چتجیپیتی اطلاعاتش را از چهار جا می‌گیرد: داده‌ای که پیش از انتشار روی آن آموزش دیده، جستجوهای زنده وب که هنگام نیاز به اطلاعات تازه انجام میدهد، محتوایی از ناشران که اوپنایآی برایش پول میپردازد، و زمینهای که خود شما میدهید — یعنی پرامپت، فایلها، حافظه و اپلیکیشنهای متصل.
اینکه کدام منبع به کار میرود، به سؤال شما بستگی دارد. Ahrefs در تحلیلی تازه این چهار مسیر را جدا کرده و برای هرکدام گفته است یک وب‌سایت چقدر می‌تواند روی آن اثر بگذارد.
منبع اول: داده آموزشی
پیش از انتشار یک مدل، روی حجم عظیمی از اطلاعات آموزش می‌بیند. دانش عمومی چتجیپیتی از همین‌جا می‌آید: ساختار زبان، واقعیت‌های جهان، کدنویسی، شکل ظاهری اشیا و مواردی از این دست. آموزش در چند مرحله انجام می‌شود: آماده‌سازی داده، پیش‌آموزش، پس‌آموزش و ارزیابی مستمر. اول پیش‌آموزش روی آن ترکیب بزرگ داده است، بعد پس‌آموزش که در آن مربیان انسانی و پژوهشگران — و روزبه‌روز بیشتر خود مدل‌ها — به آن یاد می‌دهند دستورها را دنبال کند، استدلال کند و ایمن رفتار کند.
اوپنایآی می‌گوید مدل‌هایش با سه منبع داده آموزش می‌بینند: اطلاعات عمومی موجود در اینترنت، اطلاعاتی که از طریق شراکت با طرف‌های ثالث به آن دسترسی دارد، و اطلاعاتی که کاربران، مربیان و پژوهشگران تولید می‌کنند. آخرین باری که اوپنایآی جزئیات ترکیب داده آموزشی را منتشر کرد، برای GPT-3 در سال ۲۰۲۰ بود: حدود ۶۰ درصد کرال عمومی وب فیلترشده (Common Crawl)، حدود ۲۲ درصد WebText2 (صفحات لینک‌شده از پست‌های رِدیت با رأی کافی)، حدود ۱۶ درصد مجموع دو مجموعه کتاب و حدود ۳ درصد ویکی‌پدیا. از آن زمان به بعد کمتر و کمتر گفته؛ آخرین کارت سیستم فقط می‌گوید مدل‌ها «روی مجموعه‌داده‌های متنوع» آموزش دیده‌اند. پس هیچ‌کس بیرون از اوپنایآی نمی‌داند امروز دقیقاً چه چیزی در داده آموزشی چتجیپیتی است.
برای صاحب سایت این یعنی: اگر سایت شما عمومی است و خزنده آموزشی اوپنایآی را مسدود نکرده، احتمال خوبی هست که صفحاتتان به داده مدل‌های آینده برسد. این تنها راهی است که چتجیپیتی بدون جستجو «برند شما را بشناسد»، اما کند و غیرمستقیم است: محتوای شما ماه‌ها بعد و فقط در مدل بعدی ظاهر می‌شود و نمی‌بینید چه چیزی یاد گرفته است.
اوپنایآی هر اطلاعاتی را هم جمع نمی‌کند: به گفته خودش، عمداً از «منابعی که پشت دیوار پرداخت یا در دارک‌وب هستند» داده برنمی‌دارد و مطالبی مثل نفرت‌پراکنی، محتوای بزرگسال، سایت‌های تجمیع اطلاعات شخصی و اسپم را فیلتر میکند. همچنین «به‌طور فزاینده» از داده مصنوعی استفاده میکند؛ نمونه‌هایی که خود مدل‌ها تولید می‌کنند، از جمله پرامپت‌های تمرینی و مثال‌هایی در زبان‌هایی که متن آموزشی کم دارند. مدل اولیه جستجوی چتجیپیتی هم تا حدی با پاسخ‌های نوشته‌شده توسط مدل قوی‌تر اوپنایآی (o1-preview) آموزش دیده بود.
می‌توانید جلوی آموزش را بگیرید؟ بله. در robots.txt خزنده GPTBot را مسدود کنید. GPTBot همان خزنده‌ای است که داده آموزشی جمع میکند و مسدود کردنش روی نتایج جستجو اثر ندارد، چون آنها را خزنده دیگری به نام OAI-SearchBot کنترل میکند. این دو تنظیم مستقل‌اند. بر اساس مطالعه Ahrefs روی حدود ۱۴۰ میلیون وب‌سایت، GPTBot مسدودشده‌ترین خزنده هوش مصنوعی است. هزینه‌اش این است که مدل‌های آینده کمتر از سایت شما یاد می‌گیرند؛ اگر می‌خواهید چتجیپیتی برندتان را بشناسد، احتمالاً بهتر است باز بماند.
تاریخ قطع دانش: برای مدل‌های فعلی چتجیپیتی، بهار ۲۰۲۶ است و به طرح اشتراک شما بستگی دارد: GPT-6 Sol (پلاس، پرو، بیزینس، اینترپرایز) ۲۰ آوریل ۲۰۲۶ و GPT-6 Luna (رایگان و Go) ۱۸ مه ۲۰۲۶. پس هر چیزی بعد از این تاریخ‌ها فقط از مسیر جستجو می‌آید.
منبع دوم: جستجوی زنده وب
داده آموزشی وقتی مدل منتشر می‌شود، از قبل قدیمی است. دانش GPT-6 Sol در ۲۰ آوریل ۲۰۲۶ متوقف شده، اما این مدل هفتم اکتبر به چتجیپیتی رسیده؛ تقریباً شش ماه بعد. برای پاسخ به سؤال درباره قیمت، خبر، محصول یا هر چیز تازه، چتجیپیتی وب را جستجو میکند. این همان تولید افزوده با بازیابی (RAG) است: مدل اول اطلاعات را بازیابی میکند، بعد بر اساس آن پاسخ می‌سازد.
به گفته اوپنایآی، چتجیپیتی ممکن است وقتی سؤال «از اطلاعات روز بهره می‌برد» خودکار جستجو کند؛ شما هم می‌توانید با انتخاب گزینه Search آن را مجبور کنید. در آزمون نویسنده روی ۱۲ پرسش در حالت بدون ورود، ۹ پرسش جستجو را فعال کرد: رویدادهای جاری، قیمت‌ها، پیشنهاد محصول («بهترین X در ۲۰۲۶») و هر چیزی که منبع می‌خواست. تنها تعریف‌های ساده مثل «بک‌لینک چیست» از آموزش پاسخ گرفتند.
جستجو حالا بخش بزرگی از استفاده از چتجیپیتی است. آدام فرای، مدیر محصول مصرف‌کننده چتجیپیتی، در نوامبر ۲۰۲۶ به Big Technology گفت جستجوهای وب چتجیپیتی به حدود یک‌پنجم حجم کوئری گوگل می‌رسد. داده خود اوپنایآی (OpenAI Signals) هم نشان میدهد حدود یک‌پنجم پیام‌های مصرف‌کننده (۲۰.۲ درصد در سپتامبر ۲۰۲۶) جستجوی اطلاعات است.
چتجیپیتی چطور جستجو میکند؟ سؤال شما را در موتور جستجو نمی‌چسباند؛ به گفته اوپنایآی معمولاً پرامپت را به یک یا چند جستجوی هدفمندتر بازنویسی میکند و بعد ممکن است جستجوهای دقیق‌تر را به ارائه‌دهندگان دیگر بفرستد. این فرایند «پخش کوئری» (query fan-out) نام دارد: یک پرامپت به چند جستجو پخش می‌شود که هرکدام بخشی از سؤال را پوشش میدهد. مثلاً «بهترین CRM برای آژانس کوچک» می‌تواند به «بهترین CRM برای آژانس‌ها ۲۰۲۶»، «قیمت HubSpot و Pipedrive» و «نظرات CRM کسبوکار کوچک» پخش شود. در مطالعه Ahrefs روی ۶۶.۶ میلیون پاسخ چتجیپیتی رایگان و بدون ورود (اوت تا سپتامبر ۲۰۲۶)، پاسخ‌هایی که کوئری پخش‌شده داشتند به‌طور میانگین حدود ۱.۶ کوئری داشتند.
چند الگو برجسته بود. ۶.۸ درصد کوئری‌های پخش‌شده از اپراتور site: استفاده می‌کردند که فقط یک سایت را جستجو میکند، و سه‌چهارم این جستجوها به سایت برندها رفت. یعنی چتجیپیتی اغلب وب باز را دور می‌زند و مستقیم سراغ منبعی میرود که انتظار دارد پاسخ را داشته باشد؛ اگر کسی درباره محصول شما بپرسد، ممکن است سایت خودتان را چک کند. واژه «official» در ۱۳.۱ درصد جستجوهای انگلیسی سپتامبر آمده، در برابر ۱۰.۱ درصد اوت. چتجیپیتی دنبال منبع اولیه است، نه کسی که آن را خلاصه کرده؛ و این به نفع برند، نهاد دولتی یا سازمانی است که سؤال درباره اوست، نه به نفع فهرست‌های تجمیعی.
یک مطالعه دانشگاهی جداگانه (۸۰ سؤال، هر کدام ۲۰ بار روی GPT-5.3 و GPT-5.5 Instant، مارس تا ژوئیه ۲۰۲۶) نشان داد این مدل‌ها هرگز با عبارت دقیق کاربر جستجو نکردند؛ وقتی سؤال چینی بود، حدود ۷۰ درصد اجراهایی که جستجوی قابل مشاهده داشتند فقط به انگلیسی جستجو کردند. همان مطالعه نشان داد نتایج گوگل و API جستجوی خود اوپنایآی روی هم فقط حدود ۲۷ درصد صفحاتی را پوشش می‌دهند که چتجیپیتی به آنها ارجاع داده و حدود نیمی از سایت‌ها را.
جزئیات شما هم جستجو را تغییر میدهد: چتجیپیتی می‌تواند جزئیات حافظه ذخیره‌شده را به جستجو اضافه کند؛ مثلاً اگر گفته باشید گیاه‌خوارید و در سان‌فرانسیسکو زندگی می‌کنید، جستجوی رستوران نزدیک ممکن است به «رستوران گیاه‌خوار خوب سان‌فرانسیسکو» تبدیل شود. موقعیت تقریبی بر اساس IP هم استفاده می‌شود و به ارائه‌دهندگان جستجو گفته می‌شود، نه خود آدرس IP.
و اینکه چه صفحه‌ای انتخاب می‌شود، حتی با سؤال یکسان تغییر میکند، چون چتجیپیتی غیرقطعی است. همکار نویسنده، گلن آل‌ساپ، بیش از ۱۳۰۰ پرامپت را چهار هفته روزانه رصد کرد و دید تنها حدود یک‌چهارم صفحاتی که چتجیپیتی برای یک پرامپت ارجاع می‌داد، روز بعد هم ارجاع داده شدند. دامنه‌هایی که پایدارتر ارجاع می‌دادند بسیار ثابت‌تر بودند: تغییر حدود ۱۴ درصد روزبه‌روز، در برابر ۷۴ درصد برای بقیه.
چتجیپیتی چطور انتخاب میکند چه صفحه‌ای را ارجاع دهد؟
اوپنایآی می‌گوید چتجیپیتی «نتایج جستجو را با چند عامل رتبه‌بندی میکند» و جایگاه تضمینی نیست؛ فهرست عوامل را هم نمی‌دهد. اما بزرگ‌ترین عامل، نوع سؤال است. Ahrefs ۴۰۰۰ پرامپت آمریکایی را از Brand Radar در اکتبر ۲۰۲۶ کشید و منابع ارجاع‌شده را بر اساس نوع دسته‌بندی کرد: در سؤال‌های سلامت، ۸۲ درصد ارجاع‌ها به سایت‌های دولتی، پزشکی و دانشگاهی مثل MedlinePlus، PubMed و NHS رفت. در تعریف‌ها، ۶۳ درصد به فرهنگ لغت و دانشنامه رفت و فرهنگ لغت کمبریج تنها در ۴۲ درصد پاسخ‌های تعریفی ارجاع گرفت. در سؤال‌های برند، ۵۹ درصد به سایت خود شرکت‌ها رفت. در «بهترین X» و مقایسه‌ها، سایت‌های نقد و راهنما ۲۷ درصد ارجاع‌ها را گرفتند که بیشتر از هر نوع سؤال دیگر است. در خرید، خرده‌فروش‌ها با ۲۸ درصد پیشتاز بودند و والمارت در ۱۱ درصد پاسخ‌های خرید ارجاع شد.
منبع سوم: محتوای ناشران دارای قرارداد
اوپنایآی از ۲۰۲۳ با بیش از ۲۰ ناشر قرارداد محتوا بسته است: آسوشیتدپرس، اکسل اشپرینگر، کوندی نست، هارست، فیوچر، People Inc، نیوز کورپ، واکس مدیا، واشنگتن پست، گاردین و فایننشال تایمز از جمله آنها هستند. از ژوئن ۲۰۲۶ عکس‌های لایسنس‌شده گتی هم زیر یک قرارداد نمایش در نتایج جستجوی چتجیپیتی ظاهر می‌شوند و در نوامبر، دامنه media.gettyimages.com برای نخستین بار به فهرست ده دامنه پرارجاع چتجیپیتی راه یافت (جایگاه نهم با ۲.۳ درصد سهم ارجاع).
هر قرارداد تقریباً یک شکل دارد: ناشر محتوایش را لایسنس میدهد و چتجیپیتی خلاصه آن را با ذکر منبع و لینک به مقاله اصلی نشان میدهد. Ahrefs ۸۵ دامنه شریک را بررسی کرد: ده دامنه شریک میان ۵۰ سایت پرارجاع چتجیپیتی هستند و ۴۷ دامنه در ۵۰۰ سایت نخست. سهم شریک‌ها از ارجاع‌ها میان ۲۰۰ دامنه پرارجاع چتجیپیتی بین مارس و ژوئیه ۲۰۲۶ بیش از دو برابر شد، از ۷.۵ به ۱۵.۸ درصد، و در اواخر سپتامبر ۱۲.۵ درصد بود.
نکته جالب اینکه بهترین عملکرد را سایت‌های خبری ندارند، بلکه سایت‌های نقد و سبک زندگی دارند: ووگ، گود هاوس‌کیپینگ، تک‌رادار. داده نشان میدهد قرارداد، دیده شدن را تضمین نمی‌کند: ووگ ۴۲٬۱۰۸ بار ارجاع گرفت، در حالی که آتلانتیک که آن هم شریک است فقط ۷۲۴ بار. قرارداد ناشر را «واجد شرایط» ظهور در چتجیپیتی میکند، نه تضمین‌شده.
منبع چهارم: خود شما
فراتر از آموزش و وب، چتجیپیتی از هر چیزی که در اختیارش می‌گذارید استفاده میکند: کل گفت‌وگو (هرچه در چت قبلی آمده، پاسخ بعدی را شکل میدهد و متنی که مدل هنگام نوشتن «می‌بیند» پنجره زمینه نام دارد)، فایل‌های آپلودشده (PDF، صفحه‌گسترده، تصویر)، حافظه (خاطرات ذخیره‌شده، چت‌های گذشته، دستورهای سفارشی، کتابخانه فایل و محتوای اپ‌های متصل مثل جیمیل)، موقعیت تقریبی و اپ‌های متصل (بیش از ۱۴۰۰ افزونه که بسیاری از آنها از پروتکل زمینه مدل یا MCP استفاده می‌کنند).
حتی حساب کاربری هم اثر دارد: نویسنده وقتی بدون ورود پرسید «بک‌لینک چیست»، پاسخ عمومی گرفت؛ همان سؤال را در حساب کاری خود (در فضای کاری ChatGPT Business شرکت Ahrefs) پرسید و پاسخ ناگهان به Ahrefs اشاره کرد. این فقط پاسخ را عوض نمی‌کند، جستجو را هم عوض میکند: پرسش «بهترین ابزارهای دیده‌شدن در هوش مصنوعی» در حساب کاری جستجویی روی ۲۶ وب‌سایت را فعال کرد، در حالی که نسخه رایگان و بدون ورود حتی جستجو نکرد.
این برای برندها چه معنایی دارد؟
حالا که می‌دانیم چتجیپیتی اطلاعاتش را از کجا میآورد، یک نکته برجسته می‌شود: هر چیزی که درباره شما می‌گوید، دست دوم است. آنچه در آموزش خوانده، آنچه در جستجو پیدا کرده، و آنچه یک ناشر شریک نوشته. وب‌سایت شما فقط یکی از منابع است و حتی همان هم تنها وقتی به حساب می‌آید که خزنده اجازه ورود داشته باشد.
نتیجه عملی سه بخش دارد: اول، صفحاتی بسازید که منبع اولیه‌اند — داده، تعریف، قیمت، مستندات، پاسخ رسمی — چون چتجیپیتی دنبال همان است و ۶.۸ درصد جستجوهایش را با site: روی برندها انجام میدهد. دوم، خزنده جستجو (OAI-SearchBot) را باز بگذارید؛ مسدود کردن GPTBot فقط آموزش را می‌بندد، اما بستن خزنده جستجو شما را از پاسخ‌های امروز حذف میکند. سوم، برنامه‌ریزی برای بی‌ثباتی: اگر فقط یک‌چهارم ارجاع‌ها روز بعد تکرار می‌شوند، استراتژی نباید بر یک صفحه یا یک کوئری بنا شود؛ باید بر پوشش موضوعی و حضور در منابع متعدد تکیه کند.