MAVI؛ شاخص دیده شدن در هوش مصنوعی مولوی

MAVI: شاخص دیده شدن در هوش مصنوعی مولوی — چارچوب اندازه‌گیری آمادگی ساختاری و دیده‌شدن تجربی

نویسنده و تدوین‌کننده: تقی مولوی (Taqi Molavi)

ناشر: اندیشکده تحقیق و توسعه برند تقی مولوی (molavi.pro/research)

نسخه: ۱.۱، اکتبر ۲۰۲۶ (بروزرسانی جامع متدولوژی و جداول آماری)

نحوه استناد علمی: 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/research/mavi

۱. داستان یک سوءتفاهم بزرگ: وقتی هوش مصنوعی فقط ادای شناختن شما را درمی‌آورد!

تصور کنید مدیر یک کسب‌وکار اینترنتی هستید و تصمیم می‌گیرید ببینید موتورهای هوش مصنوعی (مثل ChatGPT Search، Perplexity، Google Gemini یا Claude) چقدر برند شما را می‌شناسند. یک پرامپت ساده می‌نویسید:

«درباره شرکت [نام برند شما] چه می‌دانی؟»

هوش مصنوعی متنی مؤدبانه و جذاب تحویل می‌دهد: «شرکت شما یکی از فعالان حوزه فلان است و خدمات متنوعی ارائه می‌دهد...» شما خوشحال می‌شوید و فکر می‌کنید در هوش مصنوعی رتبه اول را دارید!

اما حقیقت چیست؟ حقیقت این است که شما یک پرسش کاملاً جهت‌دار و با ذکر نام (Branded Query) پرسیده‌اید و هوش مصنوعی تنها یک بار نام شما را تکرار کرده است؛ بدون آنکه حتی یک لینک معتبر به سایت شما بدهد!

حالا فرض کنید یک مشتری واقعی که هنوز اصلاً اسم شرکت شما را نشنیده، از همان هوش مصنوعی می‌پرسد:

«بهترین نرم‌افزار حسابداری ابری برای شرکت‌های بازرگانی با قابلیت انبارداری چیست؟»

در پاسخ این سؤال، نام سه رقیب شما با لینک مستقیم به سایتشان درج می‌شود و هیچ اثری از نام برند شما وجود ندارد!

این دقیقاً نقطه آغاز تولد شاخص MAVI (Molavi AI Visibility Index) است. ما نیاز به زبانی داشتیم که به دور از ادعاهای تبلیغاتی و اعداد من‌درآوردی برخی ابزارهای سئو، حقیقت دیده شدن را مثل یک آزمایشگاه علمی اندازه‌گیری کند.

۲. ریشه مسئله: چرا یک عدد جادویی مانند «نمره سئو ۸۵٪» گمراه‌کننده است؟

در سئوی سنتی گوگل، اگر صفحه شما برای کلمه «خرید لپ‌تاپ» در رتبه ۳ بود، هر کس سرچ می‌کرد کم‌وبیش همان رتبه ۳ را می‌دید. اما در موتورهای هوش مصنوعی همه چیز تصادفی و احتمالی (Stochastic) است:

1. مدل‌ها بر اساس احتمالات کلمه بعدی را حدس می‌زنند: با تغییر دما (Temperature) یا دانه تصادفی (Seed)، پاسخ دو بار یکسان نخواهد بود.
2. فرایند دومرحله‌ای بازیابی و نوشتن (RAG): طبق پژوهش دانشگاهی اخیر (arXiv:2604.25707)، موتورهای جستجوی هوش مصنوعی ابتدا یک مرحله انتخاب منبع (Citation Selection) دارند و سپس در مرحله دوم تصمیم می‌گیرند آیا واقعاً از حرف‌های آن منبع در متن نهایی استفاده کنند یا نه (Citation Absorption). بسیاری از سایت‌ها به عنوان منبع خوانده می‌شوند اما در پاسخ نهایی محو می‌گردند!
3. تفاوت فاحش موتورها و زبان‌ها: یک وب‌سایت ممکن است در پرپلکسیتی زبان انگلیسی عالی دیده شود اما در نسخه فارسی ChatGPT کاملاً نادیده گرفته شود.

ارائه دادن یک نمره میانگین ساده بدون در نظر گرفتن این لایه‌ها، فریب دادن خود و کارفرماست.

۳. معماری دوگانه MAVI: تفکیک «آمادگی ساختاری» از «دیده‌شدن در عمل»

شاخص MAVI برای پایان دادن به این سردرگمی، کل مسئله را به دو شاخص کاملاً مستقل تفکیک می‌کند:

┌────────────────────────────────────────────────────────────────────────┐
│                        شاخص کلی MAVI                                   │
└───────────────────────────────────┬────────────────────────────────────┘
                                    │
         ┌──────────────────────────┴──────────────────────────┐
         ▼                                                     ▼
┌──────────────────────────────────┐        ┌──────────────────────────────────┐
│   ۱. شاخص آمادگی ساختاری         │        │    ۲. شاخص دیده‌شدن مشاهده‌پذیر  │
│         (MAVI-R: Readiness)      │        │        (MAVI-O: Observed)        │
├──────────────────────────────────┤        ├──────────────────────────────────┤
│ • آیا کد سایت برای ماشین خواناست؟│        │ • آیا مدل‌های هوش مصنوعی لایو،   │
│ • آیا اسکیما و گراف انتیتی دارد؟ │        │   در پاسخ به کاربران واقعی نام   │
│ • آیا چانک‌های متنی متراکم است؟  │        │   برند را می‌آورند و لینک می‌دهند؟│
│ (قابل اندازه‌گیری قطعی با سورس)  │        │ (آزمون تجربی با بنچمارک چندمدلی) │
└──────────────────────────────────┘        └──────────────────────────────────┘

[!IMPORTANT]

قانون طلایی MAVI: داشتن آمادگی ۱۰۰٪ به این معنا نیست که هوش مصنوعی حتماً شما را پیشنهاد می‌دهد؛ آمادگی فقط «شرط ورود به مسابقه» است. برنده شدن به اعتبار، شواهد بیرونی و اثبات تمایز بستگی دارد.

۴. تاکسونومی پنج‌گانه سنجه‌ها: فرق میان ذکر نام تا تسخیر ذهن مدل

در تمام گزارش‌ها و تحلیل‌های تجربی، این ۵ مفهوم باید با خط‌کش ریاضی از هم جدا شوند:

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

۵. پنج لایه عملیاتی MAVI و ارتباط با هرم GEO مولوی

هرم GEO مولوی چارچوب استراتژیک ماست و MAVI بازوی اندازه‌گیری و سنجش آن است:

                        ▲
                       / \
                      / L5\   L5: Empirical AI Visibility (سنجش با GEO-Scope)
                     /-----\
                    /  L4   \   L4: Citation Readiness / CSP (شاخص بقای استناد)
                   /---------\
                  /    L3     \   L3: Entity Clarity (وضوح انتیتی و پایگاه‌های دانش)
                 /-------------\
                /      L2       \   L2: Semantic Extractability (اسکیما و داده معنایی)
               /-----------------\
              /        L1         \   L1: Technical Accessibility (سئو تکنیکال و کد تمیز)
             /---------------------\

جدول تطبیق لایه‌های هرم استراتژیک با سنجه‌های تشخیصی MAVI (Crosswalk Table)

۶. جعبه‌ابزار متن‌باز ما: اکوسیستم حلقه بسته اصلاح و سنجش (Closed-Loop)

این نظریه‌ها روی هوا نیستند! ما برای پیاده‌سازی گام‌به‌گام این متدولوژی، مجموعه‌ای از ابزارهای بازمتن توسعه داده‌ایم که به صورت یک چرخه مهندسی بسته عمل می‌کنند:

$$\text{AnswerPath} \longrightarrow \text{GEO-Scope} \longrightarrow \text{SAGE} \longrightarrow \text{MAVI} \longrightarrow \text{SiteProbe} \longrightarrow \text{سنجش مجدد}$$

1. [AnswerPath (کشف نیت و طراحی پرامپت)](https://github.com/tmolavi/answerpath-geo):

کاربرد:* قبل از تست گرفتن از مدل‌ها، پرسش‌های واقعی و دغدغه‌های ذهنی کاربران در صنعت شما را استخراج کرده و به سناریوهای استاندارد تبدیل می‌کند.

* مخزن گیت‌هاب: github.com/tmolavi/answerpath-geo | پکیج پایتون: pypi.org/project/answerpath-geo

1. [GEO-Scope (موتور بنچمارک چندمدلی)](https://github.com/tmolavi/geo-scope):

کاربرد:* پرامپت‌ها را به صورت خودکار و مکرر در پرپلکسیتی، چت‌جی‌پی‌تی، کلود و جمینای اجرا می‌کند و با ثبت شناسه دقیق مدل (Provenance) و فواصل اطمینان، نتایج لایه L5 را می‌سنجد.

* مخزن گیت‌هاب: github.com/tmolavi/geo-scope | پکیج پایتون: pypi.org/project/geo-scope

1. [SAGE (موتور ممیزی سه‌گانه سئو، AEO و GEO)](https://github.com/tmolavi/sage-audit):

کاربرد:* سورس وب‌سایت شما را آنالیز می‌کند تا شاخص آمادگی ساختاری (MAVI-R) را در لایه‌های L1 تا L3 محاسبه کند.

* مخزن گیت‌هاب: github.com/tmolavi/sage-audit | پکیج پایتون: pypi.org/project/sage-audit

1. [mcp-geo-server (سرور پروتکل سیاق مدل)](https://github.com/tmolavi/mcp-geo-server):

کاربرد:* این قابلیت‌ها را مستقیماً به ابزارهای کدنویسی هوش مصنوعی (مثل Cursor، Antigravity و Claude Desktop) متصل می‌کند تا ایجنت‌ها بتوانند کدها را بررسی کنند.

* مخزن گیت‌هاب: github.com/tmolavi/mcp-geo-server

1. [SiteProbe (موتور اصلاح و تریاژ)](https://github.com/tmolavi/siteprobe):

کاربرد:* نقص‌های کشف‌شده در ساختار DOM، اسکیما و robots.txt را شناسایی و ترمیم می‌کند.

۷. ماتریس داده‌های آماری بنچمارک لایو: آزمون عملی ۴ موتور در ۵ زبان

برای درک رفتار واقعی مدل‌ها، ماتریس زیر نتایج اجرای یک بنچمارک استاندارد شامل ۲۵۰ کوئری تفکیک‌شده (در ۵ دسته نیت: اطلاعاتی، تجاری، راه‌حل‌محور، اعتبار و مقایسه‌ای) را نمایش می‌دهد:

[!NOTE]

تحلیل داده‌ها: همان‌طور که در جدول مشاهده می‌کنید، نسبت جذب استناد (Absorption Ratio) در زبان‌های غیرانگلیسی پایین‌تر است. این یعنی مدل‌ها صفحات فارسی یا عربی را به عنوان منبع می‌خوانند، اما در خروجی نهایی متن تمایل دارند استدلال خود را بر اساس منابع بین‌المللی فرموله کنند. راهکار این معضل، افزایش چگالی فکت‌های متنی و پیاده‌سازی معماری VPA است.

۸. فرمول ریاضی و نمونه محاسبه عددی زنده (Worked Example)

فرمول کلی شاخص تجمیعی MAVI عبارت است از:

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

با ضرایب استاندارد کالیبره‌شده:

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

مثال عملی از یک پروژه واقعی:

فرض کنید یک شرکت نرم‌افزاری B2B با ابزارهای SAGE و GEO-Scope مورد ممیزی قرار گرفته است:

نمره $L_1$ (سلامت فنی سورس): ۹۰* از ۱۰۰ (سایت فوق‌العاده سریع با رندر تمیز SSR و بدون ارور).

نمره $L_2$ (استخراج معنایی اسکیما): ۸۵* از ۱۰۰ (داده‌های ساختاریافته کامل برای محصولات و سازمان).

نمره $L_3$ (پیوستگی انتیتی و گراف دانش): ۷۰* از ۱۰۰ (پروفایل‌های رسمی متصل است اما در دانشنامه‌ها و مراجع باز ابهام دارد).

نمره $L_4$ (آمادگی استناد و چگالی چانک): ۵۵* از ۱۰۰ (متن‌ها بیش از حد تبلیغاتی و شعارگونه هستند و چگالی فکت پایین است).

نمره $L_5$ (دیده‌شدن تجربی لایو در ۱۰۰ پرامپت): ۳۵* از ۱۰۰ (نرخ منشن ۴۵٪ و نرخ استناد ۲۵٪).

#### گام اول: محاسبه شاخص آمادگی ساختاری (MAVI-R)

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

#### گام دوم: محاسبه شاخص کلی MAVI

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

تحلیل بیزینسی گزارش:

این شرکت از نظر فنی و زیرساخت آماده است (آمادگی ۷۴٪)، اما به دلیل اینکه محتوایش پر از شعار و فاقد ارجاعات دست‌اول است ($L_4 = 55$)، در عمل در آزمون‌های زنده هوش مصنوعی نمره پایینی گرفته است ($L_5 = 35$). راهکار این شرکت سئوی تکنیکال بیشتر نیست؛ بلکه بازنویسی متون بر پایه فکت‌های چگال و گرفتن پوشش رسانه‌ای مستقل است.

۹. سیاست داده‌های مفقود: چرا نبود داده نباید صفر شود؟

اگر برای یک مشتری تازه وارد، هنوز بنچمارک لایو پرامپت‌ها را اجرا نکرده باشیم، چه اتفاقی می‌افتد؟

ابزارهای نامعتبر بلافاصله نمره $L_5$ را صفر می‌گذارند که میانگین کل سایت را خراب می‌کند. اما سیاست رسمی MAVI این است:

1. وضعیت لایه اندازه‌گیری‌نشده با برچسب صریح not_measured قید می‌شود.
2. نمره آمادگی ($\text{MAVI-R}$) به طور شفاف به عنوان دستاورد فعلی ارائه می‌گردد.
3. نمره نهایی ترکیبی فقط و فقط پس از اجرای حداقل ۵۰ پرامپت کنترل‌شده در موتورهای لایو با ابزار GEO-Scope صادر می‌شود.

۱۰. جدول حالت‌های شکست و راهکارهای درمانی (Failure Modes & Diagnostics)

۱۱. شواهد علمی، مراجع رسمی و دانشگاهی

این چارچوب بر پایه مستندات رسمی موتورهای جستجو و پژوهش‌های معتبر دانشگاهی زیر بنا شده است:

1. راهنمای رسمی قابلیت‌های هوش مصنوعی گوگل:

Google Search Central — AI features and your website — تأکید رسمی بر اینکه سئوی بنیادین و نمایه‌سازی شرط اصلی حضور در موتورهای هوش مصنوعی است.

1. راهنمای بهینه‌سازی برای هوش مصنوعی گوگل:

Google Search Central — Optimizing for generative AI features.

1. استاندارد اندازه‌گیری دیده‌شدن در عصر هوش مصنوعی انجمن تبلیغات تعاملی:

IAB — Measuring Visibility in the AI Era — چارچوب حضور، برجستگی و ارزیابی داده‌های سوگیرانه در برابر شواهد تصمیم‌ساز.

1. مقاله دانشگاهی بنیادی GEO:

Aggarwal et al. (2023). GEO: Generative Engine Optimization. arXiv:2311.09735 — اثبات نقش نقل‌قول‌ها، استنادات و اصطلاحات تخصصی در بهبود بازیابی.

1. پژوهش دو مرحله‌ای استناد در RAG:

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

1. بررسی انتقادی سئو و هوش مصنوعی:

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

۱۲. پرسش‌های متداول پژوهشی و اجرایی (FAQ)

۱. آیا یک کسب‌وکار کوچک می‌تواند نمره MAVI بالایی بگیرد؟

بله! در لایه‌های $L_1$ تا $L_4$ یک کسب‌وکار کوچک با انتشار داده‌های تخصصی و ساختار فنی تمیز می‌تواند آمادگی بالاتری نسبت به پورتال‌های بزرگ دولتی یا سازمانی به دست آورد.

۲. چقدر زمان می‌برد تا بهبود در MAVI خود را در پاسخ‌های لایو هوش مصنوعی نشان دهد؟

برای موتورهایی که از وب زنده سرچ می‌کنند (مانند Perplexity و ChatGPT Search)، به محض ایندکس مجدد صفحات (چند روز تا دو هفته). برای مدل‌های آفلاین، تا دور بعدی آپدیت وزن‌های مدل.

۳. از کجا ممیزی وب‌سایتم را بر اساس شاخص MAVI شروع کنم؟

بهترین نقطه شروع، اجرای ممیزی با ابزار متن‌باز SAGE برای ارزیابی وضعیت آمادگی ($L_1$ تا $L_3$) و بررسی صفحه شواهد فنی و نتایج ماست.

۱۳. بلوک استناد، BibTeX و مسیر بعدی

نحوه استناد استاندارد (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/research/mavi

بلوک 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/research/mavi}
}

مسیرهای بعدی برای مطالعه و اقدام:

* مطالعه چارچوب راهبردی: هرم GEO مولوی؛ ۵ لایه مرجعیت انتیتی

* مشاهده مستندات پروژه‌های واقعی: صفحه شواهد فنی و بنچمارک‌های زنده

* خدمات تخصصی: درخواست ممیزی سازمانی GEO و هوش مصنوعی

* ارتباط مستقیم و بررسی پروژه: فرم تماس با تقی مولوی