بسیاری از برندها حضور و دیده شدن در نتایج جستجوی هوش مصنوعی را یک چالش تولید محتوا میدانند؛ اما واقعیت این نیست. تصحیح اطلاعات نادرست یا قدیمی در مدلهای زبانی بزرگ (LLMs) با انتشار صفحات معتبرتر، افزودن بخش پرسشهای متداول (FAQs) یا توضیح مجدد ویژگیهای محصول امکانپذیر نیست. در بسیاری از موارد که اطلاعات مربوط به یک برند در هوش مصنوعی قدیمی یا نادرست است، مشکل از کمبود داده نیست، بلکه از حجم بیش از حد دادههای متناقض ناشی میشود. به عبارت دیگر، برندها نسخههای متعددی از حقیقت را در فضای وب رها کردهاند و نسخهای که با سوال کاربر همخوانی دارد، لزوماً نسخه بهروز و معتبر نیست.
تفاوت بنیادین جستجوی سنتی و هوش مصنوعی در بازیابی اطلاعات
در موتورهای جستجوی سنتی، سیستم میتوانست چندین صفحه مختلف را به طور همزمان رتبهبندی کند و انتخاب نسخه بهروز و معتبر را به عهده کاربر بگذارد. اما ابزارهای جستجوی مبتنی بر هوش مصنوعی، منابع مختلف را بازیابی کرده و از آنها برای ساخت یک پاسخ واحد و منسجم استفاده میکنند. این پاسخ نهایی، حتی اگر بر اساس شواهد متناقض و قدیمی شکل گرفته باشد، در ظاهر کاملاً قطعی و درست به نظر میرسد. بنابراین، این چالش صرفاً یک مسئله محتوایی ساده نیست؛ بلکه یک چالش حاکمیت محتوا (Content Governance) و بازیابی اطلاعات است که اکنون به یک مسئله حیاتی در بهینهسازی موتورهای جستجو (SEO) تبدیل شده است.
هنگامی که کاربری از یک مدل زبانی بزرگ سوالی میپرسد، ساختار پرسش (Prompt) و کلمات کلیدی به کار رفته در آن، چارچوب جستجو برای یافتن اطلاعات پشتیبان را تعیین میکنند. سیستم ممکن است پرسش را بازنویسی کند یا چندین جستجوی مرتبط را انجام دهد، اما در نهایت همچنان تلاش میکند به همان سوال اولیه پاسخ دهد. این موضوع زمانی اهمیت پیدا میکند که سوال کاربر حاوی یک فرض قدیمی و منسوخ باشد که خود کاربر از قدیمی بودن آن بیخبر است.
تله واژگان قدیمی و فرضیات منسوخ کاربران
به عنوان مثال، اگر کسی بپرسد «مدیرعامل (CEO) شرکت [نام شرکت] کیست؟»، فرض او این است که این شرکت هنوز دارای یک پست سازمانی به نام مدیرعامل است. کاربر اطلاعات کافی ندارد تا بپرسد در حال حاضر چه کسی «برند را رهبری میکند»، آیا مدیریت به شرکت مادر منتقل شده است یا کدام عنوان شغلی جدید مسئولیت مشابهی را بر عهده دارد. در این حالت، جستجویی که بر روی نام شرکت و کلمه «CEO» تمرکز دارد، به طور طبیعی صفحاتی را ترجیح میدهد که دقیقاً حاوی این رابطه واژگانی باشند.
بیوگرافیهای قدیمی، بیانیههای مطبوعاتی، مصاحبهها و اخبار تصاحب شرکت در گذشته، همگی ممکن است نام یک مدیرعامل سابق را نشان دهند. این در حالی است که صفحه معرفی مدیران فعلی ممکن است از اصطلاحات متفاوتی استفاده کند که مستقیماً به واژه «CEO» نگاشت نمیشوند؛ عناوینی مانند «مدیر کل» (General Manager)، «رئیس برند» (Brand President) یا «معاون ارشد برند» (SVP of Brand). اگر منابعی که ساختار جدید مدیریتی را توصیف میکنند صراحتاً این تغییرات را به اصطلاحات قدیمی پیوند ندهند، ممکن است هرگز وارد فرآیند بازیابی اطلاعات (Retrieval) توسط هوش مصنوعی نشوند، زیرا مدل زبانی نمیتواند به منبعی استناد کند که اصلاً آن را بازیابی نکرده است.
این پدیده در دنیای واقعی نیز مشاهده شده است. در مواردی، پرسش از یک مدل زبانی درباره اینکه مدیرعامل فعلی یک شرکت کیست، منجر به معرفی یکی از چهار مدیرعامل سابق شده است. هیچکدام از این پاسخها توسط هوش مصنوعی جعل نشده بودند، بلکه همه آن افراد در دورهای این سمت را بر عهده داشتند و صفحات آرشیوی شرکت همچنان این اطلاعات تاریخی را مستند نگه داشته بودند. اما ساختار شرکتی جدید از عناوین متفاوتی مانند معاون ارشد (SVP) و مدیر کل (GM) استفاده میکرد و به دلیل عدم تطابق واژگانی، هوش مصنوعی نتوانسته بود ارتباط میان سوال کاربر و واقعیت جدید را برقرار کند.
محتوای پلساز؛ راهکار اصلاح اطلاعات در مدلهای زبانی
واکنش غریزی بسیاری از برندها برای حل این مشکل، انتشار یک صفحه جدید برای معرفی مدیران و انتظار برای اصلاح خودکار پاسخهای هوش مصنوعی است. اگرچه این کار بیتاثیر نیست، اما انتشار محتوای جدید به معنای اصلاح اطلاعات قبلی نیست. اطلاعات دقیق اگر با واژگان اشتباه نوشته شوند، برای سیستمهای بازیابی نامرئی باقی میمانند. برندها به «محتوای پلساز» (Bridge Content) نیاز دارند تا اصطلاحات منسوخ را به واقعیت فعلی متصل کند.
در مثال مدیریت، جملهای که برای اصلاح سوابق باید منتشر شود صرفاً این نیست که «جین اسمیت (Jane Smith) معاون ارشد و مدیر کل است»؛ بلکه باید نوشته شود: «پس از تصاحب شرکت، این مجموعه دیگر دارای پست سازمانی مدیرعامل (CEO) مستقل نیست. در حال حاضر جین اسمیت به عنوان معاون ارشد (SVP) و مدیر کل (GM) این برند را در چارچوب گروه شرکت مادر رهبری میکند.» این جمله دقیقاً نقطه شروع سوءتفاهم کاربر را هدف قرار میدهد، علت عدم کاربرد عنوان قبلی را توضیح میدهد و به سیستمهای بازیابی منبعی ارائه میدهد که بدون انتساب نادرست عنوان مدیرعامل به افراد دیگر، به واژه «CEO» پاسخ دهد. این اصل در مورد تغییر نام محصولات، توقف طرحها، ادغام شرکتها، انقضای گواهینامهها یا تغییر ویژگیهای محصول نیز صدق میکند.
ممیزی ادعاهای برند و پاکسازی داراییهای دیجیتال
برای اصلاح پاسخهای نادرست، باید مسیر ارجاعات و نتایج جستجوی پشتیبان آن را ردیابی کرد. هدف، یافتن زنجیره شواهدی است که آن پاسخ نادرست را تولید کرده است، نه اینکه صرفاً یک صفحه جدید روی آن منتشر شود. صفحات تحت مالکیت برند میتوانند بهروزرسانی، ادغام، ریدایرکت یا حاشیهنویسی شوند. یک بیانیه خبری قدیمی نباید بازنویسی شود تا تاریخ را تحریف کند، اما میتواند دارای یک تاریخ واضح، یادداشت وضعیت یا لینکی به اطلاعات فعلی باشد. همچنین فایلهای PDF و مواد فروش قدیمی که دیگر معرف کسبوکار نیستند باید بازنشسته یا آرشیو شوند.
در مورد گزارشهای رسانههای ثالث، برندها نمیتوانند از یک نشریه بخواهند خبر پنج سال پیش خود را تغییر دهد، اما میتوانند دسترسی به توضیحات رسمی و کنونی خود را آسانتر کنند و از شرکا و دایرکتوریها بخواهند اطلاعات خود را بهروز کنند. یک ممیزی جامع ادعاهای برند (Brand Claim Audit) باید موارد زیر را ثبت کند:
- پرسش یا پرامپتی که احتمال دارد کاربر استفاده کند.
- هرگونه فرض قدیمی و منسوخ موجود در آن پرسش.
- اصطلاحات قدیمی و معادلهای فعلی آنها.
- واقعیت تاییدشده فعلی و منبع رسمی و عمومی آن.
- سایر صفحات تحت مالکیت، فایلهای PDF، بیوگرافیها یا پروفایلهایی که نسخههای قدیمی در آنها ظاهر شدهاند.
- منابعی که در حال حاضر در پاسخهای نادرست هوش مصنوعی به آنها استناد میشود.
این ممیزی نباید به صفحات HTML محدود شود، بلکه باید کیتهای رسانهای، بروشورهای فروش قابل دانلود، محتوای مرکز راهنما، مقادیر نشانهگذاری اسکیما (Schema)، فیدهای محصول و پروفایلهای فروشگاهی را نیز در بر گیرد. در نهایت، هدف این نیست که تکتک جملات در همه جا کاملاً یکسان باشند، بلکه باید حقایق زیربنایی به یک پاسخ واحد ختم شوند تا زبان مورد استفاده کاربران، آنها را به حقیقت فعلی هدایت کند.