GEO-Scope؛ چطور دیده‌شدن برند در پاسخ‌های هوش مصنوعی را بسنجیم؟

اگر یک نفر از ChatGPT بپرسد «برای کسب‌وکار من کدام ابزار بهتر است؟»، دیگر فقط ده لینک آبی جلوی او ظاهر نمی‌شود. هوش مصنوعی ممکن است سه برند را نام ببرد، یکی را پیشنهاد بدهد و برای حرفش به چند منبع استناد کند. پس یک سؤال مهم داریم: برند ما کجای این جواب ایستاده است؟

من همیشه با گزارش‌هایی که فقط یک اسکرین‌شات از یک جواب هوش مصنوعی هستند مشکل داشته‌ام. یک جواب، به‌تنهایی، داستان کاملی نیست. ممکن است فردا مدل عوض شود، سؤال کمی تغییر کند یا منبع تازه‌ای پیدا شود. برای همین GEO-Scope در گیت‌هاب را ساختم؛ یک ابزار متن‌باز برای اینکه دیده‌شدن برند در پاسخ‌های AI را منظم‌تر، قابل‌اندازه‌گیری‌تر و قابل‌بررسی‌تر ببینیم.

GEO-Scope خیلی ساده چیست؟

فرض کنید می‌خواهید بفهمید در یک شهر، مردم وقتی دنبال یک رستوران هستند چه چیزی می‌بینند. به‌جای اینکه از یک نفر بپرسید، هزار سؤال متفاوت می‌سازید: «برای شام خانوادگی کجا برویم؟»، «کدام رستوران قیمت بهتری دارد؟»، «کدام‌یک غذای سالم‌تری دارد؟» بعد پاسخ‌ها را کنار هم می‌گذارید و می‌بینید کدام نام‌ها تکرار شده‌اند و چه دلیل‌هایی آورده شده است.

GEO-Scope همین ایده را برای جست‌وجوی هوش مصنوعی اجرا می‌کند. در طراحی فعلی پروژه، یک مجموعهٔ ۱۰۰۰تایی از پرسش‌ها در پنج نیت ساخته می‌شود: خرید، مقایسه، حل مسئله، پرسش‌های طولانی و اعتبارسنجی/تجربهٔ کاربران. این دسته‌بندی، طراحی فعلی ریپو است؛ قانون همیشگی همهٔ بازارها نیست.

ابزار سؤال‌ها را می‌سازد، پاسخ مدل را اجرا و تحلیل می‌کند، نام برندها و منابع را بیرون می‌کشد و در پایان به شما کمک می‌کند یک برنامهٔ عملی بسازید. به زبان ساده، مثل یک ذره‌بین است: به‌جای حدس‌زدن دربارهٔ «چرا AI این برند را گفت؟»، نشانه‌های بیشتری جمع می‌کنید.

چه چیزهایی اندازه‌گیری می‌شود؟

در خروجی پروژه چند معیار مهم داریم:

• سهم از پاسخ مدل (Share of Model): نام شما در چند پاسخ دیده شده است؟
• نرخ پیشنهاد اول: چند بار برند شما انتخاب اول مدل بوده است؟
• گراف استناد: مدل به چه سایت‌ها، مقاله‌ها و منابعی تکیه کرده است؟
• وزن‌های الگوریتمی: پروژه تلاش می‌کند بفهمد چه ویژگی‌هایی با پیشنهاد شدن یا استناد گرفتن همراه هستند.

این‌ها جای رتبهٔ گوگل را نمی‌گیرند. آن‌ها یک نمای دیگر از دیده‌شدن هستند؛ نمایی که در آن کیفیت منبع، توضیح روشن، تجربهٔ واقعی مشتری و ارتباط میان موجودیت‌ها اهمیت دارد. برای آشنایی با این تفاوت، مقالهٔ GEO چیست؟ و مطلب GEO سئوی جدید نیست را هم بخوانید.

چه فایده‌ای برای یک کسب‌وکار دارد؟

فایدهٔ اصلی، داشتن یک جواب قطعی و جادویی نیست؛ فایده این است که سؤال درست‌تری بپرسیم. مثلاً:

اگر رقیب شما بیشتر پیشنهاد می‌شود، شاید فقط محتوای بیشتری ندارد. شاید منابع مستقل بیشتری درباره‌اش نوشته‌اند، اطلاعات محصولش منظم‌تر است یا مشتریان درباره‌اش تجربهٔ قابل‌استنادتری منتشر کرده‌اند. GEO-Scope کمک می‌کند این سرنخ‌ها را در چندین پرسش ببینید، نه فقط در یک گفت‌وگوی اتفاقی.

این ابزار برای سه گروه کاربردی است: تیم SEO و محتوا که می‌خواهد برنامهٔ دیده‌شدن در AI بسازد؛ پژوهشگر و توسعه‌دهنده‌ای که می‌خواهد آزمایش را تکرار کند؛ و صاحب کسب‌وکاری که می‌خواهد بداند چرا نامش در جواب‌ها کم‌رنگ است.

چطور شروع کنیم؟

اگر پایتون و خط فرمان برایتان آشناست:

git clone https://github.com/tmolavi/geo-scope.git
cd geo-scope
pip install -e .
geo-scope serve --host 0.0.0.0 --port 8000
geo-scope run --niche crm_sales --brand HubSpot --count 1000 --out results/

پروژه Docker، SDK پایتون و تست هم دارد. یعنی می‌توانید فقط داشبورد را نبینید؛ کد را بخوانید، پرسش‌ها را تغییر دهید، مدل یا بازار دیگری را امتحان کنید و نتیجه را به شکل شفاف‌تری بازسازی کنید. البته خروجی به مدل، API، تاریخ اجرا، سؤال‌ها و حوزهٔ انتخابی وابسته است. عدد «۱۰۰۰ پرسش» یک بنچمارک طراحی‌شده در ریپو است، نه تضمین نتیجه برای هر برند.

یک نکتهٔ مهم دربارهٔ اعتماد

من این پروژه را برای ادعای «فرمول مخفی رتبه‌بندی AI را پیدا کردم» نساخته‌ام. هیچ ابزار سالمی چنین قولی نمی‌دهد. نتیجه باید دوباره اجرا شود، با دادهٔ واقعی مقایسه شود و محدودیت‌هایش روشن بماند. همان‌طور که در اندازه‌گیری دیده‌شدن در AI گفته‌ام، عدد زمانی ارزش دارد که بدانیم چگونه تولید شده است.

اگر این مسیر برایتان مفید است، به GEO-Scope در GitHub سر بزنید، پروژه را Star کنید، Issue بگذارید، آن را برای هم‌تیمی‌تان بفرستید یا با Pull Request بهترش کنید. حمایت فقط کلیک نیست؛ یک سؤال خوب یا یک گزارش خطا هم می‌تواند این پروژه را قوی‌تر کند.

به قول قدیمی‌ها: «رهرو آن است که آهسته و پیوسته رود.» در دیده‌شدن در هوش مصنوعی هم قرار نیست با یک ترفند یک‌شبه برنده شویم. باید سؤال بهتر بسازیم، شواهد بهتر فراهم کنیم و هر بار کمی دقیق‌تر ببینیم چه اتفاقی افتاده است.