AI SEO: چگونه رتبه‌بندی‌های حالت AI را درک کنیم

توضیح ساده نحوه رتبه‌بندی محتوا توسط گوگل این است که بر اساس درک Queryها و صفحات وب، به علاوه تعدادی از Ranking Signalهای خارجی استوار است. اما با ظهور AI Mode، این تنها نقطه شروع برای رتبه‌بندی وب‌سایت‌هاست. حتی Keywordها نیز در حال از بین رفتن هستند و جای خود را به Queryهای پیچیده‌تر و حتی تصاویر می‌دهند. چگونه می‌توان برای این تغییرات بهینه‌سازی کرد؟ در ادامه مراحلی برای پاسخ به این سوال ارائه شده است.

تغییر عمیق SEO با Latent Questions

واژه “Latent” به چیزی اشاره دارد که وجود دارد اما دیده نمی‌شود. هنگامی که کاربر یک Query پیچیده را مطرح می‌کند، LLM نه تنها باید Query را درک کند، بلکه باید سوالات بعدی (Follow-up Questions) را نیز که ممکن است کاربر در طول مسیر اطلاعاتی خود در مورد یک موضوع بپرسد، شناسایی کند. این سوالات که شامل Follow-up Questions هستند، Latent Questions نامیده می‌شوند. تقریباً هر Query شامل Latent Questions است.

پتنت Information Gain گوگل

مسئله Latent Queryها یک مشکل جدید برای SEO ایجاد می‌کند: چگونه برای سوالاتی که ناشناخته هستند بهینه‌سازی کنیم؟ بهینه‌سازی برای AI Search به معنای بهینه‌سازی برای تمامی طیف سوالاتی است که به Query اولیه یا Head Query مرتبط هستند.

اما حتی مفهوم Head Query نیز در حال از بین رفتن است، زیرا کاربران اکنون Queryهای پیچیده‌ای را مطرح می‌کنند که به پاسخ‌های پیچیده نیاز دارند. به همین دلیل، برای اهداف AI SEO، بهینه‌سازی نه تنها برای یک Query، بلکه برای نیازهای اطلاعاتی فوری کاربر مفید خواهد بود.

گوگل چگونه نیاز اطلاعاتی پنهان در Query کاربر را درک می‌کند؟ پاسخ در پتنت Information Gain گوگل یافت می‌شود. این پتنت مربوط به رتبه‌بندی یک صفحه وب مرتبط با یک Query و سپس رتبه‌بندی صفحات وب دیگری است که محتوای متفاوت اما مرتبط دارند.

شناسایی Latent (پنهان) Questions

یکی از راه‌های بررسی نتایج AI Search، تجزیه و تحلیل آنها بر اساس سوالاتی است که پاسخ‌های AI به آنها می‌دهد تا Hidden Query Fan-Out Questions را شناسایی کنیم.

به عنوان مثال، اگر از AI Mode گوگل بپرسید چگونه خمیر پیتزا درست کنیم، AI Mode یک دستور پخت خمیر پیتزا تولید می‌کند. این پاسخ از چندین Query سنتز شده است.

روشی برای استخراج سوالات پنهان (Latent) با استفاده از یک Reverse Question Answering Prompt وجود دارد که در ادامه نشان داده خواهد شد.

در اینجا مثالی از یک Query اولیه و Query Fan-Out Questions مرتبط با آن آورده شده است:

Query اولیه: چگونه خمیر پیتزا درست کنیم؟

Query Fan-Out Questions:

• چه موادی برای تهیه خمیر پیتزا لازم است؟
• این دستور پخت چه مقدار خمیر پیتزا تولید می‌کند؟
• چه چیزی نشان می‌دهد که خمیر مایه فعال است؟
• خمیر را با دست چه مدت باید ورز داد؟
• خمیر را با میکسر چه مدت باید ورز داد؟
• خمیر در طول مرحله اول تخمیر چه مدت باید ور بیاید؟
• چگونه می‌توان طعم پیچیده‌تری در خمیر ایجاد کرد؟
• دمای فر برای پخت پیتزا چقدر باید باشد؟
• پیتزا چه مدت باید بپزد؟

سوالات و پاسخ‌های واقعی حالت AI

در اینجا برخی از Hidden Query Fan-Out Questions به همراه پاسخ‌هایی که AI Mode گوگل تولید کرده است، آورده شده‌اند:

سوال: چه موادی برای تهیه خمیر پیتزا لازم است؟
پاسخ: “1 و 1/3 فنجان آب گرم (حدود 105-110 درجه فارنهایت یا 40-43 درجه سانتی‌گراد)؛ 1 قاشق غذاخوری شکر دانه‌ریز (یا عسل)؛ 1 بسته خمیر مایه خشک فعال یا فوری (2 و 1/4 قاشق چایخوری)؛ 3 و 1/2 تا 4 فنجان آرد همه منظوره یا نان، به علاوه مقداری برای پاشیدن؛ 2 قاشق غذاخوری روغن زیتون فرا بکر، به علاوه مقداری برای چرب کردن؛ 1 قاشق چایخوری نمک.”

سوال: این دستور پخت چه مقدار خمیر پیتزا تولید می‌کند؟
پاسخ: “این دستور پخت برای دو پیتزای 10-12 اینچی کافی است.”

سوال: چه چیزی نشان می‌دهد که خمیر مایه فعال است؟
پاسخ: “حدود 5-10 دقیقه بپوشانید و بگذارید بماند تا مخلوط کف‌آلود و حباب‌دار شود. این نشان می‌دهد که خمیر مایه فعال است.”

نمونه‌ای از پاسخ واقعی حالت AI

Reverse Question Answering Prompt

شما می‌توانید از Reverse Question Answering Prompt برای شناسایی سوالات پنهان در هر پاسخ AI Mode استفاده کنید. حتی می‌توانید از یک Prompt مشابه اما دقیق‌تر برای تجزیه و تحلیل محتوای خود استفاده کنید تا تشخیص دهید سند شما به چه سوالاتی پاسخ می‌دهد. این یک روش خوب برای بررسی این است که آیا محتوای شما به سوالات مورد نظرتان پاسخ می‌دهد یا خیر.

Prompt برای استخراج سوالات از حالت AI

در اینجا Prompt برای استفاده جهت استخراج سوالات پنهان در یک پاسخ AI Mode آورده شده است:

“سند را تجزیه و تحلیل کرده و فهرستی از سوالات را استخراج کنید که به طور مستقیم و کامل با جملات کامل در متن پاسخ داده شده‌اند. فقط سوالاتی را لحاظ کنید که سند حاوی یک یا چند جمله کامل است که به وضوح به آنها پاسخ می‌دهد. هیچ سوالی را که فقط به طور جزئی، ضمنی یا با استنتاج پاسخ داده شده است، لحاظ نکنید.”

“برای هر سوال، اطمینان حاصل کنید که یک بازگویی واضح و مختصر از اطلاعات دقیق موجود است. این یک Reverse Question Generation Task است: فقط از محتوای موجود در سند استفاده کنید.”

“برای هر سوال، همچنین جملات دقیق از سند را که به آن پاسخ می‌دهند، ذکر کنید. فقط سوالاتی را تولید کنید که یک پاسخ کامل و مستقیم در قالب یک یا چند جمله کامل در سند داشته باشند.”

تجزیه و تحلیل Reverse Question Answering برای محتوای وب

Prompt قبلی می‌تواند برای استخراج سوالاتی که توسط محتوای خود یا رقیبانتان پاسخ داده شده‌اند، استفاده شود. اما این Prompt بین Core Search Queryهایی که سند به آنها مرتبط است و سایر سوالات جانبی که به موضوع اصلی مربوط نیستند، تفاوتی قائل نمی‌شود.

برای انجام یک تجزیه و تحلیل Reverse Question Answering با محتوای خود، این نوع دقیق‌تر از Prompt را امتحان کنید:

“سند را تجزیه و تحلیل کرده و فهرستی از سوالات را استخراج کنید که Core به موضوع اصلی سند هستند و به طور مستقیم و کامل با جملات کامل در متن پاسخ داده شده‌اند.”

“فقط سوالاتی را لحاظ کنید که سند حاوی یک یا چند جمله متوالی است که به وضوح به آنها پاسخ می‌دهد. هیچ سوالی را که فقط به طور جزئی، ضمنی یا با استنتاج پاسخ داده شده است، لحاظ نکنید. نکته مهم اینکه، هرگونه سوال در مورد حکایات پشتیبان، اظهارات شخصی، یا اطلاعات پس‌زمینه عمومی را که موضوع اصلی سند نیستند، حذف کنید.”

“برای هر سوال، اطمینان حاصل کنید که یک بازگویی واضح و مختصر از اطلاعات دقیق موجود است. این یک Reverse Question Generation Task است: فقط از محتوای موجود در سند استفاده کنید.”

“برای هر سوال، همچنین جملات دقیق از سند را که به آن پاسخ می‌دهند، ذکر کنید. فقط سوالاتی را تولید کنید که یک پاسخ کامل و مستقیم در قالب یک یا چند جمله کامل در سند داشته باشند.”

Prompt فوق به منظور شبیه‌سازی نحوه استخراج سوالات اصلی توسط یک LLM یا سیستم Information Retrieval از یک سند وب طراحی شده است، در حالی که بخش‌هایی از سند را که به هدف اطلاعاتی اصلی آن مربوط نیستند (مانند توضیحات فرعی که مستقیماً به موضوع یا هدف اصلی سند کمک نمی‌کنند) نادیده می‌گیرد.

تقویت حضور برند در سایت‌های دیگر

چیزی که به طور فزاینده‌ای آشکار می‌شود این است که AI Search تمایل دارد شرکت‌هایی را رتبه‌بندی کند که وب‌سایت‌هایشان توسط سایت‌های دیگر توصیه می‌شوند. تحقیقات Ahrefs همبستگی قوی بین سایت‌هایی که در AI Overviews ظاهر می‌شوند و Branded Mentions را نشان داده است.

طبق Ahrefs:

“ما به این عوامل که با تعداد دفعات ظهور یک برند در AI Overviews همبستگی دارند نگاه کردیم، هزاران چیز مختلف را آزمایش کردیم و قوی‌ترین همبستگی، با اختلاف زیاد (تقریباً 0.67)، Branded Web Mentions بود.

بنابراین، اگر برند شما در بسیاری از نقاط مختلف وب ذکر شود، این با ذکر برند شما در بسیاری از مکالمات AI نیز همبستگی بسیار بالایی دارد.”

مطالعه کنید: داده‌ها نشان می‌دهند که Branded Mentions رتبه‌بندی AI Search را افزایش می‌دهند

این یافته به شدت نشان می‌دهد که Visibility در AI Search ممکن است کمتر به Backlinkها و بیشتر به این بستگی داشته باشد که یک برند چند وقت یک بار در سراسر وب مورد بحث قرار می‌گیرد. به نظر می‌رسد مدل‌های AI یاد می‌گیرند که کدام برندها با توجه به تعداد دفعات ذکر شدن سایت‌های آنها در سایر سایت‌ها، از جمله سایت‌هایی مانند Reddit، توصیه می‌شوند.

دوران رتبه‌بندی پسا-Keyword

ما در دوران رتبه‌بندی پسا-Keyword هستیم. جستجوی Organic گوگل از قبل از AI و یک Core Topicality System برای درک بهتر Queryها و موضوع صفحات وب استفاده می‌کرد. تفاوت بزرگ اکنون این است که AI Mode گوگل به کاربران این امکان را داده است که با Queryهای مکالمه‌ای طولانی و پیچیده جستجو کنند که لزوماً توسط صفحات وبی که بر روی مرتبط بودن با Keywordها تمرکز دارند، پاسخ داده نمی‌شوند، بلکه به آنچه مردم واقعاً به دنبال آن هستند، پاسخ می‌دهند.

نوشتن درباره Topics

نوشتن درباره Topics رویکردی سرراست به نظر می‌رسد، اما معنای آن به بستر Topic بستگی دارد.

“Topic Writing” پیشنهاد می‌کند که به جای نوشتن درباره Keyword “Blue Widget”، نویسنده باید درباره Topic “Blue Widget” بنویسد.

روش قدیمی SEO این بود که به “Blue Widget” و تمام عبارات Keyword مرتبط با “Blue Widget” فکر کنیم:

عبارات Keyword مرتبط:

• How to make blue widgets
• Cheap blue widgets
• Best blue widgets

تصاویر و ویدئوها

روش به‌روز نوشتن، فکر کردن بر اساس پاسخ‌ها و کمک‌رسانی است. به عنوان مثال، آیا تصاویر در یک سایت مسافرتی نشان می‌دهند که یک مقصد در مورد چیست؟ آیا خواننده روی عکس مکث خواهد کرد؟ در یک سایت محصول، آیا تصاویر اطلاعات مفیدی را منتقل می‌کنند که به مشتری کمک کند تا تشخیص دهد آیا چیزی مناسب است و چگونه به نظر می‌رسد؟

تصاویر و ویدئوها، اگر مفید باشند و به سوالات پاسخ دهند، می‌توانند اهمیت فزاینده‌ای پیدا کنند، زیرا کاربران شروع به جستجو با تصاویر می‌کنند و به طور فزاینده‌ای انتظار دارند ویدئوهای بیشتری، چه کوتاه و چه طولانی، در نتایج جستجو مشاهده کنند.