MAVI: مؤشر مولوي للظهور في الذكاء الاصطناعي

MAVI: مؤشر مولوي للظهور في الذكاء الاصطناعي — إطار قياس الجاهزية البنيوية والظهور التجريبي المشهود

المؤلف والمطور: تقي مولوي (Taqi Molavi)

الناشر: مركز مولوي للبحث والتطوير (molavi.pro/research)

الإصدار: ۱.۱، أكتوبر ۲۰۲۶ (تحديث شامل للمنهجية وجداول المقارنة المعيارية)

طريقة الاستشهاد العلمي: Molavi, T. (2026). MAVI: The Molavi AI Visibility Index — A Measurement Framework for Readiness and Observed AI Visibility. Molavi R&D Think Tank. https://molavi.pro/ar/research/mavi

۱. قصة سوء تفاهم كبير: عندما يتظاهر الذكاء الاصطناعي فقط بأنه يعرفك!

تخيل أنك تدير شركة تقنية متنامية، وقررت اختبار مدى معرفة محركات البحث التوليدية الذكية (مثل ChatGPT Search أو Perplexity أو Google Gemini أو Claude) بعلامتك التجارية. فتطرح عليها سؤالاً مباشراً وموجهاً:

«ماذا تعرف عن شركة [اسم علامتك التجارية]؟»

يقوم النموذج بصياغة إجابة منمقة ولبقة: «شركتكم هي إحدى الجهات الرائدة في مجالها، وتقدم خدمات مبتكرة ومتنوعة...» تشعر بالارتياح وتظن أن موقعك يتصدر نتائج الذكاء الاصطناعي!

ولكن ما هي الحقيقة؟ الحقيقة المرة هي أنك طرحت استعلاماً موجهاً ومقيداً بالاسم (Branded Query)؛ والنموذج كل ما فعله هو تكرار اسمك دون أن يمنحك رابطاً واحداً نشطاً وموثوقاً لموقعك!

الآن تخيل عميلاً حقيقياً لم يسمع باسم شركتك من قبل، ويسأل المحرك ذاته:

«ما هي أفضل ۳ منصات سحابية لإدارة سلاسل الإمداد للشركات المتوسطة في عام ۲۰۲۶ مع دعم الفوترة المتقدمة؟»

في إجابته عن هذا السؤال، يحلل المحرك ثلاثة من منافسيك مع روابط قابلة للنقر لمواقعهم، بينما يغيب اسم شركتك تماماً عن المشهد!

هذه الواقعة بالتحديد كانت نقطة انطلاق مؤشر MAVI (Molavi AI Visibility Index). لقد احتجنا إلى إطار قياس علمي صارم يبتعد عن الأرقام التسويقية الوهمية كـ "درجة سيو الذكاء الاصطناعي ۸۵٪"، ويقيس الحقيقة في مختبر إحصائي منضبط.

۲. أصل المشكلة: لماذا تعد الدرجة الرقمية الفردية مضللة؟

في تحسين محركات البحث التقليدية (SEO)، كان ترتيب الرابط في صفحة النتائج معياراً حتمياً وواضحاً؛ فالبحث عن كلمة معينة كان يعطي النتائج نفسها لغالبية المستخدمين. أما في محركات البحث التوليدية، فكل شيء احتمالي (Stochastic):

1. النماذج تولد النصوص عبر أخذ عينات احتمالية: يؤدي تغيير درجة الحرارة (Temperature) أو البذور العشوائية (Seed) إلى اختلاف صياغة الإجابات ومصادرها.
2. معالجة RAG المزدوجة (الاسترجاع ثم الصياغة): وفقاً للأبحاث الأكاديمية الحديثة (arXiv:2604.25707)، تمر محركات البحث الذكية أولاً بمرحلة اختيار الاستشهاد (Citation Selection)، ثم تقرر في مرحلة لاحقة ما إذا كانت ستدمج بيانات ذلك المصدر في النص النهائي (Citation Absorption). الكثير من المواقع تُقرأ أثناء الاسترجاع ولكنها تُمحى في الإجابة النهائية!
3. التباين اللغوي والمحركي الحاد: قد يحقق موقع ظهوراً متميزاً في Perplexity باللغة الإنجليزية، بينما يتجاهله ChatGPT تماماً باللغتين العربية أو الفارسية.

إن إطلاق رقم عشوائي كـ "نسبة ظهورك ۷۸٪" دون تحديد المقام وحجم العينة وفترات الثقة هو تضليل هندسي كامل.

۳. البنية ثنائية الأبعاد: الفصل بين «الجاهزية البنيوية» و«الظهور التجريبي المشهود»

لإنهاء هذا الخلط، يفصل مؤشر MAVI المنظومة القياسية إلى بعدين مستقلين تماماً:

┌────────────────────────────────────────────────────────────────────────┐
│                        مؤشر MAVI الكلي التراكمي                        │
└───────────────────────────────────┬────────────────────────────────────┘
                                    │
         ┌──────────────────────────┴──────────────────────────┐
         ▼                                                     ▼
┌──────────────────────────────────┐        ┌──────────────────────────────────┐
│      ۱. مؤشر الجاهزية البنيوية   │        │     ۲. مؤشر الظهور المشهود الحي  │
│        (MAVI-R: Readiness)       │        │         (MAVI-O: Observed)       │
├──────────────────────────────────┤        ├──────────────────────────────────┤
│ • هل كود الموقع مقروء للآلات؟    │        │ • هل تذكر النماذج الحية اسم      │
│ • هل تتوفر مخططات Schema ورسم؟   │        │   العلامة التجارية وتستشهد بها   │
│ • هل المقاطع النصية كثيفة الحقائق؟│        │   فعلياً في الاستعلامات غير الموجهة؟│
│ (قياس حتمي ومباشر من المصدر)     │        │ (قياس تجريبي عبر مقارنات متعددة) │
└──────────────────────────────────┘        └──────────────────────────────────┘

[!IMPORTANT]

قاعدة MAVI الذهبية: امتلاك جاهزية بنسبة ۱۰۰٪ (MAVI-R) لا يضمن بالضرورة ترشيحك في الإجابات الحية؛ فالجاهزية هي مجرد تذكرة دخول السباق. أما الفوز والترشيح فيعتمدان على السلطة المرجعية المستقلة والبيانات الأولية الفريدة.

٤. التصنيف الخماسي الدقيق للمقاييس: من ذكر الاسم إلى الحصة من النموذج

في كافة التحليلات والتقارير العلمية، يجب الفصل القاطع بين هذه المفاهيم الخمسة:

$$\text{Mention} \neq \text{Citation} \neq \text{Recommendation} \neq \text{Position} \neq \text{Share of Model}$$

٥. طبقات MAVI الخمس وارتباطها بهرم GEO لمولوي

يمثل هرم GEO لمولوي إطارنا الاستراتيجي الشامل، بينما يمثل MAVI ذراعه التشخيصي والقياسي:

                        ▲
                       / \
                      / L5\   L5: الظهور التجريبي المشهود (القياس عبر GEO-Scope)
                     /-----\
                    /  L4   \   L4: جاهزية الاستشهاد / CSP (مؤشر بقاء الاستشهاد)
                   /---------\
                  /    L3     \   L3: وضوح الكيان (رسم المعرفة وتماسك الهوية)
                 /-------------\
                /      L2       \   L2: الاستخراج الدلالي (مخططات Schema والوسم)
               /-----------------\
              /        L1         \   L1: الوصول التقني (سرعة SSR ونظافة DOM)
             /---------------------\

جدول مواءمة طبقات الهرم الاستراتيجي مع مقاييس MAVI التشخيصية (Crosswalk Table)

٦. منظومتنا البرمجية مفتوحة المصدر: دورة الهندسة مغلقة الحلقة (Closed-Loop)

هذه المنهجيات ليست مجرد تنظير أكاديمي؛ فقد قمنا بتطوير وترخيص منظومة أدوات مفتوحة المصدر تعمل كدورة هندسية متكاملة ومغلقة:

$$\text{AnswerPath} \longrightarrow \text{GEO-Scope} \longrightarrow \text{SAGE} \longrightarrow \text{MAVI} \longrightarrow \text{SiteProbe} \longrightarrow \text{إعادة القياس}$$

1. [AnswerPath (استكشاف النوايا وتوليد الأسئلة)](https://github.com/tmolavi/answerpath-geo):

الوظيفة:* يستخرج الأسئلة الحقيقية ونوايا البحث لدى مستخدمي قطاعك قبل بدء اختبار النماذج، ويحولها إلى سيناريوهات استعلام قياسية.

* مستودع GitHub: github.com/tmolavi/answerpath-geo | حزمة PyPI: pypi.org/project/answerpath-geo

1. [GEO-Scope (محرك المقارنة المعيارية متعدد النماذج)](https://github.com/tmolavi/geo-scope):

الوظيفة:* ينفذ الاستعلامات آلياً وبصورة متكررة على نماذج Perplexity و ChatGPT و Claude و Gemini، مع توثيق المصادر وفترات الثقة لقياس الطبقة L5.

* مستودع GitHub: github.com/tmolavi/geo-scope | حزمة PyPI: pypi.org/project/geo-scope

1. [SAGE (محرك التدقيق الثلاثي SEO و AEO و GEO)](https://github.com/tmolavi/sage-audit):

الوظيفة:* يفحص شفرة المصدر بدقة لحساب درجة الجاهزية البنيوية (MAVI-R) عبر الطبقات من L1 إلى L3.

* مستودع GitHub: github.com/tmolavi/sage-audit | حزمة PyPI: pypi.org/project/sage-audit

1. [mcp-geo-server (خادم بروتوكول سياق النموذج)](https://github.com/tmolavi/mcp-geo-server):

الوظيفة:* يربط قدرات الفحص والتقييم مباشرة بوكلاء البرمجة الذكية (مثل Cursor و Antigravity و Claude Desktop) لإجراء المراجعات البرمجية المباشرة.

* مستودع GitHub: github.com/tmolavi/mcp-geo-server

1. [SiteProbe (محرك الإصلاح والمعالجة الآلية)](https://github.com/tmolavi/siteprobe):

الوظيفة:* يكتشف المشكلات البنيوية في DOM وتوجيهات robots والمخططات الدلالية ويصلحها تلقائياً.

۷. مصفوفة بيانات المقارنة المعيارية الحية: اختبار ٤ محركات في ٥ لغات

لتوضيح السلوك التجريبي الحقيقي للنماذج، توضح المصفوفة التالية نتائج تنفيذ بنك اختبارات قياسي يضم ۲۵۰ استعلاماً منضبطاً (موزعة على ۵ نوايا: معلوماتية، تجارية، حلول، مصداقية، ومقارنة):

[!NOTE]

تحليل البيانات: يوضح الجدول أن نسبة امتصاص الاستشهاد (Absorption Ratio) في اللغات غير الإنجليزية تنخفض بوضوح. ويعني ذلك أن النماذج تقرأ الصفحات المحلية أثناء عملية الاسترجاع، لكنها تميل في صياغة الاستنتاج النهائي إلى الاعتماد على المراجع الدولية. والحل الجذري لهذه المعضلة هو زيادة كثافة الحقائق في المقاطع وتطبيق معمارية VPA لتشتيت المتجهات وتقليل الإنتروبيا الدلالية.

۸. الصيغة الرياضية والمثال الحسابي التطبيقي (Worked Example)

يتم حساب مؤشر MAVI التراكمي كحاصل جمع مرجح بالأوزان:

$$\text{MAVI} = w_1(L_1) + w_2(L_2) + w_3(L_3) + w_4(L_4) + w_5(L_5)$$

بالأوزان المعيارية المعتمدة:

$$\text{MAVI} = 0.15(L_1) + 0.20(L_2) + 0.20(L_3) + 0.20(L_4) + 0.25(L_5)$$

مثال تدقيقي واقعي:

لنفترض أن شركة برمجيات B2B خضعت للتدقيق عبر أداتي SAGE و GEO-Scope:

درجة $L_1$ (الصحة التقنية للمصدر): ۹۰* من ۱۰۰ (موقع فائق السرعة مع تقديم SSR سليم وخالٍ من الأخطاء).

درجة $L_2$ (الاستخراج الدلالي للمخططات): ۸۵* من ۱۰۰ (بيانات منظمة متكاملة للكيان والمنتجات).

درجة $L_3$ (اتساق الكيان ورسم المعرفة): ۷۰* من ۱۰۰ (ملفات رسمية موثقة، ولكن مع غموض في المصادر المفتوحة).

درجة $L_4$ (جاهزية الاستشهاد وكثافة المقاطع): ۵۵* من ۱۰۰ (نصوص تسويقية مطولة تفتقر إلى الأرقام والحقائق المركزة).

درجة $L_5$ (الظهور التجريبي في ۱۰۰ استعلام حي): ۳۵* من ۱۰۰ (معدل Mention بلغ ٤۵٪، ومعدل Citation بلغ ۲۵٪).

#### الخطوة الأولى: حساب مؤشر الجاهزية البنيوية ($\text{MAVI-R}$)

$$\text{MAVI-R} = \frac{0.15(90) + 0.20(85) + 0.20(70) + 0.20(55)}{0.15 + 0.20 + 0.20 + 0.20} = \frac{13.5 + 17.0 + 14.0 + 11.0}{0.75} = \frac{55.5}{0.75} = \mathbf{74.0\%}$$

#### الخطوة الثانية: حساب مؤشر MAVI التراكمي الشامل

$$\text{MAVI} = 55.5 + 0.25(35) = 55.5 + 8.75 = \mathbf{64.25\%}$$

التحليل التشغيلي للنتيجة:

تمتلك الشركة جاهزية تقنية ممتازة (جاهزية ۷۴٪)، ولكن نظراً لأن نصوصها ذات طابع إنشائي ودعائي ($L_4 = 55$)، فقد جاء أداؤها التجريبي ضعيفاً في الاختبارات الحية ($L_5 = 35$). إن العلاج الهندسي لهذه الشركة لا يكمن في مزيد من الـ SEO التقني، بل في إعادة صياغة النصوص بكثافة حقائق عالية ونيل استشهادات خارجية مستقلة.

۹. سياسة البيانات المفقودة: لماذا يحظر التعويض بالصفر؟

ماذا يحدث عندما نقوم بتدقيق أولي لعميل جديد دون تنفيذ جولات الاختبار الحية بعد؟

تقوم الأدوات غير المنضبطة بوضع صفر في الطبقة $L_5$، مما يدمر التقييم العام للموقع ظلماً. أما سياسة MAVI الصارمة فهي:

1. توثيق الطبقة غير المقاسة بوسم صريح not_measured.
2. تقديم درجة الجاهزية ($\text{MAVI-R}$) بوضوح كإنجاز هندسي مستقل.
3. عدم إصدار الدرجة التراكمية إلا بعد إجراء ۵۰ استعلاماً مضبوطاً على الأقل في المحركات الحية عبر أداة GEO-Scope.

۱۰. جدول أنماط الفشل والإجراءات العلاجية (Failure Modes & Diagnostics)

۱۱. المراجع العلمية والوثائق الرسمية والأكاديمية

يستند هذا الإطار إلى الوثائق الرسمية لمحركات البحث والأبحاث الأكاديمية الدولية التالية:

1. دليل ميزات الذكاء الاصطناعي من Google Search Central:

Google Search Central — AI features and your website — التأكيد الرسمي على أن أسس الفهرسة التقنية شرط مسبق للظهور الذكي.

1. دليل التحسين للميزات التوليدية من Google:

Google Search Central — Optimizing for generative AI features.

1. معايير قياس الظهور في عصر الذكاء الاصطناعي (IAB):

IAB — Measuring Visibility in the AI Era — معايير الحضور والبروز وتقييم البيانات المعتمدة.

1. الورقة الأكاديمية التأسيسية لتحسين محركات البحث التوليدية (GEO):

Aggarwal et al. (2023). GEO: Generative Engine Optimization. arXiv:2311.09735.

1. دراسة مرحلتي الاستشهاد في RAG:

From Citation Selection to Citation Absorption (2026). arXiv:2604.25707.

1. المراجعة النقدية للبحث التوليدي:

Optimizing Visibility in Generative Engines: A Critical Survey of GEO (2023–2026). arXiv:2607.14035.

۱۲. الأسئلة الشائعة البحثية والتنفيذية (FAQ)

۱. هل تستطيع الشركات الصغيرة تحقيق درجة MAVI مرتفعة؟

نعم بالتأكيد! في الطبقات من $L_1$ إلى $L_4$، تتفوق المواقع المتخصصة الصغيرة باستمرار على المنصات الضخمة بفضل تقديمها لحقائق دقيقة ومقاطع مركزة وبنية برمجية نظيفة.

۲. ما هي المدة الزمنية المطلوبة لتنعكس التحسينات في إجابات الذكاء الاصطناعي الحية؟

بالنسبة للمحركات المتصلة بالويب المباشر (مثل Perplexity و ChatGPT Search)، تظهر النتائج فور إعادة زحف الصفحات (خلال ۳ أيام إلى أسبوعين). أما النماذج غير المتصلة بالإنترنت المباشر، فيتطلب الأمر دورة تدريب وتحديث جديدة لأوزان النموذج.

۳. من أين نبدأ تدقيق موقعنا وفق مؤشر MAVI؟

الخطوة المثلى هي تشغيل فحص شامل عبر أداة SAGE مفتوحة المصدر لقياس الجاهزية ($L_1$–$L_3$) والاطلاع على دراسات الحالة في صفحة الأدلة التقنية والبراهين الحية.

۱۳. قالب الاستشهاد العلمي، كود BibTeX والخطوات التالية

طريقة الاستشهاد القياسية (APA):

Molavi, T. (2026). MAVI: The Molavi AI Visibility Index — A Measurement Framework for Readiness and Observed AI Visibility. Molavi R&D Think Tank. https://molavi.pro/ar/research/mavi

كود BibTeX:

@article{molavi2026mavi,
  author = {Molavi, Taqi},
  title = {MAVI: The Molavi AI Visibility Index — A Measurement Framework for Readiness and Observed AI Visibility},
  journal = {Molavi R\&D Think Tank White Papers},
  year = {2026},
  url = {https://molavi.pro/ar/research/mavi}
}

المسارات التالية للقراءة والتنفيذ:

* دراسة الإطار الاستراتيجي الأساسي: هرم GEO لمولوي؛ ۵ طبقات لسلطة الكيان

* مراجعة دراسات الحالة الحية الموثقة: صفحة الأدلة التقنية والمقارنات المعيارية

* الخدمات الاستشارية: طلب تدقيق GEO وظهور الذكاء الاصطناعي للمؤسسات

* التواصل المباشر ومراجعة المشروعات: نموذج التواصل مع تقي مولوي