مشکل از قیمت نیست؛ ۱۶۳ متخصص ارزش بالایی برای داده های هوش مصنوعی قائل اند، اما حاضر نیستند روی ابزارهایی که این داده ها را تولید می کنند، سرمایه گذاری کنند.
در طول سه هفته از ماه جولای، من نظرسنجی ای برگزار کردم و از افرادی که روی «دیده شدن در جستجوی هوش مصنوعی» (AI Search Visibility) کار می کنند، پرسیدم که درباره پلتفرم ها و ابزارهای سنجش این حوزه چه فکر می کنند. ۱۶۳ نفر پاسخ دادند. این یک نمونه ی انتخابی از طریق شبکه ارتباطی خودم و بازنشرهای آن (به علاوه تبلیغات پولی در لینکدین و شبکه X) بود؛ بنابراین، این آمار بیشتر نشان دهنده نظر متخصصان درگیر و فعال در یک گوشه از این صنعت است، نه کل آن. درصدها در اینجا تقریباً حاشیه خطای هفت امتیازی دارند. در انتهای مقاله دوباره به موضوع حجم نمونه برمی گردم، زیرا مشخص شد که همین تعداد کمِ پاسخ دهندگان، خودش بخشی از داستان است.
در ادامه می خوانید که نتیجه این نظرسنجی چه بود.
شکاف بزرگ (The Gap)
من از افراد خواستم تا میزان ارزشمندی انواع مختلف «داده های دیده شدن در هوش مصنوعی» را رتبه بندی کنند؛ داده هایی مانند: هم راستایی کوئری (فراتر از کلمات کلیدی ساده)، مقایسه با رقبا، اینکه آیا نام برده شدنِ برند نتیجه ی «داده های آموزشی» (Training) مدل است یا «فراخوانی از وب» (Retrieval)، تخصیص منبع در سطح بخش های متن (Chunk-level attribution) و در نهایت وضعیت استنادها (Citations).
(توضیح غنی سازی: در مفاهیم پیشرفته GEO، تخصیص سطحِ بخش یا Chunk-level به این معناست که بدانیم هوش مصنوعی دقیقاً کدام پاراگراف یا تکه متن از سایت ما را برای تولید پاسخ خود استفاده کرده است).
در میان این پنج فاکتور، میانگین امتیاز ارزشمندی داده ها از دید کاربران ۴.۲۰ از ۵ بود.
سپس پرسیدم آیا در حال حاضر، اختصاص بودجه برای خرید یک پلتفرم اختصاصی جهت به دست آوردن این داده ها ارزشش را دارد؟
پاسخ: ۳.۱۹ از ۵.
کل داستان این نظرسنجی در همین دو عدد خلاصه می شود. یک سوم از پاسخ دهندگان در همان لحظه و با فاصله چند دقیقه، به «ارزش داده ها» بالاترین امتیاز را دادند، اما به «سرمایه گذاری روی ابزارها» امتیازی ولرم یا حتی ضعیف دادند. تنها ۴۴ درصد معتقدند که خرید یک ابزار در این دسته بندی اصلاً ارزشش را دارد. نزدیک به یک سوم از افراد به خرید این ابزارها امتیاز ۱ یا ۲ (از ۵) دادند.
من این داده ها را در چهار مرحله با ثبت پاسخ ها جمع آوری کردم: روی اعداد ۳۶، ۷۵، ۱۰۰ و در نهایت ۱۶۳ پاسخ. در تمام این مسیر، هیچ کدام از اعداد حتی یک دهم درصد هم جابه جا نشدند. این یعنی با یک خطای آماری طرف نیستیم؛ این الگو در همان ابتدا شکل گرفت و با چهار برابر شدن حجم نمونه، کاملاً ثابت ماند.
مقایسه بصری ارزش بالای دیتای هوش مصنوعی در برابر اکراه متخصصان از پرداخت هزینه برای ابزارها.
متخصصان چه گفتند؟
۱۲۳ نفر (۷۵٪) در کادر متنیِ نظرسنجی نظراتشان را نوشتند. من پرسیده بودم که بزرگترین سوال بی جواب آن ها، یا بزرگترین مشکلشان با پلتفرم هایی که تست کرده اند چیست. انتظار داشتم با لیستی از «درخواست ویژگی های جدید» مواجه شوم، اما چیزی که به دست آوردم کاملاً متفاوت بود.
موضوعات مطرح شده و درصد پاسخ ها:
- اعتماد، دقت، متدولوژی نامشخص و مبهم (۲۴٪)
- نرخ بازگشت سرمایه (ROI) و اتصال داده ها به ارزش تجاری (۲۰٪)
- عدم قطعیت (Non-determinism)، نوسان نتایج و شخصی سازی (۱۵٪)
- تفاوت پرامپت های مصنوعی (ساخته شده توسط ابزار) در برابر تقاضای واقعی کاربران (۱۱٪)
- عملی نبودن داده ها: «خب حالا باید چه کار کنم؟» (۹٪)
- قیمت یا هزینه ابزار (۷٪)
- تفاوت بین استناد (Citation) در برابر نام بردن (Mention) در برابر توصیه شدن (Recommendation) (۴٪)
- تخصیص منبع به یک پاراگراف یا متن خاص (۴٪)
- محدودیت تعداد پرامپت ها در ابزارها (۴٪)
- نبود ابزاری معادل سرچ کنسول گوگل (GSC) برای مدل های زبانی بزرگ (LLM) (۳٪)
بسیاری از افراد بیش از یک مشکل را مطرح کردند، بنابراین جمع درصدها بیش از ۱۰۰ می شود.
به اعتقاد من، جنس و بافت این پاسخ ها بسیار مهم تر از اعداد آن هاست.
توهم پرامپت ها و بحران مخرج کسر!
چندین نفر به یک مشکل ساختاری مشابه در زمینه «ردیابی لیست پرامپت ها» اشاره کردند: شما خودتان پرامپت ها را انتخاب می کنید؛ این یعنی از قبل تصمیم گرفته اید که دوست دارید برای چه کلماتی دیده شوید و سپس خودتان را با لیست خودتان می سنجید! یکی از پاسخ دهندگان این را «پیشگوییِ کام بخش» (Self-fulfilling prophecy) نامید؛ یعنی چیزی که چون به آن باور دارید، اتفاق می افتد.
مشکل مرتبط و تیزتر این بود: این ابزارها هیچ «مخرج کسری» ندارند.
(توضیح غنی سازی: در ابزارهای سنتی سئو مانند Keyword Planner یا KWFinder که ما در تیم دیجیتال مارکتینگ دانش وب برای تحلیل بازار ایران استفاده می کنیم، حجم جستجوی ماهانه (Search Volume) دقیقاً مشخص است؛ یعنی مخرج کسر و تقاضای واقعی کاربر روشن است. اما در ابزارهای هوش مصنوعی، امتیازات از لیست های فرضیِ پرامپت ها استخراج می شوند، نه از حجم جستجوی واقعی!) بنابراین، نوسانات طبیعی هوش مصنوعی به عنوان یک «برد» یا «باخت» به کارفرما گزارش می شود، در حالی که هیچ دیتای پایه ای وجود ندارد که بگوید این تغییر چقدر اهمیت داشته است.
یک پاسخ دهنده استدلال کرد که ابزارهای استناددهی (Citation tools) ذاتاً با ابزارهای رتبه سنجی سئو (Rank Trackers) متفاوت اند: وقتی هر بار که از هوش مصنوعی سوال می پرسید جواب متفاوتی می دهد، شما نمی توانید مهندسی معکوس کنید تا بفهمید چه چیزی جواب داده است. بنابراین، چیزی که در دستتان می ماند بیشتر شبیه به «سیگنال آگاهی از برند» است تا یک ابزار عیب یابی تکنیکال.
یک آژانس که روی بیش از ۵۰ مشتری کار می کرد، چالش اصلی را این گونه بیان کرد: آن ها نمی توانند سئوی هوش مصنوعی را بدون ابزارهای اندازه گیری به عنوان یک «خدمت» بفروشند، و از طرفی نمی توانند بودجه ابزارها را توجیه کنند تا زمانی که این سرویس را به مشتری نفروخته باشند!
یکی از افراد با دو دهه تجربه در صنعت سئو، منطقی ترین دیدگاه را مطرح کرد: «داده های سئو که توسط شخص ثالث ارائه می شوند همیشه بیشتر جهت دهنده (Directional) بوده اند تا یک وحی منزل. این هیچ اشکالی ندارد، به شرطی که کسی وانمود نکند اوضاع غیر از این است.»
و تندترین نظر که مستقیماً ارائه دهندگان ابزارها را هدف قرار داد: «شما نمی توانید کاری را که این ابزارها ادعا می کنند انجام دهید، زیرا هر کاربر در هر مدل زبانی، تجربه متفاوتی دریافت می کند. این ابزارها روغن مار و لوبیای سحرآمیز هستند!»
من قصد ندارم در اینجا با این نظرات مخالفت کنم. این چیزی است که متخصصان گفته اند و اگر بخواهم وقتم را صرف اثبات اشتباه آن ها کنم، ارزش این نظرسنجی از بین می رود.
مایش استعاری از پرامپت های مصنوعی و نوسان پذیر که بدون مخرج کسر مشخص و تقاضای واقعی ارزیابی می شوند.
قیمت، مشکل اصلی نیست
تنها ۷٪ از افراد به هزینه اشاره کردند. در حالی که ۵۷٪ افراد یکی از این دو مورد را گفتند: «من به این اعداد باور ندارم» یا «نمی توانم این داده ها را به درآمد و پول وصل کنم.»
این نسبت، مفیدترین خروجی این نظرسنجی است. هر چیزی که باعث کند شدن رشد ابزارهای دسته بندی GEO شده، قطعاً گران بودن قیمت آن ها نیست.
پاسخ ها درباره یکدیگر چه چیزی به ما نشان می دهند؟
خواندن پاسخ های انفرادی به شما مجموعه ای از شکایات را می دهد؛ اما متقاطع سازی داده ها چیز دیگری را نمایان می کند. سه الگوی زیر به شدت ثابت بودند:
افرادی که دغدغه «اعتماد» داشتند، دقیقاً به اندازه سایرین برای این داده ها ارزش قائل بودند و دقیقاً همان قدر حاضر بودند هزینه کنند. امتیاز آن ها به ارزش داده های پایه ۴.۲۰ بود (در برابر ۴.۱۹ برای بقیه). بودجه آن ها: از نظر آماری غیرقابل تشخیص با بقیه. اما تمایل آن ها به سرمایه گذاری روی پلتفرم به ۲.۷۶ سقوط کرد (در برابر ۳.۳۶ برای بقیه) و احتمال اینکه پولی برای این ابزارها پرداخت کنند به شدت پایین تر بود.
ارزش گذاری یکسان. بودجه یکسان. نتیجه گیری متفاوت. هرچیزی که این بخش از بازار را مسدود کرده، ارزش داده ها یا توان مالی آن ها نیست؛ مسئله این است که آیا آن ها این داده ها را باور دارند یا خیر.
تقریباً هیچ کس در حال ساخت جایگزین نیست. تنها ۸٪ از پاسخ دهندگان ابزارهای اختصاصی خودشان را ساخته بودند. (توضیح غنی سازی: توسعه چنین پلتفرم هایی به منابع پردازشی عظیم و دیتاساینتیست های خبره نیاز دارد. تیم تحقیق و توسعه (R&D) در دانش وب نیز در پروژه های پیچیده سئوی بین المللی به این نتیجه رسیده است که توسعه ابزارهای پایش هوش مصنوعی، فرآیندی به شدت هزینه بر و نیازمند تخصص بالای مهندسی است). این موضوع نشان می دهد که عبارت «نمیشه به این اعداد اعتماد کرد» صرفاً یک بهانه نیست، بلکه یک درخواست واقعی از بازار است تا یک نفر بیاید و این مشکل را به درستی حل کند.
شکاف بین ارزش گذاری داده ها و تامین مالی پلتفرم ها در تمام نقش ها یکسان است. آژانس ها، تیم های داخلی شرکت ها (In-house) و مشاوران مستقل همگی نظرات مشابهی داشتند. این نشان می دهد مشکل از خساست آژانس ها یا پرتوقع بودن تیم های داخلی نیست؛ کل بازار این گونه فکر می کند.
تنها چیزی که این معادلات را تغییر می دهد این است که «آیا قبلاً این ابزارها را خریده اید یا خیر». در میان مشترکین فعلیِ این ابزارها، این شکاف تقریبا از بین می رود، اما برای سایرین سه برابر بزرگتر است.
من نمی توانم بگویم این رابطه علی و معلولی به کدام سمت می رود؛ آیا خریدن ابزار باعث برطرف شدن شک شده است، یا افرادی که از ابتدا شک نداشته اند این ابزارها را خریده اند؟ اما این بزرگترین شکاف در دیتابیس ماست.
تجسم پنهان کاری تجاری و ساختار غیرقابل نفوذ پلتفرم های اندازه گیری در فناوری های نوین.
آن ها واقعاً چه می خواهند؟
بر اساس درصد افرادی که به ویژگی ها امتیاز ۴ یا ۵ دادند:
- هم راستایی پرس وجو (فراتر از کلمات کلیدی): ۹۰٪
- مقایسه با رقبا در همان جستجو: ۸۳٪
- تفاوت بین فراخوانی از وب و استخراج از دیتای آموزشی: ۸۳٪
- تخصیص منبع در سطح تکه های متن: ۷۵٪
- وضعیت دریافت لینک و استناد: ۷۱٪
در میان سیستم های هوش مصنوعی مهم: Google AI Overviews و AI Mode با ۹۵٪ اول بودند، سپس ChatGPT با ۹۴٪، Gemini گوگل ۷۵٪، Claude با ۶۴٪، Perplexity با ۳۴٪ و در نهایت Copilot با ۲۵٪. هیچ ابزار دیگری به ۵ درصد نرسید.
درخواستی که هیچ کس نمی تواند آن را برآورده کند!
بیشترین ایراد مطرح شده، مبهم بودن متدولوژی (Opacity) بود: «به من نشان دهید این داده ها از کجا می آیند و چرا باید آن ها را باور کنم.»
این یک خواسته کاملاً منطقی است. اما واقعیت این است که هیچ فروشنده ای در این دسته بندی نمی تواند چنین چیزی را به شما بدهد.
من باید به همه یادآوری کنم که خودم سازنده یکی از همین پلتفرم ها بوده ام. بنابراین دیدگاه من می تواند با تضاد منافع همراه باشد. برای یک شرکتِ سرمایه پذیر (Venture-backed)، «متدولوژی» همان دارایی اصلی شرکت است. انتشار آن به این معناست که محصول شما به یک ابزار رایگان تبدیل می شود. هر شرکتی که به نظر می رسد جعبه سیاه خود را باز کرده، صرفاً یک بخش گلچین شده و نمایشی را به شما نشان داده است.
این مشکل فقط مختص ابزارهای سئوی هوش مصنوعی (GEO) نیست. این درباره تمام تجارت های مبتنی بر اندازه گیری صادق است؛ از جمله همان ابزارهای کلمه کلیدی که این صنعت ۲۰ سال است بدون آنکه داخلشان را ببیند، به آن ها اعتماد کرده است! من نزدیک به یک دهه در داخل یکی از همین سیستم ها کار کرده ام، بنابراین وقتی می گویم تفاوت را درک می کنم، در حال حدس زدن نیستم.
اگر نمی توانید به متدولوژی دسترسی داشته باشید، پس چه چیزی باعث می شود یک عدد را باور کنید؟ تکرارپذیری؟ انتشار میزان نوسانات مدل ها؟ یا حسابرسی توسط شخص ثالث؟ هیچ کس در پاسخ ها راه حلی برای این موضوع پیشنهاد نداد و این خلأ نیاز به توجه بیشتری دارد.
تجسم تفاوت میان جامعه عظیم فعالان دیجیتال و تعداد انگشت شمار افرادی که عملاً در حال آزمودن و پایش هوش مصنوعی هستند.
نتیجه گیری
چندین پاسخ دهنده استدلالی را مطرح کردند که نمی توانم آن را نادیده بگیرم: این سیستم ها ذاتاً غیرقطعی (Non-deterministic) هستند. تجربه هر کاربر شخصی سازی شده است. یک اسنپ شات از چیزی که هوش مصنوعی در روز سه شنبه در پاسخ به یک پرامپتِ مصنوعی گفته، ممکن است به هیچ عنوان قابل تعمیم به دنیای واقعی نباشد.
من فکر نمی کنم این ادعا کاملاً درست باشد، اما نمی توانم خلاف آن را هم ثابت کنم! هیچ کدام از فروشندگان داشبوردهای GEO هم نمی توانند.
این من را به عددی می رساند که در طول مقاله از آن فرار می کردم. موسسه IBISWorld تخمین می زند که تنها در ایالات متحده حدود ۷۱۵,۰۰۰ نفر در زمینه سئو و مشاوره مارکتینگ اینترنتی شاغل هستند. از این تعداد، تنها ۱۶۳ نفر به نظرسنجی من پاسخ دادند. یعنی یک نفر از هر ۴,۴۰۰ نفر!
من این نظرسنجی را هفت بار به اشتراک گذاشتم، در خبرنامه ها چاپ شد، توسط بیست نفر از بزرگان صنعت بازنشر شد و برای آن تبلیغ پولی رفتم. با این حال پاسخ ها قطره چکانی بود.
نمی توانم تحلیل دقیقی از معنای این مشارکتِ پایین داشته باشم. شاید حجم اخبار مربوط به هوش مصنوعی آنقدر زیاد است که از ظرفیت ردیابی افراد خارج شده است. یا شاید بحث و گفتگوی رسانه ای پیرامون جستجوی هوش مصنوعی بسیار بلندتر از اقدام و عمل واقعی به آن است.
اما درک صنعتی که هوش مصنوعی را یک «تهدید وجودی» برای خود می داند، با چنین نمونه ی کوچکی که به سختی دور هم جمع شدند، متناقض است. این شکاف بزرگ بین «میزان حرف زدن درباره GEO» و «میزان کار واقعی روی آن»، شاید صادقانه ترین یافته ی این نظرسنجی باشد.
داده ها ۴.۲۰ از ۵ می ارزند. پلتفرم ها ۳.۱۹ از ۵. و تنها ۱۶۳ نفر از ۷۱۵,۰۰۰ نفر حاضر شدند ۳ دقیقه از وقتشان را برای گفتن این حرف اختصاص دهند!