اندازه‌گیری دیده‌شدن در هوش مصنوعی؛ چه چیزهایی را ردیابی کنیم و چه چیزهایی را نادیده بگیریم؟

برای اندازه‌گیری دیده‌شدن در هوش مصنوعی (AI Visibility)، بهتر است سه موضوع را جدی ردیابی کنید: پرامپت‌های درست، دیده‌شدن برند در مدل‌های مختلف و انتساب خوداظهاری‌شده. در مرحله بعد هم باید ببینید این دیده‌شدن واقعاً به لید، پایپ‌لاین و درآمد تبدیل می‌شود یا نه. Citation، Sentiment و Referral Traffic همچنان مفیدند، اما معیار نهایی موفقیت نیستند.

اندازه‌گیری عملکرد در فضای جست‌وجوی مبتنی بر هوش مصنوعی کمی با سئوی سنتی فرق دارد. بخشی از معیارهایی که قبلاً برای پیدا کردن منبع یک لید به آن‌ها تکیه می‌کردیم، حالا تصویر کاملی از مسیر کاربر نشان نمی‌دهند.

کاربر ممکن است سؤالش را داخل ChatGPT، Gemini یا Claude بپرسد، تحقیقش را همان‌جا انجام دهد و بعد بدون کلیک روی هیچ لینکی، مستقیماً نام برند را در گوگل جست‌وجو کند یا آدرس سایت را وارد کند. در چنین شرایطی ابزار تحلیلی ممکن است این کاربر را Organic یا Direct ثبت کند، در حالی که نقطه شروع واقعی مسیر او یک مدل زبانی بزرگ (LLM) بوده است.

پس اگر فقط Referral Traffic یا تعداد Citationها را نگاه کنیم، ممکن است قسمت مهمی از ماجرا را نبینیم.

در یک نگاه

• ابتدا باید پرامپت‌های درست را مشخص و ردیابی کنید.

• دیده‌شدن برند را به‌صورت جداگانه در مدل‌های مختلف بررسی کنید.

• برای تشخیص بهتر منبع لید از انتساب خوداظهاری‌شده (Self-Reported Attribution) استفاده کنید.

• Citation، Sentiment و ترافیک ارجاعی LLMها را مانیتور کنید، اما الزاماً KPI اصلی قرار ندهید.

• معیار نهایی باید نشان دهد آیا دیده‌شدن در LLMها به لید، پایپ‌لاین و درآمد منجر شده است یا نه.

مهم‌ترین چیز برای ردیابی AI Visibility چیست؟

اولین چیزی که باید درست انتخاب شود، پرامپت‌ها (Prompts) هستند.

دلیلش ساده است: اگر پرامپت اشتباهی را اندازه بگیرید، معیارهای بعدی هم درباره موضوع اشتباهی به شما اطلاعات خواهند داد. حتی Share of Citations، منشن برند یا Visibility بالا برای پرامپتی که مخاطب واقعی شما نمی‌پرسد، الزاماً اطلاعات مفیدی برای تصمیم‌گیری ایجاد نمی‌کند.

به همین دلیل انتخاب پرامپت را نباید فقط به پیشنهاد خودکار ابزارهای AI Visibility سپرد.

بعضی ابزارها پرامپت‌هایی را بر اساس صفحات فعلی وب‌سایت پیشنهاد می‌کنند. مشکل اینجاست که چنین روشی ممکن است این فرض را ایجاد کند که صفحات فعلی سایت دقیقاً همان موضوعاتی هستند که برند باید برای آن‌ها در خروجی LLMها دیده شود؛ در حالی که ممکن است هنوز محتوای مناسب برای پرامپت‌های اصلی مشتریان منتشر نشده باشد.

پرامپت‌های مناسب را از کجا پیدا کنیم؟

به‌جای حدس زدن، باید سراغ صدای مشتری (Voice of Customer) بروید.

منابعی مثل این موارد می‌توانند برای استخراج پرامپت‌های واقعی استفاده شوند:

1. ضبط تماس‌های فروش

2. Transcript تماس‌های فروش

3. تماس‌های Onboarding

4. تماس‌های تحقیق مشتری

5. پاسخ‌های خود مشتریان درباره نحوه آشنایی با برند

از داخل این داده‌ها باید بررسی کنید:

• مشتریان چه سؤال‌هایی را مرتب تکرار می‌کنند؟

• چه اعتراض‌ها یا ایرادهایی بارها مطرح می‌شود؟

• برای توضیح مشکل یا Pain Point خود از چه واژه‌هایی استفاده می‌کنند؟

اگر مشتری بالقوه یک سؤال را مرتب در تماس فروش مطرح می‌کند، منطقی است همان سؤال یا سؤال‌های مشابه را در گفتگو با ChatGPT یا Claude هم مطرح کند.

آیا پرامپت‌های هدف همیشه ثابت می‌مانند؟

نه. پرامپت‌های هدف می‌توانند تغییر کنند.

در داده‌های ارائه‌شده توصیه شده است که تقریباً هر سه ماه یک‌بار، پرامپت‌های ردیابی‌شده دوباره با تحقیقات صدای مشتری مقایسه شوند؛ به‌خصوص زمانی که کسب‌وکار در صنعتی سریع‌التغییر فعالیت می‌کند.

دیده‌شدن برند را فقط در یک مدل اندازه نگیرید

بعد از مشخص‌شدن پرامپت‌ها، مرحله بعد بررسی دیده‌شدن بین مدل‌های مختلف (Cross-Model Visibility) است.

بهتر است بررسی کنید برند شما برای پرامپت‌های هدف چند وقت یک‌بار در مدل‌ها و محیط‌هایی مثل موارد زیر ظاهر می‌شود:

• ChatGPT

• Gemini

• Google AI Mode

• Claude

• Copilot

• Perplexity

دلیل جداکردن مدل‌ها این است که رفتار و زمینه استفاده کاربران آن‌ها یکسان نیست. در تجربه گزارش‌شده، برای مثال پایگاه کاربران ChatGPT بیشتر به سمت مصرف‌کنندگان متمایل بوده و Claude بیشتر در فضای کسب‌وکار و سازمان‌ها مورد استفاده قرار گرفته است. بنابراین صرف تعداد کاربران یک پلتفرم برای تصمیم‌گیری کافی نیست و Context استفاده هم اهمیت دارد.

چرا Visibility هر مدل باید جداگانه بررسی شود؟

چون با ردیابی جداگانه می‌توانید تشخیص دهید تغییر ایجادشده فقط در یک مدل اتفاق افتاده یا در چند مدل مختلف دیده می‌شود.

مدل‌ها همچنین در شیوه پیدا کردن و ارائه اطلاعات تفاوت‌هایی دارند و همین تفاوت می‌تواند روی منابع و برندهایی که نمایش داده می‌شوند اثر بگذارد.

برای ردیابی پرامپت‌ها نیز ابزارهایی مثل Profound، Peec و AirOps در داده‌های موجود پیشنهاد شده‌اند. بعد از واردکردن پرامپت‌های هدف، می‌توان رقبا و روند Visibility برند را در طول زمان بررسی کرد.

انتساب خوداظهاری‌شده؛ حلقه‌ای که ابزارهای آنالیتیکس ممکن است نبینند

یکی از مهم‌ترین معیارها برای فهم اثر واقعی LLMها، انتساب خوداظهاری‌شده (Self-Reported Attribution) است.

یعنی خیلی ساده از مخاطب بپرسید:

«چطور با ما آشنا شدید؟»

دلیل اهمیت این سؤال این است که مدل‌های زبانی بزرگ ذاتاً می‌توانند تجربه‌ای بدون کلیک (Zero-Click) ایجاد کنند. کاربر پاسخ خود را در چت می‌گیرد و ممکن است بعداً از مسیری کاملاً متفاوت وارد سایت شود.

در داده‌های گزارش‌شده، مشخص شده بود ۸۰ تا ۹۰ درصد لیدهایی که از طریق یک پلتفرم هوش مصنوعی آمده بودند، به‌اشتباه Organic یا Direct ثبت شده بودند. همچنین یکی از مشتریان پس از اضافه‌کردن سؤال مربوط به نحوه آشنایی متوجه شده بود حدود ۵ درصد ثبت‌نام‌ها از ChatGPT آمده‌اند، با اینکه فعالیت مشخصی برای AI Visibility انجام نداده بود.

این دقیقاً همان چیزی است که نشان می‌دهد اتکا به ابزار تحلیلی به‌تنهایی ممکن است تصویر ناقصی ایجاد کند.

چطور Self-Reported Attribution را اجرا کنیم؟

سه روش برای جمع‌آوری این اطلاعات مطرح شده است.

۱. سؤال را به فرم لید یا ثبت‌نام اضافه کنید

می‌توانید سؤال «چطور با ما آشنا شدید؟» را به فرم اضافه کنید.

پاسخ می‌تواند آزاد باشد یا به شکل Dropdown نمایش داده شود و گزینه‌ای مثل «دستیار هوش مصنوعی؛ ChatGPT، Claude، Gemini و…» در آن قرار بگیرد.

اگر نگران اثر این سؤال روی نرخ تبدیل (Conversion Rate) هستید، می‌توان اثر آن را با تست A/B بررسی کرد.

۲. سؤال را در Onboarding مطرح کنید

روش دوم این است که سؤال بعد از ثبت‌نام و در فرایند Onboarding پرسیده شود.

مزیت این روش این است که نگرانی درباره تأثیر سؤال اضافه روی نرخ تبدیل فرم کاهش پیدا می‌کند. در مقابل، این مدل ممکن است برای فرایندهای کاملاً Sales-Led همه کاربران را پوشش ندهد.

۳. تیم فروش در Discovery Call سؤال را بپرسد

راه سوم این است که تیم فروش هنگام تماس کشف نیاز (Discovery Call) از مشتری بپرسد چطور با برند آشنا شده است.

این روش به تغییر رفتار و فرایند تیم فروش نیاز دارد و برای محصولاتی که کاملاً Self-Service هستند، همه کاربران را پوشش نمی‌دهد.

اگر مشخص شد لید از یک LLM آمده است، می‌توان از او پرسید چه پرامپتی استفاده کرده یا حتی در صورت تمایل Screenshot گفتگو را دریافت کرد. این اطلاعات می‌توانند دوباره به بهبود مجموعه پرامپت‌های هدف کمک کنند.

چه معیارهایی را مانیتور کنیم اما KPI اصلی قرار ندهیم؟

بعضی معیارها اطلاعات ارزشمندی می‌دهند، اما الزاماً نباید هدف اصلی برنامه AI Visibility باشند.

چرا Citation نباید KPI نهایی AI Visibility باشد؟

Citation مفید است، اما به‌تنهایی موفقیت را نشان نمی‌دهد.

در پژوهشی که در داده‌های ارائه‌شده گزارش شده، حتی برای Queryهای برندشده یا پایین قیف، ۴۸٪ منابع Citation از Earned Media، حدود ۳۰٪ از محتوای تجاری سایت‌های دیگر و تنها ۲۲٪ از وب‌سایت خود برند بوده‌اند.

این موضوع یک نکته مهم دارد: فقط نباید دنبال این باشید که سایت خودتان Citation گرفته یا نه.

باید بررسی کنید آیا برند شما در صفحاتی که خودشان زیاد Citation می‌گیرند حضور دارد یا نه.

همچنین Citation شدن به‌تنهایی به این معنی نیست که LLM برند را توصیه کرده یا حتی آن را به‌شکل برجسته در پاسخ نمایش داده است.

پس Citation بیشتر یک سیگنال برای مانیتورینگ است تا معیار نهایی موفقیت.

Sentiment برند را چطور نگاه کنیم؟

احساسات نسبت به برند (Sentiment) را بهتر است بیشتر به چشم بازخورد ببینیم.

آنچه LLM درباره یک برند نمایش می‌دهد، صرفاً نتیجه چیزی نیست که خود مدل درباره آن برند «فکر می‌کند». محتوایی که در وب درباره تجربه کاربران از محصول، تیم فروش، پشتیبانی و تجربه کلی مشتری منتشر شده، روی این تصویر اثر دارد.

به همین دلیل تغییر Sentiment صرفاً یک پروژه بازاریابی نیست.

مانیتور کردن Sentiment می‌تواند کمک کند بفهمید بازار چه تصویری از برند دارد؛ اما بهتر است این داده بیشتر برای پیدا کردن مشکلات تجربه مشتری استفاده شود تا اینکه صرفاً به‌عنوان یک KPI بازاریابی دنبال شود.

چرا LLM Referral Traffic معیار قابل اتکایی برای موفقیت نیست؟

ترافیک ارجاعی از LLMها ارزش بررسی دارد، اما می‌تواند بسیار نوسانی باشد.

برای مثال، در داده‌های ارائه‌شده توضیح داده شده که تغییر نحوه نمایش منابع در ChatGPT باعث کاهش Referral Traffic بعضی سایت‌ها شد و با برگشت تغییرات و نمایش Citationهای بیشتر، این ترافیک دوباره افزایش پیدا کرد.

یعنی بخشی از عدد Referral Traffic تحت کنترل شما نیست.

مشکل دوم Attribution است. اگر Referral Source حذف شود، ابزارهایی مثل Google Analytics یا HubSpot ممکن است کاربر را در دسته Direct قرار دهند؛ بنابراین عددی که با عنوان LLM Referral Traffic می‌بینید الزاماً تمام کاربران تأثیرگرفته از LLMها را شامل نمی‌شود.

چارچوب مناسب برای اندازه‌گیری دیده‌شدن در هوش مصنوعی

با کنار هم گذاشتن این داده‌ها، مسیر اندازه‌گیری را می‌توان به این شکل مرتب کرد:

1. صدای مشتری را بررسی کنید.

2. پرامپت‌های واقعی و مهم را استخراج کنید.

3. پرامپت‌ها را در مدل‌های مختلف ردیابی کنید.

4. Visibility برند و رقبا را در طول زمان بررسی کنید.

5. از مخاطبان بپرسید چطور با برند آشنا شده‌اند.

6. لیدهای منتسب به LLMها را در CRM دنبال کنید.

7. اثر آن‌ها را تا پایپ‌لاین و درآمد بررسی کنید.

8. Citation، Sentiment و Referral Traffic را به‌عنوان معیارهای کمکی مانیتور کنید.

9. پرامپت‌های هدف را به‌صورت دوره‌ای با Voice of Customer دوباره مقایسه کنید.

این چارچوب کمک می‌کند اندازه‌گیری از یک عدد ظاهری مثل تعداد Citation فراتر برود و به این سؤال برسد که آیا دیده‌شدن در مدل‌های هوش مصنوعی واقعاً باعث رسیدن برند به آدم‌های مناسب و ایجاد نتیجه کسب‌وکاری شده است یا نه.

اشتباهات رایج در اندازه‌گیری AI Visibility

اجازه دادن به ابزار برای انتخاب کامل پرامپت‌ها

ابزار AI Visibility مشتریان شما را به‌اندازه خودتان نمی‌شناسد. انتخاب پرامپت صرفاً بر اساس صفحات فعلی سایت می‌تواند باعث شود معیارهای اشتباهی را دنبال کنید.

تبدیل Citation به هدف نهایی

Citation می‌تواند نشان دهد چه منابعی وارد پاسخ شده‌اند، اما Citation شدن لزوماً به معنی Recommendation یا نمایش برجسته برند نیست.

اعتماد کامل به Google Analytics یا CRM برای تشخیص منبع لید

بعضی کاربران ممکن است ابتدا در LLM با برند آشنا شوند اما بعد از طریق Direct یا Organic وارد سایت شوند؛ در نتیجه Attribution خودکار می‌تواند منبع واقعی را نشان ندهد.

تبدیل Referral Traffic به KPI اصلی

تغییرات نحوه نمایش منابع در مدل‌ها می‌تواند Referral Traffic را بدون تغییر مستقیم در استراتژی شما بالا یا پایین ببرد.

توقف اندازه‌گیری در Visibility

Visibility به‌تنهایی هزینه‌های یک کسب‌وکار را پرداخت نمی‌کند. در نهایت باید مشخص شود آیا این دیده‌شدن به لید، فرصت فروش، پایپ‌لاین و درآمد منجر شده است یا نه.

سوالات متداول

آیا تعداد Citation معیار خوبی برای موفقیت در AI Visibility است؟

Citation ارزش مانیتور کردن دارد، اما بهتر است معیار نهایی موفقیت نباشد. Citation شدن یک منبع الزاماً به معنی توصیه‌شدن برند یا نمایش برجسته آن در پاسخ LLM نیست.

آیا می‌توان فقط Referral Traffic از ChatGPT را اندازه گرفت؟

می‌توان آن را مانیتور کرد، اما تصویر کاملی ارائه نمی‌دهد. بخشی از کاربرانی که از طریق LLM با برند آشنا شده‌اند ممکن است در ابزارهای تحلیلی به‌عنوان Direct یا Organic ثبت شوند.

چطور بفهمیم یک لید از ChatGPT یا مدل دیگری آمده است؟

یکی از ساده‌ترین روش‌ها استفاده از Self-Reported Attribution است؛ یعنی از کاربر بپرسید «چطور با ما آشنا شدید؟». این سؤال می‌تواند در فرم، فرایند Onboarding یا تماس فروش مطرح شود.

پرامپت‌های مناسب برای ردیابی را چطور انتخاب کنیم؟

پرامپت‌ها را از داده‌های صدای مشتری استخراج کنید؛ مثل تماس‌های فروش، Transcriptها، تماس‌های Onboarding و تحقیقات مشتری. سؤال‌ها، اعتراض‌ها و زبان واقعی مشتریان می‌توانند مبنای انتخاب پرامپت باشند.

آیا باید Visibility را برای همه مدل‌های هوش مصنوعی جداگانه بررسی کرد؟

ردیابی جداگانه مدل‌ها کمک می‌کند مشخص شود تغییر Visibility فقط در یک مدل اتفاق افتاده یا در چند مدل دیده می‌شود. مدل‌ها همچنین در شیوه پیدا کردن و ارائه منابع تفاوت دارند.

هر چند وقت یک‌بار باید پرامپت‌های هدف را بازبینی کنیم؟

در داده‌های ارائه‌شده پیشنهاد شده است پرامپت‌ها تقریباً هر سه ماه یک‌بار با تحقیقات Voice of Customer مقایسه و بازبینی شوند؛ مخصوصاً در صنایع سریع‌التغییر.

مهم‌ترین KPI نهایی برای دیده‌شدن در هوش مصنوعی چیست؟

تمرکز نهایی باید روی نتیجه کسب‌وکاری باشد: لید، پایپ‌لاین و درآمد. Visibility و Citation زمانی ارزش بیشتری پیدا می‌کنند که بتوان آن‌ها را به این نتایج متصل کرد.

جمع‌بندی

اندازه‌گیری دیده‌شدن در هوش مصنوعی نباید به شمردن Citation یا Referral Traffic محدود شود. ابتدا باید مطمئن شوید پرامپت‌های درستی را ردیابی می‌کنید، بعد حضور برند را در مدل‌های مختلف بسنجید و با Self-Reported Attribution بخشی از مسیرهایی را که ابزارهای تحلیلی نمی‌بینند شناسایی کنید.

در نهایت سؤال اصلی این نیست که «چند بار در یک LLM دیده شدیم؟»؛ سؤال مهم‌تر این است که آیا این دیده‌شدن ما را به مخاطب مناسب رسانده و به لید، پایپ‌لاین و درآمد تبدیل شده است یا نه؟

اگر می‌خواهی چارچوب اندازه‌گیری دیده‌شدن در هوش مصنوعی را برای سایت و فرایند سئوی خودت دقیق‌تر بررسی کنی، می‌توانی با آژانس سئو عرفان در ارتباط باشی و مسیر اندازه‌گیری را از پرامپت تا نتیجه کسب‌وکاری منظم‌تر کنی.