يزحف Google أولًا إلى الموقع بالكامل، ويبني فهرسًا، ثم يقارن الترتيب عند إجراء المستخدم عملية بحث. أما وكلاء الذكاء الاصطناعي فلا تعمل بهذه الطريقة. فعند تلقي السؤال، تحدد في حينه الكلمات المفتاحية التي ستبحث عنها والصفحات التي ستجلبها، ثم تقرأ المحتوى وتبني الإجابة لحظيًا. ويتوقف إدراج محتواك في الإجابة على ثلاثة عناصر: MCP، واستدعاءات الأدوات، والطريقة التي يصل بها البحث القائم على الوكلاء إلى المحتوى.
لهذا التحول كلفة ملموسة. ففي نتائج البحث التقليدية، قد ينقر بعض المستخدمين حتى على النتيجة الثامنة؛ أما عمليات البحث بالوكالة فعادةً لا تقرأ سوى خمس إلى عشر صفحات في كل مرة، ولا تواصل التصفح بعد ذلك. الصفحة التي لم تُقرأ لن تحصل على فرصة ثانية، ولن تظهر ضمن الاستشهادات. لذلك لم يعد السؤال: "ما ترتيبي؟" بل أصبح: "هل تستطيع الآلة قراءة صفحتي لحظة الحاجة إليها واستيعابها بوضوح؟"
البحث القائم على الوكلاء: الإجابة تُبنى لحظة طرح السؤال
تتشابه الآليات الأساسية لدى Perplexity وبحث ChatGPT وClaude ونماذج الذكاء الاصطناعي من Google. عندما يطرح المستخدم سؤالًا، يقسّمه الوكيل أولًا إلى عدة استعلامات فرعية ويبحث عن كل منها على حدة. وبعد جمع مجموعة من الروابط، يختار عددًا محدودًا من الصفحات ويقرأ نصوصها فعليًا، ثم يدمج ما قرأه في إجابة مرفقة بالمصادر. الفارق الحاسم هنا هو التوقيت: فالوكيل يقرأ النص الذي جلبه في تلك اللحظة، لا نسخة مخزنة في فهرس يعود إلى بضعة أشهر. إذا عدّلت صفحة بالأمس، فقد يُستشهد بها اليوم ما دام من الممكن جلبها وقراءتها بوضوح. وعلى العكس، قد تحتل صفحة مرتبة متقدمة جدًا، لكن نتيجة استرجاعها تكون فارغة. وإذا عجز الوكيل عن قراءتها، فهي بالنسبة إليه غير موجودة.
MCP: الموصل الموحّد بين الذكاء الاصطناعي وبياناتك
MCP هو اختصار لـ Model Context Protocol، وهو بروتوكول مفتوح أطلقته Anthropic في نهاية 2024، ثم توالى دعمه من OpenAI وGoogle وغيرهما. ويعالج مشكلة واضحة: في السابق، كان على كل تطبيق ذكاء اصطناعي يريد الاتصال بمصدر بيانات خارجي أن يطوّر تكاملاته الخاصة، ما يرفع التكلفة ويصعّب الصيانة. جاء MCP لتوحيد هذه العملية. ويمكن تشبيه دوره بدور USB-C بين الأجهزة المختلفة: واجهة واحدة قابلة للاستخدام في كل مكان. فعند إعداد خادم MCP، يمكنك تغليف البيانات والوظائف بتنسيق معياري يستطيع أي وكيل يدعم MCP الاتصال به والاستعلام منه.
يفتح MCP أمام العلامات التجارية مسارًا لم يكن متاحًا من قبل. فالبيانات المتغيرة التي تتطلب دقة عالية، مثل كتالوجات المنتجات والأسعار اللحظية والمخزون والوثائق التقنية، يمكن إتاحتها مباشرةً للوكيل للاستعلام عبر خادم MCP. وهكذا يقرأ الوكيل مصادرك المعتمدة بدلًا من تخمين ما كُتب في صفحة ما أو الاستشهاد بمقال قديم نُشر قبل ثلاثة أشهر. وعندما يسأل مستخدم داخل منصة ذكاء اصطناعي: "هل يدعم هذا الحل وظيفة معينة؟"، يمكن أن تأتي الإجابة مباشرةً من البيانات التي تديرها، من دون المرور بسلسلة من المصادر الوسيطة.
استدعاء الأدوات: عندما يتجه الوكيل فعليًا إلى جلب المحتوى
نموذج اللغة نفسه غير متصل بالإنترنت، ولا يمكنه تذكّر السعر الذي عدّلته الأسبوع الماضي. هنا يأتي دور استدعاءات الأدوات: يُصدر النموذج طلبًا منظّمًا، مثل "ابحث باستخدام هذه الكلمات المفتاحية" أو "اجلب هذا الرابط URL"، ويرسله إلى نظام خارجي لتنفيذه، ثم يجمع النتائج ويبني منها الإجابة. البحث والزحف إلى صفحات الويب والاستعلام من واجهات API وقراءة خوادم MCP كلها استدعاءات أدوات تعمل خلف الكواليس. وهذا يحسم مسألة جوهرية: لن يدخل محتواك في الإجابة إلا إذا استطاعت الأداة استرجاعه وتحليله بوضوح عند الطلب. فإذا كانت بنية HTML مربكة، أو كان المحتوى الأساسي لا يظهر إلا بعد تحميل JavaScript، أو كانت الحقائق المهمة مكتوبة داخل الصور وحدها، فغالبًا ما تسترجع الأداة صفحة فارغة.
ثلاثة مستويات تجعل محتوى علامتك التجارية قابلًا للاستدعاء
كي يدخل محتواك في إجابات الذكاء الاصطناعي، يجب أن يجتاز ثلاثة مستويات في آن واحد. تركز معظم العلامات التجارية على المستوى الأول، أي ما يراه الإنسان، وتترك المستويين الأخيرين شبه فارغين.
- قابل للزحف: اعرض المحتوى الأساسي من جهة الخادم، ولا تجعله ينتظر تحميل JavaScript كي يظهر. يتيح HTML الدلالي، والتدرج الواضح للعناوين، وعناوين URL الثابتة التي لا تعيد التوجيه باستمرار، لبرامج الزحف الحصول على النص من المحاولة الأولى.
- قابل للتحليل: اكتب الحقائق، مثل السعر والمواصفات والفئات المناسبة والأسئلة الشائعة، كنص واضح، وأضف ترميز البيانات المنظّمة من Schema.org (FAQPage وHowTo وProduct)، حتى تفهم الآلة موضوع كل فقرة من دون تخمين.
- قابل للاتصال: للاستعلامات المتكررة واللحظية، مثل الأسعار والمخزون والوثائق، فكّر في إتاحة واجهة API أو إنشاء خادم MCP خاص بك، حتى يقرأ الوكيل مباشرةً البيانات المعتمدة التي تديرها بدلًا من التقاط نسخة ثابتة من الصفحة.
أين تتعثر معظم العلامات التجارية اليوم؟
الفجوة الشائعة لا تكمن في ضعف المحتوى، بل في كونه مصممًا للعين البشرية وحدها. قد تبدو الصفحة جيدة للمستخدم، لكن ما تسترجعه الأداة ليس سوى حزمة من JavaScript تنتظر التنفيذ؛ وقد تكون المواصفات الأساسية مدفونة في ملف PDF أو نموذج تفاعلي؛ وقد يخلو الموقع كله من البيانات المنظّمة؛ وربما لا تظهر إجابة سؤال بسيط إلا بعد التنقل عبر قائمة متفرعة إلى ثلاثة مستويات في الموقع الرسمي. لن يصبر الوكيل حتى يرافقك عبر كل هذه النقرات، بل سيستشهد بمقال لدى منافس يشرح المسألة بوضوح في فقرة واحدة. والنتيجة أن بنية محتواك نفسها تستبعد علامتك من النقاش الدائر حول فئتك. وإذا أردت معرفة ما إذا كان الذكاء الاصطناعي يذكرك الآن، ومن هي المصادر التي يستشهد بها، فيمكن لأداة تتبع الظهور مثل Brand Radar أن تحوّل هذه الفجوة إلى بيانات قابلة للقياس.
ابدأ بضمان حضورك في الإجابة
لا يمكنك تحسين فجوة لا تراها. قبل أن تبدأ، اطرح على نفسك ثلاثة أسئلة: عندما تسأل Perplexity أو ChatGPT أكثر الأسئلة شيوعًا حول فئتك، هل تتضمن الإجابة علامتك التجارية؟ هل الرابط المرجعي يقود إلى صفحتك أم إلى موقع آخر؟ وهل تستطيع الآلة قراءة أهم الحقائق لديك؟ إذا أخفقت في الإجابة عن سؤال واحد منها، فهناك فجوة محددة في ظهورك ضمن البحث القائم على الوكلاء. وإذا أردت اكتشاف هذه الفجوات بصورة منهجية وترتيب إصلاحها حسب الأولوية، يمكنك حجز جلسة تشخيص GEO مدتها 30 دقيقة عبر (/contact)، لنرى كيف يبدو محتواك من منظور الذكاء الاصطناعي.
