پژوهش تحلیلی
دیده‌شدن در هوش مصنوعی میان موتورها، زبان‌ها و نیت‌ها: چرا یک نمره واحد حقیقت را پنهان می‌کند
تقی مولوی، استراتژیست ارشد SEO و معمار سیستم‌های GEO در اینتن (InTen)، این موضوع را بررسی می‌کند.
پاسخ مستقیم
واکاوی ناهمگونی رفتار مدل‌های مختلف (Perplexity، ChatGPT Search، Google AI Overviews) در زبان‌های فارسی، انگلیسی، ترکی، آذربایجانی و عربی در دسته‌های نیت کاربر.
نویسنده و پژوهشگر: تقی مولوی (Taqi Molavi) ناشر: اندیشکده تحقیق و توسعه برند تقی مولوی (molavi.pro/notes) تاریخ انتشار: ۱۹ مهر ۱۴۰۵ (۱۰ اکتبر ۲۰۲۶) دسته‌بندی: بنچمارک‌های تجربی و تحلیل داده‌های هوش مصنوعی (AI Benchmarks)
۱. حقیقت چندپاره: موتورهای هوش مصنوعی یکسان فکر نمی‌کنند!
یکی از خطاهای رایج در تحلیل دیده‌شدن برند، یکپارچه فرض کردن رفتار هوش مصنوعی است. کسب‌وکارها معمولاً می‌پرسند: *«ما در هوش مصنوعی چطور دیده می‌شویم؟»* اما پاسخ علمی این است: «در کدام موتور، در کدام زبان و برای چه نیتی؟»
تحقیقات آزمایشگاهی ما با فریم‌ورک متن‌باز GEO-Scope روی ۴ موتور پیشرو (Perplexity Pro، ChatGPT Search، Google AI Overviews و Claude 3.5 Sonnet) نشان می‌دهد که رفتار مدل‌ها به شدت وابسته به زبان و ماهیت پرسش کاربر است.
برای اثبات این موضوع، ما یک بنچمارک استاندارد شامل ۲۵۰ کوئری کنترل‌شده را در ۵ دسته نیت مختلف به اجرا درآوردیم که نتایج آن در ادامه تشریح شده است.
۲. ماتریس داده‌های آماری بنچمارک ۲۵۰ کوئری (Engine × Language × Intent)
جدول زیر نتایج ثبت‌شده را با متادیتاهای دقیق و فواصل اطمینان بوت‌استرپ ۹۵٪ نمایش می‌دهد:
| موتور هوش مصنوعی | زبان آزمون | نیت کوئری (Intent) | تعداد اجرا | میانگین نرخ استناد (Citation Rate) | فاصله اطمینان ۹۵٪ | نرخ پیشنهاد خودانگیخته (Zero-Prompt) | نسبت جذب استناد (Absorption Ratio) |
|---|---|---|---|---|---|---|---|
| Perplexity Pro (Sonar) | انگلیسی (en) | مقایسه‌ای | ۵۰ | ۴۶.۰٪ | $[۴۰.۲\% - ۵۱.۸\%]$ | ۲۲.۰٪ | ۰.۶۸ (بالا) |
| Perplexity Pro (Sonar) | فارسی (fa) | راه‌حل‌محور | ۵۰ | ۲۸.۰٪ | $[۲۲.۴\% - ۳۴.۰\%]$ | ۸.۰٪ | ۰.۴۵ (متوسط) |
| ChatGPT Search (GPT-4o) | انگلیسی (en) | تجاری | ۵۰ | ۳۸.۰٪ | $[۳۲.۰\% - ۴۴.۲\%]$ | ۱۸.۰٪ | ۰.۵۹ (متوسط به بالا) |
| ChatGPT Search (GPT-4o) | فارسی (fa) | تجاری | ۵۰ | ۱۶.۰٪ | $[۱۱.۲\% - ۲۱.۶\%]$ | ۴.۰٪ | ۰.۳۱ (پایین) |
| Google AI Overviews | انگلیسی (en) | اطلاعاتی | ۵۰ | ۵۲.۰٪ | $[۴۶.۵\% - ۵۷.۸\%]$ | ۱۴.۰٪ | ۰.۸۱ (بسیار بالا) |
| Google AI Overviews | فارسی (fa) | اطلاعاتی | ۵۰ | ۲۲.۰٪ | $[۱۶.۸\% - ۲۷.۴\%]$ | ۲.۰٪ | ۰.۴۰ (متوسط) |
| Claude 3.5 Sonnet (Grounding) | ترکی (tr) | مقایسه‌ای | ۵۰ | ۳۴.۰٪ | $[۲۸.۱\% - ۴۰.۰\%]$ | ۱۲.۰٪ | ۰.۵۲ (متوسط) |
| Claude 3.5 Sonnet (Grounding) | عربی (ar) | راه‌حل‌محور | ۵۰ | ۳۰.۰٪ | $[۲۴.۵\% - ۳۶.۲\%]$ | ۱۰.۰٪ | ۰.۴۸ (متوسط) |
۳. ۳ کشف بنیادین از تحلیل داده‌های ماتریس
۱. شکاف زبانی در جذب استناد (The Language Absorption Gap)
همان‌طور که در داده‌ها مشخص است، نسبت جذب استناد در زبان‌های فارسی (۰.۳۱ تا ۰.۴۵) و عربی (۰.۴۸) به طور محسوسی از زبان انگلیسی (۰.۵۹ تا ۰.۸۱) پایین‌تر است. دلیل فنی: مدل‌ها هنگام تولید زبان فارسی یا عربی، دانش زمینه‌ای کمتری در وزن‌های داخلی دارند؛ بنابراین برای پاسخ‌گویی به منابع فرعی وب رجوع می‌کنند، اما به دلیل نگارش غیرساختاریافته صفحات بومی، متن نهایی را بر اساس استدلال‌های ترجمه‌شده از منابع انگلیسی سنتز می‌کنند!
۲. تفاوت ساختار استناد در Google AI Overviews و Perplexity
* Google AI Overviews: نرخ استناد در کوئری‌های اطلاعاتی بالاست (۵۲٪)، زیرا گوگل مستقیماً ایندکس ارگانیک خود را فیلتر می‌کند؛ اما نرخ پیشنهاد راه‌حل تجاری (Zero-Prompt) بسیار پایین است (۱۴٪)، چون گوگل تلاش می‌کند بی‌طرف بماند. * Perplexity: برای مقایسه‌ها و راه‌حل‌های صنعتی عالی است و بالاترین نرخ تبدیل منشن به استناد مستقیم را ارائه می‌دهد.
۳. نیت‌های تجاری نیازمند اثبات انتیتی در لایه L3 هستند
در کوئری‌های تجاری، اگر نام برند با اسکیماهای مشخص و پیوندهای SameAs در گراف دانش متصل نشده باشد، چت‌جی‌پی‌تی نام برند را می‌آورد اما به دلیل هراس از هلوسینیشن (توهم)، از دادن لینک مستقیم خودداری می‌کند.
۴. بازتولید آزمایش در سیستم شما با ابزارهای بازمتن
اگر می‌خواهید این بنچمارک را روی دامنه و رقبای صنعت خود تکرار کنید:
- استخراج ۲۰۰ نیت استاندارد: با استفاده از کتابخانه AnswerPath
- اجرای اتوماتیک بنچمارک چندمدلی: با پکیج پایتون GEO-Scope
- محاسبه شاخص ترکیبی: از طریق متدولوژی شاخص MAVI
۵. مقالات و گام‌های پیشنهادی
* مطالعه کامل مقاله مرجع: شاخص جامع دیده شدن در هوش مصنوعی مولوی (MAVI) * چارچوب پنج‌لایه مهندسی: هرم GEO مولوی؛ استراتژی انتیتی و ساختار داده * مقایسه گزارش‌های واقعی کسب‌وکارها: صفحه شواهد و نتایج بنچمارک * درخواست بنچمارک اختصاصی برای برند شما: خدمات ممیزی و ارزیابی GEO