سرچ کنسول سایت را باز کنید:
- وارد Performance → Generative AI → Pages شوید.
- صفحاتی را که بیشترین Impressions دارند شناسایی کنید.
- همان URLها را در گزارش Search Results (بدون فیلتر Generative AI) بررسی کنید.
- در تب Queries ببینید آن صفحه برای چه کلماتی ایمپرشن و کلیک گرفته است.
این روش به شما دید خوبی میدهد که آن صفحه احتمالاً برای چه موضوعاتی در AI Overview ظاهر شده است، هرچند نمیتوان با قطعیت گفت کدام کوئری دقیقاً باعث نمایش در AI شده است.
نکته مهم این است که برخلاف چیزی که بعضی مقالات القا میکنند، در حال حاضر Google Search Console معمولاً فهرست کامل کوئریهای Generative AI را در اختیار شما قرار نمیدهد.
Generative Engine Optimization (GEO) محتوا را به شکلی ساختاربندی میکند که ابهام موجودیتها (Entity Disambiguation) برطرف شود و محتوا با Knowledge Graph همراستا باشد. این کار باعث میشود مدلهای هوش مصنوعی، محتوا را بهعنوان یک منبع معتبر در Search Generative Experience (SGE) و سایر موتورهای پاسخگو شناسایی و طی حدود ۲ تا ۳ ماه پس از پیادهسازی، از آن بهعنوان منبع استفاده کنند.
گوگل سرچ کنسول چگونه عملکرد هوش مصنوعی را ردیابی میکند؟
سرچ کنسول ترافیک ارگانیک معمولی را از ترافیکی که از تجربههای جستجوی مبتنی بر هوش مصنوعی به دست آمده، از طریق فیلترهای اختصاصی Search Appearance جدا میکند.
برای پیدا کردن کوئریهایی که باعث نمایش AI Overview شدهاند، کافی است وارد گزارش Performance شوید و فیلتر Generative AI را اعمال کنید. با این کار فقط دادههایی نمایش داده میشوند که مربوط به صفحاتی هستند که مدلهای زبانی بزرگ گوگل (LLM) از آنها برای تولید خلاصههای هوش مصنوعی استفاده کردهاند.
اگر بخواهید عملکرد سایت را در نتایج هوش مصنوعی بررسی کنید، گزارش Performance on Search همان گزارشی است که اطلاعات موردنیاز را در اختیار شما قرار میدهد. با فعال کردن فیلتر Generative AI میتوانید تعداد کلیکها و ایمپرشنهایی را که از AI Overviews دریافت کردهاید مشاهده کنید.
البته سرچ کنسول فقط دادههای مربوط به گوگل را نمایش میدهد. اگر بخواهید وضعیت دیدهشدن موجودیتهای سایت را در ابزارهایی مثل ChatGPT، Gemini یا Perplexity نیز بررسی کنید، باید از پلتفرمهایی مانند SEMAI استفاده کنید تا تصویر کاملتری از استراتژی Answer Engine Optimization (AEO) به دست آورید.
تفاوت تحلیل دیدهشدن در جستجوی هوش مصنوعی با تحلیل سنتی سئو
| تحلیل AI Search Visibility (AEO/GEO) | تحلیل سنتی سئو |
|---|---|
| تمرکز بر رفع ابهام موجودیتها و روابط معنایی | تمرکز بر تحقیق کلمات کلیدی و لینکسازی |
| معیارهای اصلی: تعداد Citation، امتیاز تشخیص Entity (بیش از ۷۰٪) | حجم جستجو، رتبه در SERP، اعتبار دامنه |
| تمرکز فنی: همراستایی با Knowledge Graph و اعتبارسنجی Schema | کرال باجت، سرعت سایت، ساختار لینک داخلی |
| مشاهده نتایج طی حدود ۶ تا ۱۲ ماه | مشاهده بهبود رتبه طی حدود ۳ تا ۶ ماه |
محدودیتهای اندازهگیری AI Overview در سرچ کنسول
اگر فقط به ابزارهای داخلی گوگل تکیه کنید، با چند محدودیت مهم روبهرو خواهید شد.
Zero Click Attribution
اگر صفحهای در بخش Generative AI ایمپرشن زیادی داشته باشد اما CTR آن پایین باشد، معمولاً یعنی مدل زبانی گوگل پاسخ دقیق را از همان صفحه استخراج کرده و کاربر بدون ورود به سایت، پاسخ خود را گرفته است.
تاخیر در دادهها (Data Latency)
دادههای مربوط به عملکرد هوش مصنوعی معمولاً با ۴۸ تا ۷۲ ساعت تأخیر در سرچ کنسول نمایش داده میشوند.
پنهان شدن کوئریها (Query Masking)
بسیاری از جستجوهای محاورهای و Long-tail که کاربران برای گفتگو با هوش مصنوعی استفاده میکنند، به دلایل حفظ حریم خصوصی تجمیع یا ناشناس میشوند؛ بنابراین عبارت دقیق جستجو همیشه قابل مشاهده نیست.
نبود اطلاعات سایر موتورهای پاسخگو
Google Search Console فقط دادههای گوگل را نمایش میدهد و هیچ اطلاعاتی درباره میزان Citation در ChatGPT، Claude یا Perplexity ارائه نمیکند.
چگونه با استفاده از دادههای سرچ کنسول شکافهای محتوایی برای هوش مصنوعی را پیدا کنیم؟
تحلیل گزارش Performance در سرچ کنسول میتواند اختلاف میان رتبه سنتی صفحات و میزان دیدهشدن آنها در نتایج هوش مصنوعی را مشخص کند.
یکی از بهترین روشها این است که دادههای کوئریهایی را استخراج کنید که:
- در نتایج معمولی گوگل ایمپرشن بالایی دارند.
- اما در بخش Generative AI هیچ ایمپرشنی دریافت نکردهاند.
این اختلاف نشان میدهد که صفحه از نظر الگوریتمهای کلاسیک گوگل عملکرد خوبی دارد، اما از نظر ساختار معنایی و اطلاعات قابل استخراج برای مدلهای زبانی، به اندازه کافی غنی نیست.
منطق ارزیابی آمادگی محتوا برای هوش مصنوعی
بررسی یکپارچگی Entity
اگر توضیحات مربوط به یک موجودیت در صفحات مختلف بیش از ۱۰ درصد اختلاف داشته باشد، ریسک بالایی وجود دارد. در این شرایط ابتدا باید اسکیما و روابط معنایی استاندارد شوند.
اگر اختلاف کمتر از ۵ درصد باشد، وضعیت قابل قبول است.
امتیاز ارتباط معنایی
اگر امتیاز ارتباط Entity کمتر از ۷۰ درصد باشد، محتوا باید بازنویسی شود تا پاسخ مستقیم به سؤال کاربر، در همان جمله اول ارائه شود.
آستانه ایمپرشن هوش مصنوعی
اگر یک صفحه مهم طی ۹۰ روز کمتر از ۵۰۰ ایمپرشن از بخش Generative AI دریافت کرده باشد، دیدهشدن آن پایین است و باید همراستایی آن با Knowledge Graph و همچنین Schema FAQ بررسی شود.
اعتبار منابع
اگر صفحه فاقد منابع معتبر، آمار قابل استناد یا نقلقول کارشناسان باشد، احتمال انتخاب شدن آن توسط مدلهای هوش مصنوعی کاهش پیدا میکند.
چگونه نتایج Search Results را با Generative AI مقایسه کنیم؟
برای تحلیل تأثیر AI Overview بر ترافیک سایت، بهتر است گزارشهای Search Results و Generative AI را در بازهای مانند ۲۸ روز کنار هم مقایسه کنید.
مثلاً اگر صفحهای:
- در نتایج معمولی ۱۰ هزار ایمپرشن داشته باشد،
- اما فقط ۲۰۰ ایمپرشن از بخش Generative AI دریافت کرده باشد،
احتمالاً ساختار محتوا بیش از حد بر تکرار کلمات کلیدی تکیه دارد و پاسخهای مستقیم و شفاف ارائه نمیدهد.
برعکس، اگر صفحهای در نتایج معمولی رتبه خیلی بالایی نداشته باشد اما ایمپرشن بالایی از بخش هوش مصنوعی دریافت کند، نشان میدهد که مدل زبانی گوگل آن را به دلیل بهینه بودن Entityها و کیفیت اطلاعات، به صفحات دارای بکلینک بیشتر ترجیح داده است.
چگونه دادههای سرچ کنسول را با APIهای رهگیری هوش مصنوعی ترکیب کنیم؟
چه مدت طول میکشد تا بهینهسازی برای AI Overview نتیجه بدهد؟
اسکیما چه تأثیری بر Citation در AI Overview دارند؟
موتور هوش مصنوعی گوگل چگونه محتوا را برای خلاصهها انتخاب میکند؟
گوگل از معماری Retrieval-Augmented Generation (RAG) استفاده میکند. این سیستم اطلاعات را از ایندکس و گراف دانش بازیابی کرده و بر اساس معیارهایی مانند:
ارتباط معنایی،
اجماع اطلاعات،
اعتبار موجودیتها،
به صفحات امتیاز میدهد. صفحاتی که پاسخهای کوتاه، دقیق و قطعی ارائه میکنند، شانس بیشتری برای حضور در AI Overview دارند.
چرا ممکن است صفحهای رتبه یک گوگل را داشته باشد اما در AI Overview نمایش داده نشود؟
رتبهبندی سنتی گوگل تا حد زیادی بر عواملی مانند PageRank، سیگنالهای تجربه کاربری و اعتبار دامنه متکی است.
اما موتورهای پاسخگوی هوش مصنوعی بیشتر به مواردی مانند:
تراکم اطلاعات مفید،
وضوح معنایی،
قابلیت استخراج مستقیم حقایق،
توجه میکنند. بنابراین ممکن است صفحهای با اعتبار دامنه بسیار بالا، به دلیل متن طولانی و ساختار نامناسب، نادیده گرفته شود و در عوض صفحهای با رتبه پایینتر اما پاسخهای دقیق و قابل پردازش توسط ماشین، در AI Overview نمایش داده شود.