تبذل معظم الفرق التي تبني استراتيجية للوعي بالعلامة التجارية في البحث المدعوم بالذكاء الاصطناعي جهودها على الرافعة الأصغر. فقد كشفت دراسة أجريت على مدار ثمانية أشهر وشملت 30 علامة تجارية في ست فئات أن ما يقرب من 63% من ظهور العلامات التجارية في نماذج اللغات الكبيرة (LLM) يأتي من القيمة طويلة المدى للعلامة التجارية والمدمجة بالفعل في بيانات التدريب. بينما يأتي 22% آخر من الأنشطة التسويقية الأوسع نطاقاً. أما الاستشهادات المرجعية فلا تمثل سوى 11%. وإذا كانت خطتك الحالية للظهور عبر الذكاء الاصطناعي تركز في المقام الأول على بناء الاستشهادات المرجعية، فأنت بذلك تقوم بتحسين الجزء الأصغر من الكعكة.
عندما ترى غياب علامتك التجارية عن الإجابات التي يولدها الذكاء الاصطناعي، ترغب في الحصول على إشارة إليها، وبالتالي تسعى وراء الروابط والظهور المنظم (structured placements). ولكن البيانات تظهر أن الأنشطة التسويقية الأوسع نطاقاً تتمتع بضعف التأثير تقريباً على الظهور في نماذج اللغات الكبيرة (LLM) مقارنة ببناء الاستشهادات المرجعية. وبالتالي، فإن توزيع الجهود في معظم المؤسسات ينعكس تماماً بشكل عكسي مقارنة بالروافع الفعلية.
بالنسبة لشركات الـ B2B في دولة الإمارات العربية المتحدة، فإن هذه التداعيات تبدو أكثر وضوحاً وحسماً. فمعظمها الشركات هي شركات منافسة وليست شركات مهيمنة راسخة. ترث الشركات المهيمنة تاريخها في مخرجات الذكاء الاصطناعي (حيث تندمج عقود من التغطية الصحفية، والمحتوى المفهرس، والارتباط بالفئة في فهم النموذج لمن هو أهم). لا تملك الشركات المنافسة هذه الرفاهية، ولكنها تمتلك فرصة حقيقية وهي نسبة الـ 22% التي يمكن التحكم فيها بالفعل. والسؤال هنا هو ما إذا كانت استراتيجيتك موجهة نحوها بالفعل.
الـ 63% التي لا يمكن تصنيعها. إن غالبية ظهور علامتك التجارية في منصات الذكاء الاصطناعي هي مؤشر متأخر لقوة العلامة التجارية التاريخية. لقد تم تدريب نماذج اللغات الكبيرة (LLMs) على الويب كما كان موجوداً بالفعل، ونتيجة لذلك، فإن العلامات التجارية التي هيمنت بالفعل، وحصدت التغطيات الإعلامية، والتغطية الموثوقة على مر السنين، أصبحت أكثر ظهوراً من الناحية الهيكلية في مخرجات الذكاء الاصطناعي. يوضح تحليل INSEAD ذلك بصراحة: فالشركات المهيمنة مثل Tesla أو BMW تحافظ على حضور قوي في مخرجات الذكاء الاصطناعي لأن سنوات من المحتوى المحدد الذي يركز على الميزات والخصائص هو بالضبط ما تقدره نماذج اللغات. لا يوجد طريق مختصر للوصول إلى هذه الطبقة، ولا يمكنك بناء بيانات التدريب بأثر رجعي.
وما يعنيه هذا من الناحية العملية هو أنه بالنسبة للعلامات التجارية، فإن الظهور في منصات الذكاء الاصطناعي يمثل جزئياً مشكلة ديون متراكمة. فالفجوة التي تراها في مخرجات الذكاء الاصطناعي اليوم تعكس ضعف الاستثمار في بناء العلامة التجارية على مدى السنوات العديدة الماضية، وليست فشلاً تقنياً يمكنك إصلاحه باستخدام البيانات المنظمة (schema markup) في الربع القادم. هذا التمييز مهم تجارياً، لأنه يغير الجدول الزمني والمهام المطلوبة. الـ 63% هي اللعبة طويلة الأجل، والـ 22% هي المكان الذي يجب أن تركز عليه الآن.
تمثل الـ 22% الأنشطة التسويقية ذات النطاق الواسع: وهي المصادر التي تعتمد عليها نماذج اللغات الكبيرة (LLMs) بشكل كبير وبنسبة غير متكافئة عند صياغة الإجابات. وبناءً على كيفية تدريب النماذج الحالية والمنصات التي تعطيها وزناً إضافياً، فإن هذا يعني Reddit ومنصات المحتوى الذي ينشئه المستخدمون (UGC) ذات المؤشرات القوية، ومنصات التقييمات، وYouTube، والعلاقات العامة، والإشارات التحريرية في المنشورات المرموقة. وتتطلب هذه القنوات حضوراً مستداماً في الأماكن التي تدور فيها نقاشات حقيقية حول الفئة المستهدفة، وليس مجرد حملة تسويقية لمرة واحدة.
يندرج المحتوى المملوك المنظم والموثوق أيضاً تحت هذه الفئة. تساعد مبادئ E-E-A-T (الخبرة، والتخصص، والموثوقية، والمصداقية) والبيانات المنظمة (schema markup) النماذج على استخراج محتواك ونسبه إليك بشكل صحيح. إن مقولة "الـ SEO الجيد هو GEO جيد" لا تزال قائمة: فأسس جعل المحتوى واضحاً، وموثوقاً، ومنظماً بشكل جيد، ومنسوباً بشكل صحيح لم تتغير جوهرياً عندما تحول الاختصار من SEO إلى AEO ثم إلى GEO أو LLMO. ما تغير هو أن التسامح مع المحتوى الضعيف أو الغامض قد انخفض إلى الصفر تقريباً. فنماذج الذكاء الاصطناعي لا ترحم المحتوى الذي يتردد في طرح ادعاءاته أو يدفن خبرته وراء لغة تسويقية مبهمة.
تستحق قنوات أعلى القمع التسويقي (Upper-funnel) والإعلانات المدفوعة إعادة صياغة لمنظورها هنا. فالوصول السلبي لا يولد نوع الإشارات التي تستمد منها نماذج اللغات الكبيرة (LLMs) بياناتها. ما يهم هو ما إذا كانت علامتك التجارية تثير نقاشاً حقيقياً في الأماكن التي تقرأ فيها النماذج. ففيديو YouTube الذي يحظى بتفاعل كبير وتعليقات نشطة يعد أكثر فائدة لظهورك في منصات الذكاء الاصطناعي من حملة إعلانات تحقق مشاهدات عالية دون أي مناقشات لاحقة. كما أن نقاشاً على منصة Reddit يتم فيه مقارنة منتجك، ومناقشته، والتوصية به يحمل وزناً أكبر بكثير من إدراج محتوى برعاية لا يولد أي ردود فعل.
يعني هذا تصميم حملات تكون فيها القدرة على إثارة النقاش هدفاً صريحاً إلى جانب الوصول الجماهيري، وليس التخلي عن وسائل الإعلام المدفوعة. إن شراكات صناع المحتوى التي تحفز النقاش، والمشاركة المجتمعية بدلاً من البث أحادي الاتجاه عبر وسائل التواصل الاجتماعي، والعلاقات العامة التي تولد تعليقات تحريرية بدلاً من مجرد إعادة نشر البيانات الصحفية؛ هي الأساليب التي تتراكم لتتحول إلى ظهور متميز في منصات الذكاء الاصطناعي بمرور الوقت.
عندما يتلقى نموذج الذكاء الاصطناعي استفساراً، فإنه يقوم بتوسيعه دلالياً قبل الإجابة، حيث يدمج الموضوعات الفرعية ذات الصلة، والأسئلة المجاورة، وسياق الفئة. وإذا كانت علامتك التجارية متواجدة فقط عند مستوى الكلمة الرئيسية الرئيسية، فستكون غير مرئية في معظم المجالات التي يبحث فيها النموذج بالفعل. النتيجة العملية: حدد خريطة الاستفسارات الفرعية حول فئتك الأساسية من خلال تحليل نتائج قسم "الأسئلة الشائعة" (People Also Ask)، وعمليات البحث ذات الصلة، وهياكل النقاشات في المنتديات. ثم قم بتهيئة علاقاتك العامة، ومحتوى المؤثرين، والتقويم التحريري لتظهر علامتك التجارية عبر تلك المناقشات المجاورة، وليس فقط الكلمات المفتاحية الواضحة.
بالنسبة لشركة منافسة في قطاع الـ B2B، ولنفترض أنها تعمل في خدمات الرعاية الصحية أو تكنولوجيا التصنيع، قد يعني هذا بناء حضور مرئي في النقاشات حول الامتثال التنظيمي، أو معايير المشتريات، أو معايير الشهادات الإقليمية، أو تحديات التنفيذ: وهي البيئة المحيطة التي يفكر فيها المشترون بالفعل قبل اتخاذ قرار الشراء. هذا الحضور المحيطي هو ما ينقل العلامة التجارية من حالة الغياب إلى أن تصبح مرجعاً ومشاراً إليها في الإجابات التي يولدها الذكاء الاصطناعي.
تعتمد بيانات تدريب نماذج اللغات الكبيرة (LLM) بشكل ساحق على اللغة الإنجليزية وتتركز حول الولايات المتحدة. كما تهيمن الأسواق الناطقة باللغة الإنجليزية على زيارات هذه النماذج الموجهة للمستهلكين، مما يعني أن العلامات التجارية التي تعمل بشكل أساسي باللغة العربية أو الماندرين أو اللغات الإقليمية الأخرى تحمل بطبيعتها قيمة أقل في النماذج الأساسية بشكل تلقائي.
وهذا ما يجعل الـ 22% القابلة للتحكم بالغة الأهمية وبشكل غير متناسب للعلامات التجارية الإقليمية. إن العلاقات العامة باللغة الإنجليزية في المنشورات المفهرسة عالمياً، والمشاركة في المنتديات الصناعية الدولية، والتقييمات على المنصات المتاحة عالمياً، والمحتوى المنظم الذي يربط العلامة التجارية بوضوح بمصطلحات الفئة باللغة الإنجليزية؛ هي الآليات الأساسية لسد فجوة التمثيل للشركات المنافسة في منطقتي منطقة آسيا والمحيط الهادئ و الشرق الأوسط، وليست مجرد ميزة إضافية. وسوف تضاعف العلامات التجارية في هذه المنطقة التي تستثمر بالفعل في هذا الجانب من تفوقها. أما الشركات التي تنتظر دليلاً إرشادياً إقليمياً فقد تجد أن الفرصة قد ضاقت بحلول الوقت الذي تبدأ فيه بالتحرك.
إن الإطار الذي اكتسب زخماً واسعاً هو حصة النموذج (Share of Model)، وهو البديل لعصر الذكاء الاصطناعي لحصة الصوت (Share of Voice) وحصة البحث (Share of Search). ويعرّفه بحث INSEAD نفسه بأنه وسيلة لقياس كيفية إدراك نماذج اللغات الكبيرة (LLMs) المختلفة للعلامة التجارية والتوصية بها مقارنة بفئتها. YouGov كشفت أبحاث أن ثلثي الشباب الذين تتراوح أعمارهم بين 18 و24 عاماً يسألون بالفعل نماذج الذكاء الاصطناعي للحصول على توصيات بشأن العلامات التجارية. وبالنسبة للشركات التي تبحث عن الموردين، يتطور هذا النمط بسرعة مماثلة.
إن نقطة القياس لا تقل أهمية عن الجانب الاستراتيجي. فالظهور في نماذج اللغات الكبيرة (LLM) مستقر نسبياً من شهر لآخر، مما يعني أنه يكافئ الاستثمار المستدام بدلاً من الطفرات التكتيكية المؤقتة. والأهم من ذلك، وجدت نفس الدراسة أنه في ثلاث من أصل أربع حالات، حققت الزيارات المحالة من نماذج اللغات الكبيرة (LLM) إيرادات أعلى لكل زيارة مقارنة بزيارات البحث علي قوقل (organic search). ويعكس هذا نية الشراء الحقيقية لدى المشتري: فالمستخدمون الذين يصلون عبر الإجابات التي يولدها الذكاء الاصطناعي يكونون قد قطعوا شوطاً أطول في عملية اتخاذ القرار وهم أقرب إلى اتخاذ قرار الشراء بالمقارنة بحركة مرور البحث التقليدية. وهنا تظهر الجدوى التجارية للاستثمار؛ من خلال بناء إطار قياس يرصد هذا الجانب، ويتتبع كيف تظهر العلامة التجارية في محركات الذكاء الصناعي.
هذا هو العمل الذي تقدمه Oxygen لعملائها بشكل مباشر: تدقيق وتحسين الظهور في نماذج اللغات الكبيرة (LLM) المرتبط بنتائج أعمال قابلة للقياس، وليس مجرد تتبع الحضور. ويأتي التدقيق في المقام الأول لأن معظم المؤسسات ليس لديها صورة دقيقة عن كيفية ظهور علاماتها التجارية في مخرجات الذكاء الاصطناعي اليوم، مما يعني أن الاستراتيجية تُبنى على الافتراضات بدلاً من البيانات.
إن العلامات التجارية التي ستتصدر مشهد الظهور في منصات الذكاء الاصطناعي على مدى السنوات الثلاث المقبلة هي تلك التي تبني قوة حقيقية لعلامتها التجارية في المصادر التي تثق بها النماذج، وتحافظ على حضورها عبر كامل النطاق الدلالي لفئتها، وتقيس النتائج من حيث الإيرادات بدلاً من عدد مرات الإشارة، وليست تلك التي تلاحق خوارزميات الاستشهادات. فالروافع الهامة (مثل قيمة العلامة التجارية، والحضور في المصادر الموثوقة، وسلطة المحتوى المنظم) تدوم وتتجاوز أي تحديث فردي للنماذج أو دورة اختصارات جديدة. ابنِ استراتيجيتك استناداً إلى هذه الروافع، وسيلي ذلك الظهور التلقائي في منصات الذكاء الاصطناعي.