الناس يحبونه، والعارضات يتجاهلنه

تقوم بنشر صفحة تحل مشكلة حقيقية. يقرأ نظيفة. لديها أمثلة، وقد تم تغطية الحالات الحافة. سيكون من دواعي سرورك تسليمها إلى العميل.

ثم تطرح على منصة الذكاء الاصطناعي السؤال الدقيق الذي تجيب عليه الصفحة، ولا تظهر صفحتك أبدًا. لا يوجد اقتباس ولا رابط ولا إعادة صياغة. تم حذفها للتو.

تلك اللحظة جديدة. ليس لأن المنصات تعطي إجابات مختلفة، حيث أن معظم الناس يقبلون ذلك بالفعل كحقيقة. التحول أعمق. يمكن أن تتباين أهمية الإنسان ومنفعة النموذج.

إذا كنت لا تزال تستخدم “الجودة” كمعيار عالمي واحد، فسوف تخطئ في تشخيص سبب فشل المحتوى في إجابات الذكاء الاصطناعي، وسوف تضيع الوقت في إصلاح الأشياء الخاطئة.

ال فجوة المنفعة هي أبسط طريقة لتسمية المشكلة.

ما فجوة المنفعة يكون

هذه الفجوة هي المسافة بين ما يعتبره الإنسان ذا صلة وما يعتبره النموذج مفيدًا لإنتاج إجابة.

الإنسان يقرأ ليفهم. إنهم يتسامحون مع الإحماء والفروق الدقيقة والسرد. سوف يقومون بالتمرير للعثور على فقرة واحدة تهمهم وغالبًا ما يتخذون قرارًا بعد رؤية الصفحة بأكملها أو معظم الصفحة.

يعمل نظام الاسترجاع والتوليد بشكل مختلف. فهو يسترد المرشحين، ويستهلكهم في أجزاء، ويستخرج الإشارات التي تسمح له بإكمال المهمة. إنها لا تحتاج إلى قصتك، فقط الأجزاء القابلة للاستخدام.

هذا الاختلاف يغير كيفية عمل “الجيد”.

يمكن أن تكون الصفحة ممتازة بالنسبة للإنسان ولكنها لا تزال ذات فائدة منخفضة للنموذج. يمكن أيضًا أن تكون هذه الصفحة مرئية ومفهرسة وذات مصداقية من الناحية الفنية، ومع ذلك، من الممكن أن تفشل في اللحظة التي يحاول فيها النظام تحويلها إلى إجابة.

هذه ليست نظرية نستكشفها هنا، حيث أن الأبحاث تفصل بالفعل بين الملاءمة والمنفعة في الاسترجاع المعتمد على LLM.

لماذا لم تعد الملاءمة عالمية؟

العديد من مقاييس تصنيف IR القياسية تكون ثقيلة عن عمد، مما يعكس افتراضًا طويل الأمد بأن فائدة المستخدم واحتمالية الفحص تتضاءل مع الترتيب. في RAG، يتم استهلاك العناصر المستردة بواسطة LLM، والذي يستوعب عادةً مجموعة من المقاطع بدلاً من مسح قائمة مرتبة مثل الإنسان، لذلك يمكن أن تتم محاذاة تخفيضات الموضع الكلاسيكي والافتراضات ذات الصلة بالملاءمة فقط مع جودة الإجابة الشاملة. (أنا أبالغ في التبسيط هنا، لأن الأشعة تحت الحمراء أكثر تعقيدًا بكثير بحيث لا يمكن لفقرة واحدة التقاطها.)

تحاول ورقة بحثية صدرت عام 2025 حول تقييم الاسترجاع لأنظمة عصر LLM توضيح ذلك. ويجادل بأن مقاييس الأشعة تحت الحمراء الكلاسيكية تغفل اختلالين كبيرين: يختلف خصم المركز بالنسبة لمستهلكي ماجستير إدارة الأعمال، والأهمية البشرية لا تساوي فائدة الآلة. فهو يقدم مخططًا توضيحيًا يقيس كلاً من المقاطع المفيدة والمقاطع المشتتة للانتباه، ثم يقترح مقياسًا يسمى UDCG (الكسب التراكمي المدرك للمنفعة والتشتيت). تعرض الورقة أيضًا تجارب عبر مجموعات بيانات ونماذج متعددة، مع قيام UDCG بتحسين الارتباط مع دقة الإجابة الشاملة مقابل المقاييس التقليدية.

الوجبات الجاهزة المسوق صريحة. لا يتم تجاهل بعض المحتوى فقط. يمكن أن يقلل من جودة الإجابة عن طريق إخراج النموذج عن المسار. هذه مشكلة فائدة وليست مشكلة كتابة.

ويأتي التحذير ذو الصلة من NIST. إيان سوبوروف “لا تستخدم LLMs لإصدار أحكام ذات صلة“يجادل بأنه لا ينبغي عليك استبدال الأحكام النموذجية بالأحكام ذات الصلة بالإنسان في عملية التقييم. إن رسم الخرائط غير موثوق به، حتى عندما يبدو أن مخرجات النص إنسانية.

هذا مهم لاستراتيجيتك. إذا كانت الملاءمة عالمية، فمن الممكن أن يحل النموذج محل القاضي البشري، وسوف تحصل على نتائج مستقرة، لكنك لا تفعل ذلك.

ال فجوة المنفعة يجلس الحق في تلك المساحة. لا يمكنك أن تفترض أن ما يبدو جيدًا لشخص ما سيتم التعامل معه على أنه مفيد من خلال الأنظمة التي تتوسط الاكتشاف الآن.

حتى عندما تكون الإجابة موجودة، فإن العارضات لا يستخدمنها باستمرار

تسمع العديد من الفرق “يمكن أن تستغرق LLMs سياقًا طويلًا“” ونفترض أن هذا يعني””سوف تجد LLMs ما يهم.“هذا الافتراض يفشل في كثير من الأحيان.

“ضائع في المنتصف: كيف تستخدم نماذج اللغة سياقات طويلة“يوضح أن أداء النموذج يمكن أن يتدهور بشكل حاد بناءً على مكان ظهور المعلومات ذات الصلة في السياق. غالبًا ما تبدو النتائج أفضل عندما تكون المعلومات ذات الصلة قريبة من بداية الإدخال أو نهايته، وتكون أسوأ عندما تكون في المنتصف، حتى بالنسبة لنماذج السياق الطويل بشكل واضح.

يؤدي هذا إلى تعيين المحتوى على الويب بشكل واضح. سوف يقوم البشر بالتمرير. لا يجوز للعارضات استخدام منتصف صفحتك بشكل موثوق كما تتوقع. إذا كان التعريف الرئيسي أو القيد أو قاعدة القرار الخاصة بك تقع في منتصف الطريق، فقد تصبح غير مرئية وظيفيًا.

يمكنك كتابة الشيء الصحيح مع الاستمرار في وضعه في مكان لا يستخدمه فيه النظام باستمرار. وهذا يعني أن المنفعة لا تتعلق فقط بالصواب؛ يتعلق الأمر أيضًا بإمكانية الاستخراج.

الدليل على أرض الواقع: نفس النية، وهدف مختلف للمنفعة

هذا هو المكان فجوة المنفعة ينتقل من البحث إلى الواقع.

نشرت BrightEdge بحثًا يقارن كيفية تعامل ChatGPT وGoogle AI مع الرؤية حسب الصناعة. في مجال الرعاية الصحية، أبلغت BrightEdge عن اختلاف بنسبة 62% وتقدم مثالاً يهم المسوقين لأنه يوضح أن النظام يختار المسار، وليس مجرد إجابة. بالنسبة إلى “كيفية العثور على طبيب”، يصف التقرير أن ChatGPT يدفع Zocdoc بينما يشير Google إلى أدلة المستشفيات. نفس القصد. طريق مختلف.

ويؤطر تقرير ذو صلة منهم هذا أيضًا كنمط أوسع، خاصة في الاستعلامات الموجهة نحو العمل، حيث يدفع النظام الأساسي نحو أسطح مختلفة للقرار والتحويل.

هذا هو فجوة المنفعة تظهر كسلوك. يقوم النموذج باختيار ما يعتبره مفيدًا لإكمال المهمة، ويمكن أن تفضل هذه الاختيارات المجمعين، أو الأسواق، أو الدلائل، أو تأطير المنافس للمشكلة. يمكن أن تخسر صفحتك عالية الجودة دون أن تكون مخطئًا.

قابلية النقل هي الأسطورة التي يجب عليك إسقاطها

كان الافتراض القديم بسيطا. إذا قمت بإنشاء صفحة عالية الجودة وفزت في البحث، فستفوز في الاكتشاف، ولم يعد هذا افتراضًا آمنًا.

تصف مجموعة BCG التحول في قابلية الاكتشاف وتسلط الضوء على كيفية انتقال القياس من التصنيفات إلى الرؤية عبر الأسطح التي تعتمد على الذكاء الاصطناعي. تتضمن مقالتهم ادعاءً حول انخفاض التداخل بين البحث التقليدي ومصادر إجابات الذكاء الاصطناعي، مما يعزز فكرة أن النجاح لا ينتقل بشكل نظيف عبر الأنظمة.

نشر Profound حجة مماثلة، حيث وضع فجوة التداخل كسبب لعدم ضمان ظهور Google الأعلى في ChatGPT.

الطريقة مهمة في دراسات التداخل، لذا تعامل مع هذه الأرقام كإشارات اتجاهية وليس كثوابت ثابتة. نشرت شركة Search Engine Land نقدًا للاتجاه الأوسع لأبحاث تحسين محركات البحث (SEO) التي يتم تضخيمها بشكل مفرط أو تعميمها بما يتجاوز ما يمكن أن تدعمه أساليبها، بما في ذلك مناقشة المطالبات ذات النمط المتداخل.

لا تحتاج إلى نسبة مثالية للتصرف. تحتاج فقط إلى قبول المبدأ. إن الرؤية والأداء ليسا قابلين للنقل بشكل افتراضي، والمنفعة مرتبطة بالنظام الذي يقوم بتجميع الإجابة.

كيف يمكنك قياس فجوة المنفعة بدون مختبر

لا تحتاج إلى أدوات مؤسسية للبدء، ولكنك تحتاج إلى الاتساق والانضباط في النية.

ابدأ بـ 10 أهداف تؤثر بشكل مباشر على الإيرادات أو الاحتفاظ. اختر الاستعلامات التي تمثل نقاط قرار حقيقية للعملاء: اختيار فئة المنتج، أو مقارنة الخيارات، أو إصلاح مشكلة شائعة، أو تقييم السلامة أو الامتثال، أو اختيار موفر. ركز على النية، وليس حجم الكلمات الرئيسية.

قم بتشغيل نفس المطالبة بالضبط على أسطح الذكاء الاصطناعي التي يستخدمها عملاؤك. قد يشمل ذلك Google Gemini وChatGPT ومحرك إجابات مثل Perplexity. أنت لا تبحث عن الكمال، بل مجرد اختلافات متكررة.

التقط أربعة أشياء في كل مرة:

• المصادر التي يتم الاستشهاد بها أو ربطها.
• ما إذا كانت علامتك التجارية مذكورة (مستشهد بها، أو مذكورة، أو معاد صياغتها، أو محذوفة).
• ما إذا كانت الصفحة المفضلة لديك ستظهر أم لا.
• ما إذا كانت الإجابة توجه المستخدم نحوك أو بعيدًا عنك.

ثم سجل ما تراه. اجعل التسجيل بسيطًا حتى تتمكن من القيام بذلك بالفعل. يبدو المقياس العملي هكذا بعبارات واضحة:

• من الواضح أن المحتوى الخاص بك يقود الإجابة.
• يظهر المحتوى الخاص بك، لكنه يلعب دورًا ثانويًا.
• المحتوى الخاص بك غائب، ويهيمن طرف ثالث.
• تتعارض الإجابة مع إرشاداتك أو تقوم بتوجيه المستخدمين إلى مكان لا تريدهم أن يذهبوا إليه.

هذا يصبح الخاص بك فجوة المنفعة خط الأساس.

عند تكرار هذا شهريًا، يمكنك تتبع الانجراف. عند تكرار ذلك بعد تغيير المحتوى، يمكنك معرفة ما إذا كنت قد قللت الفجوة أم أنك قمت فقط بإعادة كتابة الكلمات.

كيف يمكنك تقليل فجوة المنفعة دون تحويل موقعك إلى قائمة مرجعية

الهدف ليس “الكتابة للذكاء الاصطناعي”. الهدف هو جعل المحتوى الخاص بك أكثر قابلية للاستخدام للأنظمة التي تسترد الإجابات وتجمعها. معظم العمل هيكلي.

ضع المعلومات المهمة للقرار في المقدمة. يقبل البشر منحدرًا بطيئًا. أنظمة الاسترجاع تكافئ الإشارات المبكرة النظيفة. إذا كان قرار المستخدم يعتمد على ثلاثة معايير، فضع تلك المعايير بالقرب من الأعلى. إذا كان الخيار الافتراضي الأكثر أمانًا مهمًا، فاذكره مبكرًا.

اكتب بيانات قابلة للإرساء. غالبًا ما تجمع النماذج الإجابات من جمل تبدو وكأنها ادعاءات مستقرة. التعريفات الواضحة والقيود الواضحة وصياغة السبب والنتيجة المباشرة تزيد من سهولة الاستخدام. يمكن للغة التحوطية أو الشعرية أو السردية المفرطة أن تقرأ جيدًا للبشر ويظل من الصعب استخلاصها في إجابة.

إرشادات أساسية منفصلة عن الاستثناءات. أحد أنماط الفشل الشائعة هو خلط المسار الرئيسي وحالات الحافة ورسائل المنتج داخل كتلة واحدة كثيفة. تزيد هذه الكثافة من خطر التشتيت، وهو ما يتوافق مع إطار المنفعة والتشتت في عمل UDCG.

اجعل السياق واضحًا. يستنتج البشر، لكن النماذج تستفيد عندما تذكر الافتراضات والجغرافيا وحساسية الوقت والمتطلبات الأساسية. إذا تغيرت الإرشادات بناءً على المنطقة أو مستوى الوصول أو نوع المستخدم، فاذكر ذلك بوضوح.

تعامل مع محتوى منتصف الصفحة على أنه هش. إذا كان الجزء الأكثر أهمية من إجابتك يقع في المنتصف، فقم بالترويج له أو كرره بشكل أكثر إحكامًا بالقرب من البداية. تُظهر الأبحاث طويلة السياق أن الموقف يمكن أن يتغير سواء تم استخدام المعلومات أم لا.

أضف المصادر الأساسية عندما تكون مهمة. أنت لا تفعل هذا من أجل الديكور. أنت تقدم النموذج والقارئ الأدلة لترسيخ الثقة.

هذه هندسة محتوى وليست حيل.

حيث يتركك هذا

ال فجوة المنفعة ليست دعوة للتخلي عن تحسين محركات البحث التقليدية. إنها دعوة للتوقف عن افتراض أن الجودة قابلة للنقل.

تعمل مهمتك الآن في وضعين في وقت واحد. لا يزال البشر بحاجة إلى محتوى رائع. تحتاج النماذج إلى محتوى قابل للاستخدام. وتتداخل هذه الاحتياجات، ولكنها ليست متطابقة. عندما يتباعدون، تحصل على فشل غير مرئي.

هذا يغير الأدوار.

لا يمكن لكتاب المحتوى التعامل مع البنية باعتبارها مصدر قلق للتنسيق بعد الآن. الهيكل الآن جزء من الأداء. إذا كنت تريد أن يستمر أفضل توجيه لك في عملية الاسترجاع والتركيب، فعليك أن تكتب بطريقة تتيح للآلات استخلاص الشيء الصحيح، بسرعة، دون تشتيت انتباهك.

لا يمكن لمُحسني محركات البحث التعامل مع “المحتوى” كشيء يقومون بتحسينه عند الحواف. لا يزال تحسين محركات البحث الفني مهمًا، لكنه لم يعد يحمل قصة الرؤية بأكملها. إذا كانت الرافعة الأساسية لديك هي إمكانية الزحف والنظافة على الصفحة، فعليك الآن أن تفهم كيف يتصرف المحتوى نفسه عندما يتم تقسيمه واسترجاعه وتجميعه في إجابات.

لن تتجادل المنظمات الفائزة حول ما إذا كانت إجابات الذكاء الاصطناعي تختلف. سوف يتعاملون مع المنفعة النسبية للنموذج باعتبارها فجوة قابلة للقياس، ثم يقومون بإغلاقها معًا، قصدًا تلو الآخر.

المزيد من الموارد:

تم نشر هذا المنشور في الأصل على Duane Forrester Decodes.

صورة مميزة: لاريبات / شترستوك