یک توسعه‌دهنده سیستمی ساخته است که میزان دیده شدن برند را در ابزارهای اصلی جستجوی مبتنی بر هوش مصنوعی — شامل ChatGPT، Claude، Perplexity، Gemini و Google AI Overviews — رصد می‌کند. این پروژه نشان می‌دهد که تنها با چند فراخوانی API نمی‌توان به یک برند گفت که آیا کاربر واقعاً نام آن را می‌بیند یا خیر؛ زیرا پاسخ خام مدل اغلب با نتیجه‌ی نهایی و اصلاح‌شده‌ای که در اپلیکیشن مصرف‌کننده نمایش داده می‌شود متفاوت است و پاسخ‌ها نیز از یک پرس‌وجو به پرس‌وجوی دیگر تغییر می‌کنند.

چرا دیده شدن برند در جستجوی هوش مصنوعی اهمیت دارد

دستیارهای چت هوش مصنوعی در حال تبدیل شدن به رابط کاربری پیش‌فرض برای کشف محتوا در وب هستند.

دو شکافی که یک استخراج (scrape) ساده را به یک ماراتن مهندسی تبدیل کرد

۱. API محصول نهایی نیست. فراخوانی OpenAI API (یا هر نقطه پایانی/endpoint دیگری از ارائه‌دهندگان) پاسخ داخلی مدل را برمی‌گرداند. با این حال، اپلیکیشن ChatGPT پیش از آنکه کاربر پاسخ نهایی را ببیند، سیستم بازیابی (retrieval)، دستورالعمل‌های سیستمی (system prompts) و افزونه‌های جستجوی وب خود را به آن اضافه می‌کند. همین اتفاق برای Claude، Gemini و سایر سرویس‌ها نیز می‌افتد. یک فراخوانی API به شما می‌گوید مدل چه می‌داند؛ اما اپلیکیشن مصرف‌کننده نشان می‌دهد که مشتری واقعاً چه چیزی را می‌بیند. نادیده گرفتن این لایه‌های اضافی به این معناست که شما در حال اندازه‌گیری محصول متفاوتی هستید.

۲. پاسخ‌ها پایدار نیستند. یک دستور (prompt) یکسان را پنج بار اجرا کنید و احتمالاً با پنج پاسخ متفاوت روبرو خواهید شد. ذکر نام برند تغییر می‌کند، ترتیب قرارگیری عوض می‌شود و URLهای منابع جابه‌جا می‌شوند. یک پاسخ واحد API در واقع مانند شیر یا خط انداختن است و داده‌ی قابل اعتمادی برای گزارش میزان دیده شدن محسوب نمی‌شود. یکی از مطالعات ذکر شده در یادداشت‌های توسعه نشان داد که بیش از نیمی از منابع ذکر شده، از یک روز به روز دیگر تغییر می‌کنند.

آنچه APIهای سال ۲۰۲۶ واقعاً به شما ارائه می‌دهند

  • Perplexity: کاربرپسندترین ابزار برای توسعه‌دهندگان. API آن ارجاعات را در قالبی ساده برمی‌گرداند، اما لیست ارجاعات همچنان با آنچه در اپلیکیشن وب Perplexity نمایش داده می‌شود، تفاوت دارد.
  • Google Gemini: از طریق Vertex AI قابلیت زمینه‌سازی (grounding) را ارائه می‌دهد، اما منطق رتبه‌بندی و نمایش در اپلیکیشن مصرف‌کننده Gemini با خروجی خام API متفاوت است.
  • OpenAI و Anthropic: مدل‌های قدرتمندی را همراه با ابزارهای اختیاری جستجوی وب ارائه می‌دهند، اما الگوریتم دقیق رتبه‌بندی مورد استفاده در رابط‌های کاربری عمومی ChatGPT یا Claude را فاش نمی‌کنند.
  • Google AI Overviews: هیچ API عمومی برای آن وجود ندارد. رصد کردن آن مستلزم استخراج (scraping) صفحات نتایج جستجو است که راهکاری شکننده و پرهزینه محسوب می‌شود.

دیده شدن یک نرخ است، نه یک رتبه

اکثر ابزارهای موجود، مسئله را به یک بررسی دوگانه «ذکر شده / ذکر نشده» تقلیل می‌دهند. این رویکرد ماهیت احتمالی خروجی‌های LLM را نادیده می‌گیرد. از آنجایی که هر پرس‌وجو می‌تواند پاسخ متفاوتی ایجاد کند، شما به جای یک نمای تک‌لحظه‌ای، به یک دیدگاه آماری نیاز دارید.

یک قانون کاربردی که از طراحی این سیستم استخراج شد، این است که با میزان دیده شدن به عنوان یک «نرخ» برخورد کنید: یک دستور (prompt) یکسان را چندین بار در مناطق جغرافیایی و انواع دستگاه‌های مختلف اجرا کنید، سپس یک بازه اطمینان (confidence interval) محاسبه کنید. اگر یک برند در بیشتر اجراها ظاهر شود، می‌توانید به جای یک پاسخ قطعی «بله» یا «خیر»، نرخ دیده شدن بالایی را با حاشیه خطای مناسب گزارش کنید.

نحوه ساخت ابزار نظارتی

  • اجرای چندباره برای هر دستور: حداقل هفت تا هشت بار اجرا برای کاهش اثر تصادفی بودن.
  • نمونه‌برداری جغرافیایی و دستگاهی: پرس‌وجوهایی که از مناطق مختلف ارسال می‌شوند و شبیه‌سازی آن‌ها روی موبایل در مقابل دسکتاپ برای ثبت شخصی‌سازی‌های خاص هر پلتفرم.
  • تمرکز بر تشخیص تغییرات: به جای استفاده از یک طرحواره (schema) ثابت که پاسخ‌های ایستا را فرض می‌کند، این سیستم تغییرات در فراوانی ذکر نام، تنوع منابع و موقعیت رتبه‌بندی را در طول زمان علامت‌گذاری می‌کند.

آنچه باید در آینده زیر نظر داشت

  • شفافیت پلتفرم‌ها: تا زمانی که ارائه‌دهندگان، منطق دقیق بازیابی و رتبه‌بندی مورد استفاده در اپلیکیشن‌های مصرف‌کننده خود را منتشر نکنند، ابزارهای نظارتی شخص ثالث همچنان به تخمین‌ها متکی خواهند بود.

نتیجه‌گیری

رصد حضور برند در جستجوهای مبتنی بر هوش مصنوعی، صرفاً به معنای دریافت یک پاسخ واحد از API نیست. این کار مستلزم پرس‌وجوهای مکرر و از نظر جغرافیایی متنوع، درک این موضوع است که API تنها بخشی از محصول مصرف‌کننده است، و همچنین نیاز به یک مدل گزارش‌دهی آماری دارد که میزان دیده شدن را به عنوان یک نرخ در نظر بگیرد. تا زمانی که ارائه‌دهندگان جستجوی هوش مصنوعی، تمام منطق‌های مربوط به کاربران خود را فاش نکنند، هر کسی که به داده‌های قابل اعتماد از میزان دیده شدن برند نیاز دارد، باید به ساخت تخمین‌های دقیق ادامه دهد.