نماذج الذكاء الاصطناعي تبحث عن العلامات التي تتذكرها مسبقاً

لا تُعامل مساعدات الذكاء الاصطناعي كل العلامات التجارية بالتساوي عند الإجابة عن سؤال أحد المشترين. وقد وجدت دراسة جديدة من geoSurge، شركة أبحاث متخصصة في الظهور بالذكاء الاصطناعي، أن النماذج تبحث في الويب المفتوح عن العلامات التي تعرفها مسبقاً من التدريب بمعدل أعلى بكثير من العلامات التي لا تعرفها، بنسبة تتجاوز ثلاثة إلى واحد. وبالنسبة للعلامات متعددة الفروع التي تأمل في الظهور حين يسأل أحد العملاء مساعد الذكاء الاصطناعي عن وجهة يزورها أو منتج يشتريه، تعيد هذه النتيجة تعريف الظهور في الذكاء الاصطناعي بوصفه مسألة تتعلق بكون العلامة كياناً معروفاً، لا مجرد صفحة مُحسَّنة جيداً.

ما الذي حدث

قاست geoSurge أمرين منفصلين، على نموذجين مختلفين: ما يتذكره نموذج ما مسبقاً عن مجموعة من العلامات، باستخدام منهجية الشركة الخاصة بقياس الذاكرة، والعلامات التي يبحث عنها النموذج فعلياً عند الإجابة عن سؤال حقيقي، وقيس هذا الجزء على نموذج Gemini 3.5 Flash التابع لـGoogle. وبما أن القياسين جريا على نموذجين مختلفين، فإن النتيجة ارتباط بين الذاكرة وسلوك البحث، لا دليل على أن ذاكرة نموذج واحد هي ما يقود بحثه الخاص. وعبر ما يقارب 4,000 استجابة من النماذج لـ66 مطلباً لمشترين في الولايات المتحدة، أطلقت أكثر من 13,000 بحث تفرّعي وأنتجت 1,416 ملاحظة على مستوى العلامات، ظل النمط ثابتاً. فقد بُحث عن علامة ضمن أفضل 10 علامات في ذاكرة النموذج بمعدل يبلغ 3.2 مرة معدل البحث عن علامة لا يتذكرها، أي بنسبة 55.7% مقابل 17.4%.

وظل هذا الفارق قائماً في القطاعات التسعة كلها التي اختبرتها geoSurge، من السفر والسيارات إلى التمويل والتجزئة. فقد تراوحت معدلات البحث عن العلامات المتذكَّرة بين 41% و82%، في حين تراوحت للعلامات التي لا يتذكرها النموذج بين 9% و23%. وحين بحث نموذج عن شركة محددة بالاسم بدلاً من فئة عامة، جاءت 63% من تلك البحوث باسم واحدة من أكثر خمس علامات مألوفة له.

بُحث عن علامة ضمن أفضل 10 علامات في ذاكرة النموذج بمعدل 3.2 مرة معدل البحث عن علامة لا يتذكرها النموذج: 55.7% مقابل 17.4%.

geoSurge، AI Searches What It Remembers

وتتوخى geoSurge الحذر في ما تثبته هذه الأرقام. فالشركة تصف النتيجة بأنها ارتباط وُجد في بيانات استكشافية، لا سبباً مؤكداً، وتشير إلى أن البحث المباشر قد يظهر علامة أقل شهرة حين تعتمد فئة ما على معلومات حديثة. ويبقى الاتجاه العام واضحاً: ما يعرفه النموذج مسبقاً يشكّل ما يبحث عنه.

لماذا يهم هذا

تتحول محركات الذكاء الاصطناعي التوليدية إلى بوابة رئيسية للاكتشاف المحلي. فحين يسأل أحدهم مساعداً عن أقرب خيار أو أفضل مزوّد في فئة معينة، تتوقف الإجابة أولاً على العلامات التي يأخذها النموذج بالحسبان من الأساس. وتشير بيانات geoSurge إلى أن مجموعة العلامات المرشحة هذه منحازة نحو العلامات التي استوعبها النموذج مسبقاً، وهو ما يصب في مصلحة الأسماء الكبيرة والراسخة ذات الحضور الواسع والمتّسق عبر الويب.

وهذا تحوّل بنيوي عن البحث التقليدي، حيث كانت صفحة واحدة قوية قادرة على التصدر بمفردها. فإذا كان النموذج نادراً ما يبحث عن علامة لا يعرفها، فإن النهج القديم القائم على تحسين صفحة واحدة لاستعلام واحد لا يصل إلى الجزء من العملية الذي يحدد من يدخل المنافسة أساساً. فالظهور يبدأ قبل ذلك بكثير، عند تحديد ما إذا كانت العلامة كياناً متماسكاً وممثَّلاً تمثيلاً جيداً في البيانات التي بُنيت عليها هذه النماذج.

وتذهب حجة geoSurge الأوسع خطوة أبعد من هذه الدراسة. فقد ذكرت الشركة أن النماذج قد تعيد كتابة ما تتذكره عند تحديثها، ولذلك قد تفقد علامة ممثَّلة تمثيلاً جيداً في نسخة ما موقعها في النسخة التالية، دون أي تغيير في موقعها الإلكتروني أو في تحسين محركات البحث الخاص بها. وهذا الادعاء يقع خارج بيانات سلوك البحث المعروضة هنا، لكنه يتبع المنطق نفسه: الحضور في إجابات الذكاء الاصطناعي ليس إعداداً تُفعّله العلامة مرة واحدة وتنتهي منه.

ماذا يعني هذا للعلامات متعددة الفروع

بالنسبة لسلسلة تجزئة وطنية، أو مجموعة وكلاء سيارات، أو شبكة صيدليات، أو مشغّل محطات وقود أو شحن، فإن الخلاصة ليست السعي وراء ترتيب واحد في الذكاء الاصطناعي، بل جعل العلامة مقروءة بوضوح على نطاق واسع، بحيث يقرأ النموذج عبر مئات أو آلاف الفروع كياناً واحداً متّسقاً وموثوقاً، لا مجموعة متناثرة من القوائم المتضاربة.

وهذه مسألة تتعلق بإدارة البيانات قبل أن تكون مسألة محتوى. فالأسماء والعناوين والفئات وساعات العمل المتّسقة عبر كل فرع، والمُدارة عبر الإدارة الجماعية وواجهات API بدلاً من إدارتها فرعاً بفرع، هي ما يجعل العلامة تبدو حضوراً واحداً متماسكاً في المصادر التي تعتمد عليها هذه النماذج. أما بيانات المواقع المجزّأة أو المتضاربة فتعمل في الاتجاه المعاكس، فتُشتت إشارة العلامة عبر عشرات السجلات المتطابقة جزئياً.

وينسحب المنطق نفسه على المراجعات وعلى المحتوى المنظَّم الذي يصف كل فرع. فمجموعة مراجعات عميقة وحديثة، إلى جانب بيانات مواقع دقيقة، تمنح النموذج مادة أكثر اتساقاً يتذكرها. وقد صُممت طبقة Places AI من PinMeTo لهذا الغرض بالضبط، فتحافظ على تناسق الكيان الذي تقدّمه العلامة لمساعدات الذكاء الاصطناعي عبر الأسواق كافة، وتوضّح إرشاداتنا حول التصدر في نتائج البحث بالذكاء الاصطناعي وتحسين محركات الذكاء الاصطناعي التوليدي كيف يمكن لفرق العلامات متعددة الفروع قياس هذا الحضور والحفاظ عليه مع مرور الوقت.

والخطوة العملية الأولى هي القياس: تتبّع ظهور علامتك في إجابات الذكاء الاصطناعي للاستعلامات المهمة عبر أسواقك، وتعامل مع أي تراجع بعد تحديث نموذج ما بوصفه حدثاً يستحق التحقيق، وحافظ على مستوى من الدقة في بيانات المواقع والمراجعات يجعل العلامة قابلة للتمييز على مستوى الشبكة كلها.

الخلاصة

يتزايد ميل مساعدات الذكاء الاصطناعي إلى البحث عمّا تعرفه مسبقاً. وبالنسبة للعلامات متعددة الفروع، يحوّل ذلك الظهور في الذكاء الاصطناعي إلى لعبة طويلة الأمد، قوامها أن تكون العلامة كياناً متّسقاً ومحكوماً جيداً في كل مكان دفعة واحدة، بدلاً من تمرين لتحسين كل صفحة على حدة. والعلامات التي تبقى قابلة للتمييز مع كل نسخة جديدة من النماذج هي التي ستستمر في الظهور حين يسأل العملاء.