تحولات اخیر در صنعت سئو و بازاریابی محتوا نشان می‌دهد که اتکای صرف بر تولید انبوه محتوا با ابزارهای هوش مصنوعی به نقطه‌ای بحرانی رسیده است. گزارش‌های منتشرشده در نشریه Search Engine Journal حاکی از آن است که پلتفرم‌های عمده مانند Spotify و LinkedIn اقدامات شدیدی را برای مقابله با محتوای بی‌کیفیت و تولیدشده توسط هوش مصنوعی (AI Slop) آغاز کرده‌اند. هم‌زمان، داده‌های مدل‌های پیش‌بینی نشان می‌دهند که احتمال ۹۶٫۸ درصدی برای وقوع یک به‌روزرسانی بزرگ مشابه الگوریتم پاندا (Panda-style update) در گوگل ظرف یک ماه آینده وجود دارد؛ به‌روزرسانی خاصی که محتواهای ساختگی تولیدشده توسط هوش مصنوعی و نویسندگان غیرواقعی را هدف قرار خواهد داد.
مواجهه با محتوای بی‌کیفیت و به‌روزرسانی‌های الگوریتمی
افزایش چشمگیر محتوای ضعیف هوش مصنوعی، واکنش‌های گسترده‌ای را در میان رسانه‌ها و متخصصان به همراه داشته است. بر اساس گزارش روزنامه The Guardian، آگهی‌های مربوط به پاک‌سازی و اصلاح محتوای هوش مصنوعی ۸۷ درصد افزایش یافته است، در حالی که متخصصان فریلنسر از پیشنهاد دستمزدهای بسیار پایین توسط مشتریان برای انجام این فرایند خبر می‌دهند. از سوی دیگر، آزمایشگاه‌های پیشرو در زمینه هوش مصنوعی برای جلوگیری از آموزش مدل‌های خود روی محتوای اسپم موجود در وب، اقدام به خرید کتاب‌های چاپ‌شده قبل از سال ۲۰۲۲ کرده‌اند و هم‌زمان راه‌حل‌هایی مانند واترمارک‌گذاری متون را توسعه می‌دهند؛ اقدامی که ناکارآمدی استراتژی‌های تولید انبوه محتوا را بیش از پیش آشکار می‌سازد.
در همین حال، بررسی پدیده تزریق پرامپت (Prompt Injections) نشان می‌دهد که برخی تاکتیک‌های قدیمی سئو، مانند استفاده از متن سفید روی پس‌زمینه سفید که ۲۵ سال پیش رواج داشت، امروزه در قالب متون مخفی برای هدایت مدل‌های هوش مصنوعی به نتیجه‌گیری‌های خاص بازگشته‌اند. همچنین پلتفرم رسانه‌ای The New York Times نیز با اختصاص فضای اصلی صفحه نخست خود به مقالات رایگان و اطلاع‌رسانی صریح به مخاطبان درباره رایگان بودن آن‌ها، استراتژی جدیدی را برای جلب اعتماد کاربران پیش گرفته است.
تغییر رفتار جستجو و نقش صفحات محصول در خرید B2B
داده‌های مربوط به حالت هوش مصنوعی (AI Mode) در یک سال گذشته نشان می‌دهد که پرس‌وجوهای کاربران ۳ برابر طولانی‌تر شده است. مخاطبان به جای وارد کردن کلمات کلیدی کوتاه، سوالات کامل مطرح می‌کنند و همین امر باعث شده تا پاراگراف‌های پاسخ‌محور در ابتدای متن، بر ساختارهای روایتی سنتی پیشی بگیرند. همچنین، در حوزه کسب‌وکار به کسب‌وکار (B2B)، مطالعه ارجاعات توسط موسسه Ten Speed نشان می‌دهد که صفحات محصول برای خریداران B2B نزدیک به شش برابر بیشتر از شبکه اجتماعی Reddit به عنوان منبع ارجاع داده می‌شوند؛ موضوعی که پس از شش مرحله راستی‌آزمایی دقیق به تایید رسیده است.
بر اساس تحلیل‌های منتشرشده، حجم جستجوی خام دیگر معیار کاملی برای شناسایی بهترین فرصت‌های محتوایی نیست، زیرا دستیارهای هوش مصنوعی پرامپت‌های زمینه‌ای را به چند پرس‌وجوی متعدد تبدیل می‌کنند. در زمینه محتوای سلامتی و مالی (YMYL)، محتوای سطحی که همواره با مخاطره همراه بود، اکنون با پاسخ‌دهی مستقیم «مرورهای هوش مصنوعی» (AI Overviews) به پرسش‌های پزشکی، کاملاً غیرقابل رویت شده است. در همین حال، در حوزه B2B، گروه‌های خریدار بسیار زودتر از آغاز پژوهش‌های رسمی، فروشندگان مورد نظر خود را انتخاب می‌کنند و بهینه‌سازی موتورهای پاسخ (AEO) نمی‌تواند فهرستی را که ماه‌ها قبل شکل گرفته اصلاح کند. در این میان، Lisa Salvatore و Brian Barranger از شرکت CTM تاکید می‌کنند که استخراج داده از گفت‌وگوهای مشتریان می‌تواند معیار‌های سرنخ‌های واجد شرایط، بازخورد تبدیل و سیگنال‌های تقاضای محصول را مشخص کند.
هشدارهای امنیتی و نحوه ارزیابی مدل‌ها
در طی یک دوره پنج روزه، سه هشدار متوالی از سوی موسسه فناوری ماساچوست (MIT)، شرکت Anthropic و شرکت OpenAI صادر شد که الگویی مشابه آنچه Nicholas Carr در سال ۲۰۰۸ توصیف کرده بود را نمایان ساخت. علاوه بر این، بررسی دقیق مدل‌های بومی‌سازی‌شده نشان می‌دهد که ارزیابی مدل‌های زبان بزرگ چینی (Chinese LLMs) به عنوان یک دسته‌بندی واحد نادرست است؛ چرا که یک بنچمارک با ۷۷۴ خروجی بومی‌سازی شده نشان می‌دهد انتخاب مدل مناسب اهمیت بسیار بیشتری نسبت به ویرایش پس از تولید دارد.
از سوی دیگر، شرکت Anthropic جزئیاتی از نحوه کارکرد واترمارک مدل Claude افشا کرده است که نشان‌دهنده روش‌های جدید علامت‌گذاری متن است. ارزیابی ابزارهای تشخیص متن هوش مصنوعی نیز نشان می‌دهد که این ابزارها احکام متناقضی صادر می‌کنند و حتی متون نوشته‌شده توسط انسان در سال ۲۰۱۴ را به عنوان متن هوش مصنوعی علامت‌گذاری کرده‌اند. همچنین بررسی ۲۲٬۶۲۰ لینک در مطالعه مربوط به حذف نتایج منفی جستجو و ایجاد سیستم توزیع با برنامه‌ای ۹۰ روزه نشان می‌دهد که مدیریت هویت برند نیازمند یکپارچگی داده‌ها، ساختاردهی منسجم (Schema) و شفافیت در ارائه حقایق است.