سالها Keyword Research یکی از قابلاندازهگیریترین بخشهای سئو بود. ابزار را باز میکردیم، Seed Keyword را وارد میکردیم، صدها عبارت استخراج میشد و سپس با چند ستون آشنا روبهرو بودیم: Search Volume، Difficulty، CPC و گاهی Traffic Potential. در نهایت نیز بخشی از استراتژی محتوا با مرتبکردن همان Spreadsheet شکل میگرفت. این مدل یک مزیت بزرگ داشت: تصمیمگیری را از حالت کاملاً شهودی خارج میکرد. وقتی تیم بودجه محدودی داشت، عدد Volume حداقل یک Proxy قابل فهم برای Demand در اختیارش قرار میداد.
مقاله تازه Itamar Blauer در Search Engine Journal قرار نیست بگوید این روش همیشه اشتباه بوده یا Keyword Research دیگر کاربرد ندارد. نقد دقیقتر است: وقتی Search Volume را فیلتر ورود موضوع به برنامه محتوا میکنیم، ممکن است سؤالهایی را حذف کنیم که از نظر تجاری بسیار ارزشمندند اما تقریباً هیچکس آنها را به همان شکل داخل Search Box تایپ نمیکند. ظهور AI Assistants این ضعف را واضحتر کرده، زیرا نحوه بیان نیاز توسط کاربر در محیط Conversational با Query سنتی یکسان نیست.

اگر ابزار میگوید یک Keyword حدود هزار بار در ماه Search میشود، بحث اصلی این مقاله این نیست که آن عدد حتماً بیارزش است. مشکل در Interpretation بعدی رخ میدهد. ما عدد را از «نشانهای از تقاضای ثبتشده برای یک String» به «ارزش کل موضوع برای مخاطب» تبدیل میکنیم. این دو دقیقاً یک چیز نیستند.
Search Volume برای عبارتهایی ساخته شده که میتوان آنها را بهصورت Query مشاهده و Aggregate کرد. در مقابل، یک نیاز واقعی مشتری ممکن است از چند Constraint، سؤال، اعتراض و Trade-off تشکیل شده باشد. کاربر پیش از انتخاب CRM فقط نمیخواهد بداند «بهترین CRM چیست». ممکن است شرکت ۱۲ نفرهای داشته باشد، با Spreadsheet کار کند، نگران انتقال اطلاعات قدیمی باشد، Integration خاصی بخواهد و از Contract طولانی بترسد. هیچ تضمینی نیست چنین مسئلهای به یک Query استاندارد با Volume قابلتوجه تبدیل شود.
این تفاوت باعث ایجاد نوعی Selection Bias در Content Planning میشود. موضوعاتی که ابزار راحتتر میتواند Count کند، وارد Roadmap میشوند و سؤالهایی که بیشتر شبیه زبان واقعی مشتری هستند از لیست خارج میشوند. در نتیجه ممکن است یک تیم از نظر Keyword Coverage بسیار منظم به نظر برسد اما بخش مهمی از Decision Journey مخاطب را پاسخ نداده باشد. همین نکته هسته استدلال مقاله Search Engine Journal است.
بخشی از این تغییر را خود Google Search Central بهصورت رسمی توضیح داده است. Google میگوید AI Overviews و AI Mode ممکن است از تکنیکی به نام query fan-out استفاده کنند؛ یعنی سیستم چند Search مرتبط را در Subtopicها و Data Sourceهای مختلف اجرا میکند تا Response را توسعه دهد. هنگام تولید پاسخ نیز مدلها میتوانند Supporting Pageهای بیشتری شناسایی کنند و به همین دلیل مجموعه Links نمایشدادهشده میتواند از Search کلاسیک گستردهتر و متنوعتر باشد.
معنای این توضیح برای Content Strategy ساده اما عمیق است. اگر کاربر درباره انتخاب یک CRM سؤال پیچیدهای بپرسد، سیستم ممکن است برای ساخت پاسخ فقط دنبال صفحهای با عبارت «best CRM» نگردد. Subtopicهایی مانند Migration، Pricing، Integration، Contract، Data Portability یا Feature Comparison میتوانند وارد Retrieval شوند. بنابراین رقابت دیگر صرفاً کسب Position در SERP یک Head Keyword نیست؛ صفحه شما ممکن است بهعنوان Source یک جزء کوچک از یک پاسخ بزرگتر انتخاب شود.
همین موضوع نقطه ضعف برنامهای را نشان میدهد که تمام Topic Prioritization آن فقط با Volume Head Termها ساخته شده است. شاید درباره «بهترین CRM» صفحه قوی داشته باشید، اما Migration را در دو جمله رد کرده باشید، Costهای بلندمدت را توضیح نداده باشید و درباره Data Exit هیچچیز نگفته باشید. در Search کلاسیک ممکن بود همین Page روی Head Term عملکرد مناسبی داشته باشد؛ در محیطی که پاسخ از چند Sub-question ساخته میشود، Half-coverage آشکارتر میشود.
مقاله SEJ سه مثال بسیار خوب برای نشاندادن تفاوت Search و Prompt دارد. یک Query کوتاه مثل «ecommerce seo audit» فقط Category نیاز را مشخص میکند. اما Promptی مانند «ترافیک Shopify ما از ماه مارس ۳۰ درصد افت کرده؛ چطور بفهمم دلیلش چه بوده؟» درباره Platform، شدت مشکل، زمان شروع و هدف کاربر اطلاعات بیشتری دارد. همین اتفاق درباره Hreflang یا CRM نیز رخ میدهد.
از منظر بازاریابی، این Context بسیار ارزشمند است. Keyword سنتی به ما میگوید موضوع چیست؛ Prompt میتواند نشان دهد چرا کاربر اکنون دنبال پاسخ است. Constraintها، اعتراضها و تصمیمهای بعدی او در خود سؤال دیده میشوند. همین ویژگی ممکن است یک Prompt تقریباً بدون Volume را از یک Head Term هزارانجستوجویی برای Business باارزشتر کند.
البته نباید از اینجا به دام دیگری بیفتیم و تصور کنیم هر Long Prompt ارزش تجاری بالایی دارد. Length خودش Signal خرید نیست. سؤال باید به Business، User Journey و Action نزدیک باشد. ارزش مقاله SEJ در این است که پیشنهاد میکند Ranking موضوعات بدون Volume را با Proxyهای قابل دفاع انجام دهیم، نه اینکه عدد را کنار بگذاریم و کاملاً شهودی عمل کنیم.
اولین تغییر پیشنهادی مقاله این است که Head Term را به پایان Keyword Research تبدیل نکنیم. برای هر موضوع تجاری باید ببینیم کاربر قبل از اینکه بتواند واقعاً Action انجام دهد، چه سؤالهایی نیاز دارد پاسخ داده شوند. مقاله پیشنهاد میکند برای یک Head Term حدود هشت تا ده سؤال عملی بنویسیم. در مثال CRM، Pricing Tier، Migration Effort، Integration، Contract Length و سرنوشت Data هنگام خروج از سرویس نمونههای همین سؤالها هستند.
این تمرین تفاوت زیادی با اضافهکردن FAQ تصادفی دارد. هدف ساختن تعداد بیشتری Question برای طولانیکردن صفحه نیست. باید Dependencyهای واقعی تصمیم را پیدا کرد. اگر خریدار بدون دانستن Data Migration نمیتواند Vendor را انتخاب کند، این Sub-question بخشی از Core Topic است، نه یک Keyword فرعی که صرفاً برای Long-tail Traffic اضافه میکنیم.
اینجا Content Brief نیز باید تغییر کند. بهجای اینکه Writer فقط Primary Keyword، Secondary Keyword و تعداد کلمات دریافت کند، میتوان نقشهای از Decision Questions به او داد. هر سؤال باید با سطحی از Specificity پاسخ داده شود که واقعاً بتواند به User در تصمیم کمک کند. مقاله SEJ نیز هشدار میدهد بسیاری از صفحات این Sub-questionها را فقط لمس میکنند، بدون اینکه حقیقتاً آنها را پاسخ دهند.
دومین Shift مقاله حرکت از String به Entity و Concept است. نویسنده استدلال میکند در محیط Synthesis، Exact-match Repetition ارزش استراتژیک بسیار کمتری از پوشش درست Subject دارد. یعنی صفحه باید Productها، Standardها، Methodها، Alternativeها و Relationship میان آنها را بشناسد و توضیح دهد.
این بخش را نباید به ادعای ساده «Keyword دیگر اهمیت ندارد» تبدیل کرد. خود مقاله چنین چیزی نمیگوید و Google هم درباره AI Features تأکید میکند همان SEO Fundamentals معمول همچنان معتبرند و Requirement فنی ویژهای برای حضور در AI Overviews یا AI Mode وجود ندارد. صفحه همچنان باید Crawlable، Indexable و از نظر محتوایی مفید و قابل فهم باشد.
تغییر در سطح Content Architecture است. اگر برای «CRM for small business»، «small business CRM»، «best CRM small company» و چند Variant نزدیک صفحات مستقل میسازیم، ممکن است بهتر باشد موضوع را Consolidate کنیم و یک Resource عمیقتر بسازیم که مفهوم واقعی انتخاب CRM را پوشش دهد. این تصمیم باید بر اساس Intent و Architecture سایت گرفته شود، نه صرفاً اینکه Semantic SEO مد شده است.
سومین پیشنهاد مقاله شاید از نظر Conversion مهمترین باشد: Decision را جلوتر از Definition بیاورید. تعریفها همچنان لازماند، اما در بسیاری از موضوعات کاربر میتواند Definition ساده را فوراً از Search یا یک Assistant بگیرد. چیزی که هنوز نیازمند Analysis بیشتر است انتخاب میان گزینهها، فهم Trade-offها، بررسی Criteria و پاسخ به Objectionهاست.
برای مثال، صفحه «CRM چیست؟» ممکن است اطلاعات پایه خوبی داشته باشد، اما برای کاربری که در حال انتخاب Vendor است Utility محدودی دارد. محتوای تصمیممحور باید نشان دهد چه نوع Businessی از Option A سود بیشتری میبرد، چه زمانی Option B منطقیتر است، Migration Risk چیست، هزینه پنهان کجاست و در چه شرایطی اصلاً بهتر است ابزار فعلی را عوض نکنیم.
همین نوع محتوا معمولاً از حالت «همه گزینهها عالیاند» فاصله میگیرد. Trade-off واقعی یعنی پذیرفتن اینکه یک انتخاب در یک Dimension بهتر و در Dimension دیگر ضعیفتر است. این Precision نهفقط برای Buyer مفیدتر است، بلکه Source بهتری برای سیستمی میسازد که باید یک Comparison Prompt را پاسخ دهد.
یک مقاله درباره محدودیت Volume خیلی راحت میتواند به افراط مقابل برسد. خود نویسنده جلوی همین سوءبرداشت را میگیرد. Queryهای زیادی هنوز کوتاه، Transactional و مبتنی بر SERP کلاسیک هستند. Brand Terms، Product Terms، Local Intent و جستوجوهای «near me» نمونههاییاند که Volume همچنان Signal بسیار مفیدی برای Demand و Prioritization است.
بنابراین Strategy بهتر Hybrid است. بخشی از Content Portfolio را میتوان همچنان با Demand Quantification سنتی مدیریت کرد. بخشی دیگر، مخصوصاً Topicهای پیچیدهتر و Decision-heavy، باید با سؤالهای واقعی User Journey و Prompt-like Demand تحلیل شود. مسئله این نیست که ابزار Keyword را ببندیم؛ مسئله این است که اجازه ندهیم یک Metric برای همه انواع Search Intent تصمیم یکسانی بگیرد.
این تفاوت به Portfolio Management هم کمک میکند. یک Local Landing Page و یک Strategic Buyer Guide نباید با یک Scoring Model یکسان ارزیابی شوند. اولی ممکن است به Volume، Geography و Conversion Data وابسته باشد؛ دومی شاید به Business Value، Decision Coverage و Evidence of Demand نیاز داشته باشد.
مهمترین اعتراض عملی مشخص است: اگر عدد نداریم، چگونه بین دهها سؤال انتخاب کنیم؟ مقاله چهار Proxy پیشنهاد میکند که میتوان آنها را به یک Scoring Model واقعی تبدیل کرد. اولین معیار Business Value است: آیا پاسخ به سؤال کاربر را به Action یا Purchase نزدیک میکند؟ ممکن است ۴۰ نفر Mid-decision از نظر اقتصادی از ۴۰۰۰ نفر Curious ارزش بیشتری داشته باشند.
معیار دوم Evidence of Demand است. نبودن Volume به معنی نبودن Evidence نیست. اگر یک سؤال در People Also Ask تکرار میشود، چند Thread انجمن درباره آن وجود دارد یا سه Sales Call پشت سر هم دقیقاً همان Scenario را مطرح کردهاند، «Proof of Life» داریم. معیار سوم Coverage Gap است: آیا صفحه فعلی پاسخ را نصفه میدهد؟ در این حالت شاید بهترین کار ساخت URL جدید نباشد و تقویت Page قوی موجود ارزش بیشتری داشته باشد. معیار چهارم Answerability است: آیا میتوانیم با Specificity واقعی پاسخ بدهیم؟ سؤال مبهم معمولاً پاسخ مبهم میسازد و Content مبهم نیز بهسختی Utility بالایی ایجاد میکند.
میتوان برای هر معیار از ۱ تا ۵ امتیاز در نظر گرفت و یک Opportunity Score ساده ساخت. چنین عددی Search Volume نیست و نباید وانمود کند Accuracy علمی دارد، اما حداقل Decision Process را قابل تکرار میکند. Content Team میفهمد چرا Topic A جلوتر از Topic B قرار گرفته، حتی اگر هیچکدام Monthly Volume قابل اتکایی نداشته باشند.

یکی از کاربردیترین بخشهای مقاله، فهرست منابعی است که برای این نوع Research پیشنهاد میکند. People Also Ask و Related Searches شکل Sub-questionها را نشان میدهند. Reddit، Quora و Industry Forumها Contextی را نشان میدهند که Keyword Tool حذف میکند. خود Assistantها هم میتوانند نشان دهند برای پاسخ به Head Topic چه Sub-questionهایی را باز میکنند. اما نویسنده روی یک Source بیشتر تأکید دارد: Sales Call و Support Ticket.
دلیلش واضح است. مشتری در تماس فروش معمولاً مثل یک Keyword Tool صحبت نمیکند. او Situation را توضیح میدهد: «ما الآن این ابزار را داریم، این مشکل را داریم، بودجهمان این است و از این اتفاق میترسیم.» این دقیقاً همان زبان Contextual است که در Promptهای AI نیز بیشتر دیده میشود.
برای تیم SEO این یعنی بخشی از بهترین Keyword Research آینده شاید خارج از SEO Tool اتفاق بیفتد. Recording تماس فروش، FAQهای واقعی Support، Search داخلی سایت و سؤالهای Demo میتوانند اطلاعاتی درباره Intent بدهند که Monthly Search Volume هیچوقت بهتنهایی ارائه نمیکند.
اگر روی Sub-questionها تمرکز کنیم، وسوسه طبیعی این است که برای هر سؤال URL جدا بسازیم. اما مقاله دقیقاً چنین چیزی پیشنهاد نمیکند. یکی از Proxyها Coverage Gap است و صریحاً میگوید ابتدا ببینید آیا باید Page موجود را تقویت کرد یا واقعاً Page جدیدی لازم است.
این نکته برای جلوگیری از Content Cannibalization و Site Bloat مهم است. هدف Query Fan-out Era ساختن هزاران صفحه برای هر Prompt ممکن نیست. چنین کاری نه عملی است و نه با ماهیت Promptها سازگار. هدف ساختن Resourceهایی است که Subject را طوری پوشش دهند که Sub-questionهای مهم در جای درست پاسخ داده شوند.
به بیان دیگر، تحول از Keyword-first به Problem-first لزوماً به URLهای بیشتر منجر نمیشود. در بسیاری از پروژهها نتیجه میتواند URL کمتر، Consolidation بیشتر و صفحات تجاری عمیقتر باشد.
مقاله درباره Measurement هم محتاط است. نویسنده پیشنهاد میکند دو چیز را دنبال کنیم: Referralهایی که از AI Sources قابل مشاهدهاند و عملکرد Organic معمول صفحات. صفحهای که Sub-questionهای خود را بهتر پوشش میدهد ممکن است حتی بدون Citation در Assistantها، Long-tail Ranking بیشتری بگیرد. درعینحال، فعلاً نمیتوان یک Citation مشخص را با دقت به یک تصمیم Topic Prioritization نسبت داد؛ بنابراین برنامه را باید Directional و در طول زمان ارزیابی کرد.
این Caveat مهم است، چون صنعت AI SEO بهسرعت در حال ساختن Metricهایی است که گاهی Precision بیشتری از Data واقعی القا میکنند. اگر صفحهای را امروز بر اساس Sales Questions اصلاح کنیم و هفته بعد در یک AI Answer Citation شود، نمیتوان با اطمینان گفت همان تغییر علت Citation بوده است. اما اگر طی چند ماه مجموعه صفحات اصلاحشده Long-tail Coverage، Qualified Traffic، AI Referral و Conversion بهتری بسازند، میتوان درباره Direction برنامه ارزیابی معنادارتری داشت.
مقاله در پایان موضع خودش را روشن میکند: این یک Obituary برای Keyword Research نیست. چیزی که باید کنار گذاشته شود، Treat کردن Search Volume بهعنوان قاضی نهایی این است که «چه چیزی سزاوار Page یا Content است».
این تمایز مهم است، چون Search Volume هیچوقت Goal نبود؛ Proxy برای Demand بود. تا زمانی که بخش بزرگی از Demand به شکل Stringهای کوتاه وارد Search Box میشد، این Proxy بسیار مفید بود. حالا که بخشی از نیازها در قالب Situation، Constraint و Conversation بیان میشوند، یک Proxy قدیمی طبیعتاً بخشی از واقعیت را از دست میدهد.
برای Content Team شاید شروع تغییر بسیار ساده باشد. ده صفحه تجاری مهم سایت را بردارید و برای هرکدام بهجای Keyword، Prompt واقعی یک Buyer را بنویسید؛ با همه محدودیتها، ترسها و جزئیاتش. سپس سؤالهایی را که سیستم یا خود Buyer برای رسیدن به Decision باید جواب دهد فهرست کنید و مشخص کنید صفحه شما کدامها را واقعاً پاسخ میدهد و کدامها را فقط نام میبرد. اصلاح Gapهای همان صفحات احتمالاً از تولید دهها Article جدید برای Keywordهای کماهمیت ارزش بیشتری خواهد داشت.
اگر لیست Topicهای شما هنوز بیشتر شبیه Export ابزار Keyword است تا زبان واقعی Sales Callها و مشتریها، مسئله احتمالاً فقط AI Search نیست. شاید مدتهاست که آنچه آسانتر قابل شمارش بوده را با آنچه واقعاً ارزش پاسخدادن دارد اشتباه گرفتهایم.
تهیه شده توسط تیم تخصصی سئو سید احسان خسروی (مدیر، متخصص و مشاور استراتژیک سئو)