مقالهٔ پژوهشی ممیزیشده
چگونه در پاسخهای هوش مصنوعی دیده شویم؟ راهنمای عملی GEO
تقی مولوی، استراتژیست ارشد SEO و معمار سیستمهای GEO در اینتن (InTen)، این موضوع را بررسی میکند.
خلاصه اجرایی
راهنمای ساده و عملی GEO برای صاحبان کسبوکار: بنچمارک AI visibility چه میسنجد، چرا نتایج متفاوتاند و برای دیدهشدن برند چه کارهایی باید انجام داد.
آخرین بهروزرسانی: ۳ مهر ۱۴۰۵ · موضوع: دیدهشدن برند در ChatGPT، Perplexity، Gemini و Google AI
خلاصهٔ کوتاه
اگر کاربر از ChatGPT، Perplexity یا Gemini بپرسد «بهترین ابزار برای حل مشکل من چیست؟» و نام برند شما در پاسخ نیاید، داشتن رتبهٔ خوب در گوگل بهتنهایی کافی نیست. موتور هوش مصنوعی باید اول بفهمد شما چه کسی هستید، چه مسئلهای را حل میکنید، شواهد کارتان کجاست و آیا منابع مستقل هم این ادعا را تأیید میکنند.
این همان چیزی است که در این مقاله به زبان ساده توضیح میدهم: برای دیدهشدن در پاسخهای AI چه بسازیم، چه چیزی را اندازه بگیریم، و چگونه از یک بنچمارک واقعی نتیجهٔ درست بگیریم. بنچمارکی که بررسی میکنیم ۳۰ پرسش و ۱۲۰ مشاهده از چهار provider دارد و دربارهٔ برندهای نرمافزار CRM است؛ بنابراین نتیجهٔ آن مستقیماً نتیجهٔ مولویپرو نیست. ارزش این dataset در نشاندادن روش اندازهگیری و محدودیتهای آن است.
فهرست مطالب
- دیدهشدن در هوش مصنوعی دقیقاً یعنی چه؟
- بنچمارک چه چیزی را آزمایش کرده است؟
- نتایج به زبان ساده
- چرا یک برند بیشتر دیده شد؟
- برای دیدهشدن برند خودمان چه کار کنیم؟
- برنامهٔ عملی ۳۰روزه
- چه ادعاهایی هنوز ثابت نشدهاند؟
دیدهشدن در هوش مصنوعی دقیقاً یعنی چه؟
در جستوجوی معمولی، کاربر چند لینک میبیند و خودش تصمیم میگیرد. در جستوجوی مولد، سیستم ممکن است چند صفحه را بخواند، پاسخ را خلاصه کند و فقط چند برند یا منبع را نام ببرد. پس چهار سؤال مهم داریم:
۱. آیا نام برند در پاسخ آمده است؟
۲. آیا برند یکی از پیشنهادهای اصلی بوده یا فقط در متن حاشیهای ذکر شده است؟
۳. آیا پاسخ به سایت، مستندات یا منبع قابلاعتماد لینک داده است؟
۴. آیا توضیحی که مدل دربارهٔ برند داده درست، بهروز و قابلبررسی است؟
در GEO هدف این نیست که مدل را مجبور کنیم نام ما را تکرار کند. هدف این است که اطلاعات واقعی کسبوکار را آنقدر روشن، منظم و مستند منتشر کنیم که سیستم بتواند آن را بفهمد و در پاسخ مناسب به کاربر بیاورد.
کادر توضیح ساده: GEO مثل معرفیشدن در یک جلسهٔ تخصصی است
فرض کنید مشاور قابلاعتمادی از شما میپرسد «برای این مشکل چه کسی را پیشنهاد میکنی؟» اگر فقط بگویید «ما بهترینیم»، احتمالاً قانع نمیشود. اما اگر نام مشخص، تخصص، نمونهکار واقعی، روش کار، نتیجهٔ قابلبررسی و منابع مستقل داشته باشید، معرفی شما برای او آسانتر میشود. موتور AI هم به نشانههای مشابه نیاز دارد؛ البته مدل دقیق تصمیمگیریاش عمومی و ثابت نیست.
بنچمارک چه چیزی را آزمایش کرده است؟
در مخزن عمومی GEO-Scope، release زندهٔ geo-scope-benchmark-2026.1-live این اجزا را دارد:
- ۳۰ پرسش دربارهٔ انتخاب و استفاده از نرمافزار CRM؛
- ۱۲۰ مشاهده، یعنی تقریباً چهار پاسخ برای هر پرسش؛
- چهار provider: Perplexity، Gemini، OpenAI و Claude؛
- چهار برند رقیب: HubSpot، Salesforce، Zoho CRM و Pipedrive؛
- پرسشهای حل مسئله، مقایسهٔ قیمت و قابلیت، انتخاب تجاری و اعتبارسنجی؛
- timestamp، مدل اعلامشده، latency، برندهای ذکرشده و رتبهٔ برند در پاسخ.
در این آزمایش mention یعنی نام برند در پاسخ آمده است. top-1 یعنی برند اولین پیشنهاد یا گزینهٔ اصلی بوده است. citation یعنی برای پاسخ منبعی ثبت شده است. این سه یکی نیستند: ممکن است برندی زیاد ذکر شود اما کمتر پیشنهاد اول باشد؛ یا citation وجود داشته باشد اما صحت آن citation جداگانه بررسی نشده باشد.
این release با ۱۱۸ پاسخ موفق و ۲ پاسخ ناموفق تحلیل شده است. روش مخزن برای فاصلهٔ اطمینان، bootstrap صدکی ۹۵٪ با ۱۰۰۰ نمونه اعلام شده و checksum همهٔ فایلهای release سالم است.
نتایج به زبان ساده
جدول زیر همان metricهای ذخیرهشده در metrics.json است:
| برند | چند بار در پاسخ دیده شد؟ | چند بار پیشنهاد اول بود؟ | citation ثبتشده | n |
|---|---|---|---|---|
| HubSpot | ۷۳٫۷٪ | ۲۶٫۳٪ | ۷۹٫۷٪ | ۱۱۸ |
| Salesforce | ۶۲٫۷٪ | ۴۶٫۶٪ | ۶۱٫۰٪ | ۱۱۸ |
| Zoho CRM | ۶۴٫۴٪ | ۱۷٫۸٪ | ۳۰٫۵٪ | ۱۱۸ |
| Pipedrive | ۶۱٫۰٪ | ۹٫۳٪ | ۳۳٫۹٪ | ۱۱۸ |
چطور این جدول را بخوانیم؟ HubSpot در این پنل بیشتر از بقیه در پاسخها ظاهر شده، اما Salesforce با وجود نرخ ذکر پایینتر، در این دادهها بیشتر «پیشنهاد اول» شده است. بنابراین «بیشتر دیدهشدن» با «بهترین گزینه بودن» یکی نیست. اگر فقط یک عدد را گزارش کنیم، خواننده ممکن است نتیجهٔ اشتباه بگیرد.
میانگین latency providerها بین حدود ۱۰۳۰ تا ۱۲۷۷ میلیثانیه ثبت شده است. این عدد زمان کل provider و تولید پاسخ است، نه زمان خالصی که موتور صرف بازیابی صفحه کرده است؛ بنابراین آن را retrieval latency نمینامیم.
چرا یک برند بیشتر دیده شد؟
این بخش همان چیزی است که در نسخهٔ قبلی کم بود؛ اما باید دقیق بنویسیم. دادهٔ موجود همزمانیها و نتیجهٔ هر مشاهده را ذخیره کرده است، نه یک آزمایش کنترلشده که علت موفقیت را جدا کند. پس پاسخ علمی این است:
چیزی که واقعاً میدانیم
HubSpot در ۱۱۸ مشاهدهٔ موفق، نرخ ذکر بالاتری از سه رقیب داشته است. پرسشها نیز بخشی از پنل را به مقایسهٔ HubSpot با رقبای مشخص اختصاص دادهاند. این نشان میدهد در این prompt panel، HubSpot حضور قابلتوجهی داشته است.
چیزی که نمیتوانیم ثابت کنیم
از این فایلها نمیتوانیم بگوییم علت دقیق، تعداد صفحات وب، کیفیت محتوا، بودجهٔ تبلیغاتی، اندازهٔ برند، دادهٔ آموزشی مدل یا یک ویژگی فنی خاص بوده است. همچنین نمیتوانیم بگوییم «HubSpot بهدلیل فلان تکنیک GEO برنده شد»، چون این آزمایش آن تکنیکها را جداگانه تغییر نداده است.
تفسیر محتاطانه برای صاحبان کسبوکار
وقتی یک برند در پرسشهای مختلف با نام ثابت، توضیح روشن، دستهبندی مشخص و منابع متعدد قابلتشخیص باشد، احتمال استفاده از آن در پاسخ مناسب بیشتر میشود. این یک اصل طراحی و یک فرضیهٔ قابلآزمایش است، نه فرمول تضمینی. برای اثبات علت باید دو نسخهٔ قابلمقایسه، prompt ثابت، زمان نزدیک و برچسبگذاری مستقل داشته باشیم.
برای دیدهشدن برند خودمان چه کار کنیم؟
۱. یک جملهٔ روشن برای هویت برند بنویسید
صفحهٔ اصلی و About باید در چند خط پاسخ دهند: شما چه کسی هستید، برای چه نوع مخاطبی کار میکنید، چه مسئلهای را حل میکنید و در چه جغرافیا یا صنعتی تجربه دارید. عبارتهای مبهم مثل «ارائهدهندهٔ راهکارهای نوآورانه» برای انسان و مدل کمفایدهاند.
۲. برای پرسشهای واقعی صفحه بسازید
فهرست موضوعات را از زبان مشتری بنویسید: «چطور فروشگاه چندزبانه را برای AI Search آماده کنیم؟»، «GEO چه تفاوتی با SEO دارد؟»، «چطور citation یک برند را اندازه بگیریم؟» هر صفحه باید پاسخ کوتاه، روش، مثال، محدودیت و منابع داشته باشد.
۳. ادعا را به شواهد وصل کنید
برای هر ادعای مهم تاریخ، روش، نمونه، لینک منبع یا خروجی قابلبررسی بدهید. case study باید بگوید مسئله چه بود، چه تغییری انجام شد، چه چیزی واقعاً اندازهگیری شد و چه چیزی اندازهگیری نشد. عدد بدون مخرج، فقط ظاهر علمی دارد.
۴. صفحهٔ مقایسهٔ منصفانه بسازید
کاربرها مقایسه میکنند و مدلها هم پاسخ مقایسهای تولید میکنند. مزیت، محدودیت، قیمت یا شرایط استفاده را برای خودتان و گزینههای دیگر توضیح دهید. این صفحه نباید تبلیغ پنهان باشد؛ چون اعتماد را کم میکند.
۵. هویت دیجیتال را یکدست کنید
نام، نام انگلیسی، عنوان شغلی، شرکت، پروژهها، GitHub، پروفایلها و لینکهای sameAs نباید در هر جا شکل متفاوتی داشته باشند. برای مولویپرو، هویت مشترک تقی/Taghi Molavi باید در صفحهٔ شخص، پروژهها، پژوهشها و GitHub به هم وصل باشد؛ بدون ساختن هویتهای جعلی برای زبانهای مختلف.
۶. دسترسی فنی را سالم نگه دارید
صفحه باید بدون login قابل خواندن باشد، robots.txt و sitemap منطقی باشند، canonical و hreflang درست باشند، عنوان و H1 با زبان صفحه هماهنگ باشند و متن اصلی در HTML یا مسیر قابلدسترسی وجود داشته باشد. schema مفید است، اما جای محتوای خوب و شواهد را نمیگیرد.
۷. خودتان را با پنل پرسش بسنجید
هر ماه ۳۰ تا ۵۰ پرسش واقعی را ثابت نگه دارید. پاسخ کامل، مدل، تاریخ، زبان، منطقه، citation، ذکر برند، رتبه و خطا را ذخیره کنید. بعد تغییرات را با release قبلی مقایسه کنید. یک پاسخ خوب یا یک اسکرینشات، benchmark نیست.
کادر مهم: چه کارهایی نکنیم؟
- ادعای «رتبهٔ تضمینی در ChatGPT» ننویسید.
- citation یا review ساختگی تولید نکنید.
- تعداد زیادی صفحهٔ تقریباً یکسان برای هر کلمه نسازید.
- citation presence را با citation fidelity اشتباه نگیرید.
- نتیجهٔ یک مدل یا یک زبان را به همهٔ موتورهای AI تعمیم ندهید.
llms.txtو schema را اهرم جادویی معرفی نکنید.
برنامهٔ عملی ۳۰روزه
هفتهٔ اول: خط مبنا
نام برند، نامهای جایگزین، صفحات اصلی، citationهای موجود و ۳۰ پرسش واقعی را ثبت کنید. برای هر پرسش بنویسید آیا برند ذکر شد، آیا پیشنهاد اول بود و آیا منبع قابلاعتماد دیده شد.
هفتهٔ دوم: صفحات بنیادی
صفحهٔ About، خدمات، پروژهها و سه صفحهٔ پرسشمحور را بازنویسی کنید. هر صفحه باید یک پاسخ روشن در ابتدای متن، توضیح کامل، مثال و محدودیت داشته باشد.
هفتهٔ سوم: شواهد و ارتباطات
case studyهای واقعی، پروفایل نویسنده، GitHub، منابع خارجی و لینکهای داخلی مرتبط را مرتب کنید. لینک فقط وقتی ارزش دارد که رابطهٔ واقعی بین دو موضوع را توضیح دهد.
هفتهٔ چهارم: بازآزمایی
همان promptها را دوباره اجرا کنید. تغییر نرخ ذکر یا پیشنهاد اول را گزارش کنید، اما اگر علت مشخص نیست، آن را علت قطعی ننویسید. تغییرات را کنار تاریخ، مدل و وضعیت search منتشر کنید.
چه ادعاهایی هنوز ثابت نشدهاند؟
در release فعلی شواهد کافی برای این موارد وجود ندارد: رد ۱۰۰٪ روشهای black-hat، برخورد مفهومی GEO برابر ۳۸٪، drift برابر ۲۵٪، latency انتشار ۲ تا ۶ هفته، نامرئیبودن بیش از ۷۰٪ برندهای سازمانی، retrieval latency خالص، citation fidelity و کارایی حذف رپورتاژ. اینها باید در آزمایشهای جداگانه با numerator، denominator، نسخهٔ مدل، prompt، تاریخ و روش محاسبه بررسی شوند.
همچنین release دیگری دربارهٔ آژانسهای ایران وجود دارد که ۳۰ prompt تولیدشده، صفر prompt مشاهدهشده، ۵۱ fallback و ۶۹ شکست دارد. آن release برای نتیجهگیری دربارهٔ Claude یا Perplexity معتبر نیست؛ صرفاً چون برچسب peer_review_ready دارد نباید آن را پژوهش نهایی دانست.
این benchmark چه کمکی به مولویپرو میکند؟
این dataset نتیجه نمیدهد که مولویپرو در AI Search چه رتبهای دارد. اما یک درس عملی روشن دارد: پروژههای GEO باید با پرسشهای واقعی، دادهٔ خام، هویت مدل، تاریخ، failure و روش محاسبه منتشر شوند. در Molavi.pro این مسیر را میتوان با راهنمای روشها و اندازهگیری GEO، هرم GEO مولوی، یادداشت معماری سازمانی و فهرست پژوهشها ادامه داد.
جمعبندی
برای دیدهشدن در پاسخهای هوش مصنوعی، اول باید برای انسان روشن باشیم و بعد برای ماشین قابلبررسی. هویت مشخص، پاسخ مستقیم، شواهد واقعی، صفحات مقایسهای منصفانه، دسترسی فنی، لینکهای معنادار و اندازهگیری تکرارپذیر ستونهای اصلی کارند. هیچکدام تضمین نمیکند مدل در هر پرسش نام شما را بیاورد؛ اما نبودن اینها شانس فهم درست برند را کم میکند.
پرسشهای متداول
آیا GEO جای SEO را میگیرد؟
خیر. SEO فنی و محتوایی هنوز به کشف و دسترسی صفحه کمک میکند. GEO لایهای است برای اینکه اطلاعات کسبوکار در پاسخ ترکیبی، قابلفهم و قابلاستناد باشد.
آیا schema باعث میشود ChatGPT حتماً برند من را پیشنهاد کند؟
خیر. schema به فهم ساختار کمک میکند، اما citation، محتوای مفید، اعتبار و شرایط هر مدل هم مهماند.
هر چند وقت یکبار benchmark بگیریم؟
برای شروع ماهانه با یک پنل ثابت مناسب است. در زمان تغییر مهم سایت یا مدل، اجرای جداگانه بگیرید و تاریخ و تنظیمات را عوض نکنید.
آیا این مقاله نتیجهٔ visibility مولویپرو را اعلام میکند؟
خیر. benchmark دربارهٔ برندهای CRM است و این مقاله روش استفاده و محدودیت داده را توضیح میدهد، نه رتبهٔ مولویپرو را.