیابی خود را روی Claude، ChatGPT، Gemini و AI Mode گوگل اولویت بندی می کنیم.
پرامپت های خود را وارد کنید، وضعیت رقبای خود را بسنجید و روند دیده شدن خود را در طول زمان بررسی کنید.
چگونه سیستم خودگزارش دهی را راه اندازی و گزارش گیری می کنید؟
بالاتر اشاره کردم که پلتفرم هایی مانند گوگل آنالیتیکس تصویر کاملی از منبع جذب لید به شما نمی دهند. ما توصیه می کنیم روشی برای ثبتِ منبع توسط خود کاربر داشته باشید تا یک شخص بتواند صراحتاً به شما بگوید که چگونه شما را پیدا کرده است. این روش بی نقص نخواهد بود (در بحث Attribution هیچ چیزی بی نقص نیست)، اما یک نقطه داده (Data point) آموزنده دیگر به شما می دهد.
این کار همچنین به شما امکان می دهد تا فرصت های فروش، وضعیت قیف و در نهایت درآمدی که از طریق LLMها به دست آمده را به دقت ردیابی کنید.
من دیده ام که این کار به سه روش انجام می شود:
- اضافه کردن سوالِ “چگونه با ما آشنا شدید؟” در فرم های تماس یا ثبت نام: می توانید آن را به صورت یک فیلد متنیِ باز (Open-ended) بگذارید یا یک منوی کشویی با گزینه های از پیش تعریف شده ارائه دهید که گزینه “دستیار هوش مصنوعی (ChatGPT، Claude و …)” یکی از آن ها باشد. برخی از کلاینت ها (از جمله مشتریان ما در تیم طراحی سایت) نگران اند که این فیلدِ اضافی، نرخ تبدیل (Conversion Rate) فرم ها را کاهش دهد. پیشنهاد من این است که یک تست A/B اجرا کنید تا ببینید آیا واقعاً این اتفاق می افتد یا خیر.
- اضافه کردن این سوال به مسیرِ آنبوردینگ (Onboarding) محصول: این کار نگرانی های مربوط به کاهش نرخ تبدیل فرم ثبت نام را برطرف می کند، اما برای محصولات یا خدماتی که فروش آن ها صددرصد وابسته به ارتباطات انسانیِ تیم فروش (Sales-led) است، کاربردی ندارد.
- درخواست از تیم فروش برای پرسیدن این سوال در تماس های اولیه: این روش نیازمند تغییر رفتار در تیم فروش شماست و جنبه منفی آن این است که برای محصولاتِ سلف سرویس (محصولاتی که کاربر بدون نیاز به اپراتور، مستقیماً خرید می کند) قابل پیاده سازی نیست.
تمرکز روی چیزی که واقعاً پول ساز است
وقتی درباره بازاریابی پولی (مانند تبلیغات کلیکی گوگل) صحبت می کنیم، معمولاً موفقیت را با تعداد “نمایش” (Impressions) اندازه گیری نمی کنیم؛ زیرا نمایش ها برای ما پول ساز نیستند. در عوض، ما در مورد «بازگشت سرمایه تبلیغاتی» (ROAS) صحبت می کنیم؛ یعنی به ازای هر یک دلاری که خرج می کنیم، چند دلار به دست می آوریم؟
اگرچه این یک مقایسه کاملاً برابر نیست، اما همین منطق در اینجا نیز صدق می کند. به جای اندازه گیریِ صرفِ «میزان دیده شدن» یا «تعداد ارجاعات» (که مستقیماً پولی برای شما نمی سازند)، باید از خود بپرسیم که آیا از طریق LLMها به «افرادِ درست» دسترسی پیدا کرده ایم؟ و آیا این دیده شدن به نتایج و خروجی های تجاری تبدیل می شود یا خیر؟
این یعنی تمرکز روی: لیدها (مشتریان راغب)، جریان فروش (Pipeline) و در نهایت، درآمد واقعی.
نتیجه گیری
دنیای جستجو با سرعتی سرسام آور در حال تغییر است. اگر تا دیروز تمام دغدغه یک مدیر سئو، رساندن کلیک های گوگل آنالیتیکس به یک عدد خاص بود، امروز در پارادایم AEO (بهینه سازی موتورهای هوش مصنوعی)، مفهوم “کلیک” در حال رنگ باختن است. کاربران پاسخ های خود را مستقیماً از ChatGPT و Claude می گیرند و بدون اینکه ردی از خود در ابزارهای سنتی ما بر جای بگذارند، به خریدار نهایی تبدیل می شوند.
ما در دانش وب معتقدیم که استراتژی های مدرن سئو و طراحی سایت باید با این تغییرات همگام شوند. کسب وکارهای پیشرو دیگر نباید صرفاً به دنبال ترافیک باشند، بلکه باید روی تسخیر پرامپت های کلیدی و مدیریت احساسات برند در سطح وب تمرکز کنند. با راه اندازی سیستم های معماری داده و ردیابی صحیح لیدها، می توانیم متوجه شویم که هوش مصنوعی نه یک تهدید برای ترافیک سایت، بلکه یک کانال قدرتمند و جدید برای جذب باکیفیت ترین مشتریان است.