ورود پاسخهای مولد به جستوجو، یک بازار تازه برای ابزارهای اندازهگیری ساخته است. بسیاری از این ابزارها فهرستی از پرامپتها را در چند موتور هوش مصنوعی اجرا میکنند، تعداد دفعات نمایش نام برند یا دامنه را میشمارند و در پایان یک امتیاز کلی با عنوان AI Visibility تحویل میدهند.

این مدل بهدلیل شباهت با Rank Tracking آشنا و قابل فهم است. تیم سئو یک عدد میبیند، آن را با رقبا مقایسه میکند و تغییرات هفتگی یا ماهانه را دنبال میکند. مشکل اینجاست که پاسخ هوش مصنوعی رتبه ثابت یک صفحه نتایج نیست. یک برند ممکن است بهعنوان منبع استفاده شود، اما داخل پاسخ نامی از آن نیاید. ممکن است نام برند ذکر شود، اما محصول رقیب پیشنهاد شود. حتی ممکن است سیستم اطلاعات نادرستی درباره برند ارائه کند و همان حضور ظاهراً مثبت، به تصمیم اشتباه کاربر منجر شود.
به همین دلیل، سنجش دیدهشدن در جستوجوی هوش مصنوعی باید از شمارش Mention و Citation عبور کند. مسئله اصلی این نیست که چندبار دیده شدهایم؛ باید بفهمیم چگونه دیده شدهایم، در کدام مرحله از پاسخ حضور داشتهایم، آیا بهعنوان انتخاب پیشنهاد شدهایم و این حضور چه اثری بر رفتار واقعی مخاطب داشته است.
صنعت سئو پیشتر همین مسیر را با رتبه، ایمپرشن و ترافیک طی کرده است. زمانی رتبه کلمه کلیدی بهتنهایی موفقیت محسوب میشد. بعد مشخص شد رتبه بدون کلیک، کلیک بدون رفتار مفید و ترافیک بدون تبدیل نمیتواند ارزش تجاری را توضیح دهد.
اکنون خطر تکرار همان الگو در GEO و AEO وجود دارد. یک داشبورد ممکن است نشان دهد سهم دیدهشدن برند افزایش یافته، اما پاسخ چند سؤال مهم را ندهد:
آیا نام برند در پاسخ اصلی آمده یا فقط صفحهای از سایت در منابع قرار گرفته است؟
آیا سیستم برند را توصیه کرده یا صرفاً درباره آن توضیح داده است؟
آیا اطلاعاتی که ارائه شده درست و بهروز است؟
آیا حضور در چند موتور تکرار شده یا فقط به یک پلتفرم وابسته است؟
آیا این افزایش با رشد جستوجوی برند، مراجعه مستقیم، لید یا فروش همراه بوده است؟
اگر این پرسشها پاسخ نداشته باشند، امتیاز AI Visibility ممکن است فقط یک عدد زیبا برای گزارش مدیریتی باشد؛ عددی که حرکت میکند اما معلوم نیست چه تصمیمی را باید تغییر دهد.
یکی از پایههای اندازهگیری درست، جداکردن سه سطحی است که اغلب در داشبوردها با یکدیگر ترکیب میشوند.
Citation زمانی رخ میدهد که موتور هوش مصنوعی یک صفحه یا دامنه را برای ساخت پاسخ استفاده کند و آن را در فهرست منابع، پانویس یا لینکهای همراه نشان دهد.
این اتفاق میتواند نشان دهد محتوا برای بازیابی اطلاعات قابل استفاده بوده است. اما لزوماً ثابت نمیکند کاربر نام برند را دیده یا آن را به خاطر سپرده است. همچنین ممکن است صفحه شما اطلاعاتی درباره چند رقیب داشته باشد و سیستم همان اطلاعات را برای پیشنهاد آن رقبا به کار ببرد.
پس Citation بیشتر شاخص حضور محتوا در زنجیره تولید پاسخ است، نه شاخص نهایی نفوذ برند.
Mention زمانی است که نام برند، محصول یا خدمت در خود پاسخ دیده میشود. این سطح از Citation به شناخت برند نزدیکتر است، اما هنوز معنای مثبت یا تجاری مشخصی ندارد.
برند ممکن است در فهرست جایگزینها، در یک هشدار، در توضیح یک محدودیت یا حتی با اطلاعات اشتباه ذکر شود. بنابراین Mention باید همراه با زمینه و Sentiment تحلیل شود.
Recommendation زمانی رخ میدهد که سیستم بهطور صریح یا ضمنی برند را برای نیاز کاربر مناسب معرفی کند. برای پرامپتهای مقایسهای و تجاری، این سطح از حضور اهمیت بیشتری دارد؛ زیرا برند وارد مرحله تصمیمگیری شده است.
بااینحال، Recommendation هم پایان زنجیره نیست. ممکن است برند پیشنهاد شود، اما کاربر هیچ اقدامی انجام ندهد. به همین دلیل باید آن را به رفتارهای بعدی مانند جستوجوی نام برند، بازدید سایت، تماس، ثبتنام یا خرید متصل کرد.
پاسخ موتورهای هوش مصنوعی قطعی و ثابت نیست. یک پرامپت مشابه میتواند در اجرای بعدی فهرست متفاوتی از برندها، منابع و ترتیب پیشنهادها ایجاد کند. تغییر مدل، فعالشدن جستوجوی وب، موقعیت جغرافیایی، زبان، سابقه گفتگو و حتی طول پاسخ میتوانند نتیجه را تغییر دهند.
بنابراین اندازهگیری یک پاسخ منفرد شبیه بررسی رتبه ثابت نیست. بیشتر به نمونهگیری از یک فضای احتمالی شباهت دارد.
اگر یک پرامپت فقط یکبار اجرا شود و برند در آن حضور نداشته باشد، نمیتوان نتیجه گرفت که برند در آن موضوع نامرئی است. به همین شکل، یک حضور اتفاقی نیز نباید بهعنوان موفقیت پایدار ثبت شود.
مدل درستتر این است که هر پرامپت در چند نوبت و تحت شرایط ثبتشده اجرا شود. سپس سهم حضور و سهم پیشنهادشدن براساس کل اجراها محاسبه شود. این روش شبیه نظرسنجی است: یک پاسخ اهمیت محدودی دارد، اما مجموعهای از نمونهها میتواند الگوی معنادارتری نشان دهد.
کیفیت هر گزارش به کیفیت مجموعه پرامپتها وابسته است. یکی از خطاهای رایج این است که تیم بازاریابی تعدادی سؤال را براساس حدس خود میسازد و سپس عملکرد برند را در همان سؤالها میسنجد.
اما پرامپت هوش مصنوعی همان Keyword نیست. کاربران در گفتگو معمولاً شرایط، بودجه، محدودیت، سطح تجربه و هدف خود را توضیح میدهند. بنابراین یک فهرست کوتاه از عبارتهای عمومی نمیتواند کل فضای تصمیمگیری را نمایندگی کند.
برای ساخت Prompt Set معتبر میتوان از منابع زیر استفاده کرد:
سؤالهای تکرارشونده تیم فروش و پشتیبانی؛
جستوجوی داخلی سایت؛
کوئریهای Search Console؛
پرسشهای مطرحشده در شبکههای اجتماعی؛
فرمهای مشاوره و درخواست خدمات؛
اعتراضها و ابهامهای قبل از خرید؛
سناریوهای واقعی استفاده از محصول؛
و مقایسههایی که مشتریان میان برند و رقبا انجام میدهند.
سپس پرامپتها باید براساس مرحله سفر کاربر دستهبندی شوند: یادگیری، مقایسه، تصمیم و اقدام. برند ممکن است در سؤالهای آموزشی حضور خوبی داشته باشد، اما در پرامپتهای خرید و پیشنهاد نهایی دیده نشود. یک امتیاز تجمیعی این تفاوت را پنهان میکند.
بهجای یک امتیاز کلی، میتوان ارزیابی را در پنج لایه انجام داد.

پیش از آنکه بپرسیم برند چندبار دیده شده، باید بدانیم موتورهای هوش مصنوعی برند را درست میشناسند یا نه.
ممکن است سیستم نام محصول را اشتباه بنویسد، بازار هدف را نادرست توصیف کند، ویژگی منسوخشدهای را بیان کند یا برند را با شرکت دیگری اشتباه بگیرد. در چنین شرایطی، افزایش Mention لزوماً مطلوب نیست؛ زیرا همان خطا در مقیاس بزرگتر تکرار میشود.
برای ممیزی Brand Accuracy باید فهرستی از حقایق غیرقابل مذاکره تهیه شود:
نام رسمی برند و شکلهای معتبر آن؛
محصول یا خدمت اصلی؛
حوزه و بازار فعالیت؛
مخاطب هدف؛
محل فعالیت؛
ویژگیها و محدودیتهای واقعی؛
تاریخچه و اطلاعات سازمانی ضروری؛
و تفاوت روشن با رقبا.
هر موتور باید روی این معیارها ارزیابی و پاسخها با برچسب درست، ناقص، قدیمی، متناقض یا اشتباه ثبت شوند.
این لایه مستقیماً با سئوی موجودیت، شفافیت صفحات اصلی، دادههای ساختاریافته، هماهنگی پروفایلها و منشنهای معتبر خارج از سایت ارتباط دارد.
Presence Share نشان میدهد برند در چه درصدی از پاسخهای مرتبط حضور دارد. فرمول ساده آن چنین است:
تعداد اجراهایی که برند در پاسخ نام برده شده است، تقسیم بر کل اجراهای معتبر همان گروه پرامپت.
این شاخص باید برای موتور، موضوع و Intent بهصورت جدا گزارش شود. حضور ۴۰درصدی در یک موتور و ۵درصدی در موتور دیگر، اطلاعاتی بسیار کاربردیتر از میانگین ۲۲درصدی است.
همچنین باید مشخص شود حضور ارگانیک است یا فقط در Citation ظاهر شده است. Presence بدون Context نمیگوید برند چگونه نمایش داده شده است.
Recommendation Share درصد اجراهایی را اندازه میگیرد که برند در آنها بهعنوان انتخاب مناسب پیشنهاد شده است.
این شاخص برای پرامپتهایی مانند بهترین ابزار برای، چه محصولی بخرم، کدام گزینه مناسبتر است یا چه شرکتی را انتخاب کنم اهمیت بیشتری دارد.
برای دقیقترشدن گزارش میتوان Recommendation را به چند سطح تقسیم کرد:
پیشنهاد اصلی؛
یکی از گزینههای برتر؛
پیشنهاد مشروط برای یک سناریو؛
جایگزین فرعی؛
و برند ذکرشده اما توصیهنشده.
این تفکیک نشان میدهد برند فقط در Answer Space حضور دارد یا واقعاً وارد Choice Set کاربر شده است.
موتورهای هوش مصنوعی منابع و برندهای یکسانی را انتخاب نمیکنند. ممکن است یک دامنه در یک پلتفرم بسیار قوی و در دو پلتفرم دیگر تقریباً نامرئی باشد.
Portability نشان میدهد چه بخشی از حضور یا URLهای استنادشده میان چند موتور تکرار میشوند. Concentration نیز مشخص میکند چه درصدی از Visibility به یک موتور وابسته است.
این دو معیار برای مدیریت ریسک مهماند. اگر بیشتر دیدهشدن برند از یک پلتفرم بیاید، تغییر سیاست یا مدل همان پلتفرم میتواند بخش بزرگی از حضور را از بین ببرد.
از سوی دیگر، پایینبودن Portability همیشه به معنای ضعف محتوا نیست. هر موتور سیستم بازیابی، منابع محبوب و سبک پاسخ متفاوتی دارد. هدف باید شناخت تفاوتها و ساخت داراییهایی باشد که با چند محیط سازگارند؛ نه انتظار یکسانبودن کامل نتایج.
در نهایت باید دید این حضور چه نتیجهای برای کسبوکار ساخته است.
اتریبیوشن مستقیم در جستوجوی AI دشوار است. بسیاری از کاربران پس از دیدن پیشنهاد، نام برند را جداگانه جستوجو میکنند، مستقیم وارد سایت میشوند یا چند روز بعد از مسیر دیگری بازمیگردند. بنابراین فقط Referral Traffic نمیتواند کل اثر را نشان دهد.
برای نزدیکشدن به Outcome میتوان چند سیگنال را کنار هم قرار داد:
رشد جستوجوی نام برند و محصولات؛
افزایش Direct Traffic در دورههای مرتبط؛
Referralهای قابل مشاهده از پلتفرمهای AI؛
سؤال منبع آشنایی در فرمها و تماسها؛
رشد لیدهای Assisted؛
تغییر نرخ تبدیل روی صفحات معرفیشده؛
و آزمایشهای قبل و بعد روی گروه مشخصی از موضوعات.
هدف، اثبات رابطه علتومعلولی کامل نیست. هدف این است که Visibility از یک عدد جداافتاده به مجموعهای از شواهد نزدیک به رفتار تجاری متصل شود.
فرض کنید سهم Mention برند از ۲۰درصد به ۳۰درصد رسیده است. این تغییر در نگاه اول مثبت است. اما اگر موتور در همان دوره میانگین تعداد برندهای هر پاسخ را از سه به شش رسانده باشد، سهم واقعی توجه شاید بهتر نشده باشد.
به همین دلیل، گزارش باید علاوه بر حضور برند، ساختار Answer Space را نیز ثبت کند:
میانگین طول پاسخ؛
تعداد برندهای نامبردهشده؛
جایگاه تقریبی برند در فهرست؛
تعداد Citationها؛
نوع پاسخ کوتاه یا تفصیلی؛
و فعال یا غیرفعالبودن جستوجوی وب.
با این دادهها میتوان Presence را نسبت به فضای پاسخ نرمال کرد و از تفسیر اشتباه افزایش خام Mention جلوگیری کرد.
برای هر اجرای پرامپت میتوان این اطلاعات را ثبت کرد:
تاریخ و زمان؛
موتور و نسخه قابل مشاهده؛
زبان و موقعیت؛
پرامپت و گروه Intent؛
فعالبودن جستوجوی وب؛
نام برند و شکلهای مختلف آن؛
Citation؛
Mention؛
نوع Recommendation؛
Sentiment؛
صحت اطلاعات؛
رقبا و ترتیب حضور؛
منابع استفادهشده؛
طول پاسخ؛
تعداد برندها؛
و تغییر نسبت به دوره قبل.
سپس گزارش مدیریتی میتواند روند Brand Accuracy، Presence Share، Recommendation Share، Portability، Concentration و Outcome را در سطح موضوع و موتور نمایش دهد.
وقتی Citation را از Recommendation جدا کنیم، مسیر بهینهسازی نیز تغییر میکند.
برای افزایش Citation، محتوای روشن، ساختاریافته، قابل خزش و دارای اطلاعات دقیق اهمیت دارد. اما برای افزایش Recommendation، فقط صفحه خود برند کافی نیست. سیستم باید در منابع مستقل، نقدها، مقایسهها، رسانههای تخصصی و گفتگوهای معتبر نیز شواهدی ببیند که برند را با یک دسته محصول یا مسئله مشخص پیوند میدهند.
این همان نقطه اتصال SEO، Digital PR، Brand Marketing و GEO است.
برند باید در سایت خود بهوضوح توضیح دهد چه کاری انجام میدهد؛ محتوای آموزشی و مقایسهای مفید بسازد؛ اطلاعات موجودیت را هماهنگ نگه دارد؛ در منابع ثالث معتبر حضور داشته باشد؛ و ادعاهایش با شواهد واقعی محصول سازگار باشند.
بهینهسازی چند صفحه برای چند پرامپت ساختگی، جای ساختن شناخت منسجم از برند را نمیگیرد.
میانگین کلی میتواند ضعف شدید در یک موتور را پنهان کند. گزارش باید ابتدا در سطح هر پلتفرم و سپس بهصورت تجمیعی ارائه شود.
Citation میتواند بدون Mention و Recommendation رخ دهد. حتی ممکن است محتوا به پیشنهاد رقیب کمک کند. باید نقش دقیق برند در پاسخ ثبت شود.
اگر موتور اطلاعات نادرست یا قدیمی ارائه کند، افزایش Visibility میتواند ریسک برند را بیشتر کند. Brand Accuracy باید پیش از سهم حضور بررسی شود.
در هفته اول، ۳۰ تا ۵۰ پرامپت واقعی را از دادههای مشتری و جستوجو جمعآوری و براساس Intent دستهبندی کنید.
در هفته دوم، حقایق اصلی برند و Rubric ارزیابی Recommendation را تعریف کنید. شکلهای مختلف نام برند و رقبا را نیز استاندارد کنید.
در هفته سوم، هر پرامپت را چندبار در موتورهای منتخب اجرا و تمام متغیرها را ثبت کنید. هدف این مرحله ساخت Baseline است، نه قضاوت سریع.
در هفته چهارم، شکافها را در پنج لایه تحلیل کنید. ممکن است اولویت اصلی اصلاح اطلاعات اشتباه باشد، نه افزایش Mention. شاید برند در محتوای آموزشی حضور داشته باشد اما در تصمیمهای خرید پیشنهاد نشود. یا شاید وابستگی شدیدی به یک موتور وجود داشته باشد.
سپس برای هر شکاف یک فرضیه و اقدام قابل سنجش تعریف کنید و دوره بعدی را با همان روش اجرا کنید.
جستوجوی هوش مصنوعی یک صفحه نتایج ثابت با رتبههای مشخص نیست. پاسخها متغیر، چندمنبعی و وابسته به Context هستند. بنابراین ابزار اندازهگیری نیز باید از منطق Rank Tracking فاصله بگیرد.
Citation نشان میدهد محتوای شما وارد فرایند ساخت پاسخ شده است. Mention نشان میدهد برند در متن دیده شده است. Recommendation نشان میدهد برند وارد مجموعه انتخاب شده و Outcome مشخص میکند این حضور برای کسبوکار چه ارزشی ساخته است.
در کنار اینها، Brand Accuracy پایه تمام مراحل است و Portability نشان میدهد حضور تا چه اندازه میان موتورهای مختلف پایدار است.
سؤال درست برای مدیر سئو دیگر فقط این نیست که سهم AI Visibility ما چند درصد است.
باید بپرسد:
آیا موتورهای هوش مصنوعی ما را درست میشناسند؟
در چه نوع سؤالهایی حضور داریم؟
چه زمانی واقعاً پیشنهاد میشویم؟
آیا حضورمان فقط به یک موتور وابسته است؟
و آیا این دیدهشدن به رفتار قابل اندازهگیری کاربران نزدیک شده است؟
وقتی گزارش بتواند به این سؤالها پاسخ دهد، AI Visibility از یک Vanity Metric تازه به ابزار واقعی تصمیمگیری برای سئو، برند و رشد تبدیل میشود.
تهیه شده توسط تیم تخصصی سئو سید احسان خسروی (مدیر، متخصص و مشاور استراتژیک سئو)