GEO چیست و چه چیزی از آن اثبات شده است؟
فرض کنید کاربری دقیقاً همان سؤالی را میپرسد که شما در سایتتان به آن پاسخ دادهاید. بهجای فهرستی از لینکها، یک پاسخ آماده میگیرد و زیر آن چند منبع میبیند؛ اما سایت شما میان آن منابع نیست. پرسش تازه این است: چرا انتخاب نشدهاید، و آیا میشود احتمال انتخاب شدن را بالا برد؟
در سه سال گذشته، پاسخ تجاری بازار به این پرسش نامی مشخص پیدا کرده است: GEO یا بهینهسازی موتور مولد. ابزارها، داشبوردها، چکلیستها و خدمات متعددی هم پیرامون آن شکل گرفتهاند. با این حال، سرعت رشد ادعاهای تجاری از سرعت انباشته شدن شواهد علمی بیشتر بوده است.
این مقاله میکوشد آنچه تا امروز دربارهی GEO پشتیبانی تجربی دارد را از چیزهایی جدا کند که هنوز فرضیه، تجربهی موردی یا توصیهی صنعتیاند. نقطهی اتکای اصلی متن، مرور انتقادی مارتینز در ژوئیهی ۲۰۲۶ است که ۴۵ مطالعهی منتشرشده از نوامبر ۲۰۲۳ تا ژوئیهی ۲۰۲۶ را بررسی کرده است [۲]. خودِ این مرور پیشچاپ و فاقد داوری همتاست؛ بنابراین هرجا ممکن بوده، نتیجه با مقالهی اصلی یا سند رسمی تطبیق داده شده، و هرجا دسترسی مستقیم به متن اصلی ممکن نشده، ارجاع ثانویه صریحاً علامت خورده است.
| یک نکته از ابتدا روشن باشد
جوان و نازک بودن شواهد GEO به معنای بیاهمیت بودن مسئله نیست. به معنای آن است که باید میان «تاکتیکی که در یک محیط کنترلشده جواب داده» و «راهکاری که در موتورهای واقعی، در طول زمان و با اثر اقتصادی قابل اندازهگیری کار میکند» فرق بگذاریم. |
GEO چیست؟ پاسخ کوتاه
GEO یا بهینهسازی موتور مولد، مجموعهی اقداماتی است که احتمال حضور، استفاده یا استناد به محتوای یک سایت را در پاسخ موتورهای مولد بالا میبرد — موتورهایی مانند AI Overviews و AI Mode گوگل، ChatGPT و پرپلکسیتی که بهجای فهرست لینک، یک پاسخ نوشته تحویل میدهند و زیر آن به چند منبع ارجاع میدهند.
GEO جایگزین سئو نیست. دسترسی خزنده، ایندکس شدن، ارتباط موضوعی و اعتبار محتوا همچنان پایهی ورود یک صفحه به مسیر بازیابیاند؛ بدون آنها هیچ تکنیک محتوایی اثری ندارد.
و آنچه امروز اثبات شده، محدودتر از چیزی است که بازار میفروشد: شواهد نشان میدهند پس از آنکه سندی بازیابی شد، نحوهی ارائهی محتوا میتواند میزان استفاده یا استناد به آن را تغییر دهد. اما تا امروز هیچ تکنیک عمومیای اثبات نشده که بهطور پایدار و در چند موتور، کشف ارگانیک یا ترافیک و فروش را بالا ببرد.
بقیهی این مقاله همین چند جمله را باز میکند: چه چیزی شواهد دارد، چه چیزی ندارد، و چطور خودتان اندازه بگیرید.
راهنمای خواندن سطح شواهد
در این مقاله هر ادعا به یکی از پنج ردهی زیر برچسب میخورد:
| برای چه ادعایی مناسب است | نوع منبع | رده |
| سیاست، قابلیت و رفتار اعلامشدهی همان شرکت | سند رسمی شرکت | A |
| نتیجهی تجربی، در محدودهی طراحی و دادههای همان پژوهش | پژوهش داوریشده | B |
| یافتهی اولیه که هنوز داوری همتا نشده است | پیشچاپ علمی | C |
| مشاهدهی میدانی با روش و نمونهی مشخص، اما با احتمال تعارض منافع | دادهی صنعتی | D |
| تجربهی موردی که قابلیت تعمیم ندارد | مشاهدهی نویسنده | E |
| چرا این مقاله رده A تا E دارد و دو مقالهی قبلی «سطح ۱ تا ۴»؟
در دو مقالهی پیشین این مجموعه، منابع با «سطح ۱ تا ۴» درجهبندی شدند. آنجا بیشتر منابع یا سند رسمی بودند یا دادهی صنعتی، و چهار پله کافی بود. اینجا اما بخش بزرگی از شواهد پیشچاپ داورینشده است و تفکیک آن از پژوهش داوریشده ضروری شد؛ ضمن اینکه چند ادعا فقط بر مشاهدهی شخصی نویسنده تکیه دارد و باید جای مشخصی میداشت. پس دو رده اضافه شد. معنای ردههای مشترک عوض نشده است. |
| یک تذکر برای خوانندهی دقیق
مرور مارتینز [۲] خودش هم یک ردهبندی A تا E دارد، اما آن یکی طرح مطالعه را درجهبندی میکند (A: کارآزمایی میدانی تصادفیشده تا E: بافت ثابت و داور مدل زبانی). ردهبندی این مقاله نوع منبع را درجهبندی میکند. اگر به متن اصلی مرور مراجعه کردید، این دو را با هم اشتباه نگیرید. |
این ردهبندی یک سلسلهمراتب مطلقِ حقیقت نیست. برای مثال، سند رسمی گوگل بهترین منبع ممکن برای فهمیدن سیاست اعلامشدهی گوگل است، اما اثبات نمیکند که یک تکنیک محتوایی از نظر علّی ترافیک را افزایش میدهد. هر رده برای نوع خاصی از ادعا معتبر است.
۱. GEO از کجا آمد؟
۱.۱ از فهرست رتبهبندیشده به پاسخ ترکیبی
در جستوجوی کلاسیک، موتور مجموعهای از صفحهها را رتبهبندی میکند و کاربر میان آنها انتخاب میکند. رتبه پیوسته و قابل مقایسه است: رسیدن از جایگاه پانزدهم به هشتم معمولاً نوعی پیشرفت محسوب میشود.
در موتور مولد، خروجی یک پاسخ ترکیبی است که از چند منبع ساخته شده و برخی منابع را بهصورت لینک یا ارجاع نشان میدهد. اینجا حضور دامنه در فهرست منابع یک متغیر دوحالته است — یا هست یا نیست.
اما «دیدهشدن» دوحالته نیست، و این تمایز را نباید از دست داد. تعداد و موقعیت استناد، طول متن منتسب، برجستگی منبع، صحت انتساب، لحن اشاره و سهم واقعی منبع در پاسخ، همگی میتوانند متفاوت باشند. حتی ممکن است محتوای شما بر پاسخ اثر بگذارد بدون آنکه نام منبع نمایش داده شود.
پس طیف دیدهشدن از بین نرفته است؛ شکل آن از یک رتبهی خطی به مجموعهای چندبعدی از خروجیها تغییر کرده است. کل این مقاله در واقع شرح همین تغییر شکل است.
و این تغییر هنوز تمام نشده. اگر سامانهها از پاسخ دادن به سمت انجام دادن حرکت کنند — یعنی بهجای نوشتن جواب، خودشان خرید و رزرو و انتخاب را انجام بدهند — پرسش «چطور دیده شویم» دوباره صورت دیگری پیدا میکند. آن سناریو و پیامدهایش را در آیندهی سئو در دوران AGI و ASI بررسی کردهام؛ این مقاله به وضعیت امروز و شواهد موجود میپردازد.
۱.۲ نامگذاری در ۲۰۲۳، انتشار داوریشده در ۲۰۲۴
پیشچاپ مقالهی «GEO: Generative Engine Optimization» در ۱۶ نوامبر ۲۰۲۳ منتشر شد و نسخهی داوریشدهاش در کنفرانس KDD 2024 ارائه شد. این مقاله هم اصطلاح GEO را صورتبندی کرد و هم بنچمارکی به نام GEO-bench را برای ارزیابی راهبردهای تغییر محتوا پیشنهاد داد [۱، رده B].
تا پیش از آن، پرسش «چطور در پاسخ هوش مصنوعی دیده شویم» یک شهود بازاریابی بود. این مقاله آن را به یک سؤال قابل آزمایش تبدیل کرد، و همین — فارغ از میزان تعمیمپذیری نتایجش — دستاورد ماندگارش است.
مشهورترین عدد آن، «افزایش دیدهشدن تا ۴۰ درصد»، بعدها به یک وعدهی عمومی بازاریابی تبدیل شد. اما این عدد در یک طراحی آزمایشی مشخص به دست آمده بود: منبع هدف از پیش در مجموعهای ثابت از منابع قرار داشت و پژوهش میسنجید که بازنویسی آن چه تغییری در سهمش از پاسخ ایجاد میکند. آزمایش، افزایش ۴۰ درصدیِ کشف ارگانیک، کلیک یا فروش را نشان نداد. در بخش ۴ این را با جزئیات باز میکنیم.
۱.۳ چرا ادعا و شواهد از هم فاصله گرفتهاند؟
سه ویژگی، اندازهگیری GEO را ذاتاً دشوار میکند.
موتورهای تجاری جعبهسیاهاند. معمولاً مجموعهی کامل اسناد بازیابیشده، منطق بازرتبهبندی و نحوهی تخصیص بافت را نشان نمیدهند. شما فقط خروجی نهایی را میبینید و دربارهی بقیه باید استنتاج کنید.
خروجیها نوسان دارند. تکرار یک پرسش میتواند منابع متفاوتی تولید کند. یعنی یک بار مشاهده، تقریباً هیچ چیزی را ثابت نمیکند.
اجرای چند پرسش ساده ارزان است، اما طراحی آزمایش معتبر نیست. آزمایش درست به تکرار، گروه کنترل، ثبت شرایط و تحلیل آماری نیاز دارد. وقتی مشاهده ارزان باشد و سنجشِ درست گران، بازار پر میشود از اعدادی که قابل بازتولید نیستند.
۲. GEO دقیقاً چیست؟
مرور مارتینز، GEO را مجموعهی اقداماتی تعریف میکند که میکوشند حضور محتوا، احتمال استناد به آن، یا اثرش بر پاسخ موتور مولد را افزایش دهند [۲، رده C]. این تعریف سه خروجی متفاوت دارد که نباید با هم اشتباه شوند:
- حضور یا کشفپذیری — آیا سند اصلاً وارد مسیر بازیابی و انتخاب میشود؟
- استناد — آیا نام یا نشانی آن در پاسخ نمایش داده میشود؟
- جذب — آیا واقعیت، عبارت یا ساختار آن واقعاً وارد پاسخ شده است؟
نتیجهی تجاری — یعنی کلیک، سرنخ یا فروش — مرحلهی چهارمی است که از هیچیک از سه مورد قبلی بهصورت خودکار نتیجه نمیشود.
یک مثال تفاوتشان را روشن میکند. اگر موتور صفحهی شما را بخواند و از رویش جواب بنویسد ولی نامتان را نیاورد، جذب داشتهاید بدون استناد. و اگر نامتان زیر جواب بیاید اما جملهی منتسب به شما در متن شما نبوده باشد، استناد گرفتهاید بدون آنکه وفاداری رعایت شده باشد. هر دو حالت واقعاً رخ میدهند؛ در بخش ۷ میبینیم چقدر.
۲.۱ GEO و سئو رقیب هم نیستند
برای قابلیتهای مولد گوگل، سئوی پایه همچنان پیشنیاز است. گوگل اعلام کرده که اصول فنی و محتوایی معمول جستوجو برای قابلیتهای هوش مصنوعی هم کاربرد دارند و به فایل یا نشانهگذاری ویژهای برای حضور در آنها نیاز نیست [۳، رده A]. صورتبندی خودِ گوگل این است که بهینهسازی برای جستوجوی مولد، همان بهینهسازی برای تجربهی جستوجوست و بنابراین همچنان سئوست.
دلیلش این است که قابلیتهای مولد گوگل از زیرساخت جستوجو، ایندکس وب و سیاستهای کیفی و ضداسپم همان شرکت استفاده میکنند؛ صفحهای که ایندکس نشده باشد اصلاً نامزد حضور در AI Overviews نمیشود. با این حال گوگل جزئیات کامل بازیابی، بازرتبهبندی و انتخاب منابع در این قابلیتها را منتشر نکرده است. پس «همان زیرساخت» با «همان سیگنالها با همان وزنها» یکی نیست.
یک تصحیح مهم دربارهی سرچ کنسول
| [رده A — راهنمای سرچ کنسول گوگل]
از ۳۱ اوت ۲۰۲۶، کنترل Search Generative AI بهصورت جهانی و برای همهی سایتها عرضه شده است. حالت پیشفرض برای تمام پراپرتیها، مشارکت است؛ یعنی محتوای سایت میتواند در AI Overviews، AI Mode و قابلیتهای مولد Discover ظاهر شود، هم بهصورت لینک و هم برای مبنا قرار گرفتن پاسخ. مالک سایت میتواند از مسیر Settings این مشارکت را غیرفعال کند. [۴] |
پس این تصور که «سایت باید در سرچ کنسول برای قابلیتهای مولد فعال شود» نادرست است. بیان دقیق این است: صفحه باید شرایط معمول ایندکس و نمایش با اسنیپت را داشته باشد، و مالک نیز نباید آن را از طریق این کنترل خارج کرده باشد. مدل، انصراف است نه ثبتنام.
دو نکتهی تکمیلی که برای بخش اندازهگیری لازم میشوند: گوگل اعلام کرده انصراف از قابلیتهای مولد بهعنوان سیگنال رتبهبندی در جستوجوی معمولی استفاده نمیشود؛ و گزارش عملکرد مولدی که همراه این کنترل عرضه شد، نمایش را گزارش میکند اما دادهی کلیک و دادهی کوئری ندارد [۴، رده A].
این نتیجه فقط دربارهی گوگل است، نه همهی موتورهای مولد. ChatGPT، پرپلکسیتی و سایر محصولات زیرساخت بازیابی و سیاست استناد مستقل دارند. بنابراین اصول سئوی پایه ضروریاند، اما یک رتبهی جهانی و یکسان برای تمام موتورهای مولد وجود ندارد.
اگر میخواهید ببینید آن زنجیرهی پایه — خزش، ایندکس، رتبهبندی — دقیقاً چطور کار میکند، در مقالهی سئو چیست؟ قدمبهقدم بازش کردهام.
دو مکانیزمی که گوگل نام میبرد
اولی بازیابی اسناد مرتبط از ایندکس و متصل کردن پاسخ مدل به آنهاست. در ادبیات فنی این معمولاً ذیل RAG بررسی میشود و شرکتها اغلب مفهوم گستردهتر grounding را برایش به کار میبرند؛ این دو مترادف نیستند و RAG یکی از روشهای grounding است. دومی انشعاب کوئری است: مدل از دل سؤال شما چند پرسش موازی میسازد و برای هرکدام جداگانه جستوجو میکند. اگر کسی بپرسد «چطور چمنی را که پر از علف هرز شده درست کنم؟»، مدل همزمان دنبال بهترین علفکشها، روشهای بدون مواد شیمیایی و راههای پیشگیری میگردد [۳، رده A].
۲.۲ GEO، AEO، AIO و LLMO
در پیکرهی پژوهشی بررسیشده، GEO تعریف عملیاتی و بنچمارک روشنتری دارد. AEO، AIO و LLMO در منابع صنعتی با معانی همپوشان و گاه ناسازگار استفاده میشوند و هنوز استاندارد واحدی ندارند.
از این رو تفاوت واقعی یک خدمت را باید در خروجی هدفش جستوجو کرد: آیا دسترسی خزنده را هدف گرفته، یا بازیابی، یا استناد، یا جذب، یا تبدیل؟ تفاوت اسمی بهتنهایی نشانهی تفاوت فنی نیست.
۳. GEO یک زنجیرهی احتمالی است، نه یک رتبهی واحد
اگر قرار باشد از این مقاله فقط یک ایده بماند، همین بخش است.
۳.۱ زنجیرهای که پاسخ از دلش بیرون میآید
مرور ۲۰۲۶ پیشنهاد میکند دیدهشدن را حاصل یک زنجیرهی تصادفی و نیمهقابلمشاهده بدانیم [۲، رده C]:
| مسیر کامل، از سؤال کاربر تا نتیجهی تجاری
فعال شدن جستوجوی وب ← خزش و ایندکس ← بازیابی ← بازرتبهبندی و تخصیص بافت ← تولید و استناد ← جذب و وفاداری ← توجه، کلیک و تبدیل |
هر حلقه میتواند مستقل شکست بخورد، و این نکتهی اصلی است:
- اگر موتور برای یک پرسش اصلاً به وب مراجعه نکند، هیچ صفحهای شانس حضور تازه ندارد.
- اگر خزنده به سایت نرسد، بازنویسی محتوا بیاثر است.
- اگر سند بازیابی نشود، قابلیت نقلقول شدنش اهمیتی ندارد.
- اگر بازیابی شود ولی وارد بافت نهایی نشود، مدل اصلاً آن را نمیبیند.
- اگر در بافت باشد، ممکن است بر پاسخ اثر بگذارد اما استناد نگیرد.
- و حتی استناد صحیح هم الزاماً کلیک یا فروش ایجاد نمیکند.
چند حلقهی این زنجیره برای کسی که از سئو میآید تازه است. فعالسازی یعنی تصمیم سامانه برای مراجعه به وب؛ مدلها برای بسیاری از پرسشها اصلاً جستوجو نمیکنند. تخصیص بافت یعنی از میان اسناد بازیابیشده، کدامها و با چه ترتیبی در پنجرهی محدود ورودی مدل جا میگیرند. جذب یعنی سهم واقعی متن شما در شکلگیری جواب، و وفاداری یعنی آیا ادعای منتسب به شما واقعاً در متن شما بوده است.
دو حلقهی آخر در سئوی کلاسیک اصلاً وجود نداشتند. آنجا کار موتور با نمایش لینک تمام میشد. حالا مدل بین شما و کاربر ایستاده، متن شما را میخواند و بازنویسیاش میکند.
۳.۲ چهار خروجی که باید جدا ثبت شوند
| پرسش اندازهگیری | خروجی |
| آیا دامنه یا صفحه در منابع پاسخ ظاهر شد؟ | کشفپذیری |
| در چه سهمی از همهی اجراها به صفحه استناد شد؟ | استناد |
| چه مقدار از پاسخ از سند آمده، و آیا انتساب درست است؟ | جذب و وفاداری |
| آیا کلیک، سرنخ، فروش یا درآمد ایجاد شد؟ | نتیجهی اقتصادی |
این تفکیک مانع یک خطای آماری رایج میشود که تقریباً همهی داشبوردها مرتکبش میشوند: خطای مخرج. اگر فقط پاسخهایی را حساب کنیم که جستوجو یا استناد داشتهاند، نرخ حضور را مصنوعی بزرگ میکنیم. پاسخهای بدون جستوجو و بدون منبع هم دادهاند و نباید حذف شوند.
پیامد دوم این است که سؤال درست عوض میشود. بهجای «چطور در هوش مصنوعی دیده شوم؟» باید پرسید «کدام حلقهی زنجیره الان مشکل دارد؟». و مرور صریحاً هشدار میدهد که بهینهسازی یکی از این خروجیها، بقیه را خودبهخود جابهجا نمیکند و حتی میتواند در جهت مخالف حرکتشان بدهد [۲].
۴. مقالهی بنیانگذار چه چیزی را آزمایش کرد؟
۴.۱ طراحی آزمایش
پژوهش آگروال و همکاران، GEO-bench را با حدود ۱۰ هزار پرسش از چند مجموعهدادهی مختلف ساخت. در یک موتور مولد آزمایشی، مجموعهای ثابت از منابع مرتبط در اختیار مدل قرار میگرفت و یکی از منابع برای اعمال هر مداخله انتخاب میشد [۱، رده B].
نه راهبرد آزموده شد: افزودن آمار، افزودن نقلقول، ارجاع به منابع، روانسازی، سادهسازی، لحن مقتدرانه، اصطلاحات فنی، واژههای خاص، و انباشت کلیدواژه.
دو سنجهی عینی مقاله عبارت بودند از شمارش واژههای منتسب به منبع، و شمارش واژهی تعدیلشده با موقعیت که در ادبیات با نماد PAWC شناخته میشود و به متن منتسب در ابتدای پاسخ وزن بیشتری میدهد. سنجهی سوم، برداشت ذهنی بود: ارزیابی مبتنی بر مدل زبانی که چند جنبه از جمله ارتباط و میزان اثرگذاری استناد را میسنجد.
| یک جزئیات که همهچیز را عوض میکند
در این طراحی، سهم منابع رقیب روی هم جمع میشود. یعنی دیدهشدن در همین بستر ذاتاً نسبی و بازتوزیعی است: هر واحدی که یک منبع میبرد، از سهم دیگری کم میشود. این ویژگی در بخش ۶.۳ نتیجهی مهمی میدهد — و همانجا میبینیم که تعمیم دادنش به کل بازار هم نادرست است. |
۴.۲ نتایج
اعداد اصلی، بر حسب سهم درصدی متوسط [۱، رده B]:
| تفسیر | برداشت ذهنی | PAWC | راهبرد |
| شرط مرجع | ۱۹٫۳ | ۱۹٫۳ | وضعیت پایه (بدون تغییر) |
| سنجهی موقعیتمحور را کاهش میدهد | ۲۰٫۲ | ۱۷٫۷ | انباشت کلیدواژه |
| سود متوسط و وابسته به حوزه | ۲۱٫۹ | ۲۴٫۷ | روانسازی متن |
| در بافت ثابت کمک میکند | ۲۱٫۹ | ۲۴٫۶ | ارجاعدهی به منابع |
| بیشترین PAWC | ۲۴٫۷ | ۲۷٫۲ | افزودن نقلقول |
| سود قابل توجه؛ صحت تضمیننشده | ۲۳٫۷ | ۲۵٫۲ | افزودن آمار |
خودِ مقاله جمعبندی میکند که بهترین روشها نسبت به وضعیت پایه، ۴۱ درصد روی PAWC و ۲۸ درصد روی برداشت ذهنی بهبود میدهند. عدد مشهور «۴۰ درصد» از همینجاست: رشد نسبیِ یکی از سنجههای دیدهشدن، در یک بافت ثابت.
سه یافته از این آزمایش در ادبیات بعدی هم دوام آورده است.
انباشت کلیدواژه منتقل نمیشود. نهتنها کمک نمیکند، در سنجهی موقعیتمحور زیانبار است. این یافته بعداً در چند بنچمارک مستقل دیگر هم تکرار شد.
اطلاعات مستقیماً قابل استخراج، استفاده از سند را آسانتر میکند. عدد، تعریف، نقلقول و ارجاع، واحدهای بستهای میسازند که مدل میتواند انتخابشان کند و نسبتشان بدهد.
اثرها به حوزه و جایگاه اولیه وابستهاند. زیر راهبرد ارجاعدهی به منابع، منبعی که در جایگاه پنجم بود ۱۱۵٫۱ درصد سود کرد، در حالی که منبع اول ۳۰٫۳ درصد ضرر کرد. این عدد گویاست: نشان میدهد در این طراحی، سود یکی از جیب دیگری آمده است.
آزمون جداگانهای هم روی پرپلکسیتی با ۲۰۰ نمونه انجام شد که در آن متنها بهصورت فایل آپلود شده بودند، نه صفحههایی که موتور خودش پیدا کند. بیشترین سودها ۲۲ درصد روی PAWC و ۳۷ درصد روی برداشت ذهنی بود [۱].
۴.۳ آنچه این آزمایش اثبات میکند و آنچه نمیکند
نکتهی تعیینکننده این است که آزمایش از مرحلهای آغاز میشد که منبع از پیش در اختیار سامانه قرار گرفته بود. بنابراین نتیجهی معتبر آن دقیقاً این است:
| [رده B — دامنهی معتبر یافته]
وقتی سند قبلاً وارد بافت شده باشد، تغییر نحوهی ارائهی محتوا میتواند سهم آن را در پاسخ تغییر دهد. |
اما از این آزمایش نمیتوان نتیجه گرفت که:
- همان تغییر باعث میشود صفحه در وب کشف شود؛
- سند در بازیابی و بازرتبهبندی بالاتر بیاید؛
- اثر در موتورهای مختلف یکسان باشد؛
- نتیجه در طول زمان پایدار بماند؛
- استناد بیشتر به کلیک یا فروش بیشتر منجر شود.
۴.۴ این محدودیت فقط مال آن مقاله نیست
تقریباً کل ادبیات GEO همین ویژگی را دارد. پژوهشها در محیطهای کنترلشده انجام میشوند — پیکرههای ثابت، کاتالوگهای مصنوعی، مجموعهی نامزدهای از پیش تعیینشده. دلیلش هم موجه است: بدون کنترل، آزمایش قابل بازتولید نیست.
نمونهی گویا مقالهی FeatGEO (منتشرشده در ACL 2026) است که در بخش محدودیتهای خودش صریح مینویسد که فرض کرده صفحهی هدف از پیش وارد مجموعهی نامزدها شده، و بنابراین روششان «احتمال استناد مشروط به بازیابی» را بهینه میکند، نه مسیر سرتاسری را [۵، رده B].
این مسئله آنقدر جدی است که در یک مقالهی موضعگیری در ICML 2026 بهعنوان ریسک ساختاری صورتبندی شده: نقطهکور میان دانشگاه و صنعت، ناشی از عدم تقارن میان محیطهای آفلاین پژوهشی و سامانههای مستقر واقعی [۹، رده B].
| پس وقتی مقالهای میگوید «این تکنیک X درصد جواب داد»…
اولین سؤال این نیست که «چطور اجرایش کنم؟». این است که «صفحه در آن آزمایش چطور وارد بافت شد؟». اگر پاسخ «از پیش در مجموعه بود» باشد — که غالباً هست — آن عدد دربارهی وضعیت شما چیزی نمیگوید، مگر آنکه شما هم از پیش بازیابی شده باشید. |
۵. چه چیزهایی پشتوانهی بیشتری دارند؟
این بخش کوتاه است، و کوتاهیاش خودش یکی از یافتههای مقاله است. پس از بررسی ۴۵ مطالعه، سه عامل بیش از سایر موارد در مطالعات تکرار شدهاند. شواهد مربوط به ارتباط موضوعی و موقعیت در بافت قویتر است؛ شواهد مربوط به اطلاعات قابل استخراج متوسط و وابسته به نوع پرسش ارزیابی میشود.
۵.۱ ارتباط موضوعی مستقیم
پایدارترین جمعبندی در مطالعات بررسیشده، اهمیت تطابق واقعی سند با پرسش است. در یک مطالعهی داوریشده با مداخلات خلافواقع نشان داده شد که مدلها بهشدت به همراستایی صریح با پرسش گرایش دارند، اغلب بیشتر از نشانههای اعتبار انسانی مثل ارجاع علمی یا لحن بیطرف [۱۴، رده B].
این یافته نمیگوید اعتبار بیاهمیت است. میگوید وقتی مدل با چند منبع و جای محدود روبهروست، اول سراغ چیزی میرود که مستقیماً به پرسش جواب میدهد.
برای فارسی یک لایهی دیگر هم به این ماجرا اضافه میشود. پیش از آنکه تطابق موضوعی سنجیده شود، متن باید توکنبندی و نرمالسازی شود — و نیمفاصله، «ی» و «ک» عربی و شکلهای املایی مختلف یک واژه میتوانند همین مرحله را به هم بریزند. اینکه ماشین متن فارسی را چطور میخواند مسئلهای جدا از GEO است، اما مقدم بر آن.
پیامد عملیاش ساده است: صفحهای که پاسخ روشن را زود ارائه میکند، برای بازیاب و مدل قابل استفادهتر از صفحهای است که پس از مقدمهای طولانی به اصل پاسخ میرسد. این به معنای کوتاه یا سطحی نوشتن نیست؛ پاسخ باید ابتدا روشن شود و سپس شواهد، استثناها و جزئیات بیایند.
۵.۲ موقعیت سند در بافت
چند مطالعه نشان دادهاند ترتیب اسناد در بافت بر احتمال و جایگاه استناد اثر میگذارد. یک آزمایش عاملی بسیار بزرگ در SIGIR 2026 با حدود ۲۵۲ هزار اجرا روی شش سامانهی مدل زبانی هم ارتباط موضوعی و موقعیت را از عوامل اصلی اولین استناد گزارش کرده است [۱۲، رده B؛ ارقام از طریق [۲]].
چرا ترتیب مهم است؟ پژوهشها نشان دادهاند مدلهای زبانی ممکن است نسبت به جای قرار گرفتن اطلاعات در بافت حساس باشند و معمولاً از ابتدا و انتهای ورودی بهتر از بخشهای میانی استفاده کنند. شدت این اثر میان مدلها و وظایف مختلف یکسان نیست، اما جهتش بهاندازهی کافی تکرار شده که قابل اتکا باشد. این پدیده و ریشهاش را در هوش مصنوعی محتوا را چطور میخواند؟ توضیح دادهام.
| یک پیامد ناخوشایند
ناشر موقعیت در بافت را مستقیماً کنترل نمیکند؛ آن را بازیاب و بازرتبهبند تعیین میکنند. یعنی دومین اهرم قوی این حوزه بیرون از دسترس مستقیم شماست. اثرگذاری ناشر غیرمستقیم است: پوشش دقیق قصد کاربر، ساختار روشن، اعتبار سند و دسترسی فنی میتوانند احتمال بازیابی و انتخاب را تغییر دهند. |
۵.۳ شواهد قابل استخراج — با دو قید
تعریف روشن، تاریخ، قیمت، مقایسه و آمار معتبر واحدهایی میسازند که استخراج و نسبت دادنشان آسانتر است. همان آزمایش عاملی SIGIR گزارش کرده که چهار عامل در همهی سامانههای آزمودهشده معنادار بودند: تطابق موضوعی، قیمت صریح، تاریخ بهروز، و قرار داشتن در موقعیت اول [۱۲، رده B؛ گزارش ثانویه].
و یک یافتهی همان آزمایش که مستقیماً با توصیهی رایج بازار در تضاد است: تفاوت میان قالببندی ساختارمند و متن متراکم، ضعیف و ناسازگار بود. یعنی در یک آزمون کنترلشده، بولتپوینت و جدول تعیینکنندهی استناد نبودند؛ تناسب موضوعی، تازگی و دقت بودند.
دو قید جدی هم وجود دارد.
قید اول: قاعدهی «عدد اضافه کن» شواهد ندارد. اثر به قصد کاربر بستگی دارد. تاریخ بهروز برای پرسش زمانحساس کمک میکند، نه برای تعریف یک مفهوم ثابت. نقلقول برای پرسش تاریخی مفید است و برای فهرست محصول سربار.
قید دوم: آمار ساختگی هم ممکن است یک معیار آزمایشی را بهبود بدهد. یعنی معیار موفقیت در بنچمارک، صحت آن آمار نیست. داده باید مرتبط، قابل راستیآزمایی، تاریخدار و درست نسبت داده شده باشد. آمار جعلی هم کیفیت معرفتی محتوا و هم اعتبار برند را تخریب میکند.
۶. چه چیزهایی هنوز اثبات نشدهاند؟
۶.۱ هیچ نسخهی عمومی، پایدار و بینپلتفرمی پیدا نشده است
جمعبندی مرور ۴۵ مطالعه این است که محتوای از پیش بازیابیشده میتواند بهصورت علّی نحوهی استناد یا استفاده از خود را تغییر دهد؛ اما در مجموعهی مطالعات مرورشده، هیچ تکنیکی اثر علّی پایدار، طولی و بینپلتفرمی بر کشف ارگانیک یا رفتار پاییندستی نشان نداده است [۲، رده C].
هر سه صفت یک آزمون جداگانهاند. پایدار یعنی سه ماه بعد هم برقرار باشد؛ طولی یعنی در طول زمان سنجیده شده باشد نه در یک عکس لحظهای؛ بینپلتفرمی یعنی هم در ChatGPT جواب بدهد، هم در پرپلکسیتی، هم در AI Overviews.
| این قید را حذف نکنید
عبارت «در مجموعهی مطالعات مرورشده» ضروری است. این نتیجه نبودِ شواهد کافی را نشان میدهد، نه اثبات ناممکن بودن چنین اثری. دو گزارهی کاملاً متفاوتاند و خلط کردنشان همانقدر خطاست که نادیده گرفتن کل یافته. |
۶.۲ راهبردهای عمومی انتقال ضعیفی دارند
بنچمارک C-SEO Bench گزارش میکند که از ۵۴ ترکیب روش و حوزه، تنها سه ترکیب در آزمایش اصلی بهبود معنادار داشتند، و در وظیفهی پرسشوپاسخ هیچ روش عمومی معناداری پیدا نشد [۱۱، رده B؛ ارقام از طریق [۲]، ارجاع ثانویه].
یک مطالعهی دیگر در حوزهی تجارت الکترونیک به نتیجهی سازگاری رسید: از پانزده هیوریستیک اولیه، دهتایشان خنثی یا منفی بودند [۱۸، رده C].
واکنش ادبیات به این وضعیت روشن است: نسل تازهی روشها بهجای دستورالعمل ثابت، قاعدهها را یاد میگیرند — مثل MAGEO که راهبردهای قابل استفادهی مجدد را از تجربه استخراج میکند [۱۰، رده B]. این روشها گاهی سودهای قابل توجهی گزارش میکنند، اما تقریباً همهشان روی مجموعهی نامزدهای از پیش ثابت کار میکنند و هزینهی اجرایشان بالاست. یعنی همان محدودیت بخش ۴.۴ را دارند، فقط با روشی پیچیدهتر.
جالبترین یافته اما از FeatGEO میآید. آنها همان نه راهبرد مقالهی بنیانگذار را روی دو نوع صفحهی متفاوت آزمودند و نتایج متضاد گرفتند [۵، رده B]:
| یعنی چه | اثر همان نه راهبرد | نوع صفحهی پایه |
| متنی که از قبل روان و منظم بود، با دستکاری بیشتر افت کرد | هر نه راهبرد دیدهشدن را پایین آوردند | صفحههای تولیدشده با مدل زبانی |
| متنی که شکاف ساختاری داشت، از همان تغییرات سود برد | بهطور میانگین اثر مثبت اندکی داشتند | صفحههای نوشتهشده به دست انسان |
| اسم این پدیده و درسش
نویسندگان نامش را «اثر اشباع وابسته به رژیم» گذاشتهاند: پاسخِ «آیا این تکنیک جواب میدهد؟» به وضعیت فعلی صفحهی شما بستگی دارد، نه فقط به خود تکنیک. این یافته در پژوهشی منتشرشده در ACL 2026 گزارش شده است؛ با این حال چون نتیجه به نوع صفحات و طراحی آزمایش وابسته بوده، نباید آن را قانون عمومی دانست. |
۶.۳ رقابت میتواند مزیت یک تاکتیک را فرسوده کند
در بنچمارکهایی که مجموعهی منابع و مجموع سهم انتساب ثابت است، افزایش سهم یک منبع ماهیت بازتوزیعی دارد. شواهد C-SEO Bench هم نشان میدهد با افزایش نرخ پذیرش یک تاکتیک، سود فردی آن کاهش مییابد [۱۱؛ از طریق [۲]].
| اما اینجا یک تعمیم نادرست رایج است
از این موضوع نباید نتیجه گرفت که کل GEO یا کل بازار جستوجو مجموعصفر است. طول پاسخ، تعداد منابع، تقاضای کاربران، نرخ فعال شدن جستوجو و اندازهی کل بازار همگی میتوانند تغییر کنند. «مجموعصفر» فقط توصیف دقیقی برای برخی طراحیهای آزمایشی و برای رقابت درون یک پاسخ ثابت است. |
با این قید، الگوی زیربنایی همان چیزی است که در تاریخ سئو بارها تکرار شده را با عنوان هزینهی جعل صورتبندیاش کردهام: هر سیگنالی که جعلش ارزان باشد بهسرعت همهگیر میشود، و بهمحض همهگیر شدن ارزش تمایزبخشش را از دست میدهد.
تاکتیکهایی که هزینهی اجرایشان نزدیک صفر است — چند دستور به یک مدل زبانی و یک بازنویسی خودکار — دقیقاً در همین دستهاند. آنچه مزیت پایدارتری میسازد، داراییهایی است که ارزان تقلید نمیشوند: تجربهی دستاول، دادهی اختصاصی، و روش قابل بازتولید.
۶.۴ بهینهسازی برای نقلقول ممکن است بازیابی را ضعیف کند
این مهمترین یافتهی عملی کل مقاله است.
گفتیم که تقریباً تمام آزمایشهای GEO از جایی شروع میشوند که سند در بافت نشسته است. SAGEO Arena کاری کرد که بقیه نکرده بودند: مراحل بازیابی و بازرتبهبندی را به ارزیابی بازگرداند. یعنی سند باید واقعاً پیدا میشد، از بازرتبهبندی رد میشد، و بعد استناد میگرفت.
| [رده C — چکیدهی مقاله، بررسیشده]
یافتههای ما نشان میدهد رویکردهای موجود در شرایط واقعگرایانه تا حد زیادی غیرعملی میمانند و اغلب عملکرد را در بازیابی و بازرتبهبندی تضعیف میکنند. همچنین مییابیم که اطلاعات ساختاری به کاهش این محدودیتها کمک میکند، و اینکه SAGEOی مؤثر نیازمند متناسبسازی بهینهسازی با هر مرحله از خط لوله است. — [۶] |
مرور مارتینز ارقام مرحلهای این افت را هم نقل کرده است — حدود ۹ درصد در حضور بیست نتیجهی برتر، ۱۶ درصد پس از بازرتبهبندی و ۶ درصد در استناد نهایی. این ارقام ارجاع ثانویه هستند و مستقیماً با جدول مقالهی اصلی تطبیق داده نشدهاند؛ پس ادعای اصلی این بخش همان نتیجهی کیفی بالاست، نه این اعداد [۲].
منطق این یافته وقتی توضیح داده شود بدیهی به نظر میرسد. متنی که برای «قابل نقلقول بودن» بهینه شده — پر از جملههای کوتاه قاطع، آمار جدا شده و نقلقولهای برجسته — ممکن است تراکم معناییاش نسبت به موضوع اصلی پایین بیاید. سامانهی بازیابی یا بازرتبهبندی — که معمولاً از ترکیبی از ارتباط واژگانی، معنایی و سیگنالهای دیگر استفاده میکند — ممکن است متن بازنویسیشده را کمتر مرتبط ارزیابی کند. نتیجه: سندی که اگر بازیابی میشد استناد بیشتری میگرفت، اصلاً بازیابی نمیشود.
این یافته یک تناقض ظاهری در ادبیات را هم حل میکند: بنچمارکهای بافتثابت اثر مستقیم بر تولید را میسنجند، SAGEO اثر کل را. اگر بازنویسی احتمال استناد بهشرط بازیابی را بالا ببرد ولی احتمال خود بازیابی را پایین بیاورد، برایند میتواند منفی شود.
| دو قاعدهی عملی از این بخش
یک: هر ادعای عملیاتی دربارهی GEO باید صریح بگوید کدامیک را سنجیده است — اثر مشروط به بازیابی، یا اثر کل. ادعایی که این را نگوید قابل ارزیابی نیست. دو: همین مقاله میگوید اطلاعات ساختاری به کاهش این افت کمک میکند — اما با یک قید که مرور [۲] بر آن تأکید میکند: فیلدهای ساختاری ممکن است بازیابی را بهبود دهند بیآنکه لزوماً همان اثر را در مرحلهی بازرتبهبندی یا استناد داشته باشند. ساختار را مرحله به مرحله بسنجید، نه بهعنوان طلسمی همهکاره. |
۶.۶ مرزی که باید روشن بماند: بهینهسازی یا دستکاری؟
یک یافتهی مرور که اطمینان بالایی دارد و معمولاً در بحثهای GEO گم میشود: محتوای بازیابیشده یک سطح حملهی واقعی است.
در یک پژوهش داوریشده نشان داده شد تزریق غیرمستقیم در یک سند میتواند جایگاه هدف را در یک موتور تجاری حدود سه رتبه بالا ببرد [۱۷، رده B]. در پژوهشی دیگر، حملات دستکاری ترجیح نرخ توصیهی یک دوربین ساختگی را از ۳۴ به ۵۹٫۴ درصد رساندند [۱۶، رده B]. محصولات از آن زمان تغییر کردهاند، اما وجود این آسیبپذیری ثابت شده است.
نکته اینجاست که بازنویسی سالم و حمله، از یک کانال عبور میکنند: هر دو متنی را عوض میکنند که موتور میخواند. پس تفاوتشان در «اثرگذاری» نیست، در قیدهایی است که روی تغییر گذاشته میشود.
| چهار آزمون که بهینهسازی سالم را از دستکاری جدا میکند
یک: آیا واقعیتها و قیدها پس از بازنویسی همچنان درستاند؟ دو: آیا آمار، نظرات و ارجاعها قابل راستیآزماییاند؟ سه: آیا سند به کاربر اطلاع میدهد، یا دستور پنهانی به مدل میدهد؟ چهار: آیا نیت تجاری افشا شده و رقبا بدون بدگویی ساختگی معرفی شدهاند؟ |
بازنویسی روان یک متن یا افزودن یک منبع معتبر، هر چهار آزمون را رد میکند. دستور پنهان برای مدل یا نظر ساختگی، هیچکدام را. این چارچوب جلوی یک خطای رایج را میگیرد: اینکه یک بازنویسی صرفاً به دلیل روان بودن، «سالم» فرض شود.
۶.۵ پروندهی llms.txt
llms.txt فایلی پیشنهادی برای معرفی ساختار و صفحات مهم سایت به سامانههای هوش مصنوعی است. ایدهاش قابل فهم است، اما پذیرش و استفادهی واقعیاش هنوز محدود و فاقد استاندارد رسمی مشترک است.
| [رده A — راهنمای رسمی گوگل]
برای حضور در قابلیتهای هوش مصنوعی جستوجو به فایلهای ماشینخوان تازه یا نشانهگذاری ویژه نیازی نیست؛ جستوجوی گوگل از llms.txt بهعنوان سیگنال استفاده نمیکند. نگه داشتن چنین فایلهایی برای سرویسهای دیگر مانعی ندارد و نه به رتبه آسیب میزند نه کمکش میکند، چون گوگل نادیدهشان میگیرد. [۳] |
حالا دادهی میدانی. سه منبع صنعتی، سه عدد متفاوت برای نرخ پذیرش میدهند:
| نرخ پذیرش | نمونه | منبع [همه رده D] |
| ۷٫۴٪ | ۱۰٬۸۹۴ دامنه، ژوئیه ۲۰۲۶ | HasData [۲۲] |
| ۸٫۷٪ | هزار سایت برتر Tranco، ژوئن ۲۰۲۶ | Rankability [۲۵] |
| ۱۰٫۱۳٪ | حدود ۳۰۰٬۰۰۰ دامنه | SE Ranking [۲۴] |
سه عدد بین ۷٫۴ تا ۱۰٫۱ درصد، و هیچکدام هم غلط نیستند؛ اختلافشان از تفاوت جامعهی آماری و تعریف «وجود فایل» میآید. قاعدهای که از این میماند: وقتی برای یک پدیده چند عدد متفاوت وجود دارد، هیچکدام را بهتنهایی نقل نکنید؛ بازه بدهید و نمونه را هم بگویید.
اما پرسش مهمتر از «چند نفر دارندش» این است که «آیا اثری دارد». همان مطالعهی حدود ۳۰۰٬۰۰۰ دامنهای گزارش کرده که هیچ همبستگی آماری معناداری میان داشتن llms.txt و دفعات استناد شدن یک دامنه در پاسخهای هوش مصنوعی پیدا نشده است [۲۴، رده D].
پرسش بعدی این است که آیا این فایلها اصلاً خوانده میشوند. یک تحلیل صنعتی روی لاگ ۱۳۷٬۲۱۰ دامنه گزارش کرد که در دورهی مورد مطالعه، ۹۷ درصد فایلهای شناساییشده هیچ درخواستی دریافت نکرده بودند [۲۳، رده D]. این یافتهای صنعتی است، نه آزمایشی علّی.
| جمعبندی llms.txt
ساخت این فایل هزینهی کمی دارد و ممکن است شرطبندی کوچکی روی سازگاری آینده باشد. اما نباید بهعنوان راهکار اثباتشدهی دیده شدن فروخته شود، و نباید جای دسترسی فنی، ارتباط موضوعی و سنجش معتبر را بگیرد. |
۷. موتورهای تجاری در عمل یکسان نیستند
۷.۱ هر موتور، جهان منابع خودش
مطالعات مستقل همپوشانی کم منابع میان محصولات را گزارش کردهاند:
- مطالعهی گروسمن و همکاران روی ۱۱٬۵۰۰ پرسش، شباهت ژاکارد میان نشانیهای گوگل ارگانیک، AI Overviews و Gemini را در بازهی حدود ۰٫۱۱ تا ۰٫۱۸ یافت [۷، رده B].
- یک ممیزی داوریشده روی ۴٬۷۰۶ پرسش در آمریکا و آلمان نشان داد ۵۳ درصد دامنههای استنادشده در AI Overviews در ده نتیجهی ارگانیک برتر نیستند و ۲۷ درصد حتی در صد نتیجهی برتر هم نیستند [۱۳، رده B؛ ارقام از طریق [۲]].
- در ممیزی دیگری با ۱٬۰۰۸ پاسخ، بخش مربوط به ۶۷۲ پاسخ دو موتور، ۳۵۵ دامنهی یکتا شناسایی کرد که تنها ۲۶ درصدشان در هر دو سامانه استناد شده بودند [۱۵، رده B؛ از طریق [۲]].
نتیجهی عملی روشن است: «امتیاز کلی دیدهشدن در هوش مصنوعی» بدون ذکر محصول، حالت جستوجو، کشور، زبان و زمان، معنای دقیقی ندارد. هر موتور باید جدا سنجیده شود. سایتی که در نتایج ارگانیک گوگل قوی است ممکن است در AI Overviews غایب باشد.
۷.۲ نوسان میان اجراها
مطالعات طولی و تکرارشونده تغییر قابل توجه منابع را میان اجراهای یک پرسش گزارش کردهاند. در یک پایش ۴۵ روزهی چهار موتور، شباهت مجموعهی منابع میان اجراها حدود ۰٫۳۴ تا ۰٫۴۲ بود — یعنی بیش از نیمی از منابع بین دو اجرا عوض میشوند [۱۹، رده C؛ از طریق [۲]].
در همان ممیزی آمریکا–آلمان، همپوشانی صفحات در بازهی دو ماهه برای AI Overviews حدود ۱۸ درصد بود در برابر ۴۵ درصد برای نتایج ارگانیک [۱۳]. اعداد دقیق نوسان به محصول، روش نمونهگیری و بازهی زمانی وابستهاند و نباید بهعنوان ثابت جهانی نقل شوند.
| پیامد عملی
یک بار پرسیدن و دیدن نام برند، اثر یک مداخله را ثابت نمیکند؛ غیبت در یک اجرا هم شکست قطعی نیست. هر دو با احتمال زیاد نویز را ثبت میکنند. بخش ۹ میگوید حداقل کار لازم چیست. |
۷.۳ استناد به معنای تأیید نیست
یک فرض نانوشته در بازار GEO وجود دارد: اینکه استناد شدن یعنی مدل حرف شما را تأیید کرده است. شواهد این را پشتیبانی نمیکنند.
اولین ممیزی جدی وفاداری استناد، منتشرشده در Findings of EMNLP 2023، روی چهار موتور آن دوره نشان داد فقط حدود ۵۱٫۵ درصد جملهها کاملاً توسط منابعشان پشتیبانی میشدند و حدود ۷۴٫۵ درصد استنادها واقعاً گزارهی مرتبطشان را تأیید میکردند [۸، رده B؛ ارقام از طریق [۲]]. یعنی حدود یکچهارم استنادها به منبعی ارجاع میدادند که آن حرف را نزده بود.
وضعیت از آن زمان بهتر شده اما مسئله باقی است. یک منبع ممکن است برای ادعایی استناد شود که دقیقاً از آن پشتیبانی نمیکند، یا در بافتی منفی ذکر شود — مثلاً بهعنوان نمونهی یک اشتباه رایج.
بنابراین شمارش خام استناد باید با سه متغیر همراه باشد: صحت انتساب، لحن اشاره، و نقش منبع در پاسخ. عدد تنها، گمراهکننده است.
۷.۴ ترافیک و فروش، ضعیفترین حلقهی شواهدند
کمترین شواهد کل این حوزه دقیقاً همانجایی است که بیشترین ادعا وجود دارد.
یک تحلیل پیشچاپ، لاگ سایتی را بررسی کرد که بخشی از صفحاتش مداخلهی AEO دریافت کرده بودند. ارجاعات کل از ChatGPT حدود ۵٫۷ برابر شده بود. اما صفحاتی که هیچ مداخلهای نداشتند هم در همان بازه حدود ۳٫۵ برابر شده بودند، صرفاً چون خود پلتفرم داشت رشد میکرد. تحلیل کنترلشده ضریب اضافی را حدود ۱٫۸۲ برآورد کرد، ولی آزمون دارونمای محافظهکارانه به معناداری آماری نرسید [۲۰، رده C؛ از طریق [۲]].
| درسی که این مثال میدهد
بدون گروه کنترل، رشد خودِ پلتفرم با اثر پروژه مخلوط میشود. هر گزارشی که میگوید «بعد از پروژهی GEO ترافیک هوش مصنوعی ما چند برابر شد» و گروه کنترل ندارد، همین خطا را مرتکب شده است — و این خطا به چشم نمیآید مگر آنکه دنبالش بگردید. |
جمعبندی صادقانه: در این مرحله، ادعاهای بازگشت سرمایهی GEO آشکارا از شواهد آکادمیک جلوترند.
۸. پیشنیاز فنی: آیا سامانه اصلاً به محتوا دسترسی دارد؟
تمام هفت بخش قبل یک فرض خاموش داشتند: اینکه محتوای شما در دسترس است. اگر این فرض برقرار نباشد، بقیهی بحثها به شما ربطی ندارد.
۸.۱ سه دسته عامل را از هم جدا کنید
| اگر ببندید | نقش | نمونه | دسته |
| از پاسخهای استنادشدهی آن محصول حذف میشوید | کشف یا بازیابی محتوا برای پاسخهای جستوجومحور | OAI-SearchBot، PerplexityBot، Claude-SearchBot | خزندهی جستوجو و بازیابی |
| کاربری که عمداً سراغ صفحهی شما رفته، آن را نمیبیند | باز کردن صفحه در پی اقدام مستقیم کاربر؛ رفتارش با خزندهی ایندکسکننده یکسان نیست | ChatGPT-User | درخواست کاربرمحور یا عامل |
| محتوا وارد مدل نمیشود؛ دیدهشدن لحظهای مستقیماً آسیب نمیبیند | جمعآوری یا کنترل استفاده از محتوا برای توسعهی مدل | GPTBot، ClaudeBot، CCBot، Google-Extended | خزندهی آموزش |
اگر هدف سایت دریافت استناد و ارجاع از محصولی مشخص باشد، بستن عامل بازیابی آن معمولاً با همین هدف تعارض دارد. با این حال، حق نشر، هزینهی زیرساخت، اشتراک پولی و الزامات حقوقی میتوانند تصمیم دیگری را توجیه کنند. اینها دو تصمیم جداگانهاند با منطقهای متفاوت.
۸.۲ یک نمونهی robots.txt
نمونهی زیر فقط یک نقطهی شروع است و باید با مستندات روزِ هر ارائهدهنده تطبیق داده شود، چون نام عاملها تغییر میکند:
| # 1. Classic search engines
User-agent: Googlebot Allow: /
# 2. Retrieval / answering agents User-agent: OAI-SearchBot Allow: /
User-agent: ChatGPT-User Allow: /
User-agent: Claude-SearchBot Allow: /
User-agent: PerplexityBot Allow: /
# 3. Training crawlers — your call User-agent: GPTBot Disallow: /
User-agent: ClaudeBot Disallow: /
User-agent: CCBot Disallow: /
User-agent: Google-Extended Disallow: /
# 4. Default for everyone else User-agent: * Allow: / Sitemap: https://example.com/sitemap.xml |
سه نکتهی فنی که مکرر اشتباه میشوند:
- `Allow:` بدون مقدار بیمعناست. باید `Allow: /` نوشته شود؛ یک فاصلهی خالی بعد از دونقطه آن خط را از کار میاندازد.
- Google-Extended مسیر جداگانهای است. با آن میشود از استفادهی محتوا برای توسعهی مدلهای گوگل انصراف داد بدون بستن Googlebot — و Googlebot همان چیزی است که واجد شرایط بودن شما برای قابلیتهای مولد را تعیین میکند. این دو را قاطی نکنید.
- robots.txt ابزار کنترل امنیتی نیست. عامل متعهد آن را رعایت میکند، اما محتوای حساس باید با احراز هویت و کنترل دسترسی واقعی محافظت شود.
۸.۳ لایههایی فراتر از robots.txt
باز بودن robots.txt دسترسی را تضمین نمیکند. CDN، دیوارهی آتش، افزونهی امنیتی، محدودیت نرخ، چالش جاوااسکریپت و هدر `X-Robots-Tag` میتوانند مستقل تصمیم بگیرند — پیش از آنکه درخواست به سرور شما برسد. هیچکدام از اینها در robots.txt شما دیده نمیشود.
یک سنجش صنعتی روی ۱۰٬۸۹۴ دامنه، دو درخواست یکسان از همان IP دیتاسنتر فرستاد و فقط رشتهی یوزرایجنت را عوض کرد [۲۲، رده D]. نتیجه اما یکدست نبود و همین نکته مهم است: در زیرمجموعهی سایتهای ناشر، مرورگر معمولی حدود ۸۳٫۸ درصد پاسخ گرفت و یوزرایجنت GPTBot حدود ۵۴٫۲ درصد — شکافی حدود سی واحد درصد. اما در سایتهای عمومی وب، همان الگو با فاصلهی بسیار کمتری دیده شد: ۷۲٫۳ در برابر ۶۷٫۸ درصد.
پس این یک پدیدهی عمدتاً ناشرمحور است، نه قاعدهی کل وب. اگر سایت خبری یا رسانهای دارید احتمال مواجهه با آن بیشتر است. همان سنجش تفاوت رفتار CDNها را هم گزارش کرد:
| چالش جاوااسکریپت | مسدودسازی کامل | پاسخ عادی | CDN |
| — | ۶۱٫۵٪ | ۲۷٫۳٪ | فستلی |
| ۲۴٫۷٪ | ۱۶٫۹٪ | ۵۱٫۳٪ | کلادفلر |
| — | بدون مداخله | ۷۸٫۵٪ | کلادفرانت |
| محدودیت این سنجش را بدانید
چون آزمایش فقط رشتهی User-Agent را عوض کرده، نتیجهاش رفتار سرور با هویت اعلامشده را میسنجد، نه دسترسی قطعی بات واقعی را. بات واقعی از محدودهی IP رسمی خودش میآید و ممکن است رفتار متفاوتی ببیند. این عدد یک نشانه است، نه اندازهگیری دقیق مسدودسازی. |
| [رده A — تغییرات رسمی کلادفلر]
کلادفلر در اول ژوئیهی ۲۰۲۶ اعلام کرد که از ۱۵ سپتامبر ۲۰۲۶ پیشفرضهایش تغییر میکند: باتهای دستهی Training و Agent در صفحههایی که تبلیغ نمایش میدهند بهصورت پیشفرض مسدود میشوند و دستهی Search مجاز میماند. این پیشفرض شامل دامنههای تازهواردشده، سایتهای جدید مشتریان فعلی، و حسابهای رایگانی میشود که تنظیم صریحی ذخیره نکردهاند. [۲۱] |
اگر سایت شما پشت کلادفلر است، این تنظیم را جداگانه بررسی کنید؛ چون ممکن است بدون هیچ تغییری از سمت شما اعمال شده باشد.
یک مشاهدهی دستاول [رده E]
این را بهعنوان تجربهی موردی مینویسم، نه یافتهی قابل تعمیم. فایل robots.txt همین سایت بهصراحت خزندههای Claude را مجاز اعلام کرده است. با این حال، در تلاشهای مکرر، ابزار خزش یک دستیار هوش مصنوعی نتوانست صفحات را بخواند و درخواست پیش از رسیدن به محتوا رد شد.
نمیتوانم با قطعیت بگویم کدام لایه مسبب بوده، چون از بیرون دیده نمیشود — و دقیقاً همین نکتهی اصلی است. اگر صاحب سایتی که robots.txt را خودش با دقت نوشته نتواند بگوید چرا خزنده رد شده، صاحب سایتی که هیچوقت بررسی نکرده قطعاً نمیتواند. تنها راه فهمیدن، آزمون مستقیم و لاگ سرور است.
۸.۴ آزمون اولیهی پنجدقیقهای
| # A. baseline: an ordinary browser
curl -s -o /dev/null -w “%{http_code}” \ -A “Mozilla/5.0 (Windows NT 10.0; Win64; x64)” \ https://example.com/
# B. retrieval agent name curl -s -o /dev/null -w “%{http_code}” \ -A “OAI-SearchBot/1.0; +https://openai.com/searchbot” \ https://example.com/
# C. full response headers curl -sI -A “OAI-SearchBot/1.0” https://example.com/ |
| این آزمون چه چیزی را ثابت نمیکند
این یک جعل User-Agent است و هویت واقعی بات را اثبات نمیکند. برای نتیجهی قابل اتکا باید لاگ سرور، محدودهی IP رسمی ارائهدهنده و در صورت پشتیبانی، reverse DNS هم بررسی شود. آزمون curl فقط یک غربال سریع اولیه است. |
در خروجی به این موارد توجه کنید:
- تفاوت کد ۲۰۰ برای مرورگر با ۴۰۳ یا ۴۲۹ برای عامل — یعنی مسدودسازی در سطح CDN یا سرور، نه txt.
- وجود `X-Robots-Tag: noindex` که صفحه را حتی با کد ۲۰۰ از ایندکس خارج میکند.
- هدرهای CDN مانند `cf-mitigated` که نشان میدهند کدام لایه دخالت کرده است.
- حجم غیرعادی کم پاسخ، که میتواند صفحهی چالش باشد نه محتوای واقعی.
- و در نهایت، مشاهدهی درخواست واقعی در لاگ سرور — که تنها شاهد قطعی است.
برای گوگل حدس زدن لازم نیست: ابزار بازرسی URL و گزینهی «آزمایش URL فعال» در سرچ کنسول نشان میدهد Googlebot چه میبیند. کنترل Search Generative AI و گزارش عملکرد مولد هم باید جداگانه بررسی شوند [۴، رده A].
۸.۵ چکلیست پنجموردی پیش از انتشار
خلاصهی عملیاتی همین بخش، برای کسی که فقط دنبال اقدام است:
- دسترسی را تست بگیرید. آزمون curl بالا را روی یک صفحهی مهم اجرا کنید و کد وضعیت مرورگر را با عامل بازیابی مقایسه کنید.
- لاگ سرور را ببینید. بررسی کنید آیا درخواست خزندههای بازیابی واقعاً به سرور رسیده است؛ این تنها شاهد قطعی است.
- robots.txt را تفکیکشده بنویسید. خزندههای بازیابی باز، خزندههای آموزش بر اساس تصمیم خودتان — و Googlebot را با Google-Extended قاطی نکنید.
- لایههای بالاتر را چک کنید. تنظیمات CDN و فایروال، افزونههای امنیتی، و هدر X-Robots-Tag روی همان صفحه.
- سمت گوگل را تأیید کنید. بازرسی URL در سرچ کنسول، بهعلاوهی وضعیت کنترل Search Generative AI در تنظیمات پراپرتی.
| ترتیب مهم است
این پنج مورد پیشنیاز هر کار محتواییاند. اگر مورد اول شکست بخورد، بازنویسی متن هیچ اثری ندارد — و این رایجترین دلیلی است که پروژههای GEO بدون نتیجه تمام میشوند. |
۹. چگونه GEO را اندازه بگیریم؟
پیش از جمعآوری هر دادهای، این جمله را کامل کنید و بنویسید:
| قالب جملهی سنجش
«اثرِ [تغییر مشخص] را بر [خروجی مشخص] در [محصول و حالت مشخص] طی [بازهی زمانی] اندازه میگیرم.» |
اگر نتوانید این جمله را بدون ابهام کامل کنید، هر عددی که بعداً به دست بیاورید تفسیرپذیر نخواهد بود.
۹.۱ حداقل طراحی قابل دفاع
- مجموعهی پرسش ثابت، همراه با سه تا پنج بازنویسی معنایی از هر پرسش. کاربران واقعی یک جملهی واحد نمیپرسند.
- چند اجرای تکراری در هر بازهی زمانی، چون نتیجه یک توزیع است نه یک مقدار.
- ثبت پاسخهای بدون جستوجو یا بدون استناد. اینها دادهاند، نه خطا؛ حذفشان سوگیری انتخاب میسازد.
- جداسازی کامل محصولات: ChatGPT، AI Overviews، AI Mode، Gemini و پرپلکسیتی هرگز در یک عدد جمع نشوند.
- ثبت زبان، کشور، حساب کاربری، تاریخ، ساعت و حالت جستوجو. بدون اینها نتیجه قابل بازتولید نیست.
- گروه کنترل از صفحات مشابه که هیچ تغییری روی آنها اعمال نمیشود.
- سنجش جداگانهی حضور، استناد، جذب، وفاداری، کلیک و تبدیل — نه یک امتیاز مرکب.
- نگهداری خروجی خام برای بازبینی انسانی و بازرسی بعدی.
| دربارهی تعداد تکرار
عدد ثابتی مانند «هفت یا هشت تکرار» قانون عمومی نیست. تعداد تکرار باید با یک مطالعهی مقدماتی و بر اساس میزان نوسان همان محصول تعیین شود، طوری که بازهی اطمینان برای تصمیم شما بهقدر کافی باریک باشد. |
۹.۲ برای هر هدف، متغیر درست
| خطای رایج | متغیر مناسب | هدف |
| محاسبه فقط روی پاسخهای دارای منبع | حضور دامنه در همهی اجراها | کشفپذیری |
| جمع کردن همهی موتورها در یک امتیاز | نرخ و موقعیت استناد | استناد |
| فرض اثرگذاری صرفاً از روی نمایش لینک | مقایسهی ادعاهای پاسخ با متن سند | جذب |
| مثبت فرض کردن همهی استنادها | میزان پشتیبانی منبع از گزاره | وفاداری |
| نسبت دادن رشد کل پلتفرم به مداخله | ارجاع و تبدیل، با روند پایه و گروه کنترل | نتیجهی اقتصادی |
| یادآوری از مستندات رسمی گوگل [رده A]
نسبت به ابزارهای ثالثی که وعدهی موفقیت در رتبه میدهند یا ادعا میکنند از سنجههای «داخلی» گوگل استفاده میکنند محتاط باشید؛ هیچ ابزار ثالثی به سامانههای رتبهبندی یا هوش مصنوعی گوگل دسترسی ندارد. [۳] |
۱۰. در عمل چه کار کنیم؟
۱۰.۱ کارهایی که پشتوانهی بیشتری دارند
- دسترسی فنی را پیش از هر بازنویسی بررسی کنید. آزمون curl، لاگ سرور، سرچ کنسول، و تنظیمات ← بخش ۸
- پاسخ اصلی را در ابتدای بخش مرتبط بیاورید، بدون مقدمهی طولانی. ← بخش ۵.۱
- هر صفحه را حول قصد واقعی کاربر کامل کنید، نه حول تکرار مکانیکی عبارتها. ← بخش ۵.۱ و ۴.۲
- تعریف، مقایسه، تاریخ و دادهی قابل راستیآزمایی ارائه دهید — با انتساب درست. ← بخش ۵.۳
- نشانهگذاری ساختاری معتبر را حفظ کنید. گوگل آن را برای قابلیتهای مولد الزامی نمیداند، اما SAGEO Arena گزارش میکند که اطلاعات ساختاری به کاهش افت بازیابی کمک میکند. ← بخش ۶.۴
- تجربهی دستاول، دادهی اختصاصی و روش قابل بازتولید تولید کنید. این داراییها ارزان تقلید نمیشوند. ← بخش ۶.۳
- هر مداخله را با گروه کنترل و تکرار بسنجید. ← بخش ۹
۱۰.۲ کارهایی که ممکن است نتیجهی معکوس بدهند
- بازنویسی گسترده صرفاً برای کوتاه و نقلقولپذیر شدن. ← بخش ۶.۴
- افزودن آمار یا نقلقول نامرتبط. ← بخش ۵.۳ و ۶.۲
- ساخت انبوه صفحه برای هر بازنویسی کوچک پرسش یا هر کوئری انشعابی. گوگل این را نقض سیاست اسپم «سوءاستفاده از محتوای مقیاسپذیر» میداند [۳، رده A].
- انباشت کلیدواژه. ← بخش ۴.۲
- گزارش یک امتیاز کلی بدون تفکیک موتور و خروجی. ← بخش ۷.۱
- اعلام موفقیت بر اساس یک یا دو پاسخ نمونه. ← بخش ۷.۲
۱۰.۳ کارهای کمهزینه با اثر نامعلوم
llms.txt در این دسته قرار میگیرد؛ دلایلش را در بخش ۶.۵ آوردم. خلاصه: بهعنوان پوششی ارزان و شرطبندی کوچک روی سازگاری آینده قابل دفاع است، بهعنوان محور یک پروژهی GEO نه.
«دادهی ساختاریافتهی ویژهی GEO» هم وجود ندارد — اما نشانهگذاری معتبر به دلیلی که در بخش ۱۰.۱ آمد ارزش حفظ کردن دارد. هیچکدام از این دو نباید جای دسترسی فنی، ارتباط موضوعی و سنجش معتبر را بگیرد.
۱۱. آنچه هنوز نمیدانیم
۱۱.۱ ترازنامهی صادقانه
| ردهی غالب شواهد | سطح اطمینان | ادعا |
| B | بالا | سند از پیش بازیابیشده میتواند نحوهی استفاده یا استناد به خود را تغییر دهد |
| B | بالا | ارتباط موضوعی و موقعیت در بافت عوامل مهمیاند |
| B و C | بالا | منابع و رفتار موتورهای تجاری متفاوت و متغیرند |
| B | متوسط | شواهد قابل استخراج اغلب استفاده از سند را آسانتر میکنند |
| B | متوسط | پذیرش گستردهی یک تاکتیک میتواند مزیت آن را کاهش دهد |
| C | متوسط | بهینهسازی صرفِ بدنه میتواند بازیابی را تضعیف کند |
| — | پایین | یک مداخلهی عمومی، کشف ارگانیک را در چند موتور و در طول زمان بهبود میدهد |
| C و D | بسیار پایین | امتیاز استناد، کلیک یا درآمد را پیشبینی میکند |
| — | پشتیبانی نمیشود | «GEO بهطور عمومی دیدهشدن را ۴۰ درصد افزایش میدهد» |
ستون آخر عمداً اضافه شده: سطح اطمینان را باید کنار نوع منبعی خواند که آن را پشتیبانی میکند. «بالا» که فقط بر یک پیشچاپ تکیه دارد، با «بالا»یی که چند پژوهش داوریشده پشتش است یکی نیست.
این طیف توضیح میدهد چرا ممکن است موارد موفق واقعی ببینید در حالی که ادبیات پژوهشی هیچ وعدهی عمومیای را تضمین نمیکند. هر دو میتوانند همزمان درست باشند.
۱۱.۲ چرا کسی فرمول پایدار GEO ندارد
سه دلیل ساختاری دارد، نه موقتی. هدفها ثابت نیستند و موتورها مدام تغییر میکنند؛ بنچمارکی که امروز ساخته شود، تا زمان انتشار محصولی را میسنجد که عوض شده است. رقابت چندبازیگره است و اثر یک تاکتیک به رفتار دیگران بستگی دارد، یعنی فرضی که استنتاج علّی معمولاً بر آن بنا میشود از ابتدا نقض شده. و خروجی یک توزیع احتمالی است، نه یک رتبهی قطعی؛ وقتی همان پرسش دو پاسخ متفاوت میدهد، رتبهای وجود ندارد که بشود برایش فرمول نوشت.
۱۱.۳ شکاف فارسی
در جستوجوی منابع این مقاله، مطالعهی داوریشدهی مستقلی که رفتار موتورهای مولد را برای مجموعه پرسشهای فارسی با پروتکل تکرارشونده و چندپلتفرمی بسنجد پیدا نشد. این جمله به معنای اثبات نبودِ مطلق پژوهش فارسی نیست؛ فقط دامنهی جستوجوی حاضر را گزارش میکند.
یک مطالعهی پایه برای فارسی باید موضوعات اطلاعاتی، تجاری و زمانحساس را از هم جدا کند؛ بازنویسیهای متعدد هر پرسش را اجرا کند؛ فعال شدن جستوجوی وب، نشانیها، لحن و صحت استناد را ثبت کند؛ و کشور، زبان رابط، حساب و زمان اجرا را ثابت نگه دارد یا گزارش کند. بدون این کنترلها نمیتوان غیبت منابع فارسی را از سوگیری موتور، ضعف بازیابی یا طراحی پرسش تفکیک کرد.
۱۲. پرسشهای متداول دربارهی GEO
آیا GEO جایگزین سئو است؟
نه. برای قابلیتهای مولد گوگل، صفحه باید ایندکس شده و واجد شرایط نمایش با اسنیپت باشد — یعنی سئوی پایه پیشنیاز است. برای موتورهای دیگر هم اصل ماجرا همان است: سندی که بازیابی نشود، هیچ تکنیک محتوایی نجاتش نمیدهد. GEO لایهای روی سئوست، نه جایگزین آن.
تفاوت GEO و AEO چیست؟
GEO تعریف عملیاتی و بنچمارک روشنتری دارد و در ادبیات علمی جا افتاده است. AEO اصطلاحی صنعتی است که گوگل هم به آن اشاره کرده، ولی تعریف فنی مستقلی پشتش نیست. در عمل، تفاوت واقعی یک خدمت را باید در خروجی هدفش دید — دسترسی، بازیابی، استناد، جذب یا تبدیل — نه در نامش.
چطور سایت را برای موتورهای مولد بهینه کنیم؟
به ترتیب: اول دسترسی خزنده را حل کنید (بخش ۸)، بعد پاسخ روشن سؤال را زود و بدون مقدمهی طولانی بیاورید (بخش ۵.۱)، بعد ادعاها را با شواهد قابل راستیآزمایی و تاریخدار پشتیبانی کنید (بخش ۵.۳). و هر تغییری را با گروه کنترل بسنجید (بخش ۹). کاری که شواهد پشتش نیست: بازنویسی گسترده صرفاً برای نقلقولپذیر شدن.
آیا برای GEO به llms.txt نیاز داریم؟
نه. گوگل رسماً اعلام کرده از این فایل استفاده نمیکند، تحلیل لاگ ۱۳۷ هزار دامنه نشان داده ۹۷ درصد این فایلها هیچ درخواستی دریافت نکردهاند، و مطالعهی حدود ۳۰۰ هزار دامنهای هیچ همبستگی معناداری میان داشتن آن و استناد شدن پیدا نکرده است. ساختنش ضرری ندارد؛ فروختنش بهعنوان راهکار دیده شدن، ادعای بیپشتوانه است.
آیا اسکیما باعث نمایش سایت در پاسخ هوش مصنوعی میشود؟
گوگل میگوید دادهی ساختاریافته برای حضور در قابلیتهای مولد الزامی نیست و اسکیمای ویژهای هم برای این کار وجود ندارد. اما شواهد SAGEO Arena نشان میدهد فیلدهای ساختاری ممکن است به مرحلهی بازیابی کمک کنند — بیآنکه لزوماً همان اثر را در بازرتبهبندی یا استناد داشته باشند. پس حفظش منطقی است، انتظار معجزه از آن نه.
چطور ورودی سایت از ChatGPT و موتورهای مولد را اندازه بگیریم؟
برای گوگل، گزارش عملکرد مولد در سرچ کنسول نمایش را نشان میدهد (بدون دادهی کلیک و کوئری). برای بقیه، تنها راه معتبر یک آزمایش طراحیشده است: مجموعه پرسش ثابت، سه تا پنج بازنویسی از هر پرسش، چند اجرای تکراری، گروه کنترل، و تفکیک کامل موتورها. جزئیاتش در بخش ۹ آمده. یک بار پرسیدن از ChatGPT چیزی را ثابت نمیکند.
چه مدت طول میکشد تا نتیجهی GEO مشخص شود؟
پاسخ صادقانه این است که هیچ بازهی زمانی معتبری برایش گزارش نشده است. چون نتیجه یک توزیع احتمالی است و منابع میان اجراها بهشدت تغییر میکنند، «زمان لازم» عملاً به این بستگی دارد که چقدر داده جمع کنید تا بازهی اطمینان بهقدر کافی باریک شود — نه به گذشت چند هفته. هر کسی که عدد قطعی میدهد، آن را از شواهد استخراج نکرده است.
GEO برای چه سایتهایی اولویت بیشتری دارد؟
برای سایتهایی که پرسشهای اطلاعاتی و مقایسهای جواب میدهند، اولویت بالاتر است؛ چون همانها بیشترین احتمال فعال شدن جستوجو و استناد را دارند. برای سایتهای رسانهای نکتهی متفاوتی هم هست: دادهی صنعتی نشان میدهد مسدودسازی خزندههای هوش مصنوعی عمدتاً پدیدهای ناشرمحور است، پس بررسی دسترسی برایشان فوریتر است. برای فروشگاهها، شواهد قیمت صریح و تاریخ بهروز مرتبطتر است. و برای کسبوکارهای مبتنی بر اعتبار، فاصلهی «بازشناسی» از «کشف» مهم است: ممکن است مدل برند شما را وقتی نامش را میبرید بشناسد، ولی در پرسشهای عمومی حوزه هرگز پیشنهادش ندهد.
نتیجهگیری
GEO مسئلهای واقعی است، اما هنوز مجموعهای از دستورهای تضمینی نیست.
قویترین نتیجهی موجود این است که محتوای مرتبط، در دسترس و از پیش بازیابیشده میتواند با ارائهی بهتر، سهم بیشتری در پاسخ بگیرد. ضعیفترین بخش شواهد، اتصال همین تغییرات به کشف ارگانیک پایدار، کلیک و درآمد است.
بنابراین نقطهی شروع منطقی نه ساخت فایل تازه است و نه بازنویسی انبوه محتوا. ابتدا باید مشخص شود کدام حلقه مشکل دارد: دسترسی، بازیابی، انتخاب، استناد، وفاداری یا تبدیل. سپس یک تغییر محدود با گروه کنترل و تکرار سنجیده شود.
GEO در وضعیت فعلی، بیش از آنکه نسخهی آماده باشد، یک مسئلهی اندازهگیری است.
واژهنامه
- GEO — اقداماتی برای افزایش حضور، استناد یا اثر محتوا در پاسخ موتور مولد.
- موتور مولد — سامانهای که پاسخ ترکیبی تولید میکند و ممکن است به منابع ارجاع دهد.
- فعالسازی جستوجو — تصمیم سامانه برای مراجعه به وب در پاسخ به یک پرسش.
- بازیابی — پیدا کردن مجموعهی اولیهی اسناد مرتبط.
- بازرتبهبندی — مرتبسازی دوبارهی اسناد پیش از ورود به بافت.
- پنجرهی بافت — فضای محدود ورودی مدل برای پرسش و اسناد.
- RAG یا grounding — بازیابی اسناد مرتبط و دادنشان به مدل، تا پاسخ بر منابع واقعی بنا شود.
- انشعاب کوئری — تولید چند پرسش موازی توسط مدل، پیش از نوشتن پاسخ.
- کشفپذیری — احتمال اینکه سند اصلاً وارد مسیر بازیابی و انتخاب شود.
- جذب — سهم واقعی سند در شکلگیری پاسخ، مستقل از نمایش استناد.
- وفاداری — میزان پشتیبانی منبع از ادعایی که به آن نسبت داده شده است.
- PAWC — شمارش واژهی تعدیلشده با موقعیت؛ سنجهی مقالهی بنیانگذار GEO که به متن منتسب در ابتدای پاسخ وزن بیشتری میدهد.
- گروه کنترل — صفحات مشابهی که مداخله روی آنها اعمال نمیشود.
- شباهت ژاکارد — معیاری بین صفر و یک برای همپوشانی دو مجموعه؛ عدد پایین یعنی اشتراک کم.
- خزندهی بازیابی — عاملی که در لحظهی پاسخ محتوا را میخواند: OAI-SearchBot، Claude-SearchBot،
- خزندهی آموزش — عاملی که محتوا را برای توسعهی مدل جمع میکند: GPTBot، ClaudeBot، CCBot، Google-Extended.
- X-Robots-Tag — هدر HTTP که میتواند ایندکس شدن صفحه را مستقل از txt منع کند.
- هزینهی جعل — چارچوب تحلیلی نویسنده: سیگنالی که ارزان جعل شود بهسرعت ارزش تمایزبخشش را از دست میدهد.
روش تدوین و محدودیتهای این مقاله
این نسخه بر منابع فهرستشده در ادامه و بر مرور انتقادی مارتینز تکیه دارد. منابعی که متن اصلی آنها مستقیماً بررسی شده با نشان «بررسیشده» علامت خوردهاند. برخی اعداد فقط از طریق مرور مارتینز در دسترس بودهاند و در متن با عبارت «ارجاع ثانویه» یا «از طریق [۲]» مشخص شدهاند.
این نوشته یک مرور نظاممند مستقل نیست؛ زیرا جستوجوی پایگاههای علمی، غربالگری دونفره و ارزیابی رسمی خطر سوگیری برای تمام مطالعات انجام نشده است. هدف، سنتز قابل استناد و صادقانهی شواهد موجود برای خوانندهی فارسیزبان است، نه جایگزینی برای مرور نظاممند.
تصحیحات ثبتشده
سرچ کنسول. در نسخهی اولیه آمده بود که سایت باید در سرچ کنسول برای قابلیتهای مولد «گنجانده شده باشد». این نادرست بود؛ طبق مستندات گوگل حالت پیشفرض برای تمام پراپرتیها مشارکت است و مدل، انصراف است نه ثبتنام [۴].
ردهی FeatGEO. این منبع ابتدا پیشچاپ (رده C) علامت خورده بود. بررسی کتابنامه نشان داد در ACL 2026 منتشر شده و به رده B منتقل شد [۵].
ارقام SAGEO Arena. ارقام مرحلهای ۹، ۱۶ و ۶ درصد در بخش ۶.۴ ابتدا بهعنوان یافتهی قطعی آمده بود. چون تطبیق مستقیم با جدول مقالهی اصلی انجام نشد، اکنون ارجاع ثانویه علامت خورده و ادعای اصلی همان نتیجهی کیفیِ تأییدشدهی چکیده است [۶].
دادهی HasData. ارقام ۸۳٫۸ و ۵۴٫۲ درصد ابتدا به کل نمونه نسبت داده شده بود؛ این ارقام مربوط به زیرمجموعهی سایتهای ناشر است و در وب عمومی فاصله بسیار کمتر (۷۲٫۳ در برابر ۶۷٫۸) گزارش شده [۲۲].
منبع حذفشده. رقم ۵٫۶۱ درصدی پذیرش llms.txt مبتنی بر HTTP Archive، که در نسخهی پیشین بهعنوان کف بازه آمده بود، حذف شد؛ نشانی منبع اولیهاش تأیید نشد و نگه داشتن عددی بدون مرجع قابل بررسی با استاندارد بقیهی این مقاله ناسازگار بود.
آخرین بازبینی منابع: ۱۵ سپتامبر ۲۰۲۶.
منابع
هر مدخل با نشانی مستقیم آمده است. نشان «بررسیشده» یعنی متن اصلی همان منبع باز و تطبیق داده شده؛ «ارجاع ثانویه از طریق [۲]» یعنی ارقام از مرور مارتینز نقل شدهاند و متن اصلی مستقیماً بررسی نشده است.
رده A — اسناد رسمی
- [۳] Google Search Central. AI features and your website. منتشرشده مه ۲۰۲۶، بهروزرسانی ۱۰ ژوئیه ۲۰۲۶. بررسیشده. google.com/search/docs/fundamentals/ai-optimization-guide
- [۴] Google Search Console Help. Search generative AI control. عرضهی جهانی از ۳۱ اوت ۲۰۲۶؛ حالت پیشفرض همهی پراپرتیها «مشارکت» است. بررسیشده. google.com/webmasters/answer/16908024
- [۲۱] New AI traffic management options. تغییرات رسمی، ۱ ژوئیه ۲۰۲۶. بررسیشده. developers.cloudflare.com/changelog/post/2026-07-01-ai-traffic-options
رده B — پژوهش داوریشده
- [۱] Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference, صص. ۵–۱۶. بررسیشده. org/10.1145/3637528.3671900 — arXiv:2311.09735
- [۵] Liu, Z., & Xu, P. (2026). Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility (FeatGEO). Proceedings of ACL 2026، صص. ۲۰۲۹۰–۲۰۳۰۳. متن کامل بررسیشده. org/2026.acl-long.929 — arXiv:2604.19113
- [۷] Grossman, R., Liu, S., Chen, M. K., Smith, M., Borcea, C., & Chen, Y. (2026). How Generative AI Disrupts Search: An Empirical Study of Google Search, Gemini, and AI Overviews. SIGIR 2026. ارجاع ثانویه از طریق [۲]. arXiv:2604.27790
- [۸] Liu, N. F., Zhang, T., & Liang, P. (2023). Evaluating Verifiability in Generative Search Engines. Findings of EMNLP 2023، صص. ۷۰۰۱–۷۰۲۵. ارجاع ثانویه از طریق [۲]. org/2023.findings-emnlp.467
- [۹] Wen, Y., Zhang, N., Yuan, H., Chen, X., Zhang, H., & Guo, H. (2026). Position: Generative Engine Optimization Creates Underexamined Risks — Governance Must Target Concentration, Disclosure, and Academic Blind Spots. ICML 2026 Position Paper Track. چکیده بررسیشده؛ متن کامل از طریق [۲]. arXiv:2606.12439
- [۱۰] Wu, B. و همکاران (2026). From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning (MAGEO). Findings of ACL 2026، صص. ۴۳۳۰۵–۴۳۳۱۵. org/2026.findings-acl.2149
- [۱۱] Puerto, H., Gubri, M., Green, T., Oh, S. J., & Yun, S. (2025). C-SEO Bench: Does Conversational SEO Work? NeurIPS 2025، Datasets and Benchmarks Track. ارجاع ثانویه از طریق [۲]. neurips.cc — C-SEO Bench
- [۱۲] Vishwakarma, R., Kumar, S., & Jamidar, R. (2026). What Gets Cited: Competitive GEO in AI Answer Engines. SIGIR 2026. ارجاع ثانویه از طریق [۲]. org/10.1145/3805712.3808445 — arXiv:2605.25517
- [۱۳] Kirsten, E., Große Perdekamp, J., Wu, Q., Upadhyay, M., Gummadi, K. P., & Zafar, M. B. (2026). Characterizing Web Search in the Age of Generative AI. Findings of ACL 2026، صص. ۱۰۸۲۷–۱۰۸۴۸. ارجاع ثانویه از طریق [۲]. org/2026.findings-acl.526
- [۱۴] Wan, A., Wallace, E., & Klein, D. (2024). What Evidence Do Language Models Find Convincing? (مجموعهدادهی ConflictingQA). ACL 2024، صص. ۷۴۶۸–۷۴۸۴. ارجاع ثانویه از طریق [۲]. org/2024.acl-long.403
- [۱۵] Li, A., & Sinnamon, L. (2024). Generative AI Search Engines as Arbiters of Public Knowledge: An Audit of Bias and Authority. Proceedings of the Association for Information Science and Technology، ۶۱(۱)، صص. ۲۰۵–۲۱۷. ارجاع ثانویه از طریق [۲]. org/10.1002/pra2.1021
- [۱۶] Nestaas, F., Debenedetti, E., & Tramèr, F. (2025). Adversarial Search Engine Optimization for Large Language Models. ICLR 2025. ارجاع ثانویه از طریق [۲]. net/forum?id=hkdqxN3c7t
- [۱۷] Pfrommer, S., Bai, Y., Gautam, T., & Sojoudi, S. (2024). Ranking Manipulation for Conversational Search Engines. EMNLP 2024، صص. ۹۵۲۳–۹۵۵۲. ارجاع ثانویه از طریق [۲]. org/2024.emnlp-main.534
رده C — پیشچاپ داورینشده
- [۲] Martinez, O. (2026). Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026). arXiv، ۱۵ ژوئیه ۲۰۲۶. مرور ۴۵ مطالعه. متن کامل بررسیشده. ستون فقرات این مقاله. arXiv:2607.14035
- [۶] Kim, S., Jeong, W., Kim, S., Lee, S., & Lee, D. (2026). SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization. ۱۲ فوریه ۲۰۲۶. چکیده و صورتبندی مسئله بررسیشده؛ ارقام مرحلهای از طریق [۲]. arXiv:2602.12187
- [۱۸] Bagga, P. S., Farias, V. F., Korkotashvili, T., Peng, T., & Wu, Y. (2025). E-GEO: A Testbed for Generative Engine Optimization in E-Commerce. ارجاع ثانویه از طریق [۲]. arXiv:2511.20867
- [۱۹] Schulte, J., Bleeker, M., & Kaufmann, P. (2026). Don’t Measure Once: Measuring Visibility in AI Search (GEO). ارجاع ثانویه از طریق [۲]. arXiv:2604.07585
- [۲۰] Watanabe, K., & Nakayashiki, K. (2026). Disentangling Answer Engine Optimization from Platform Growth: A Log-Based Natural Experiment on ChatGPT Referral Traffic. ارجاع ثانویه از طریق [۲]. arXiv:2606.04362
رده D — دادهی صنعتی
اعداد این رده به دلیل تفاوت نمونه و روش باید بهصورت بازه و همراه با جامعهی آماری خوانده شوند.
- [۲۲] The AI Crawler Block Index، ژوئیه ۲۰۲۶. نمونه: Tranco دههزار برتر بهعلاوهی مجموعهی news-homepages، پس از حذف تکراریها ۱۰٬۸۹۴ دامنه؛ آزمون اجرا روی زیرمجموعهی ۲٬۰۹۶ دامنهای. منبع ارقام ۸۳٫۸٪ در برابر ۵۴٫۲٪ (ناشران)، ۷۲٫۳٪ در برابر ۶۷٫۸٪ (وب عمومی)، رفتار CDNها و نرخ پذیرش ۷٫۴٪. بررسیشده. hasdata.com/blog/ai-crawler-block-index
- [۲۳] مطالعهی llms.txt روی ۱۳۷٬۲۱۰ دامنه، ژوئن ۲۰۲۶ — منبع رقم ۹۷٪ فایلهای بدون هیچ درخواست. بررسیشده. ahrefs.com/blog/llmstxt-study
- [۲۴] SE Ranking. تحلیل حدود ۳۰۰٬۰۰۰ دامنه دربارهی txt — نرخ پذیرش ۱۰٫۱۳٪ و نبود همبستگی معنادار با استناد در پاسخهای هوش مصنوعی. بررسیشده. seranking.com/blog/llms-txt
- [۲۵] پایش ماهانهی هزار دامنهی برتر Tranco — نرخ پذیرش ۸٫۷٪ در ژوئن ۲۰۲۶ (فهرست ۲۰۲۶-۰۶-۲۳). بررسیشده. rankability.com/data/llms-txt-adoption
رده E — مشاهدهی نویسنده
- مشاهدهی بخش ۸.۳ دربارهی رد شدن درخواست خزنده روی همین دامنه، علیرغم مجاز بودن در txt. تجربهی موردی و فاقد قابلیت تعمیم.