برندها دیدهشدن در هوش مصنوعی را یک مشکل تولید محتوا میدانند. اینطور نیست. شما نمیتوانید اطلاعات نادرست یا قدیمی داخل مدلهای زبانی بزرگ را با «فقط» انتشار صفحات معتبرتر، افزودن FAQهای بیشتر و محتوای مقایسهای و توضیح محصول «یک بار دیگر — اما با احساس» درست کنید.
در بسیاری از مواردی که اطلاعات درباره یک برند قدیمی یا اشتباه است، مشکل کمبود داده نیست؛ مشکل زیادی داده است. مشکل این است که برند از قبل نسخههای زیادی از حقیقت دارد و نسخهای که بهترین تطابق را با پرسش کاربر دارد، بهروز نیست.
وبسایت یک چیز میگوید. یک PDF قدیمی چیز دیگری. مستندات محصول از زبانی استفاده میکند که تیم بازاریابی دو سال پیش کنار گذاشته. بیوگرافیهای مدیران، عناوینی را حفظ کردهاند که دیگر وجود ندارند. صفحات شریک، ویژگیهایی را توصیف میکنند که تغییر کردهاند. برخی از آن اظهارات اشتباهاند. برخی دیگر وقتی منتشر شدند کاملاً دقیق بودند، اما سه سال گذشته و دیگر توصیفگر شرکت امروز نیستند.
جستوجوی سنتی میتوانست همزمان چند صفحه از آنها را رتبهبندی کند و تصمیمگیری درباره اینکه کدام بهروز است را به کاربر واگذار کند. اما حالا محصولات جستوجوی هوش مصنوعی منابع را بازیابی میکنند و از آنها برای ساخت یک پاسخ واحد استفاده میکنند. پاسخ، حتی وقتی شواهد زمینهای آنطور نیست، «قطعی» به نظر میرسد.
پس این صرفاً یک مشکل محتوایی نیست؛ مشکل بازیابی و حکمرانی محتواست و جستوجوی هوش مصنوعی آن را به مشکل سئو هم تبدیل کرده است.
پرامپت تعیین میکند کدام نسخه از حقیقت بازیابی شود
وقتی کسی از مدل زبانی سؤالی میپرسد، پرامپت چارچوب و بخش زیادی از واژگان مورد استفاده برای یافتن اطلاعات پشتیبان را فراهم میکند. سیستم ممکن است کمی سؤال را بازنویسی کند یا چند جستوجوی مرتبط اجرا کند، اما همچنان در تلاش است به سؤالی که به آن داده شده پاسخ دهد.
این وقتی مهم میشود که سؤال شامل فرضی باشد که کاربر نمیداند قدیمی شده. اگر کسی بپرسد «مدیرعامل [شرکت] کیست؟»، فرض میکند شرکت هنوز مدیرعامل دارد. او آنقدر نمیداند که بپرسد چه کسی فعلاً «برند را رهبری میکند»، آیا رهبری به شرکت مادر منتقل شده، یا کدام نقش جدیدتر نزدیکترین مسئولیت معادل را دارد — چه برسد به ذکر یک نام.
جستوجویی که حول نام شرکت و کلمه «مدیرعامل» میچرخد، طبیعتاً صفحاتی را ترجیح میدهد که حاوی همان رابطه دقیق باشند. بیوگرافیهای قدیمی، بیانیههای مطبوعاتی، مصاحبهها، پروفایلهای کنفرانس و اعلامیههای تصاحب ممکن است همگی مدیرعامل سابق را نام ببرند. صفحه رهبری کنونی ممکن است از زبانی متفاوت استفاده کند که به «مدیرعامل» نگاشت نمیشود. اطلاعات جدید ممکن است از «مدیر کل»، «رئیس برند»، «معاون ارشد برند» یا عنوان دیگری استفاده کند که کاربر نمیدانسته شامل شود.
اگر منابع توصیفکننده ساختار جدید، آن را بهصراحت به اصطلاحات قدیمی وصل نکنند، ممکن است هرگز وارد مجموعه بازیابی نشوند. مدل زبانی نمیتواند به منبعی که بازیابی نکرده استناد کند.
نتیجه این است که پاسخ قدیمی برنده میشود، چون با زبان سؤال مطابقت دارد. واقعیت کنونی مطابقت ندارد و بنابراین متصل نمیشود.
یک مثال واقعی از شرکتی که نامش را نمیبریم
نویسنده این اتفاق را در دنیای واقعی دیده است. اگر از مدل زبانی بپرسید مدیرعامل شرکت کیست (نه که بود، *است*)، ممکن است هر یک از چهار مدیر اجرایی سابق را نام ببرد. هیچکدام از پاسخها ساختهشده نبودند. همه آن افراد در مقطعی آن عنوان را داشتند و شرکت و سازمان مادرش هنوز صفحات دقیق تاریخی مستند آن نقشها را دارند.
ساختار شرکتی کنونی اما از زبان متفاوتی استفاده میکند — نامهای کاملاً متفاوتی برای آن نقشهای رهبری. صفحه تیم شرکت، رهبر ارشد جدیدش را بهعنوان معاون ارشد و مدیر کل معرفی میکند، در حالی که تاریخچه شرکت یک تیم رهبری کلانتر (کنونی) را توصیف میکند که شامل مدیران ارشد مهندسی و محصول است. صفحات رهبری سازمان مادر، مدیرانی را توصیف میکنند که مسئول واحد تجاری بزرگتری هستند که شرکت در آن قرار دارد. هیچکدام از آن واقعیتها به شکلی بیان نشده که بهعنوان پاسخ «مدیرعامل [شرکت] کیست؟» برداشت شود.
سوابق عمومی نیز کاملاً سازگار نیست. پروفایل رهبر کنونی با عنوان معاون ارشد و مدیر کل شروع میشود اما در برخی متنهای مقدماتی برخی صفحات هنوز از آن شخص بهعنوان مدیرعامل یاد میکند. صفحه تاریخچه بهدرستی مدیرانعامل سابق و دورههای تصدیشان را حفظ (و نامگذاری) میکند. پس کاربری که سؤال بدیهی را میپرسد، بازیابی را در برابر چند ادعای صریح مدیرعامل فعال میکند، در حالی که معادل کنونی با اصطلاحات دیگری توصیف میشود.
این پیچیده به نظر میرسد و انصافاً واقعاً هست. و اگر دنبال کردنش برای مردم سخت است، باور کنید برای مدل زبانی تقریباً غیرممکن است. به همین دلیل مشکل پیچیدهتر از صرفاً بهروزرسانی یک صفحه درباره ماست.
پرامپت خودش حاوی یک مدل سازمانی منسوخ است. مگر اینکه منبعی کنونی بهصراحت سؤال قدیمی را به ساختار جدید پل بزند، بازیابی به بازگرداندن واژگان قدیمی و افراد متصل به آن ادامه میدهد.
اطلاعات کنونی باید به سؤال قدیمی پاسخ دهد
در این مورد چطور سوابق را تصحیح کنیم؟ واکنش غریزی انتشار یک صفحه رهبری جدید و فرض مؤثر بودن اصلاح در پاسخهای هوش مصنوعی است. گاهی کمک میکند، اما انتشار به معنای اصلاح نیست و اطلاعات دقیق نوشتهشده با واژگان اشتباه ممکن است برای سؤالی که مردم واقعاً میپرسند نامرئی بماند.
برندها به محتوای پلزننده (bridge content) نیاز دارند که زبان منسوخ را به واقعیت کنونی متصل کند.
در مثال رهبری، جملهای که باید منتشر کنید (برای تصحیح سوابق) صرفاً «جین اسمیت معاون ارشد و مدیر کل است» نیست؛ بلکه: «پس از تصاحب، [شرکت] دیگر مدیرعامل مستقل ندارد. جین اسمیت اکنون [شرکت] را بهعنوان معاون ارشد و مدیر کل در [گروه شرکت مادر] رهبری میکند.»
آن جمله کاربر را همانجا که سوءتفاهم آغاز میشود ملاقات میکند. شامل: نقش قدیمی؛ توضیح اینکه چرا دیگر اعمال نمیشود؛ و نام بردن معادل کنونی است. به سیستمهای بازیابی منبعی میدهد که با «مدیرعامل» مطابقت دارد، بدون اینکه عنوان را بهنادرست به دیگری نسبت دهد. همین اصل وقتی محصولات تغییر نام میدهند، پلنها بازنشسته میشوند، شرکتها ادغام میشوند، گواهینامهها منقضی میشوند، محدوده خدمات تغییر میکند یا ویژگیها به بستههای مختلف منتقل میشوند نیز اعمال میشود.
فرض نکنید کاربران نام جدید را آنقدر خوب میشناسند که برایش جستوجو کنند. رابطه بین اصطلاحی که هنوز استفاده میکنند و واقعیتی که جایگزینش شده را منتشر کنید.
زنجیره شواهد را تصحیح کنید، نه فقط جدیدترین صفحه را
وقتی پاسخ نادرست شناسایی شد، آن را از طریق استنادها و نتایج جستوجوی پشتیبانش دنبال کنید. هدف یافتن زنجیره شواهدی است که پاسخ را تولید میکند، نه دفن آن زیر یک صفحه تازهمنتشرشده دیگر.
صفحات تحت مالکیت را میتوان بهروزرسانی، ادغام، هدایت یا حاشیهنویسی کرد. یک اعلامیه قدیمی نباید بازنویسی شود تا تاریخ متفاوت به نظر برسد، اما میتواند تاریخ روشن، یادداشت وضعیت یا لینکی به اطلاعات کنونی حمل کند. بیوگرافیهای کنونی نباید عناوین منسوخ را در متن مقدماتی نگه دارند. پروفایلها و دایرکتوریهای شریک فعال قابل تصحیحاند. PDFها و مواد فروش که دیگر نباید نماینده کسبوکار باشند میتوانند بازنشسته یا برچسب آرشیوی بگیرند.
گزارشهای شخص ثالث به قضاوت بیشتری نیاز دارند. نمیتوانید از یک نشریه بخواهید داستان دقیق پنج سال پیش را چون سازمان بعداً تغییر کرده بازنویسی کند. میتوانید توضیح متعارف کنونی را بهسختی یافتنی کنید و از شرکا، دایرکتوریها و پروفایلهایی که قرار است بهروز بمانند بخواهید سوابقشان را بهروزرسانی کنند.
گاهی قویترین استراتژی محتوایی، درستکردن محتوای قدیمیای است که فراموش کردهاید منتشر کردهاید.
ممیزی دیدهشوندگی برند کافی نیست؛ به ممیزی ادعاهای برند نیاز دارید
فهرست محتوای سنتی URLها، عناوین، ترافیک، رتبهها و شاید داده تبدیل را ثبت میکند. ممیزی ادعاهای برند، اظهارات واقعیای را ثبت میکند که آن داراییها میکنند. برای جستوجوی هوش مصنوعی، باید زبانی را هم ثبت کند که مردم احتمالاً هنگام پرسیدن درباره آن واقعیتها استفاده میکنند.
برای هر ادعای مهم، مستند کنید: سؤالی که شخص احتمالاً میپرسد؛ هر فرض منسوخ موجود در آن سؤال؛ اصطلاحات قدیمی و معادل کنونی؛ واقعیت کنونی تأییدشده و منبع عمومی متعارفش؛ سایر صفحات، PDFها، فیدها، بیوگرافیها یا پروفایلهای تحت مالکیت که نسخههای قدیمیتر در آنها ظاهر میشوند؛ منابعی که در حال حاضر در پاسخهای نادرست هوش مصنوعی استناد میشوند؛ اقدام موردنیاز: بهروزرسانی، حاشیهنویسی، ادغام، هدایت، بازنشستگی یا ایجاد محتوای پلزننده؛ و تیم مسئول نگهداری ادعا و بازبینی آن هنگام تغییر شرایط.
ممیزی را به صفحات HTML محدود نکنید. کیتهای رسانهای، مواد فروش قابلدانلود، محتوای مرکز کمک، مقادیر schema، فیدهای محصول، فهرستهای اپاستور، بیوگرافی سخنرانان، آگهیهای شغلی و زیردامنههای قدیمی را جستوجو کنید. از فروش، پشتیبانی، منابع انسانی، محصول، حقوقی و ارتباطات بپرسید کدام مواد را بدون دخالت تیم وب منتشر میکنند.
هدف این نیست که همه چیز در همهجا یکسان باشد. مخاطبان مختلف به سطوح مختلف جزئیات نیاز دارند. واقعیتهای زمینهای باید به همان پاسخ منتهی شوند و زبانی که مردم هنوز استفاده میکنند باید آنها را به توضیح کنونی برساند، نه اینکه بازیابی را در گذشته گیر بیندازد.
دقت را اندازه بگیرید، نه فقط حضور را
گزارشهای دیدهشوندگی هوش مصنوعی تمایل دارند روی ذکر، استناد یا شمول برند برای مجموعهای از پرامپتها تمرکز کنند. آنها مشاهدات مفیدیاند، اما حضور بهتنهایی میتواند اعتماد کاذب ایجاد کند.
برای پرامپتهای باارزش، خود پاسخ را ارزیابی کنید. آیا دقیق است؟ بهروز است؟ به قصد واقعی کاربر پاسخ میدهد یا صرفاً فرض غلط جاسازیشده در سؤال را میپذیرد؟ وقتی پاسخ اشتباه است، استنادها را بررسی کنید و جستوجوهای محتمل را پیش از فرض توهم مدل بازتولید کنید.
ذکر برند پیروزی نیست اگر پاسخ مدیر اجرایی سابق را نام ببرد، قیمت قدیمی به کار برد، ویژگی حذفشده را به محصول کنونی نسبت دهد یا رابطه بین برند و شرکت مادرش را اشتباه بفهمد.
نمیتوانید هر جمله منتشرشده درباره برندتان را کنترل کنید و نمیتوانید تضمین کنید سیستم هوش مصنوعی همیشه پاسخی که ترجیح میدهید تولید کند. میتوانید مطمئن شوید سؤالهایی که مردم واقعاً میپرسند مسیر روشنی به حقیقت کنونی دارند.
آن کار نمودار جشنآمیزی تولید نخواهد کرد که نشان دهد تیم محتوا ۲۰۰ صفحه جدید منتشر کرده. برند را برای موتورهای جستوجو، سیستمهای هوش مصنوعی، مشتریان، روزنامهنگاران و حتی کارکنان خودش قابلفهمتر میکند. در محیط جستوجوی هوش مصنوعی، آن شفافیت بخشی از دیدهشدن است.