الملخص التنفيذي
نطاق البحث: تركّز هذه الدراسة على البحث التوليدي وآليات الاستشهاد في الذكاء الاصطناعي. سؤال البحث: لماذا يمكن العثور على بعض المحتويات بواسطة محركات البحث التقليدية، بينما تكون "غير مرئية بحكم الأمر الواقع" في الإجابات التي يولّدها ChatGPT Search أو Perplexity أو Gemini أو Google AI Overviews؟
النتيجة 1｜طريقة تعامل أنظمة الذكاء الاصطناعي مع صفحات الويب هي "الاستخلاص" وليست "القراءة الشاملة". الشرح: قبل توليد الإجابة، يقتطع نموذج اللغة الكبير عادةً جزءًا قصيرًا من صفحات الويب أو من أجزاء المعرفة المسترجعة، بحيث يتطابق بدرجة كبيرة مع السؤال. وتشير ملاحظات المختصين في هذا المجال إلى أنه إذا كانت صفحة المنتج تحتوي على العنوان والسعر والصور فقط، دون وصف منظّم قادر على الإجابة عن الأسئلة، فقد تكون هذه الصفحة شبه معدومة من منظور نموذج اللغة الكبير. وهذا الحكم يعد ملاحظة من ملاحظات المختصين، ويتوافق الاستنتاج مع آلية استرجاع RAG.
النتيجة 2｜"الظهور في البحث التقليدي" لم يعد يعني، بشكل متزايد، "الاستشهاد به" في إجابات الذكاء الاصطناعي. الشرح: يتعامل البحث التقليدي مع صفحة الويب كوحدة أساسية وعلاقات الروابط كأوزان؛ أما البحث التوليدي فيتعامل مع أجزاء المعلومات كوحدة أساسية، وتكمن قيمته في ما إذا كانت هذه الأجزاء تدخل في الإجابة. وحتى إذا كانت صفحة الويب ظاهرة في نتائج البحث التقليدي، فليس من المؤكد أن يختارها نظام الذكاء الاصطناعي ليدرجها في سياق التوليد.
النتيجة 3｜أصبحت جاهزية الاستشهاد (Citation Readiness) شرطًا جديدًا للظهور. الشرح: عند اختيار المصادر، يراعي الذكاء الاصطناعي قابلية استخلاص المحتوى، ومصداقية المصدر، واكتمال المعلومات، واتساق الكيان، والتحقق الخارجي. والصفحات التي تفتقر إلى هذه الشروط قد يُزحف إليها، ومع ذلك قد يجري استبعادها في مرحلة التوليد.
النتيجة 4｜"أن يُبحث عن المحتوى دون أن يُفهم" هو فجوة مستقلة في الظهور ضمن نتائج الذكاء الاصطناعي. الشرح: يتطلب التعرف على الكيانات أن يعرف النظام أي علامة تجارية أو منتج أو شخص أو مؤسسة تصفه الصفحة. وعندما تفتقر الصفحة إلى نقاط ارتكاز واضحة للكيان وبنية سمات واضحة، لا يمكن للذكاء الاصطناعي ربط الصفحة بمعلومات أخرى.
النتيجة 5｜ما يغيّره البحث القائم على الذكاء الاصطناعي ليس كمية المعلومات، بل آلية اختيار المعلومات. الشرح: لم تُلغَ المعلومات، بل تُعرض على المستخدم بعد أن تمر بشكل متزايد عبر استخلاص الذكاء الاصطناعي والتحقق منها وإعادة صياغتها. ورغم أن شفافية هذه العملية لا تزال غير مكتملة، إلا أنها أصبحت جزءًا من البنية التحتية للمعلومات.
خلفية البحث
تقوم آلية اكتشاف المعلومات في البحث التقليدي على مسار "الاستعلام — قائمة صفحات الويب — نقرة المستخدم". يحدد ترتيب صفحات الويب بوابة المعلومات، وبعد أن يفتح المستخدم المحتوى، يحكم بنفسه على مدى ملاءمته. وفي هذا النظام، فإن "الموقع في نتائج البحث" يكاد يعادل "الظهور".البحث التوليدي يكسر هذا المسار. لم يعد النظام يقتصر على إرجاع الروابط، بل بعد استرجاعه لعدة مصادر يُولّد محتوى يتضمن استشهادات. أطلقت Google ميزتي "AI Overviews" و"وضع الذكاء الاصطناعي"، ويجمع ChatGPT وPerplexity بين نتائج البحث والإجابات باللغة الطبيعية، بينما يعتمد Gemini وCopilot على التوليد المعزز بالاسترجاع للوصول إلى المعلومات اللحظية. ورغم اختلاف طريقة تقديم هذه المداخل، فإنها جميعًا تشترك في آلية معالجة المعلومات نفسها: البحث أولًا عن فقرات مرشحة، ثم تحويل الأجزاء المرشحة إلى إجابات.
لذلك، بدأت طريقة قراءة أنظمة البحث لصفحات الويب تتغير. يمكن للقارئ البشري تكوين انطباع من لغة تسويقية غير منظمة، أما أنظمة الذكاء الاصطناعي فتميل إلى "استخلاص" مواد إجابة صالحة للاستخدام من معلومات قصيرة وجازمة وواضحة البنية. يحوّل البحث التوليدي صفحة الويب من "وجهة يجب زيارتها" إلى "مصدر لإجابات مرشحة".
مشهد البحث بالذكاء الاصطناعي الحالي
يتميز النظام البيئي الحالي للبحث بالذكاء الاصطناعي بملامح رئيسية.
أولًا: تنوع المداخل. يمكن للمستخدم طرح السؤال نفسه في مربع البحث التقليدي، أو واجهة الدردشة، أو مساعد المتصفح، أو بحث وسائل التواصل الاجتماعي، أو حتى التطبيقات المؤسسية. والنماذج واستراتيجيات الاسترجاع خلف هذه المداخل المختلفة ليست متطابقة تمامًا، لكنها قد تستشهد جميعًا بصفحة ويب خارجية مشتركة عندما تُرجع الإجابة.
ثانيًا: تقارب الأنظمة. سواء تعلق الأمر بقدرة التصفح في ChatGPT Search، أو "AI Overviews" من Google التي تقدم "ملخص الذكاء الاصطناعي + رابط المصدر"، أو "البحث أولًا ثم الإجابة" في Perplexity، أو "الاتصال بالإنترنت + توليد الإجابة" في Copilot، فإن البنية التحتية التقنية تقوم أساسًا على التوليد المعزز بالاسترجاع. جميعها تمر بهذه السلسلة من المعالجة: Crawler (الزحف)، Index (الفهرسة)، Embedding (التمثيل المتجهي)، Retrieval (الاسترجاع)، Ranking (الترتيب)، Generation (التوليد)، Citation (الاستشهاد).
سلسلة المعالجة هذه هي البنية التحتية لرؤية المعلومات في عصر البحث التوليدي. العلامات التجارية ووسائل الإعلام والمؤسسات، إذا أرادت أن تفهم ما إذا كانت حاضرة في إجابات الذكاء الاصطناعي، فعليها أن تفهم أي خطوة في هذه السلسلة قد تعوق ظهورها.
النتائج البحثية الرئيسية
KF1: انفصال طبقة الاستشهاد عن طبقة الترتيب
الظاهرة: بعض المحتويات تظهر في مراكز متقدمة في نتائج البحث التقليدي، لكن نادرًا ما يُستشهد بها في إجابات الذكاء الاصطناعي؛ وبعض المحتويات الأخرى لا تكون في المراتب العليا لنتائج البحث، غير أنها تصبح مصدر استشهاد في إجابات الذكاء الاصطناعي لأنها تنطوي على قدرة تلخيصية عالية، وكيانات واضحة، ومذكورة بشكل مستقل في وسائل إعلام موثوقة.
الآلية: البحث التقليدي يقيّم مدى صلة صفحة الويب بالكلمة المفتاحية؛ أما أنظمة التوليد بالذكاء الاصطناعي فتحتاج إلى "أجزاء يمكن تضمينها مباشرة في نص الإجابة". ويختلف مستوى التحليل في التقييم بين النظامين.
التأثير: ينبغي أن تنتقل رؤية المعلومات من "الترتيب على مستوى صفحة الويب" إلى "الاستشهاد على مستوى مقطع الإجابة". إن دخول صفحة ما إلى الإجابة يعتمد على ما إذا كانت قادرة على أن تصبح مادة قابلة للاستشهاد بها لسؤال محدد.### KF2: المحتوى القابل للاستخراج فقط هو المؤهل لدخول الإجابة
الظاهرة: صفحة المنتج التي تحتوي فقط على العنوان والسعر والصور هي صفحة طبيعية بالنسبة للمستخدم، لكنها بالنسبة لأنظمة الذكاء الاصطناعي تفتقر إلى نصوص يمكن استخلاصها لشرح خصائص المنتج واستخداماته وفروقاته.
الآلية: في مرحلة RAG، يتم تقسيم المستندات وتضمينها. إذا كانت الصفحة تفتقر إلى وصف واضح للمهمة، أو تعريفات، أو قوائم خصائص، أو جُمل ختامية، يصعب على النظام إقامة روابط بين المصادر الأخرى. وحتى إذا تم استرجاعها إلى السياق، فإنها لا تستطيع القيام بدور الحجة أو الدليل داخل الإجابة.
التأثير: "المقروئية الآلية" للمحتوى لا تتعلق فقط بالبنية على مستوى الكود، بل تعتمد أيضًا على ما إذا كانت الطبقة اللغوية تحتوي على قضايا/افتراضات قابلة للاستخراج والتحقق.
KF3: اتساق الكيان يؤثر على فهم الذكاء الاصطناعي للمنظمة
الظاهرة: عندما تمزج علامة تجارية بين الأسماء ومعلومات التواصل وتصنيفات المنتجات والأوصاف الخاصة بالشركة عبر منصات مختلفة، قد يشكّل نظام الذكاء الاصطناعي فهمًا مجزأً أو خاطئًا في مرحلة التعرف على الكيانات.
الآلية: التعرف على الكيانات يعمل عبر السياق لتأكيد "من هو ماذا". عندما تفتقر المواد التواصلية لمؤسسة ما إلى نقاط ارتكاز هوية متسقة، تتم معالجة معلومات الكيان نفسه بشكل مشتت، مما يضعف مصداقية الاستشهاد.
التأثير: التواصل المؤسسي بحاجة إلى الانتقال من "اتساق السرد الموجّه للجمهور" إلى "اتساق الكيان الموجّه للفهم الآلي". هذه ليست مسألة صياغة نصية، بل مسألة بنية معلوماتية.
KF4: مصداقية الاستشهاد تنبع من قابلية التحقق في المصدر نفسه
الظاهرة: عند توليد معلومات طبية أو مالية أو متعلقة بالمؤسسات، يميل الذكاء الاصطناعي إلى الاستشهاد بصفحات يمكن التحقق منها عبر مصادر مستقلة متعددة.
الآلية: اختيار المصادر يعتمد جزئيًا على ترتيب الاسترجاع، وجزئيًا على مرحلة التحقق. الإشارات الخارجية والسجلات العامة والبيانات الوصفية المنظمة والطوابع الزمنية كلها تشارك في قرار "هل يتم الاستشهاد بهذا المصدر أم لا".
التأثير: لم تعد السلطة/الموثوقية تحددها وصف الذات لموقع الويب الخاص به، بل تحددها شبكة الاستشهادات المكوّنة من مصادر معلومات أخرى وسجلات تنظيمية ومؤسسات مستقلة.
KF5: تتطلب رؤية البحث في الذكاء الاصطناعي الانتقال من "الأصول الصفحية" إلى "الأصول المعرفية"
الظاهرة: تمتلك المؤسسات العديد من الصفحات، لكن القليل فقط من المحتوى يصبح عقدًا معرفية في عالم الذكاء الاصطناعي.
الآلية: البحث التوليدي هو ضغط للمعلومات. المحتوى الذي يُستشهد به غالبًا ما يكون تعريفات أو مواصفات أو مقارنات أو استنتاجات أو شروطًا حدّية قابلة للتلخيص. النصوص التسويقية الطويلة ذات الكثافة المعلوماتية المنخفضة لا يمكن استخلاصها بسهولة كإجابات.
التأثير: تحتاج المؤسسات إلى التمييز داخل أنظمة التواصل بين "محتوى تجريبي" و"محتوى معرفي". الأخير أكثر عرضة للمشاركة في توليد إجابات الذكاء الاصطناعي.
التحليل التقني والنظامي
يمكن تلخيص معالجة المعلومات في الذكاء الاصطناعي في نموذج من سبع مراحل:
Crawler (الزحف) ← Index (الفهرسة) ← Embedding (التضمين) ← Retrieval (الاسترجاع) ← Ranking (الترتيب) ← Generation (التوليد) ← Citation (الاستشهاد)في هذا النموذج، تكون "جودة الصفحة" التقليدية مجرد نقطة البداية. يحدد الزاحف (Crawler) ما إذا كان يمكن قراءة المحتوى؛ ويحدد الفهرس (Index) ما إذا كان هناك موضع مستقر؛ ويحوّل التضمين (Embedding) النص إلى تمثيلات متجهية قابلة للمقارنة؛ ويحدد الاسترجاع (Retrieval) المرشحات التي يتم استخراجها لسؤال معين؛ ويحدد الترتيب (Ranking) الأولويات بين المرشحين؛ ويجمع التوليد (Generation) أجزاء متعددة لتكوين إجابة؛ ويحدد الاقتباس (Citation) مدخل المستخدم الذي يُعرض في النهاية.
ما يجب تمييزه هو أن التضمين (Embedding) يتعامل مع "التشابه الدلالي" ولا يتعامل مع "الصحة الواقعية". إن ما إذا كان المحتوى موثوقًا به يحتاج إلى معالجته في المراحل النهائية بواسطة نموذج اللغة الكبير عبر قيود المصدر والتحقق المتبادل. ولهذا السبب تعتبر آلية اقتباس الذكاء الاصطناعي بالغة الأهمية: فَالاقتباس ليس مجرد إشارة مهذبة، بل هو وسيلة يتحمل بها نظام التوليد المسؤولية تجاه العالم الخارجي. عندما يُضاف مصدر إلى الاقتباسات، يكون النظام قد أدرج ذلك المحتوى ضمن مجموعته من "القطع المسؤولة عنها".
تعريف المفهوم: قابلية استخراج الإجابة (Answer Extractability)
تشير قابلية استخراج الإجابة إلى ما إذا كانت المعلومات في صفحة ويب تسمح لنظام الذكاء الاصطناعي باستخراج فقرة معينة بشكل مستقل من سياقها الأصلي واستخدامها مباشرة للإجابة على سؤال المستخدم. مقارنةً بـ"ارتباط الكلمات المفتاحية" في البحث التقليدي، تركز قابلية الاستخراج بشكل أكبر على البنية القضوية للمحتوى، وحدود الكيانات، والاكتفاء الذاتي السياقي، وقابلية التحقق.
على هذا الأساس، نقترح نموذج تكوين رؤية الذكاء الاصطناعي (AI Visibility Formation Model):
إنشاء المعلومات (Information Creation) ← فهم الآلة (Machine Understanding) ← التحقق من المصدر (Source Validation) ← استرجاع الذكاء الاصطناعي (AI Retrieval) ← اقتباس الإجابة (Answer Citation) ← إدراك العلامة التجارية (Brand Recognition)
يحاول هذا النموذج تفسير: لماذا يتم العثور على علامة تجارية عبر البحث، ومع ذلك لا تظهر في إجابات الذكاء الاصطناعي؟ وما خلف ذلك هو عملية انتقال المعلومات من "المحتوى القابل للقراءة البشرية" إلى "المعرفة القابلة للقرار الآلي". فقط عندما يتم التعبير عن العلامة التجارية بشكل صحيح في كل مرحلة، سيتم في النهاية الاستشهاد بها ككيان مستقر من قبل الذكاء الاصطناعي.
من الملاحظات المهمة في الصناعة من High Voltage SEO: إن نماذج اللغة الكبيرة لا تقرأ مواقع الويب مثل البشر، بل "تستخرج". إذا كانت صفحة المنتج تحتوي فقط على عنوان وسعر وصور، دون سياق أو بنية أو محتوى قابل للإجابة، فقد تكون تلك الصفحة بمثابة غير موجودة بالنسبة إلى ChatGPT وPerplexity وGoogle AI Overviews. هذه الملاحظة تتمتع بقدرة تفسيرية معينة في أنظمة استرجاع الذكاء الاصطناعي على مستوى الإنتاج، ويمكن أن توفر مدخلًا دقيقًا للأبحاث اللاحقة.فريق العلامة التجارية: يحتاج إلى تقييم ما إذا كانت العلامة التجارية تُعرَف ككيان موحّد من قبل الذكاء الاصطناعي. إذا كانت أوصاف وسائل الإعلام والموقع الرسمي غير متسقة، فستنقسم العلامة التجارية في الطبقة المعرفية.
فريق التواصل: ينبغي أن يركّز على ما إذا كان المحتوى يمكن للجهات الخارجية وأنظمة الذكاء الاصطناعي التعرف عليه دون المرور عبر الترويج الذاتي للعلامة التجارية. فائتمان الاقتباس يأتي من الآخرين، وليس من التوصيف الذاتي.
العلاقات الإعلامية: التقارير الخارجية، وبيانات الأخبار المنظّمة، وقواعد بيانات القطاع أصبحت تشكّل المنبع الذي يعتمد عليه الذكاء الاصطناعي في الاقتباس. إنّ اتساق خلفيات المتحدثين، والمسار التاريخي للمؤسسة، والبيانات الأساسية سيؤثر في ما إذا كانت التقارير المتخصصة تصبح اقتباسًا قابلًا للتحقق.
الحكومة والمنظمات الصناعية: كلما كانت الدلائل العامة ووثائق السياسات والمعلومات الموحّدة أكثر انتظامًا، زاد احتمال أن تصبح مصدر الاقتباس الافتراضي عندما يولّد الذكاء الاصطناعي إجابات عن الخدمات العامة. وهذا يمثل فرصة للظهور، ويمثل أيضًا مسؤولية تتعلق بالمعلومات العامة.
لا يمكن لأي قسم بمفرده معالجة هذه التأثيرات. فالبحث التوليدي يدمج التواصل والتقنية وإدارة المعرفة والتحقق من مصادر المعلومات في سلسلة معالجة واحدة، الأمر الذي يتطلب إعادة توزيع الأدوار داخل المؤسسة.البحث التوليدي يقلّص وحدة الحكم على ظهور المحتوى من صفحة كاملة إلى مقتطف معلومات قابل للاستشهاد. ما زالت مطابقة الكلمات المفتاحية وترتيب الروابط في أنظمة البحث التقليدية فعّالة، لكنها لم تعد القواعد الشاملة لبوابة المعلومات. القراءة الاستخلاصية لنماذج اللغة الكبيرة، وقيود الاسترجاع في أنظمة RAG، ومتطلبات اتساق التعرف على الكيانات، وآلية التحقق من الاستشهادات، تشكّل معًا بنية تحتية معلوماتية جديدة.
كون المحتوى مفهرَسًا في محركات البحث لا يعني أنه مفهوم من قبل الذكاء الاصطناعي؛ وكونه مفهومًا من قبل الذكاء الاصطناعي لا يعني أيضًا أنه مُستشهَد به. الدراسات المستقبلية لظهور المعلومات تحتاج إلى الاهتمام طويل الأمد بالفجوات بين هذه المراحل.