پارس سئــو دبــی

چگونه بافت و زمینه کسب‌وکار (Business Context) خروجی و پیشنهادهای هوش مصنوعی را تغییر می‌دهد؟

ببینید چگونه سه مدل هوش مصنوعی در پاسخ به یک چالش راهبردی یکسان، با کامل‌تر شدن زمینه کسب‌وکار (Business Context)، پاسخ‌های متفاوتی ارائه دادند.

به نظر می‌رسد تمام داستان‌های موفقیت هوش مصنوعی به یک شکل پایان می‌یابند. فردی یک خروجی فوق‌العاده را به اشتراک می‌گذارد و تقریباً بلافاصله شخص دیگری می‌پرسد: «آیا پرامپت (دستور) خود را به اشتراک می‌گذارید؟»

این درخواستی منطقی است. ما اغلب اعتبار بیش از حد به پرامپت‌ها می‌دهیم. اما زمانی که فردی یک پرامپت را می‌نویسد، از قبل اهداف را تعیین کرده، زمینه و اطلاعات اولیه را جمع‌آوری کرده، جوانب امر و هزینه‌های احتمالی را سنجیده و تصمیم گرفته که موفقیت به چه شکل خواهد بود.

پرامپت‌ها تنها نتیجه گفتگوها، فرضيات، بازبینی‌ها و قضاوت‌های ویرایشی هستند که مدت‌ها قبل از شروع تایپ کردن انجام شده‌اند.

برای اینکه ببینم این فرآیند چقدر اهمیت دارد، یک مأموریت راهبردی یکسان را به ChatGPT، Claude و Gemini دادم و تنها اطلاعاتی را که پیش از پرامپت آمده بود، تغییر دادم.

آزمایش

این مأموریت کاملاً مشخص بود. یک شرکت سال‌ها روی سئو (SEO) سرمایه‌گذاری کرده بود و وب‌سایت آن جایگاه بسیار خوبی داشت. مدیران ارشد می‌دانستند که با رایج‌تر شدن پاسخ‌های تولیدشده توسط هوش مصنوعی، رفتار جستجوی کاربران در حال تغییر است؛ اما هیچ‌کس نمی‌دانست در صورت لزوم، چه چیزی باید در استراتژی بازاریابی تغییر کند.

من همین مأموریت را به ChatGPT، Claude و Gemini دادم. هدف، خلق یک نقشه راه استراتژیک بود که موارد زیر را مشخص کند:

  • چه اطلاعاتی باید جمع‌آوری شود.

  • کدام فرصت‌ها شایسته توجه هستند.

  • کدام فرضيات نیاز به ارزیابی و تأیید دارند.

  • قبل از شروع تولید محتوا، چه اقداماتی باید انجام شود.

هدف من شناسایی مدل «برنده» نبود. می‌خواستم ببینم با تکامل و کامل‌تر شدن مأموریت، پاسخ‌ها چگونه تغییر می‌کنند.

مرحله اول اجرای مدل‌ها: تکمیل قصد و نیتِ غایب توسط مدل‌ها

در ابتدا تصور می‌کردم یک پرامپت کاملاً معقول و منطقی طراحی کرده‌ام. سپس متوجه شدم آنچه در واقع نوشته بودم، صرفاً یک «ماموریت کاری» معقول و منطقی بوده است. به جای بازنویسی سطر به سطر آن، در ادامه آنچه شامل می‌شد آمده است:

  • یک درخواست برای راهنمایی‌های استراتژیک، به جای دریافت متن‌های بازاریابی.

  • توضیح این موضوع که این مأموریت برای یک کسب‌وکار شناخته‌شده و باسابقه است که نگران دیده شدن خود در پاسخ‌های جستجوی تولیدشده توسط هوش مصنوعی است.

  • دستورالعمل‌هایی برای شناسایی اطلاعات مفقود جهت جلوگیری از توهمات هوش مصنوعی (Hallucinations) و ساخت حقایق ساختگی.

  • این انتظار که پاسخ ارائه شده، برنامه‌ریزی را بر اجرا اولویت دهد.

تعریف مسئله، نوع کمک مورد نیاز من را مشخص کرد و از فرضیات بدون پشتیبان جلوگیری نمود. همچنین فضا را برای برداشت‌ها و تفاسیر مختلف باز گذاشت.

سپس این مأموریت را در هر سه مدل اجرا کردم. پاسخ‌ها به سرعت بازگشتند. آن‌ها سنجیده، دارای ساختار منظم و کامل بودند.

هر کدام از پاسخ‌ها به تنهایی معقول به نظر می‌رسیدند. با این حال، هنگامی که در کنار یکدیگر قرار گرفتند، حقیقت مهمی را آشکار ساختند: آن‌ها در واقع به یک سوال واحد پاسخ نمی‌دادند.

  • کلود (Claude) با این مأموریت مانند نقطه آغاز یک پروژه کشف و نیازمندی‌سنجی (Discovery Project) رفتار کرد.

  • جمینای (Gemini) آن را عمدتاً به عنوان یک پروژه بهینه‌سازی برای جستجوی هوش مصنوعی تفسیر نمود.

  • چت‌جی‌پی‌تی (ChatGPT) آن را به یک چارچوب مشاوره رسمی همراه با حاکمیت، ارزیابی و اجرای مرحله‌ای گسترش داد.

هیچ‌یک از این برداشت‌ها نامعقول نبودند. مسئله این بود که به مدل‌ها گفته نشده بود کدام مسئله‌ی کسب‌وکار از همه مهم‌تر است.

آیا مسئله، کاهش ترافیک بود؟ دیده شدن برند؟ ارجاعات هوش مصنوعی؟ جذب مشتری بالقوه (Lead Generation)؟ فشار رقابتی؟ یا آمادگی برای آینده؟ هر یک از این موارد نیازمند استراتژی متفاوتی است.

بدون اطلاعات کافی برای درک قصد و نیت اصلی، هر مدل تفسیر اختصاصی خود را ارائه داد. زمانی که یک مأموریت فضا را برای تفسیر باز می‌گذارد، مدل‌ها صرفاً حقایق غایب را پر نمی‌کنند؛ آن‌ها قصد و نیت غایب را جایگزین و تکمیل می‌کنند.

در این نقطه، تفکر درباره نحوه بهبود یک «پرامپت» را متوقف کردم و به نحوه بهبود «خلاصه استراتژیک» (Brief) فکر کردم.

مرحله دوم اجرای مدل‌ها: زمینه و اطلاعات اولیه بهتر، توصیه‌های بهتر

بازاریابان باتجربه کار خود را با گفتگو آغاز می‌کنند. آن‌ها متوجه می‌شوند که تعریف موفقیت چیست، کدام مشتریان بیشترین اهمیت را دارند، درآمد کسب‌وکار از کجا تأمین می‌شود، چه محدودیت‌هایی وجود دارد و چه سازش‌هایی پذیرفتنی است. سپس آن اطلاعات را به یک خلاصه استراتژیک (Brief) کاربردی تبدیل می‌کنند.

این همان فرآیندی بود که من در این آزمایش به صورت عمدی از آن چشم‌پوشی کرده بودم.

برای مرحله دوم اجرای مدل‌ها، مأموریت اولیه را تا حد زیادی بدون تغییر نگه داشتم و اطلاعاتی را اضافه کردم که به طور معمول در طول آن گفتگوها مشخص می‌شوند.

خلاصه استراتژیک بازبینی‌شده، مشتری را به عنوان یک شرکت منطقه‌ای فعال در زمینه گرمایش، تهویه و تهویه مطبوع (HVAC) با یک وب‌سایت قدیمی و باسابقه، بودجه محدود و تمایل به بهبود دارایی‌های موجود پیش از تولید محتوای جدیدِ قابل توجه تعریف کرد. همچنین هدف را به صورت شفاف مشخص ساخت: افزایش استعلام‌های خدمات تاییدشده در طول فصل پیش‌رو، به‌طوری که قراردادهای نگهداری و پشتیبانی، باارزش‌ترین پیامد بلندمدت آن محسوب می‌شدند.

من هیچ فرمول پرامپت‌نویسی پیچیده‌ای اضافه نکردم یا از مدل‌ها نخواستم به روش خاصی استدلال کنند. من صرفاً اطلاعاتی را ارائه دادم که یک استراتژیست به طور معمول پیش از توصیه یک مسیر عملیاتی جمع‌آوری می‌کند.

تفاوت بلافاصله نمایان شد. هر سه مدل رویکرد اولیه خود را حفظ کردند، اما توصیه‌های آن‌ها بر پایه همان کسب‌وکار مبتنی و استوار شده بود.

  • کلود (Claude) همچنان کشف‌محور باقی ماند و بر تقاضای فصلی، قراردادهای نگهداری، دارایی‌های موجود و اولویت‌بندی بودجه تمرکز کرد.

  • جمینای (Gemini) فنی‌تر باقی ماند و توصیه‌های خود را به طور دقیق‌تری با پرسش‌های خدمات محلی و محدودیت‌های تجاری گره زد.

  • چت‌جی‌پی‌تی (ChatGPT) رویکرد مبتنی بر چارچوب خود را حفظ کرد و تصمیمات مربوط به تعمیر در برابر تعویض، توسعه طرح‌های نگهداری و محافظت از محیط سئوی موجود شرکت را در اولویت قرار داد.

زمینه و اطلاعات اولیه اضافیِ کسب‌وکار، مأموریت اولیه را به یک خلاصه استراتژیک (Brief) تبدیل کرد. پاسخ‌ها تفصیلی‌تر، از نظر تجاری مرتبط‌تر و با همان چالش کسب‌وکار همراستاتر شدند.

کیفیت پاسخ کمتر به پیچیدگی و ظرافت پرامپت، و بیشتر به کیفیت زمینه کسب‌وکارِ پشت آن بستگی داشت.

مرحله نهایی اجرا: جایی که قضاوت انسانی همچنان اهمیت دارد

یک خلاصه استراتژیک (Brief) بهتر، مدل‌ها را به یکدیگر نزدیک‌تر کرد؛ اما این امر به طور خودکار توصیه‌های آن‌ها را کاربردی نساخت.

هر سه مدل، گزینه‌ها و احتمالات بیشتری نسبت به آنچه یک کسب‌وکار منطقه‌ای با بودجه محدود بتواند به طور معقول پیش از آغاز فصل آینده دنبال کند، تولید کردند. آن‌ها فرصت‌ها را شناسایی، دسته‌بندی و علت اهمیت هر یک را تشریح نمودند. با این حال، انتخاب از میان این گزینه‌ها همچنان نیازمند قضاوت استراتژیک بود.

انتخاب از میان توصیه‌ها مستلزم قضاوت استراتژیک بود. من آن‌ها را با معیار متفاوتی ارزیابی کردم:

  • آیا این را به یک مشتری ارائه خواهم داد؟

  • آیا آن‌ها می‌توانند بر اساس آن اقدام کنند؟

  • آیا این توصیه توسط شواهد و دلایل موجود پشتیبانی می‌شد؟

  • آیا با اهداف همراستا بود یا صرفاً یک فعالیت سئوی معقول به شمار می‌رفت؟

هر توصیه‌ای می‌تواند از نظر فنی معتبر باشد اما همچنان سرمایه‌گذاری ضعیفی محسوب شود. یک فرصت محتوایی ممکن است مفید به نظر برسد اما فاقد شواهدی از علاقه‌مندی یا تقاضای مشتری باشد. یک چارچوب ارزیابی می‌تواند جامع باشد اما با توجه به نیروی انسانی یا سیستم‌های موجود، غیرواقع‌بینانه باشد.

چند اولویت به طور مداوم در بازبینی‌های مدل‌های مختلف باقی ماندند و تثبیت شدند:

  • ایجاد یک خط پایه (Baseline) برای نحوه حضور و نمایش شرکت در پاسخ‌های تولیدشده توسط هوش مصنوعی که از نظر تجاری بااهمیت هستند.

  • ارزیابی و اندازه‌گیری مشتریان بالقوه تاییدشده، کارهای ثبت‌شده و رشد قراردادهای نگهداری، در کنار ارجاعات هوش مصنوعی و ذکر نام برند (Citations).

  • تعریف دقیق آنچه یک استعلام تاییدشده محسوب می‌شود، پیش از آنکه «دیده شدن» به عنوان موفقیت تلقی گردد.

  • ممیزی صفحات خدمات موجود، اطلاعات کسب‌وکار محلی و مسیرهای تبدیل کاربر به مشتری (Conversion Paths)، پیش از سفارش یا تولید محتوای جدیدِ قابل توجه.

  • خلق دارایی‌ها و صفحات جدید تنها زمانی که صفحات موجود نتوانند به یک شکاف اطلاعاتیِ ارزیابی‌شده پاسخ دهند.

  • تأکید بر تصمیمات فوری فصلی و فرصت‌های مربوط به قراردادهای نگهداری، به جای ایجاد تغییرات بنیادی در سراسر وب‌سایت.

مدل‌ها میدان احتمالات و گزینه‌ها را گسترش دادند، اما قضاوت استراتژیک همچنان برای محدود کردن و انتخاب نهایی آن‌ها مورد نیاز بود.

دستورالعمل‌ها ابزار اثبات هستند، نه توضیحات

تصویر یک پرامپت (دستور) معمولاً نحوه چارچوب‌بندی وظیفه توسط مأموریت، نحوه افزودن زمینه کسب‌وکار توسط خلاصه استراتژیک (Brief) و نحوه تعیین اولویت‌ها توسط قضاوت انسانی را پنهان می‌کند.

پرامپت‌های دقیق از این جهت مفید هستند که نشان می‌دهند یک وظیفه چگونه چارچوب‌بندی شده و مدل چه اطلاعاتی را دریافت کرده است. آن‌ها آنچه را که کاربر از قبل می‌دانسته، آنچه مرحله اول اجرا آشکار ساخته، فرضیاتی که رد شده‌اند یا علت تغییرات در بازبینی بعدی را فاش نمی‌کنند.

به همین دلیل است که پرامپت تولیدکننده یک نتیجه چشمگیر در یک موقعیت، در موقعیتی دیگر خروجی ارائه می‌دهد که صرفاً معمولی و کافی است. کلمات یکسان هستند، اما تفکرِ پشت آن‌ها یکسان نیست.

یک پرامپت، فرآیند کشف، تحقیقات، قضاوت کسب‌وکار و بازبینی ویرایشی را برای مدل قابل رؤیت می‌کند. اما جایگزین آن‌ها نمی‌شود.

آنچه پرامپت از قلم می‌اندازد

این آزمایش با یک مأموریت آغاز شد. سپس به یک خلاصه استراتژیک (Brief) تکامل یافت. در نهایت، قضاوت انسانی اولویت‌ها را تعیین کرد.

یک پرامپت، نخستین دستاوردِ قابل رؤیت از این جریان کاری است. ما از دیگران پرامپت‌هایشان را می‌خواهیم زیرا به اشتراک‌گذاری آن‌ها آسان است. آن‌ها در یک اسکرین‌شات، یک پست شبکه اجتماعی یا یک اسلاید جای می‌گیرند.

گفتگوها، فرضیات متغیر، شروع‌های ناموفق و تصمیم‌گیری‌های مبتنی بر قضاوت در پشت صحنه، سخت‌تر بسته‌بندی می‌شوند؛ در حالی که بسیار آموزنده‌تر هستند.

دفعه بعد که فردی خروجی شگفت‌انگیزی از هوش مصنوعی به اشتراک گذاشت، پرسیدن پرامپت ممکن است همچنان ارزشمند باشد. فقط آن را با توضیح کامل و جامع اشتباه نگیرید. سوال مفیدتر این است که آن‌ها چگونه به آن نقطه رسیده‌اند.

حالا چه باید کرد؟ (قدم‌های بعدی از زبان پارس سئو دبی)

اگر بخواهیم این موضوع را از زاویه تجربه فنی و عملیاتی تیم پارس سئو دبی بررسی کنیم، استفاده واقعی و نتیجه‌بخش از هوش مصنوعی در استراتژی‌های سئو و بازاریابی دیجیتال، مستلزم عبور از «مهندسی ساده پرامپت» و حرکت به سمت «مدیریت بافت داده‌ها» است.

پیشنهاد پارس سئو دبی برای کسب‌وکارهایی که می‌خواهند هوش مصنوعی را به عنوان یک دستیار واقعی در خدمت رشد سئو و ورودی سایت خود به کار گیرند، شروع با این ۳ قدم کاربردی است:

  1. طراحی بریف‌های جامع به جای پرامپت‌های کوتاه: قبل از درخواست هرگونه استراتژی یا تولید محتوا از هوش مصنوعی، تمام خصوصیات برند، جامعه هدف، محدودیت‌های فنی و اهداف اصلی (KPIs) سایت خود را در قالب یک بریف کامل تدوین کنید. هرچقدر داده‌های ورودی تخصصی‌تر باشد، خروجی هوش مصنوعی از حالت عمومی خارج شده و عملیاتی‌تر می‌شود.

  2. استفاده از هوش مصنوعی برای ایده‌پردازی، نه تصمیم‌گیری نهایی: هوش مصنوعی در تحلیل داده‌ها، کشف کلمات کلیدی همپوشان و ساختاردهی به داده‌ها فوق‌العاده است؛ اما تحلیل نهایی نرخ تبدیل (Conversion Rate)، سنجش ارزش اقتصادی کلمات و تطابق محتوا با نیت واقعی کاربر (Search Intent) در بازارهای رقابتی باید حتماً توسط متخصص و تحلیل‌گر سئو بررسی و تایید شود.

  3. تغذیه هوش مصنوعی با داده‌های واقعی کسب‌وکار: برای کسب بهترین نتیجه در سئو، داده‌های واقعی ابزارهای تحلیلی مثل گوگل سرچ کنسول (Google Search Console) و گوگل آنالیتیکس (GA4) را به عنوان زمینه (Context) در اختیار مدل‌ها قرار دهید تا راهکارهای پیشنهادی دقیقاً بر اساس افت و خِشت‌های ترافیکی واقعی سایت شما تنظیم شوند.

تصویر حمیدرضا انصاری

حمیدرضا انصاری

سلام، من حمیدرضا انصاری هستم. بیش از ۱۲ سال است که در دنیای سئو، طراحی سایت و تبلیغات آنلاین فعالیت می‌کنم و در این سایت تلاش می‌کنم تجربه‌ها، آموزش‌ها و جدیدترین نکات دنیای سئو و هوش مصنوعی را با شما به اشتراک بگذارم.

اشتــراک گذاری

از دنیـــای سئو بخوانید:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *