لا تأتي استشهادات AI من نشر مزيد من المقالات. فقد رفع مصنع الأدوات الآلية في هذه الحالة معدل الاستشهاد به من 0 إلى 34% خلال 90 يومًا، من دون إعادة بناء شاملة للموقع أو زيادة الإنفاق الإعلاني. العامل الحاسم كان تفكيك كل سؤال يطرحه المشتري على AI إلى مستوى يمكن عنده تقديم الإجابة في فقرة مستقلة وواضحة يسهل استخلاصها.
نقطة البداية: العلامة غير موجودة فعليًا في إجابات AI
تصنّع هذه الشركة مراكز تشغيل CNC خماسية المحاور، وهي فئة تحقق 70 بالمئة من إيراداتها. ويأتي معظم عملائها من شركات القوالب والموردين المتخصصين في شرق آسيا وجنوب شرقها وأوروبا. عندما تواصلت مع Tenten، كان وضعها مألوفًا: ترتيب عضوي جيد على Google وآلاف الزيارات الشهرية للموقع، لكن فريق المبيعات بدأ يسمع عبارة واحدة من عدد متزايد من المشترين الدوليين: «سألت ChatGPT أولًا». وعندما اختبرنا الأسئلة فعليًا، لم تظهر الشركة في إجابات AI قط.
استخدمنا مجموعة ثابتة من سيناريوهات الشراء لاختبار ChatGPT وPerplexity وGemini، وكررنا كل سؤال ثلاث مرات، ثم سجلنا ما إذا كانت العلامة قد ذُكرت أو أوصي بها أو أُرفق رابط لها. كانت نتيجة الاختبار المرجعي الأول واضحة: من أصل 38 سؤالًا، لم تحصل العلامة على أي استشهاد. في المقابل، ظهرت باستمرار شركتان يابانيتان وشركة تايوانية منافسة ضمن إجابات عن موضوعات مثل «أفضل مراكز التشغيل خماسية المحاور في تايوان للإنتاج بكميات صغيرة ومتوسطة».
طرحنا 38 سؤال شراء حقيقيًا
تُكتب أغلب مواقع الشركات الصناعية من منظور الشركة نفسها: محطات زمنية، وتاريخ المؤسسة، وعبارات إنشائية. لكن هذه الصفحات لا تفيد AI كثيرًا، لأن المشتري لا يسأل عادة: «في أي عام تأسست شركتكم؟». تبدأ مراجعة GEO بحصر الأسئلة التي يوجهها المشترون فعلًا إلى AI خلال رحلة اتخاذ القرار، ثم التحقق من وجود إجابة قوية وقابلة للاستخلاص لكل سؤال.
قسّمنا هذه الأسئلة الـ38 إلى ثلاث طبقات شكّلت الهيكل الذي اعتمدناه لاحقًا:
- طبقة السيناريو: مثل «هل يناسب تشغيل قطع السبائك بكميات صغيرة ومتوسطة استخدام ثلاثة محاور أم خمسة؟» و«ما متطلبات المصنع التي يجب تجهيزها قبل إدخال مركز تشغيل ذي 5 محاور؟». تظهر هذه الأسئلة بعد أن تتضح حاجة المشتري.
- طبقة المقارنة: «ما أبرز العلامات التايوانية لمراكز التشغيل خماسية المحاور؟»
- طبقة المواصفات: «ما سرعة دوران المغزل المناسبة للقطع عالي السرعة في المواد الصلبة؟» و«ماذا تعني دقة ±0.005 mm في الاستخدام الفعلي؟». يطرح المشتري هذه الأسئلة الفنية عند تدقيق المواصفات.
في المقابل، لم يكن الموقع الأصلي يجيب إلا عن جزء محدود من هذه الطبقات، وكانت الإجابات مدفونة داخل كتيب بصيغة PDF لا يستطيع AI قراءته جيدًا. أما طبقتا السيناريو والمقارنة، وهما أول ما يُسأل عنه AI وأكثره تكرارًا، فكانتا غائبتين تمامًا. وهذا هو السبب الهيكلي وراء معدل الاستشهاد الصفري.
ثلاث خطوات حرّكت معدل الاستشهاد خلال 90 يومًا
لم نغيّر مئة عنصر دفعة واحدة. بدأنا بأهم ثلاث خطوات، وربطنا كل واحدة منها مباشرة بقائمة الأسئلة.
أولًا: إعادة صياغة الإجابات لتناسب AI
عالجنا كل سؤال ضمن طبقتي السيناريو والمقارنة في فقرة من 80-150 كلمة تبدأ بالخلاصة، ثم وضعناها كنص مباشر في صفحة الويب المناسبة، لا داخل نموذج أو مقطع فيديو. لم يكن الهدف كتابة محتوى أطول، بل جعل كل إجابة مستقلة: توضح فكرة واحدة، ولا تعتمد على سياق سابق، ولا تختبئ داخل صورة. كما حافظنا على الصراحة في محتوى المقارنات؛ فعندما أوضحنا أن معدات Sunrise تتفوق في بعض التطبيقات الأكثر تطلبًا، أصبح AI أكثر استعدادًا لذكر الشركة بوصفها «خيارًا مرتفع السعر».
ثانيًا: استكمال البيانات المنظمة والحقائق القابلة للتحقق
يحاول AI التحقق من موثوقية المصدر قبل الاستشهاد به. لذلك نظّمنا مواصفات المنتجات والشهادات وحالات الاستخدام الفعلية في صورة بيانات منظمة، وأبرزنا بوضوح الحقائق القابلة للتحقق داخل الصفحة، مثل أرقام الدقة والمواد المناسبة ونطاقات أحجام التشغيل. وحذفنا العبارات التسويقية الفضفاضة، مثل «جودة رائدة»، واستبدلنا بها أرقامًا محددة. يفضّل محرك AI المحتوى الذي يسهل التحقق منه، وكانت هذه الخطوة الأسرع أثرًا في استعادة معدل الاستشهاد لأسئلة المواصفات.
ثالثًا: مراقبة ظهور العلامة في AI أسبوعيًا، والتركيز على الصفحات المستشهد بها
استخدمنا نظام مراقبة ظهور العلامة في AI لتشغيل المجموعة نفسها المكوّنة من 38 سؤالًا كل أسبوع. ووثّقنا الأسئلة التي بدأت العلامة تظهر في إجاباتها، وموقعها داخل الإجابة، وما إذا كان AI يرفق رابطًا. هكذا توقف الفريق عن تعديل المحتوى بالحدس: فالصفحة التي دخلت إجابات AI تُعزّز، بينما تُستكمل الصفحة أو الفقرة التي ما زالت غائبة. تعتمد سرعة التحسين في GEO على سرعة رؤية أثر التغييرات، وهذا أكثر فائدة من مراجعة Google Analytics مرة واحدة أسبوعيًا.
وقال مدير المبيعات في الشركة: «كنت أشعر سابقًا أن ما أكتبه يُلقى في ثقب أسود. أما الآن فأرى كل أسبوع ما التقطه AI وما لم يلتقطه بعد». عندها فقط أصبح الفريق يعرف خطوته التالية.
النتائج بعد 90 يومًا
عند إعادة الاختبار المرجعي بعد 90 يومًا، وصل معدل استشهاد AI بالعلامة إلى 34 بالمئة عبر 38 سؤال شراء. وجاء أفضل أداء في الأسئلة الأكثر تعقيدًا، لأنها كانت الطبقة التي استكملنا محتواها بأكبر قدر. وظهر أثر جانبي إيجابي تمثل في ارتفاع محدود بحركة البحث العضوي إلى الموقع الرسمي؛ فالمحتوى القابل للاستخلاص بواسطة AI يكون عادة أكثر توافقًا أيضًا مع نية البحث التقليدية. والأهم ظهور إشارة تجارية مباشرة: قال مشترٍ دولي في أول مكالمة «رأيت AI يوصي بكم»، وهو أمر لم يحدث قبل 90 يومًا.
كيف تطبق المنهج نفسه؟
إذا كنت تعمل في التصنيع أو تقدم حلول B2B SaaS وتريد معرفة معدل استشهاد AI بعلامتك حاليًا، فالبداية بسيطة: أعد قائمة تضم من 30 إلى 40 سؤالًا حقيقيًا قد يوجهه عملاؤك إلى AI، ثم اطرحها على ChatGPT وPerplexity وقارن عدد مرات ظهور العلامة. تشعر معظم الشركات بعدم الارتياح عندما ترى انخفاض النتيجة في الاختبار الأول، لكن هنا تكمن الفرصة؛ لأن غالبية المنافسين لم تسد هذه الفجوة بعد.
إذا أردت اختصار الطريق، يمكنك حجز جلسة تشخيص GEO مباشرة لمدة 30 دقيقة. سنساعدك بالطريقة نفسها على قياس خط الأساس الحالي للاستشهاد بعلامتك وتحديد أهم الفجوات، لتعرف ما الخطوات الثلاث التي ينبغي تنفيذها أولًا خلال 90 يومًا.
