تحلیل بیش از ۲۵ میلیون استناد هوش مصنوعی نشان می ‌دهد: چرا روابط عمومی دیجیتال به زیرساخت دیده‌ شدن برند تبدیل شده است؟

گزارش مه ۲۰۲۶ «What Is AI Reading» با بررسی بیش از ۲۵ میلیون لینک ثبت‌شده در پاسخ‌های ChatGPT، Claude و Gemini نشان می‌دهد حدود ۸۴ درصد استنادهای هوش مصنوعی از منابعی می‌آید که گزارش Muck Rack آن‌ها را در تعریف گسترده «رسانه اکتسابی» قرار داده است؛ منابع ژورنالیستی به‌تنهایی حدود ۲۷ درصد استنادها را تشکیل می‌دهند، درحالی‌که سهم محتوای پولی و رپورتاژی فقط ۰٫۳ درصد گزارش شده است.

این اعداد یک پیام ساده اما مهم دارند: در موتورهای پاسخ‌گو، آنچه برند درباره خودش می‌گوید تنها بخشی از ماده خام پاسخ است؛ آنچه منابع مستقل، رسانه‌ها، نهادهای علمی و عمومی، متخصصان و پایگاه‌های مرجع درباره برند و موضوع آن ثبت کرده‌اند، بخش بزرگ‌تری از «محیط اطلاعاتی» را می‌سازد. با این ‌حال نتیجه حرفه‌ای این نیست که هر پوشش رسانه‌ای الزاماً به استناد در هوش مصنوعی منجر می‌شود یا هر استناد، اعتماد و فروش می‌سازد. رابطه واقعی چندمرحله‌ای‌تر است:

اطلاعات معتبر باید ابتدا منتشر شود، قابل خزش و بازیابی باشد، با سؤال کاربر تناسب داشته باشد، زمینه کافی برای پاسخ فراهم کند، از فیلترهای مدل عبور کند و در نهایت به‌صورت ذکر نام، استناد، توصیه یا لینک در پاسخ ظاهر شود.

به همین دلیل، روابط عمومی دیجیتال دیگر فقط کانال «انتشار خبر» یا «گرفتن پوشش» نیست. این فعالیت به بخشی از زیرساخت اطلاعاتی برند تبدیل شده است؛ زیرساختی که تعیین می‌کند سامانه‌های هوش مصنوعی هنگام پاسخ ‌دادن به پرسش‌های بازار، چه شواهدی درباره برند پیدا می‌کنند، کدام روایت را معتبرتر می‌دانند و برند را با چه موجودیت‌ها، ادعاها و منابعی پیوند می‌دهند.

مسئله از «رتبه‌ گرفتن» به «وارد شدن در پاسخ» تغییر کرده است

در جست‌وجوی کلاسیک، واحد رقابت عمدتاً صفحه نتیجه و جایگاه لینک بود. در محیط مولد، پاسخ نهایی معمولاً از چند منبع ساخته می‌شود و کاربر ممکن است پیش از هر کلیک، بخش مهمی از نتیجه‌ گیری را داخل همان پاسخ دریافت کند. بنابراین سه سؤال تازه به پرسش‌های سنتی سئو و روابط عمومی اضافه شده است:

1. آیا برند یا محتوای آن در مجموعه منابع قابل‌ بازیابی قرار می‌گیرد؟
2. آیا سامانه از آن برای ساخت پاسخ استفاده می‌کند؟
3. اگر استفاده کرد، برند را دقیق، برجسته و در زمینه درست بازنمایی می‌کند یا فقط نامی گذرا از آن می‌آورد؟

پژوهش کلاسیک «Generative Engine Optimization» این تغییر را به‌صورت یک مسئله مستقل صورت‌ بندی کرد و نشان داد در محیط آزمایشی GEO-Bench، افزودن شواهدی مانند آمار، نقل ‌قول و ارجاع معتبر می‌تواند Visibility منبع را در برخی پرسش‌ها افزایش دهد. اما همان پژوهش نیز بر تفاوت اثر روش‌ها میان حوزه‌ها تأکید داشت؛ پس نباید نتیجه آن را به نسخه‌ای ثابت و تضمینی برای همه مدل‌ها و صنایع تبدیل کرد.

گزارش Muck Rack نیز همین ناهمگنی را در مقیاسی بزرگ‌تر نشان می‌دهد. ChatGPT در ۹۶ درصد پاسخ‌های نمونه استناد ارائه کرده و به‌طور متوسط حدود پنج منبع آورده است؛ Gemini در ۸۲ درصد پاسخ‌ها با میانگین هشت منبع؛ و Claude فقط در ۵۵ درصد پاسخ‌ها استناد داشته، اما هنگام استناد به‌طور متوسط ۱۳ منبع ارائه کرده است. دامنه‌های غالب نیز یکسان نبوده‌اند: Wikipedia در ChatGPT، PubMed Central در Claude و Reddit در Gemini در صدر منابع قرار گرفته‌اند.

پس «دیده‌شدن در هوش مصنوعی» یک عدد جهانی و ثابت نیست. این متغیر دست‌کم به مدل، نوع محصول، فعال‌بودن جست‌وجوی وب، زبان، بازار، زمان آزمون، نوع حساب، صورت‌بندی پرسش و قصد کاربر وابسته است.

یادداشت روش‌ شناختی: ۲۵ میلیون لینک دقیقاً چه چیزی را ثابت می‌کند؟

برای استفاده حرفه‌ای از داده‌های Muck Rack باید میان یافته مستقیم و استنباط مدیریتی تفکیک گذاشت.

نخست، واحد مطالعه «لینک ثبت‌شده در پاسخ» است، نه الزاماً ۲۵ میلیون صفحه یکتا، ۲۵ میلیون کلیک یا ۲۵ میلیون تصمیم خرید. پژوهشگران مجموعه بزرگی از پرامپت‌های واقع‌ گرایانه را در سه ارائه‌دهنده اجرا کرده و URLهای ذکرشده را طبقه ‌بندی کرده‌اند. در نسخه عمومی گزارش، بیش از ۲۵ میلیون لینک، سه ارائه ‌دهنده و ۱۷ صنعت ذکر شده است؛ اما دیتاست خام، تمام پرامپت‌ها و همه جزئیات اجرای آزمون به‌طور عمومی منتشر نشده‌اند.

دوم، اصطلاح Earned Media در این گزارش از معنای رایج روابط عمومی گسترده‌تر است. Muck Rack علاوه بر ژورنالیسم، منابع علمی، دولت و سازمان‌های غیردولتی، دانشنامه‌ها، شبکه‌های اجتماعی و محتوای شرکتی شخص ثالث را نیز در این مجموعه قرار داده است. بنابراین گزاره «۸۴ درصد استنادها Earned است» را نباید به این شکل ترجمه کرد که «۸۴ درصد پاسخ‌ها حاصل کمپین روابط عمومی» یا «۸۴ درصد استنادها پوشش خبری» است. سهم ژورنالیسم در همان گزارش حدود ۲۷ درصد است.

سوم، این مطالعه مشاهده‌ای است و رابطه علت و معلولی را ثابت نمی‌کند. از داده نمی‌توان نتیجه گرفت انتشار در یک رسانه خاص، به ‌تنهایی و با احتمال مشخص باعث Citation می‌شود. نتیجه قابل‌دفاع این است که منابع مستقل و غیرپولی سهم بزرگی از محیط استنادی پاسخ‌ها را تشکیل می‌دهند و نوع پرسش و مدل، ترکیب منابع را به‌شدت تغییر می‌دهد.

چهارم، رفتار موتورهای مولد پایدار نیست. نسخه مدل، سیاست Retrieval، رابط محصول و اتصال به وب ممکن است بدون اطلاع قبلی تغییر کند. راهنمای جدید AMEC نیز تأکید می‌کند داده Citation باید «عکس لحظه‌ای» تلقی شود، نه یک سیگنال ثابت و سنجش باید از زمان شروع پایش به‌صورت آینده‌نگر ساخته شود.

در نهایت، وجود Citation معادل صحت نیست. پژوهش Tow Center روی هشت موتور جست‌وجوی مولد نشان داد این ابزارها در مواردی به‌جای خودداری از پاسخ، پاسخ نادرست یا حدسی ارائه می‌کنند، URL جعلی می‌سازند یا نسخه‌های سندیکه و کپی‌شده را به‌جای منبع اصلی ارجاع می‌دهند. بنابراین هدف حرفه‌ای نباید فقط «بیشتر دیده‌شدن» باشد؛ باید «دیده‌شدن دقیق، قابل‌راستی‌آزمایی و مبتنی بر منبع درست» باشد.

پنج رویداد متفاوت که در گزارش‌های AI Visibility نباید با هم یکی شوند

بخش قابل‌توجهی از سردرگمی بازار از آنجا می‌آید که Retrieval، Citation، Mention، Recommendation و Referral به‌جای یکدیگر استفاده می‌شوند. این پنج رویداد یکسان نیستند:

رویداد	تعریف عملی	آنچه می‌توان سنجید	خطای رایج
بازیابی یا Retrieval	سامانه یک URL یا قطعه متن را به‌عنوان نامزد پاسخ پیدا می‌کند	معمولاً فقط به‌صورت غیرمستقیم یا با ابزارهای تخصصی	فرض اینکه هر صفحه ایندکس‌شده حتماً بازیابی می‌شود
زمینه‌دهی یا Grounding	محتوای بازیابی‌شده وارد Context پاسخ می‌شود	در برخی محصولات از طریق Citation یا لاگ فنی قابل استنباط است	یکی‌گرفتن Grounding با آموزش مدل
استناد یا Citation	پاسخ منبع یا لینک قابل مشاهده ارائه می‌کند	URL، دامنه، جایگاه و نوع منبع	فرض اینکه Citation به‌معنای تأیید کامل منبع است
ذکر یا توصیه	نام برند در پاسخ می‌آید یا به‌عنوان گزینه پیشنهاد می‌شود	Presence، Prominence، Framing و Recommendation Rate	برابرگرفتن ذکر خنثی با توصیه مثبت
ارجاع یا Referral	کاربر روی لینک کلیک و وارد سایت می‌شود	Session، Engagement و Conversion در Analytics	نتیجه‌گیری درباره کلیک فقط از روی تعداد Citation

 

این تفکیک با منطق راهنمای ۲۰۲۶ AMEC هم‌راستاست. AMEC توصیه می‌کند میان Grounding، Citation، Mention ،Recommendation و Referral تعریف‌های جداگانه وجود داشته باشد و Visibility صرفاً یک Output مشاهده‌شده تلقی شود، نه Outcome.

مهم‌ترین یافته‌های کمی چه می‌گویند؟

گزارش Muck Rack چند سیگنال مهم برای مدیران روابط عمومی، برند و سئو ارائه می‌کند:

شاخص	نتیجه گزارش‌شده
لینک‌های تحلیل‌شده در پاسخ‌های AI	بیش از ۲۵ میلیون
سهم منابع غیرپولی	حدود ۹۹٪
سهم Earned Media با تعریف گسترده گزارش	حدود ۸۴٪
سهم منابع ژورنالیستی	حدود ۲۷٪
سهم Press Release	۱٫۱٪
سهم Paid/Advertorial	۰٫۳٪
سهم استنادهای ژورنالیستیِ دارای تاریخ مشخص که در ۱۲ ماه اخیر منتشر شده‌اند	۵۷٪
سهم ژورنالیسم در پاسخ به پرسش‌های «روند صنعت»	۴۶٪

 

دو برداشت در این جدول اهمیت ویژه دارد.

برداشت نخست این است که پرسش کاربر، نوع منبع را تغییر می‌دهد. در پرامپت‌های مربوط به Industry Trend، سهم ژورنالیسم به ۴۶ درصد می‌رسد؛ بیش از دو برابر پرسش‌های How-to و Comparative. در پرسش‌های اجرایی، سامانه بیشتر به محتوای مرجع و دارایی‌های مالکیتی متمایل می‌شود؛ اما برای توضیح «چه اتفاقی در صنعت در حال رخ‌دادن است؟» به خبر و تحلیل رسانه‌ای اتکای بیشتری دارد.

برداشت دوم، اهمیت تازگی همراه با ماندگاری است. ۵۷ درصد استنادهای ژورنالیستی دارای تاریخ معلوم، مربوط به ۱۲ ماه گذشته بوده‌اند؛ بااین‌حال مقاله‌های قدیمی‌تر نیز یک Long Tail معنادار ساخته‌اند. نتیجه این نیست که هر محتوای قدیمی بی‌ارزش است؛ نتیجه این است که برند به ترکیبی از پوشش تازه و دارایی‌های مرجع ماندگار نیاز دارد.

سهم ۱٫۱ درصدی Press Release نیز به‌معنای بی‌فایده‌بودن بیانیه خبری نیست. بیانیه می‌تواند ورودی کار خبرنگار، سند اولیه یا منشأ پوشش بعدی باشد. Cision در نظرسنجی ژانویه و فوریه ۲۰۲۶ از ۱٬۸۹۹ خبرنگار گزارش کرده ۶۶ درصد آن‌ها برای ایده خبری به محتوای ارائه‌شده از سوی روابط عمومی، ازجمله Pitch، Press Release و Media Kit، اتکا می‌کنند؛ در همان حال، ۷۲ درصد می‌گویند کمتر از یک‌چهارم Pitchهای دریافتی واقعاً مرتبط است.

این دو عدد کنار هم یک اصل عملیاتی می‌سازند: روابط عمومی برای تحریریه مهم است، اما خروجی عمومی، انبوه و کم‌ارتباط مزیت نمی‌سازد.

چرا روابط عمومی دیجیتال به «زیرساخت اطلاعاتی» تبدیل می‌شود؟

برای پاسخ فنی باید مسیر شکل‌گیری پاسخ مولد را ساده‌سازی کنیم. احتمال استناد را می‌توان به‌صورت مفهومی چنین نوشت:

احتمال استناد = تابعی از قابلیت کشف × ارتباط با پرسش × کفایت زمینه × اعتبار منبع × قابلیت راستی‌آزمایی × تازگی × سیاست موتور

این رابطه الگوریتم رسمی هیچ پلتفرمی نیست و وزن عددی ندارد؛ صرفاً یک مدل تحلیلی برای جلوگیری از نگاه تک‌متغیره است. ضعف شدید در هر حلقه می‌تواند کل زنجیره را مختل کند:

1. اگر صفحه قابل خزش یا ایندکس نباشد، شانس ورود به Retrieval کاهش می‌یابد.
2. اگر متن با Intent سؤال هم ‌راستا نباشد، بازیابی آن سودی ندارد.
3. اگر قطعه بازیابی ‌شده اطلاعات کافی برای پاسخ نداشته باشد، مدل باید منبع دیگری پیدا کند یا با خطر خطا پاسخ دهد.
4. اگر ادعا فاقد روش، تاریخ، منبع اولیه یا هویت گوینده باشد، راستی ‌آزمایی دشوار می‌شود.
5. اگر اطلاعات برند در منابع مختلف ناسازگار باشد، مدل ممکن است روایت قدیمی یا متناقض بسازد.
6. اگر پوشش بیرونی معتبر وجود نداشته باشد، ادعای برند عمدتاً به خود اظهاری متکی می‌ماند.

پژوهش پایه RAG نیز از ابتدا «به‌روزرسانی دانش» و «ارائه منشأ یا Provenance» را از مسائل مهم مدل‌های صرفاً پارامتریک می‌دانست. پژوهش بعدی Google Research درباره Sufficient Context نشان داد مرتبط‌بودن Context کافی نیست؛ زمینه باید واقعاً اطلاعات لازم برای پاسخ را در خود داشته باشد و مدل‌ها در نبود زمینه کافی ممکن است به‌جای خودداری، پاسخ نادرست تولید کنند. OpenScholar نیز با بازیابی از ۴۵ میلیون مقاله Open Access نشان داده است چگونه پاسخ علمیِ متکی بر Retrieval می‌تواند همراه با استناد ساخته شود.

ترجمه روابط ‌عمومی این ادبیات فنی روشن است: دارایی‌ای که فقط جذاب نوشته شده اما ادعا، تاریخ، روش، واحد سنجش، منبع و زمینه کافی ندارد، ماده خام ضعیفی برای پاسخ مستند است.

سه لایه‌ای که باید هم‌زمان مدیریت شوند

AMEC در راهنمای ۲۰۲۶ سنجش GEO پیشنهاد می‌کند سه قلمرو شواهد با هم خوانده شوند، نه اینکه یکی جای دیگری را بگیرد:

۱. محیط اطلاعاتی بالادست

این لایه شامل تمام اطلاعات عمومی پیرامون برند است: پوشش رسانه‌ای، تحلیل متخصصان، گزارش‌های صنعتی، نظرات کاربران، محتوای شبکه‌های اجتماعی، اتاق خبر، FAQ، پروفایل مدیران، اسناد روش‌شناسی و صفحات محصول. روابط عمومی دیجیتال بیشترین اثر مستقیم خود را در این لایه می‌گذارد.

سؤال اصلی این است: اگر یک سامانه بخواهد ادعای برند را از چند منبع مستقل بررسی کند، آیا شواهد کافی، تازه و هم‌ساز پیدا می‌کند؟

۲. آمادگی جست‌وجو و محتوا

اعتبار بیرونی بدون دسترسی فنی کافی نیست. صفحه باید قابل خزش، ایندکس ‌پذیر، دارای متن قابل ‌استخراج، ساختار روشن، عنوان و هدینگ دقیق، تاریخ و نویسنده مشخص، لینک به منبع اولیه و نسخه Canonical پایدار باشد. این همان نقطه اتصال سئو، معماری محتوا و Digital PR است.

۳. خروجی پایین‌ دست هوش مصنوعی

در این لایه می‌سنجیم برند آیا ظاهر شده، با چه برجستگی، در چه Frame، با کدام منابع و با چه میزان دقت. AMEC شش مؤلفه پایه را پیشنهاد می‌کند: Presence، Prominence، Framing، Source Mix، Message Accuracy و Risk Flags.

مزیت این مدل آن است که مشکل را دقیق‌تر مکان‌ یابی می‌کند. اگر پوشش معتبر وجود دارد اما برند در پاسخ ظاهر نمی‌شود، مسئله ممکن است در Search Readiness یا تناسب Prompt باشد. اگر برند ظاهر می‌شود اما اطلاعات نادرست است، باید منشأ روایت غلط، تاریخ داده و ناسازگاری منابع بررسی شود. اگر Citation وجود دارد اما Referral یا Outcome دیده نمی‌شود، مشکل ممکن است در ماهیت پرسش، جایگاه لینک یا تجربه پس از کلیک باشد.

شش ویژگی یک دارایی «قابل استناد»

۱. ادعای اتمی و کم ‌ابهام

هر ادعای مهم باید بتواند مستقل از متن پیرامونی فهمیده شود: چه اتفاقی افتاده، برای چه کسی، در چه بازه‌ای، با چه واحدی و بر اساس کدام منبع. جمله‌ای مانند «فروش ما رشد چشمگیری داشت» ضعیف است؛ اما «فروش خالص محصول X در سه‌ماهه دوم ۲۰۲۶ نسبت به دوره مشابه سال قبل ۱۸ درصد رشد کرد؛ بر اساس صورت مالی حسابرسی‌نشده شرکت» ادعایی قابل‌ردیابی‌تر است.

این رویکرد با ایده News Atom در Reuters Institute هم‌راستاست؛ طرحی که پیشنهاد می‌کند سیگنال‌های معرفتی روزنامه‌نگاری مانند منشأ، نوع ادعا، زمان، انتساب و وضعیت راستی‌آزمایی در قالب ماشین‌خوان حفظ شوند. News Atom هنوز استاندارد الزام‌آور وب نیست، اما مسئله مهمی را برجسته می‌کند: وقتی متن به قطعات بازیابی‌شده تبدیل می‌شود، Attribution و Context نباید از بین برود.

۲. چگالی شواهد، نه تراکم ادعا

محتوای تخصصی باید بین Claim و Evidence نسبت قابل‌دفاعی ایجاد کند. برای هر ادعای مهم، یکی از این پشتوانه‌ها لازم است: داده خام، روش جمع‌آوری، سند رسمی، منبع اولیه، نقل‌قول منتسب، نمونه قابل بررسی یا محدودیت روشن. آمار بدون تعریف جامعه، نمونه، بازه زمانی و روش، فقط ظاهر داده‌ای دارد.

۳. استقلال و تنوع واقعی منبع

ده بازنشر از یک بیانیه، ده تأیید مستقل نیست. سامانه سنجش باید میان Original Reporting، Syndication، Press Release Repost، Sponsored Content، Commentary و Citation به منبع اولیه تمایز بگذارد. برای ادعاهای حساس، تنوع مالکیت رسانه، تخصص منبع و استقلال تحریریه مهم‌تر از تعداد خام Mentions است.

۴. تناسب با Intent و Beat

رسانه معتبر اما نامرتبط ممکن است برای یک پرسش تخصصی منبع مطلوبی نباشد. داده Muck Rack نشان می‌دهد در صنعت Finance/Insurance ناشران راهنمای تصمیم و مالی شخصی، در Energy منابع رسمی مانند EIA و در Healthcare پایگاه‌های علمی و نهادی نقش پررنگی دارند. در نتیجه Media List باید بر اساس Beat، نوع پرسش و نقش منبع طراحی شود، نه فقط Reach و Authority عمومی.

۵. تازگی همراه با Versioning

صفحه باید تاریخ انتشار، تاریخ به‌روزرسانی و وضعیت نسخه را روشن کند. تغییر آمار بدون Change Log یا نگه‌داشتن چند عدد ناسازگار در صفحات مختلف، ریسک بازنمایی نادرست را افزایش می‌دهد. برای ادعاهای زمان‌حساس، منبع قدیمی باید با نسخه جدید پیوند و در صورت لزوم از طریق Canonical، Redirect یا توضیح تحریریه‌ای مدیریت شود.

۶. دسترسی فنی و قابلیت استخراج

محتوای حیاتی نباید فقط در تصویر، ویدئو یا رابط تعاملیِ غیرقابل‌خواندن باقی بماند. متن مرئی، HTML معنایی، هدینگ روشن، لینک مستقیم به منبع، Alt مناسب، Structured Data منطبق با متن، Canonical صحیح و پاسخ ۲۰۰ پایدار، پایه‌های قابل‌ اتکاتری برای کشف و بازیابی هستند.

سه خوانش صنعتی از الگوی استناد

خدمات مالی: مرجع تصمیم مهم‌تر از خبر عمومی

در Finance/Insurance، سهم منابع ژورنالیستی ۳۲٫۱ درصد گزارش شده؛ دومین نرخ بالا در میان ۱۷ صنعت. اما دامنه‌های غالب فقط خبرگزاری‌های عمومی نیستند و ناشرانی مانند NerdWallet، Bankrate، Kiplinger، Forbes و Yahoo Finance حضور پررنگ دارند.

این الگو نشان می‌دهد پرسش مالی اغلب «تصمیم‌ محور» است: مقایسه، ارزیابی ریسک، انتخاب محصول یا توضیح سازوکار. روابط عمومی برند مالی در چنین محیطی باید فراتر از خبر رونمایی حرکت کند و برای ناشران Decision-Support، داده قابل مقایسه، روش محاسبه، سناریوی ریسک، محدودیت و دسترسی به متخصص فراهم کند.

انرژی: داده رسمی و واحد سنجش، هسته اعتبار است

در Energy، سهم ژورنالیسم ۲۸٫۶ درصد است و منابعی مانند energy.gov و اداره اطلاعات انرژی آمریکا در Citationها نقش برجسته دارند. در حوزه‌ای که قیمت، ظرفیت، تولید و مقررات پیوسته تغییر می‌کند، روایت فاقد واحد، بازه زمانی و منبع رسمی سریعاً اعتبار خود را از دست می‌دهد.

برای برند انرژی، یک Media Asset استاندارد باید مشخص کند عدد بر حسب چه واحدی است، دوره مقایسه چیست، داده Actual است یا Forecast، روش محاسبه کدام است و آخرین به‌روزرسانی چه زمانی انجام شده است.

سلامت: Thought Leadership بدون Evidence کافی نیست

در Healthcare، سهم ژورنالیسم ۲۲٫۳ درصد است، اما PubMed Central، منابع خانواده NIH و نهادهایی مانند Mayo Clinic نقش محوری دارند. Claude در این بخش PubMed Central را به‌عنوان مهم‌ترین دامنه خود داشته و Muck Rack آن را دارای بالاترین Citation Density میان دامنه‌های تمام صنایع توصیف کرده است.

در حوزه‌های پرریسک، اعتبار شخصی و لحن مطمئن جای شواهد علمی را نمی‌گیرد. ادعای سلامت باید سطح شواهد، محدودیت، تضاد منافع، تاریخ مطالعه و تفاوت میان هم‌بستگی و علیت را روشن کند. این اصل برای مالی، حقوقی و سایر حوزه‌های YMYL نیز قابل تعمیم است.

معماری فنی دسترسی: Search، Grounding و Training را یکی نگیرید

یکی از خطاهای رایج در برنامه‌های GEO این است که کنترل‌های Crawl به‌صورت مبهم اجرا می‌شوند. Search Inclusion، User-Requested Retrieval و Model Training مسیرهای یکسانی نیستند.

اکوسیستم	عامل یا کنترل اصلی	کارکرد	نکته مهم
ChatGPT Search	OAI-SearchBot	کشف و نمایش محتوا در پاسخ‌های جست‌وجویی ChatGPT	مستقل از GPTBot برای آموزش است؛ اجازه Search الزاماً به‌معنای اجازه Training نیست.
آموزش مدل‌های OpenAI	GPTBot	اعلام ترجیح ناشر درباره استفاده احتمالی در آموزش	مسدودکردن آن لزوماً مانع دیده‌شدن در ChatGPT Search نمی‌شود.
Google AI Overviews و AI Mode	Googlebot و الزامات معمول Search	ایندکس و Snippet Eligibility برای لینک پشتیبان	Schema ویژه AI یا فایل ماشین‌خوان تازه‌ای لازم نیست؛ صفحه باید ایندکس‌شده و واجد نمایش Snippet باشد.
Gemini Apps و Grounding مرتبط	Google-Extended به‌عنوان Product Token	کنترل استفاده از محتوای Crawl‌شده برای آموزش نسل‌های بعدی Gemini و برخی Groundingها	بر حضور در Google Search و رتبه‌بندی اثر مستقیم ندارد.
Anthropic	ClaudeBot، Claude-User و Claude-SearchBot	به‌ترتیب آموزش، واکشی در درخواست کاربر و بهینه‌سازی Search	هر سه باید بر اساس سیاست ناشر جداگانه بررسی شوند.

 

این تنظیمات «شرط امکان» هستند، نه «تضمین Citation». بازکردن دسترسی خزنده نمی‌تواند ضعف اعتبار، نبود تناسب موضوعی یا کمبود Context را جبران کند.

گوگل نیز صریحاً اعلام کرده برای حضور در AI Overviews و AI Mode، تکنیک اختصاصی یا Structured Data ویژه‌ای وجود ندارد؛ اصول پایه سئو، محتوای مفید، دسترسی متن و هم‌خوانی Structured Data با محتوای مرئی همچنان معتبر است. بنابراین راه‌حل‌هایی مانند افزودن انبوه Schema نامرتبط یا تصور اینکه یک فایل llms.txt به‌تنهایی حضور در پاسخ‌ها را تضمین می‌کند، مبنای رسمی ندارند.

پلن عملیاتی روابط عمومی دیجیتال برای AI Visibility

گام اول: سبد سؤال بسازید، نه فهرست کلمات کلیدی

Prompt Portfolio باید بر اساس نیاز تصمیم‌گیری ذی‌نفعان ساخته شود. دست‌کم این لایه‌ها را تفکیک کنید:

• پرسش‌های Branded: درباره خود برند، محصول، مدیران و ادعاها؛
• پرسش‌های Unbranded: بهترین گزینه‌ها، مقایسه‌ها و راه‌حل‌های بازار؛
• پرسش‌های Trend: تغییرات و آینده صنعت؛
• پرسش‌های Risk و Reputation: شکایت، اعتبار، ایمنی، مقررات و نقاط ضعف؛
• پرسش‌های Evidence: آمار، مطالعات، تعریف‌ها و منابع؛
• پرسش‌های Local و Language-specific: بازار، زبان و زمینه جغرافیایی هدف.

هر Prompt باید به یک Stakeholder، یک نیاز اطلاعاتی و یک تصمیم احتمالی وصل باشد. «آیا نام ما می‌آید؟» سؤال مدیریتی کافی نیست؛ سؤال بهتر این است: «آیا مدیر خرید هنگام مقایسه سه ارائه ‌دهنده، برند را با ویژگی درست و با منبع معتبر می‌بیند؟»

گام دوم: شکاف محیط اطلاعاتی را ممیزی کنید

برای هر ادعای راهبردی برند بررسی کنید:

• آیا صفحه مالکیتی روشن و به‌روز وجود دارد؟
• آیا منبع مستقل معتبر آن را تأیید کرده است؟
• آیا روایت‌های قدیمی یا متناقض در وب باقی مانده‌اند؟
• آیا منبع اولیه در دسترس است یا همه سایت‌ها از یک بازنشر نقل می‌کنند؟
• آیا متخصص یا نویسنده قابل شناسایی است؟
• آیا داده، روش و محدودیت قابل بررسی‌اند؟

خروجی این مرحله باید «نقشه ادعا–شاهد–منبع» باشد؛ نه صرفاً Media List.

گام سوم: دارایی استنادی تولید کنید

دارایی استنادی می‌تواند گزارش داده‌ای، Benchmark، روش‌شناسی، صفحه Fact Sheet، واژه‌نامه تخصصی، پرونده آماری، FAQ تحلیلی، Executive Bio، صفحه Corrections یا Dataset باشد. تفاوت آن با محتوای تبلیغاتی در این است که ارزش مستقل دارد و یک سؤال واقعی را حتی بدون CTA فروش پاسخ می‌دهد.

گزارش Cision نشان می‌دهد Original Research، Expert Access و Embargoed Information از ارزشمندترین ورودی‌ها برای خبرنگاران‌اند. این دقیقاً همان نقطه‌ای است که روابط رسانه‌ای و قابلیت استناد ماشینی به یکدیگر نزدیک می‌شوند.

گام چهارم: توزیع را بر اساس نقش منبع طراحی کنید

همه رسانه‌ها یک وظیفه ندارند. یک ناشر ممکن است برای Breaking News مناسب باشد، دیگری برای Comparison، دیگری برای تأیید تخصصی و دیگری برای داده مرجع. برای هر Outlet یکی از نقش‌های زیر را مشخص کنید:

• ایجاد آگاهی و پوشش اولیه؛
• اعتباربخشی تخصصی؛
• توضیح تصمیم‌محور؛
• ثبت منبع رسمی یا داده‌ای؛
• پوشش محلی یا زبانی؛
• اصلاح روایت نادرست.

در انتخاب رسانه، ارتباط Beat، کیفیت صفحه، نویسنده، قابلیت ایندکس، سابقه به‌روزرسانی، استقلال تحریریه و دسترسی به مخاطب باید کنار Reach بررسی شوند.

گام پنجم: اتاق خبر و صفحات مرجع را برای Retrieval آماده کنید

برای هر صفحه کلیدی این کنترل‌ها انجام شود:

• Status Code و Canonical پایدار؛
• امکان Crawl و Index متناسب با سیاست برند؛
• عنوان، H1 و زیرعنوان‌های دقیق؛
• تاریخ انتشار و به‌روزرسانی؛
• نویسنده، سازمان و اطلاعات تماس تحریریه؛
• لینک مستقیم به منبع اولیه و روش؛
• متن قابل‌استخراج برای داده‌های داخل نمودار و ویدئو؛
• Structured Data معتبر و منطبق با متن؛
• پیوند داخلی از صفحات Topic Hub؛
• سیاست اصلاحات و ثبت نسخه.

گام ششم: قبل از بحران، پایش را آغاز کنید

به‌دلیل نبود آرشیو کامل و ثابت در موتورهای مولد، Baseline را نمی‌توان پس از بحران بازسازی کرد. مجموعه Promptها، مدل، نسخه یا محصول، زبان، بازار، تاریخ، وضعیت Web Search و تعداد تکرارها باید ثبت شوند. پاسخ‌ها نیز باید با Timestamp و Screenshot یا Export نگهداری شوند.

برای کاهش نویز، یک Prompt را فقط یک‌بار اجرا نکنید و از یک پاسخ نتیجه قطعی نگیرید. نوسان میان اجراها، مدل‌ها و زمان‌ها بخشی از خود پدیده است و باید گزارش شود.

گام هفتم: حلقه اصلاح بسازید

وقتی پاسخ نادرست است، ابتدا منشأ خطا را طبقه‌بندی کنید:

• داده صحیح در وب وجود ندارد؛
• داده هست اما قدیمی یا متناقض است؛
• صفحه معتبر قابل خزش یا استخراج نیست؛
• منبع کم‌اعتبار از منبع اصلی برجسته‌تر شده است؛
• پاسخ، ادعا را خارج از Context بازنمایی کرده است؛
• مدل Citation درست داده اما جمع‌بندی غلط ساخته است.

راه‌حل هر مورد متفاوت است. گاهی باید صفحه رسمی اصلاح شود، گاهی منبع مستقل به‌روزرسانی شود، گاهی Technical SEO دخالت کند و گاهی پاسخ عمومی یا Correction تحریریه‌ای لازم است.

مدل سنجش: از Share of Model تا Trusted Visibility

وسوسه اصلی این بازار ساختن یک عدد نهایی مانند «امتیاز دیده‌شدن هوش مصنوعی» است. چنین عددی برای Dashboard جذاب است، اما ممکن است تفاوت میان دیده‌شدن، استنادشدن، درست معرفی‌شدن و اثرگذاری را پنهان کند. AMEC صریحاً هشدار می‌دهد Visibility به‌تنهایی Outcome نیست و باید شواهد سه لایه با هم مثلث‌سازی شوند.

مدل حرفه‌ای‌تر، یک داشبورد چندلایه است:

لایه	KPIهای پیشنهادی	تفسیر
محیط اطلاعاتی بالادست	سهم پوشش مستقل، تنوع منبع، Message Consistency، Freshness، Original Source Ratio	AI چه محیط اطلاعاتی‌ای درباره برند در اختیار دارد؟
آمادگی Search و Content	Indexability، Crawl Access، Canonical Health، Answer Block Coverage، Structured Data Accuracy	آیا اطلاعات معتبر قابل کشف و فهم است؟
خروجی AI	Presence Rate، Prominence، Citation Share، Source Mix، Framing، Message Accuracy، Risk Flags	برند چگونه ظاهر می‌شود؟
واکنش مخاطب یا Out-take	Recall، Understanding، Trust، Preference	مخاطب چه برداشتی پیدا کرده است؟
Outcome رفتاری	Branded Search Lift، Qualified Referral، Direct Traffic، Assisted Conversion، Lead Quality	آیا رفتار تغییر کرده است؟
Impact	درآمد، کاهش هزینه بحران، سهم بازار، حفظ مشتری، ریسک اعتباری	اثر سازمانی چه بوده است؟

 

چند فرمول عملی برای استانداردسازی گزارش:

Presence Rate تعداد پاسخ‌های معتبر حاوی برند ÷ کل پاسخ‌های معتبر در سبد پرامپت

Recommendation Rate تعداد پاسخ‌هایی که برند را در موقعیت تصمیم پیشنهاد می‌کنند ÷ کل پاسخ‌های واجد موقعیت توصیه

Message Accuracy Rate تعداد گزاره‌های اصلیِ درست درباره برند ÷ کل گزاره‌های اصلی بررسی‌شده

Authoritative Citation Share تعداد استنادهای منتسب به منابع علمی، دولتی، تحریریه‌ای معتبر یا منابع اولیه تخصصی ÷ کل استنادهای مشاهده‌شده در موضوع

Source Diversity ترکیبی از تعداد دامنه، تنوع مالکیت، تنوع نوع منبع و تمرکز استناد؛ نه فقط شمار خام Referring Domains

این شاخص‌ها باید به تفکیک مدل، بازار، زبان، نوع Prompt و زمان گزارش شوند. تجمیع ChatGPT، Gemini و Claude در یک عدد، تفاوت اکوسیستم‌های منبع را پنهان می‌کند.

نکته مهم درباره اندازه‌گیری ترافیک

OpenAI اعلام کرده لینک‌های ارجاعی ChatGPT به‌طور خودکار پارامتر utm_source=chatgpt.com دارند و ناشران می‌توانند آن را در ابزارهای Analytics ردیابی کنند. اما Citation و Referral دو KPI جدا هستند؛ ممکن است برند در پاسخ دیده شود ولی کلیکی دریافت نکند.

Reuters Institute در Digital News Report 2026 گزارش کرده استفاده هفتگی از Chatbotهای هوش مصنوعی برای خبر از ۷ به ۱۰ درصد رسیده، اما فقط یک درصد آن را منبع اصلی خبر می‌دانند. اعتماد عمومی به خبر ارائه‌شده توسط AI نیز ۲۰ درصد بوده است. در ۲۷ بازار مورد بررسی، فقط چهار درصد کل پاسخ‌دهندگان گفته‌اند همیشه یا اغلب از AI به منبع اصلی کلیک می‌کنند؛ در مقایسه با ۱۹ درصد برای Search و ۱۷ درصد برای Social.

این آمار Self-reported است و به‌دلیل کوچک‌بودن فعلی جامعه کاربران AI News نباید با Click-through Rate واقعی یک Citation اشتباه شود. بااین‌حال یک هشدار راهبردی می‌دهد: ممکن است ارزش AI Visibility ابتدا در شکل‌دهی ادراک، یادآوری و اعتماد ظاهر شود و نه لزوماً در حجم بالای Session.

در Google Search نیز باید از ادعای تفکیک‌ناپذیر پرهیز کرد. مستند رسمی فعلی گوگل می‌گوید نمایش سایت در AI Overviews و AI Mode در گزارش Performance و در Search Type برابر Web تجمیع می‌شود؛ نه اینکه یک گزارش عمومی و اختصاصی برای «Generative AI Visibility» در اختیار همه سایت‌ها قرار گرفته باشد. پس ارزیابی دقیق‌تر به ترکیب Search Console، Analytics، Prompt Monitoring، Brand Tracking و Media Monitoring نیاز دارد.

چرا اعتماد بیرونی همچنان تعیین‌ کننده است؟

در گزارش ویژه ۲۰۲۶ Edelman با ۱۷٬۶۸۸ پاسخ‌دهنده در ۱۵ کشور، ۴۱ درصد گفته‌اند آنچه افرادِ بدون دریافت پول از برند درباره آن می‌گویند، بیشترین اثر را بر تمایل آن‌ها به اعتماد دارد؛ در برابر ۲۰ درصد برای آنچه خود برند درباره خودش می‌گوید. گزارش در جمع‌بندی راهبردی خود توصیه می‌کند: «با Earned آغاز کنید و با Paid مقیاس بدهید.»

این داده مستقیماً رفتار الگوریتم را اندازه نمی‌گیرد؛ رفتار و نگرش انسان را می‌سنجد. اما کنار داده‌های Muck Rack یک هم‌گرایی مهم دیده می‌شود:

• برای ماشین، منابع مستقل بخش بزرگی از مواد قابل استناد را می‌سازند؛
• برای انسان، گفته منابع غیرمزدبگیر اثر بیشتری بر اعتماد گزارش‌شده دارد؛
• برای تحریریه، PR زمانی ارزشمند است که مرتبط، داده‌دار و قابل استفاده باشد.

پس روابط عمومی دیجیتال در نقطه اتصال سه نظام قرار گرفته است: نظام اعتبار انسانی، نظام اعتبار تحریریه‌ای و نظام بازیابی ماشینی.

هفت اصل برای جلوگیری از تبدیل GEO به اسپم

AMEC در ۲۰۲۶ هفت اصل برای سنجش و اجرای مسئولانه GEO منتشر کرده است:

1. سنجش AI-led Discovery باید به هدف ارتباطی و نیاز اطلاعاتی ذی‌نفع متصل باشد.
2. پیش از تفسیر پاسخ AI، محیط اطلاعاتی بالادست بررسی شود.
3. Search و Content Readiness به‌عنوان شواهد قابلیت کشف، فهم و استناد ارزیابی شوند.
4. خروجی‌های AI شاخص‌های جهت‌دهنده‌اند و باید در ابزارها، پرامپت‌ها، بازارها، زبان‌ها و زمان‌های مختلف شفاف آزموده شوند.
5. Visibility از Outcome جدا و به آگاهی، اعتماد، رفتار و Impact متصل شود.
6. منبع معتبر، قابل‌اعتماد و تازه مهم‌تر از حجم، تبلیغ یا دیده‌شدن کوتاه‌مدت است.
7. GEO اخلاقی باید محیط اطلاعات عمومی را بهتر کند، نه اینکه آن را دست‌کاری، پنهان یا با محتوا اشباع کند.

این اصل آخر برای بازار روابط عمومی حیاتی است. اگر GEO به تولید انبوه صفحات شبه‌تخصصی، آمار بی‌منبع، نقل‌قول ساختگی، بازنشرهای زنجیره‌ای و اشغال مصنوعی چند دامنه تبدیل شود، ممکن است Visibility کوتاه‌مدت ایجاد کند اما هم‌زمان کیفیت محیط اطلاعاتی و اعتماد را تخریب خواهد کرد.

جمع‌بندی: مزیت آینده «قابلیت استناد» است، نه صرفاً حجم انتشار

داده‌های ۲۰۲۶ نشان نمی‌دهند روابط عمومی دیجیتال جای سئو، محتوا، محصول یا تبلیغات را می‌گیرد. آن‌ها نشان می‌دهند مرز این فعالیت‌ها در موتورهای پاسخ‌گو به هم نزدیک‌تر شده است.

سئو تضمین می‌کند اطلاعات معتبر قابل کشف و بازیابی باشد. محتوا زمینه کافی و ساختار قابل فهم می‌سازد. روابط عمومی شواهد مستقل، پوشش تحریریه‌ای و اعتبار بیرونی ایجاد می‌کند. برند و محصول باید ادعایی داشته باشند که در واقعیت قابل اثبات باشد. اندازه‌گیری نیز باید نشان دهد این زنجیره چگونه به فهم، اعتماد، رفتار و نتیجه سازمانی متصل شده است.

بنابراین روابط عمومی دیجیتال دیگر فقط واحدی برای «بیشتر حرف‌زدن درباره برند» نیست؛ باید به واحد مهندسی محیط اطلاعاتی برند تبدیل شود. وظیفه آن، تولید و توزیع ادعاهای قابل‌اثبات، ساختن دسترسی به متخصص، ایجاد پوشش مستقل، حفظ منشأ و زمان داده، اصلاح روایت‌های نادرست و فراهم‌کردن شواهدی است که هم انسان و هم ماشین بتوانند بررسی کنند.

در عصر پاسخ‌های مولد، برند برنده لزوماً برندی نیست که بیشترین محتوا را منتشر کرده یا بیشترین بار نام خود را تکرار کرده است. مزیت پایدارتر متعلق به برندی است که:

• درباره موضوعات درست، پاسخ کافی و دقیق دارد؛
• ادعاهایش به منبع اولیه و روش روشن متصل‌اند؛
• منابع مستقل و مرتبط آن را تأیید می‌کنند؛
• اطلاعاتش تازه، هم‌ساز و از نظر فنی قابل‌بازیابی است؛
• و هنگام بازنمایی در AI، فقط «حاضر» نیست، بلکه درست، مستند و قابل‌اعتماد حاضر می‌شود.

به‌بیان فشرده، روابط عمومی دیجیتال در حال گذار از «توزیع پیام» به «ساخت قابلیت استناد» است؛ و قابلیت استناد، یکی از زیرساخت‌های اصلی دیده‌شدن برند در اقتصاد پاسخ خواهد بود.

 

نویسنده: داود یوسفی – مدیر روابط عمومی دیجیتال پایگاه خبری اقتصاد آفرین