بررسی معیارهای Visibility در گزارش محرمانه ChatGPT [قسمت ۱]

مقاله به بررسی یک گزارش محرمانه از OpenAI می‌پردازد که برای اولین بار معیارهای دقیق Visibility را از درون ChatGPT فاش می‌کند. این گزارش بینش‌های بی‌سابقه‌ای را درباره عملکرد داخلی پلتفرم ارائه می‌دهد که آینده SEO و انتشار محتوای مبتنی بر AI را تحت تأثیر قرار خواهد داد. بر اساس این گزارش، در حالی که Visibility محتوای AI در حال افزایش است، ترافیک ارجاعی از AI رو به کاهش است. این پدیده نشان‌دهنده گذار از “Search Engines” به “Decision Engines” است، جایی که AI اطلاعات را تفسیر و ترکیب می‌کند بدون اینکه کاربران را لزوماً به منبع اصلی بازگرداند. این تغییر، ناشران، متخصصان SEO و استراتژیست‌های محتوا را ملزم می‌کند تا معنای واقعی Visibility آنلاین را از نو تعریف کنند.

۱. آنچه داده‌های گزارش نشان می‌دهد: Visibility بدون ترافیک

داده‌های این گزارش یک ماهه، جزئیات Visibility یک ناشر بزرگ رسانه‌ای را در ChatGPT آشکار می‌کند. این داده‌ها شامل دفعات نمایش یک URL در رابط کاربری، موقعیت آن، تعداد کلیک‌های کاربران، تأثیر آن بر مکالمات و CTR در نقاط مختلف UI است. بر اساس این گزارش، برترین URL مورد بررسی ۱۸۵,۰۰۰ Impression در مکالمات جداگانه داشت که منجر به ۳,۸۰۰ کلیک و CTR حدود ۲٪ شد. با احتساب دفعات متعدد نمایش در مکالمات، کل Impression به ۵۱۸,۰۰۰ و کلیک‌ها به ۴,۴۰۰ رسید که CTR کلی را به ۰.۸۰٪ کاهش داد. این سطح از دیده شدن قابل توجه است، اما سطح ترافیک دریافتی خیره کننده نیست.

اکثر URLهای دیگر عملکرد به‌مراتب بدتری داشتند:

• CTR ۰.۵٪ (که در این زمینه “خوب” تلقی می‌شود).
• CTR ۰.۱٪ (متداول).
• CTR ۰.۰۱٪ (رایج).
• CTR ۰٪ (بسیار رایج، به خصوص برای محتوای تخصصی).

این روند یک ناهنجاری موقت نیست، بلکه در کل مجموعه داده‌ها ثابت بوده و با مطالعات خارجی، از جمله تحلیل Server Log توسط SEOکارهای مستقل، که CTR زیر ۱٪ را از منابع ChatGPT نشان می‌دهد، مطابقت دارد. این پدیده قبلاً در “Zero-Click Era” گوگل نیز مشاهده شده بود، اما ChatGPT آن را به اوج خود رسانده است. تفاوت حیاتی اینجاست که Featured Snippets گوگل برای ارائه پاسخ‌های سریع طراحی شده بودند، در حالی که هنوز کاربران را به کلیک برای اطلاعات بیشتر تشویق می‌کردند. اما پاسخ‌های ChatGPT به گونه‌ای طراحی شده‌اند که قصد کاربر را کاملاً برآورده سازند و کلیک‌ها را نه تنها اختیاری، بلکه غیرضروری می‌کنند.

۲. پارادوکس سطح ظاهری: جایی که OpenAI بیشترین نمایش را دارد، کاربران کمترین کلیک را می‌کنند

گزارش، هر تعامل را به “Surface”های UI تقسیم می‌کند و یکی از پارادوکس‌های قابل توجه در رفتار جستجوی مدرن را نشان می‌دهد. Response Block، که بیش از ۹۵٪ محتوای LLMها را در خود جای می‌دهد، حجم عظیمی از Impressionها را (اغلب ۱۰۰ برابر بیشتر از سایر Surfaceها) ایجاد می‌کند. با این حال، CTR آن بین ۰.۰۱٪ تا ۱.۶٪ در نوسان است و نکته جالب اینجاست که هرچه CTR کمتر باشد، کیفیت پاسخ بهتر است.

این پدیده معادل جدید “Position Zero” است، اما با این تفاوت که “Zero-Intent-To-Click” محسوب می‌شود. از نظر روانشناسی، وقتی ChatGPT یک پاسخ جامع ارائه می‌دهد، کاربران کلیک کردن را به معنای تردید درباره دقت AI یا نیاز به اطلاعات بیشتر تلقی می‌کنند (که نسبتاً نادر است)، زیرا AI مشکل آنها را حل کرده است.

در مقابل، Sidebar داستان متفاوتی دارد. این بخش کوچک Impressionهای بسیار کمتری دارد، اما CTR آن به طور مداوم قوی و بین ۶٪ تا ۱۰٪ در مجموعه داده‌ها است. کاربران در این قسمت بیشتر به دنبال محتوای مرتبط هستند (حالت Discovery)، نه تأیید پاسخ اصلی. Citations در پایین پاسخ‌ها نیز رفتار مشابهی از خود نشان می‌دهند و در صورت نمایش، CTR بین ۶٪ تا ۱۱٪ را به دست می‌آورند. اینها کاربران دارای تفکر آکادمیک و Fact-Checker را جذب می‌کنند و حتی ممکن است CTR پاسخ اصلی را کاهش دهند.

Search Results به ندرت فعال می‌شوند و معمولاً فقط زمانی ظاهر می‌شوند که ChatGPT به داده‌های زمان واقعی نیاز دارد. اگرچه CTR آنها بین ۲.۵٪ تا ۴٪ است، اما حجم نمونه در حال حاضر برای اکثر ناشران قابل توجه نیست.

پارادوکس روشن است: هرچه OpenAI محتوای شما را بیشتر نمایش دهد، کلیک‌های کمتری ایجاد می‌کند. این مسئله منطق ۲۵ سال SEO را دگرگون می‌سازد. در جستجوی سنتی، Visibility بالا با ترافیک بالا مرتبط بود، اما در جستجوی مبتنی بر AI، Visibility بالا اغلب با استخراج اطلاعات مرتبط است تا ارجاع کاربر.

“پاسخ اصلی ChatGPT یک Visibility Engine است، نه یک Traffic Engine.”

۳. چرا CTR در حال کاهش است: ChatGPT یک Endpoint است، نه یک Gateway

تحلیل LinkedIn نشان می‌دهد که دلیل اصلی کاهش CTR این است که ChatGPT مشکل کاربران را مستقیماً حل می‌کند و مانند گوگل که پاسخ یک لینک بود، ChatGPT خود پاسخ را ارائه می‌دهد.

• کاربران راضی کلیک نمی‌کنند (آنچه را که نیاز داشتند، دریافت کرده‌اند).
• کاربران کنجکاو گاهی اوقات کلیک می‌کنند (می‌خواهند عمیق‌تر کاوش کنند).
• کاربران مردد به ندرت کلیک می‌کنند (یا به AI اعتماد دارند یا کل فرآیند را زیر سوال می‌برند).
• تعداد کمی از کاربران نیاز به ترک رابط کاربری را احساس می‌کنند.

همانطور که یک SEOکار ارشد اشاره کرده است: “ترافیک دیگر معیار بهینه‌سازی نیست. ما اکنون برای Trust Transfer بهینه‌سازی می‌کنیم.” یک تحلیلگر دیگر نیز می‌گوید: “اگر ChatGPT برند من را به عنوان مرجع ذکر کند، من قبل از اینکه کاربر حتی از سایت من بازدید کند، اعتماد او را جلب کرده‌ام. کلیک فقط یک تشریفات است.”

این تغییر، یک تحول اساسی در نحوه مصرف اطلاعات توسط انسان‌ها را نشان می‌دهد. در دوران قبل از AI، الگو این بود: “من باید پاسخ را پیدا کنم” → کلیک → مطالعه → ارزیابی → تصمیم‌گیری. اما در دوران AI، این الگو به: “من به یک پاسخ نیاز دارم” → “دریافت” → “اعتماد” → “عمل” تبدیل شده است و نیازی به کلیک نیست. AI به واسطه مورد اعتماد تبدیل می‌شود و منبع، مرجع خاموش است.

این شروع چیزی است که برخی آن را “Inception SEO” می‌نامند: بهینه‌سازی برای خود پاسخ، نه برای Click-Through. هدف دیگر Findable بودن نیست، بلکه هدف این است که منبعی باشید که AI به آن اعتماد کرده و از آن نقل قول می‌کند.

۴. Authority بر Keywords: منطق جدید بازیابی AI

SEO سنتی بر Indexation و تطبیق Keyword متکی است، اما LLMها بر اصول کاملاً متفاوتی عمل می‌کنند. آنها تا حد امکان به دانش مدل داخلی (داده‌های آموزش‌دیده، محتوای دارای مجوز) متکی هستند و تنها زمانی داده‌های خارجی را واکشی می‌کنند که دانش داخلی مدل ناکافی، قدیمی یا تأیید نشده باشد.

LLMها در انتخاب منابع، به اولویت‌بندی موارد زیر می‌پردازند: Domain Authority و Trust Signals، وضوح و ساختار محتوا، Entity Recognition و هم‌ترازی با Knowledge Graph، دقت تاریخی و سازگاری واقعی، و تازگی برای کوئری‌های حساس به زمان. سپس بر اساس نوع کوئری و سطح اطمینان تصمیم می‌گیرند که آیا اصلاً منبعی را ذکر کنند یا خیر.

این امر منجر به یک تغییر عمیق می‌شود:

• Entity Strength مهم‌تر از Keyword Coverage می‌شود.
• Brand Authority بر Link Building سنتی برتری می‌یابد.
• سازگاری و محتوای ساختاریافته مهم‌تر از حجم محتوا است.
• اعتماد مدل به مهم‌ترین Ranking Factor تبدیل می‌شود.
• دقت واقعی در طول زمان، مزیت تجمعی ایجاد می‌کند.

“شما دیگر در یک Index رقابت نمی‌کنید. شما در Confidence Graph مدل رقابت می‌کنید.”

این یک تحول رادیکال است. منطق قدیمی SEO این بود که “برای ۱۰۰۰ Keyword رتبه بگیرید ← از ۱۰۰۰ Search Query ترافیک بگیرید.” منطق جدید AI این است که “به Authoritative Entity برای ۱۰ موضوع تبدیل شوید ← به منبع پیش‌فرض برای ۱۰۰۰۰ پاسخ تولید شده توسط AI تبدیل شوید.” در این چشم‌انداز جدید، یک Domain واحد و بسیار معتبر می‌تواند بر AI Citations در یک Topic Cluster کامل تسلط یابد. Long-Tail SEO ممکن است کم‌اهمیت‌تر شود، زیرا AI پاسخ‌ها را ترکیب می‌کند تا اینکه با Keywordهای خاص مطابقت دهد. Topic Authority باارزش‌تر از Keyword Authority می‌شود و یک بار ذکر شدن توسط ChatGPT می‌تواند میلیون‌ها پاسخ بعدی را تحت تأثیر قرار دهد.

۵. KPIsهای جدید: “Share Of Model” و Influence درون‌پاسخ

با کاهش CTR، برندها باید معیارهای Visibility بومی AI را بپذیرند. اولین مورد “Share of Model Presence” است که نشان می‌دهد برند، Entity یا URLهای شما چند بار در پاسخ‌های تولید شده توسط AI ظاهر می‌شوند، صرف نظر از اینکه روی آنها کلیک شود یا خیر. این شبیه به “Share of Voice” در تبلیغات سنتی است، اما به جای اندازه‌گیری حضور در رسانه‌های پولی، حضور در فرآیند استدلال AI را اندازه‌گیری می‌کند.

نحوه اندازه‌گیری:

• ردیابی Branded Mentions در پاسخ‌های AI در پلتفرم‌های اصلی (ChatGPT, Claude, Perplexity, Google AI Overviews).
• نظارت بر Entity Recognition در محتوای تولید شده توسط AI.
• تجزیه و تحلیل فراوانی Citation در پاسخ‌های AI برای حوزه موضوعی شما.

LLMها به طور فزاینده‌ای جملات معتبر تولید می‌کنند، مانند “طبق گفته ناشر X…” یا “کارشناسان برند Y توصیه می‌کنند…”. این همان “Brand Recall” جدید است، با این تفاوت که با سرعت ماشین و در مقیاس وسیع اتفاق می‌افتد و میلیون‌ها کاربر را بدون بازدید از وب‌سایت شما تحت تأثیر قرار می‌دهد. تأیید مستقیم توسط AI قدرتمندتر از رتبه ۱ در گوگل است، زیرا تأیید AI دارای Algorithmic Authority است.

همچنین، “Contextual Presence” وجود دارد: بخشی از زنجیره استدلال بودن، حتی زمانی که به صراحت ذکر نشده باشد. این “Dark Matter” AI Visibility است. محتوای شما ممکن است پاسخ AI را بدون انتساب مستقیم شکل دهد، اما میلیون‌ها کاربر را در درک یک موضوع تحت تأثیر قرار می‌دهد.

High-Intent Queries نیز یک معیار حیاتی هستند. پرامپت‌های باریک و Bottom-of-Funnel همچنان منجر به تبدیل می‌شوند و CTR بین ۲.۶٪ و ۴٪ را نشان می‌دهند. این کوئری‌ها معمولاً شامل مقایسه محصولات، دستورالعمل‌های خاص نیازمند کمک‌های بصری، اخبار یا رویدادهای اخیر، مشخصات فنی یا نظارتی نیازمند منابع اولیه، یا تحقیقات آکادمیک نیازمند تأیید Citation هستند. استراتژی روشن است: Click Optimization را به طور کامل کنار نگذارید. در عوض، ۱۰-۲۰٪ از کوئری‌هایی را که کلیک‌ها هنوز اهمیت دارند، شناسایی کرده و به شدت برای آنها بهینه‌سازی کنید.

در نهایت، LLMها Authority را بر اساس آنچه می‌توان آن را “Surrounding Ecosystem Presence” و سازگاری Cross-Platform نامید، قضاوت می‌کنند. این شامل موارد زیر است:

• سازگاری داخلی در تمام صفحات شما.
• Schema و Structured Data که ماشین‌ها به راحتی می‌توانند آنها را تجزیه کنند.
• هم‌ترازی Knowledge Graph از طریق حضور در Wikidata, Wikipedia و پایگاه داده‌های صنعتی.
• Cross-Domain Entity Coherence، جایی که اشخاص ثالث معتبر به طور مداوم به شما ارجاع می‌دهند.
• Temporal Consistency، جایی که Authority شما در طول زمان پایدار می‌ماند.

این رویکرد جامع Entity SEO، کل حضور دیجیتال شما را به عنوان یک Entity منسجم و قابل اعتماد بهینه‌سازی می‌کند، نه صفحات منفرد را. KPIهای سنتی SEO نمی‌توانند این تغییر را درک کنند. ناشران به داشبوردهای جدید برای ردیابی AI Citations و Mentions، ابزارهای جدید برای اندازه‌گیری “Model Share” در پلتفرم‌های LLM، متدولوژی‌های Attribution جدید در دنیای پس از کلیک، و چارچوب‌های جدید برای اندازه‌گیری Influence بدون ترافیک مستقیم نیاز خواهند داشت.

تمرکز استراتژیک از “جذب ۱ میلیون بازدیدکننده ماهانه” به “تأثیرگذاری بر ۱۰ میلیون تصمیم با واسطه AI” تغییر می‌کند.

۶. چرا به یک “AI Search Console” نیاز داریم

بسیاری از متخصصان SEO با مشاهده این مجموعه داده، بلافاصله به این نتیجه رسیدند که نیاز به یک “OpenAI Search Console” وجود دارد. در حال حاضر، ناشران نمی‌توانند:

• تعداد Impressionهای خود را در ChatGPT مشاهده کنند.
• نرخ گنجاندن محتوای خود را در انواع مختلف کوئری‌ها اندازه‌گیری کنند.
• تفاوت بین Citation صریح برند خود و صرفاً ارجاع به آن را درک کنند.
• UI Surfaceهایی که محتوایشان بیشتر در آنها ظاهر می‌شود را شناسایی کنند.
• Visibility در ChatGPT را با Revenue یا معیارهای برند ارتباط دهند.
• تأثیر در سطح Entity را در Knowledge Graph ردیابی کنند.
• میزان واکشی داده‌های زمان واقعی توسط LLMها از محتوای آنها را اندازه‌گیری کنند.
• دلیل انتخاب یا عدم انتخاب محتوای خود را برای کوئری‌های خاص درک کنند.
• Visibility خود را با رقبا مقایسه کنند.

گوگل قبلاً با “Not Provided” داده‌های Keyword را پنهان کرده بود؛ پلتفرم‌های AI ممکن است با “Not Even Observable” کل فرآیند تصمیم‌گیری را پنهان کنند. این وضعیت مشکلاتی از جمله عدم امکان بهینه‌سازی بدون اندازه‌گیری، عدم پاسخگویی پلتفرم‌های AI، مزیت‌های اطلاعاتی نامتقارن، کاهش نوآوری در استراتژی محتوا، تمرکز قدرت در دست ارائه‌دهندگان پلتفرم AI، و دشواری در شناسایی و اصلاح سوگیری‌ها یا خطاهای AI ایجاد می‌کند.

یک “AI Search Console” ایده‌آل باید شامل موارد زیر باشد:

• معیارهای اصلی: حجم Impression بر اساس URL، Entity و موضوع، تفکیک بر اساس Surface، CTR و معیارهای Engagement، تحلیل در سطح مکالمه، و داده‌های سری زمانی.
• جزئیات Attribution و Sourcing: دفعات Citation صریح در مقابل استفاده ضمنی، حضور رقبا، دسته‌بندی کوئری‌ها، و Confidence Scores.
• ابزارهای تشخیص: توضیح دلایل انتخاب یا رد URLهای خاص، سیگنال‌های کیفیت محتوا، وضعیت Entity Recognition، اتصال به Knowledge Graph، و تأیید Structured Data.
• توصیه‌های بهینه‌سازی: شناسایی شکاف‌ها در Entity Footprint، زمینه‌هایی که Authority در آنها ضعیف است، فرصت‌های بهبود AI Visibility، و Competitive Intelligence.

OpenAI و سایر پلتفرم‌های AI سرانجام به دلایل مختلفی مجبور به ارائه این داده‌ها خواهند شد: فشار رگولاتوری (EU AI Act)، شراکت‌های رسانه‌ای، پایداری اقتصادی اکوسیستم محتوا، و مزیت رقابتی برای جذب ناشران.

مجموعه داده‌ای که در حال تحلیل آن هستیم، ممکن است نمونه اولیه زیرساختی باشد که در نهایت استاندارد خواهد شد.

۷. تأثیر صنعتی: رسانه، Monetization و رگولاسیون

این تغییرات نگرانی‌ها و فرصت‌های قابل توجهی را برای بخش رسانه ایجاد می‌کند. تضاد بین مدل‌های اقتصادی گوگل و OpenAI آشکار است. گوگل از طریق پرداخت‌های Neighboring Rights، ترافیک معنادار (هرچند رو به کاهش) و اکوسیستم‌های تبلیغاتی، به تأمین مالی رسانه‌ها کمک می‌کند. در مقابل، OpenAI و پلتفرم‌های مشابه AI در حال حاضر تنها به شرکای رسانه‌ای منتخب تحت توافقات خصوصی پرداخت می‌کنند، تقریباً هیچ ترافیکی با CTR کمتر از ۱٪ ارسال نمی‌کنند، حداکثر ارزش را از محتوا استخراج می‌کنند در حالی که حداقل جبران را ارائه می‌دهند و هیچ اکوسیستم تبلیغاتی برای ناشران ایجاد نمی‌کنند.

AI Overviews قبلاً Organic CTR را کاهش داده‌اند و ChatGPT این روند را به اوج خود رسانده و تقریباً تمام ترافیک را حذف می‌کند. این امر مستلزم بازسازی کامل مدل‌های کسب‌وکار است و سوالات فوری را مطرح می‌کند: آیا پلتفرم‌های AI باید مانند Search Engines، Neighboring Rights پرداخت کنند؟ آیا دولت‌ها چارچوب‌های جبرانی برای استفاده از محتوا وضع خواهند کرد؟ آیا ناشران با ارائه‌دهندگان LLM شراکت مستقیم خواهند داشت؟ آیا اکوسیستم‌های جدید صدور مجوز برای Training Data, Inference و Citation ظهور خواهند کرد؟ چگونه باید محتوایی را که دیده می‌شود اما روی آن کلیک نمی‌شود، ارزش‌گذاری کرد؟

چندین مدل اقتصادی بالقوه در حال ظهور هستند:

• جبران خسارت مبتنی بر Citation: پلتفرم‌ها بر اساس دفعات ذکر یا استفاده از محتوا، هزینه پرداخت می‌کنند (مشابه Music Streaming Royalties، اما نیازمند معیارهای شفاف).
• توافق‌نامه‌های صدور مجوز: ناشران محتوا را مستقیماً به پلتفرم‌های AI با قیمت‌گذاری چند لایه بر اساس Authority و تازگی مجوز می‌دهند (که قبلاً با رسانه‌های بزرگ در حال انجام است).
• مدل‌های Attribution ترکیبی: ترکیب فراوانی Citation، Impression، و Click-Through، با وزن‌دهی بر اساس ارزش کوئری و قصد کاربر، برای ایجاد چارچوب‌های استاندارد جبرانی.
• دستورالعمل‌های رگولاتوری: دولت‌ها ممکن است بر اساس سوابق قانون Neighboring Rights، پلتفرم‌های AI را ملزم به تقسیم درآمد با تولیدکنندگان محتوا کنند.

این بزرگترین تغییر در اقتصاد رسانه دیجیتال از زمان Google Ads خواهد بود. پلتفرم‌هایی که این مشکل را به درستی حل کنند، اکوسیستم‌های پایداری خواهند ساخت. آنهایی که این کار را نکنند، با مداخله رگولاتوری و شورش ناشران مواجه خواهند شد.

۸. ناشران و برندها اکنون چه باید بکنند

بر اساس داده‌ها و واکنش کارشناسان، یک Playbook در حال شکل‌گیری است. اولاً، ناشران باید Inclusion را بر کلیک‌ها اولویت دهند. هدف واقعی، بخشی از راه‌حل بودن است، نه ایجاد جهش در ترافیک. این امر شامل تولید محتوای جامع و معتبر است که AI می‌تواند آن را ترکیب کند، اولویت‌دهی به وضوح و دقت واقعی بر ترفندهای افزایش Engagement، ساختاربندی محتوا به گونه‌ای که حقایق کلیدی به راحتی قابل استخراج باشند، و ایجاد Topic Authority به جای دنبال کردن Keywordهای فردی.

تقویت Entity Footprint نیز به همان اندازه حیاتی است. هر برند، نویسنده، محصول و مفهومی باید برای ماشین قابل خواندن و سازگار باشد. ناشران باید از وجود Entity خود در Wikidata و Wikipedia اطمینان حاصل کنند، جزئیات NAP (Name, Address, Phone Number) را در تمام Properties خود ثابت نگه دارند، Schema Markup جامع را پیاده‌سازی کنند، Knowledge Graph Entries ایجاد و نگهداری کنند، Structured Product Catalogues بسازند و روابط Entity واضحی را برقرار کنند.

ایجاد Trust Signals برای Retrieval مهم است، زیرا LLMها محتوای با Authority بالا، ساختار یافته و دارای ابهام کم را اولویت می‌دهند. این Trust Signals عبارتند از:

• شفافیت Authorship، با بیوگرافی نویسنده، اعتبارنامه‌ها و تخصص واضح.
• استانداردهای ویرایشی، پوشش Fact-Checking، سیاست‌های اصلاح و Sourcing.
• Domain Authority، از طریق سن Domain، Backlink Profile و شناخت صنعتی.
• Structured Data، از طریق پیاده‌سازی Schema و Rich Snippets.
• سازگاری واقعی، حفظ دقت در طول زمان بدون تناقض.
• تأیید تخصصی، از طریق تأییدیه‌های اشخاص ثالث و Citationها.

ناشران نباید Click Optimization را به طور کامل کنار بگذارند. در عوض، باید Bottom-Funnel Prompts را هدف قرار دهند که هنوز CTR قابل اندازه‌گیری بین ۲٪ تا ۴٪ را نشان می‌دهند، زیرا پاسخ‌های AI در این موارد ناکافی هستند.

نمونه‌هایی از High-CTR Queries:

• “نحوه پیکربندی [تنظیمات فنی خاص]” (نیاز به تصاویر یا کد).
• “مقایسه مشخصات [محصول الف] در مقابل [محصول ب]” (نیاز به جداول، مقایسه‌های دقیق).
• “آخرین اخبار [رویداد مهم]” (نیاز به تازگی اطلاعات).
• “کجا [محصول خاص] بخریم” (Transactional Intent).
• “فرصت‌های شغلی [شرکت]” (نیاز به دسترسی به پورتال شغلی).

استراتژی: ۱۰ تا ۲۰ درصد از فضای موضوعی خود را که AI نمی‌تواند به طور کامل قصد کاربر را برآورده کند، شناسایی کرده و آن صفحات را برای کلیک‌ها بهینه کنید.

در زمینه محتوا، مهم است که اطلاعات مهم‌تر را در ابتدا قرار دهید، از زبان واضح و قطعی استفاده کنید، منابع اصلی را ذکر کنید، از ابهام‌پرهیزی کنید (مگر اینکه دقت آن را ایجاب کند)، و محتوایی ایجاد کنید که برای مدت طولانی دقیق باقی بماند.

شاید مهم‌ترین تغییر ذهنی این باشد: دست از فکر کردن درباره ترافیک بردارید و به جای آن به Influence فکر کنید. ارزش از بازدیدها به خود فرآیند استدلال منتقل شده است. معیارهای موفقیت جدید باید ردیابی کنند که چند بار توسط AI ذکر می‌شوید، چند درصد از پاسخ‌های AI در حوزه شما به شما اشاره می‌کنند، “Share of Model” شما در مقایسه با رقبا چگونه است، آیا در حال ایجاد Cumulative Authority هستید که در به‌روزرسانی‌های مدل پایدار می‌ماند، و آیا AI شما را به عنوان منبع قطعی برای موضوعات اصلی‌تان می‌شناسد.

تمرکز استراتژیک از “جذب ۱ میلیون بازدیدکننده ماهانه” به “تأثیرگذاری بر ۱۰ میلیون تصمیم با واسطه AI” تغییر می‌کند.

ناشران همچنین باید Revenue Streams خود را متنوع کنند تا به Monetization مبتنی بر ترافیک وابسته نباشند. مدل‌های جایگزین شامل ایجاد روابط مستقیم با مخاطبان از طریق Email Lists, Newsletters و Memberships؛ ارائه محتوای Premium از طریق Paywalls, Subscriptions و Exclusive Access؛ یکپارچه‌سازی Commerce از طریق Affiliate Programmes, Product Sales و خدمات؛ تشکیل B2B Partnerships برای ارائه محتوای White-Label, API Access و Data Licensing؛ و مذاکره با پلتفرم‌های AI برای جبران مستقیم محتوا است.

ناشرانی که رابطه با مخاطبان خود را کنترل می‌کنند، به جای وابستگی به پلتفرم‌های واسطه، پیشرفت خواهند کرد.

پارادوکس Super-Predator

یک حقیقت اساسی در مورد Artificial Intelligence اغلب نادیده گرفته می‌شود: این سیستم‌ها محتوا را به طور مستقل تولید نمی‌کنند؛ آنها کاملاً به کار انباشته میلیون‌ها خالق انسانی، از جمله روزنامه‌نگاری، تحقیقات، مستندات فنی و نگارش خلاقانه وابسته هستند که شالوده هر مدل را تشکیل می‌دهند. این وابستگی دلیلی است که OpenAI با این شدت به دنبال توافقنامه‌های صدور مجوز با ناشران بزرگ بوده است. این یک اقدام خیریه شرکتی نیست، بلکه یک ضرورت وجودی است. یک Language Model که فقط بر روی داده‌های تاریخی آموزش دیده باشد، هر روز بیشتر از واقعیت کنونی جدا می‌شود. نمی‌تواند اخبار فوری را تشخیص دهد یا درک خود را از طریق Inference خالص به‌روز کند. همچنین نمی‌تواند از قدرت محاسباتی به تنهایی حقایق را ابداع کند.

این امر چیزی را ایجاد می‌کند که “Super-Predator Paradox” نامیده می‌شود: اگر OpenAI در ایجاد اختلال کامل در ترافیک وب سنتی موفق شود، که منجر به فروپاشی ناشران و کاهش جریان محتوای جدید و با کیفیت شود، Training Data مدل به طور فزاینده‌ای کهنه خواهد شد. درک آن از رویدادهای جاری کاهش می‌یابد، و کاربران متوجه خواهند شد که پاسخ‌ها قدیمی و از واقعیت جدا شده‌اند. در واقع، Super-Predator اکوسیستم خود را بلعیده و اکنون خود را در بیابان محتوایی که خود ایجاد کرده، گرسنه خواهد یافت.

این پارادوکس اجتناب‌ناپذیر است و دو آینده بسیار متفاوت را پیشنهاد می‌کند. در یک حالت، OpenAI به رفتار با ناشران به عنوان موانع ادامه می‌دهد تا شرکای. این امر منجر به فروپاشی اکوسیستم محتوا و سیستم‌های AI وابسته به آن خواهد شد. در حالت دیگر، OpenAI ارزش را با ناشران از طریق مدل‌های جبرانی پایدار، سیستم‌های Attribution و شراکت‌ها به اشتراک می‌گذارد. این امر تضمین می‌کند که خالقان می‌توانند به کار خود ادامه دهند. تفاوت بین این دو آینده عمدتاً تکنولوژیکی نیست؛ ابزارها برای ساخت سیستم‌های AI پایدار و جبران‌کننده خالق تا حد زیادی امروز وجود دارند. بلکه این یک مسئله دیدگاه استراتژیک و تمایل به این است که اگر Artificial Intelligence قرار است به رابط جهانی برای دانش انسانی تبدیل شود، باید دنیایی را که از آن یاد می‌گیرد، حفظ کند نه اینکه آن را برای کسب منافع کوتاه‌مدت نابود کند. دهه آینده با این تعریف نخواهد شد که چه کسی قدرتمندترین مدل را می‌سازد، بلکه با این تعریف خواهد شد که چه کسی پایدارترین را می‌سازد؛ با کسی که پارادوکس Super-Predator را قبل از اینکه به یک رویداد انقراض برای هر دو اکوسیستم محتوا و سیستم‌های AI تبدیل شود که نمی‌توانند بدون آن زنده بمانند، حل می‌کند.