بر اساس تحلیلی که در ۱۶ اکتبر توسط آژانس رشد Graphite منتشر شد، برندهایی که مدل ChatGPT در حالت پاسخ‌دهی بدون جستجوی وب به ندرت از آن‌ها نام می‌برد، حتی زمانی که این هوش مصنوعی دسترسی به جستجو دارد و به صفحاتی حاوی نام همان برندها لینک می‌دهد، همچنان با نرخ بسیار پایینی در پاسخ‌های نهایی ظاهر می‌شوند. این پژوهش نشان می‌دهد استناد آنلاین به وب‌سایت یک شرکت در موتور پاسخ ChatGPT، الزماً به معنای ذکر نام آن برند در پاسخ ارائه‌شده به کاربر نیست.
نقش کلیدی داده‌های آموزش اولیه در کنار جستجوی آنلاین
بررسی‌های Graphite بر روی ۳,۱۱۵ جفت سوال و موجودیت (Entity) بر پایه ۵۷ پرسش مقایسه‌ای انجام شده است که در ماه اوت از نسخه بدون ورود به حساب کاربری (Logged-out) ابزار ChatGPT جمع‌آوری شد. در میان برندهایی که حضور پررنگی در حداقل ۱۵ درصد از صفحات منبع ارجاع‌شده داشتند، اگر در حالت بدون جستجو در کمتر از یک‌چهارم پاسخ‌ها نام برده شده بودند، میانه نرخ رؤیت‌پذیری (Visibility) آن‌ها هنگام فعال بودن جستجو تنها ۱۱ درصد بود.
آژانس Graphite که خدمات بهینه‌سازی برای موتورهای پاسخ (AEO) ارائه می‌دهد، تاکید می‌کند که شرکت‌ها باید علاوه بر تلاش برای دریافت ارجاع و لینک، بر آنچه مدل‌های هوش مصنوعی در طول دوره آموزش اولیه فرامی‌گیرند نیز تمرکز کنند؛ مفهومی که این آژانس آن را «بهینه‌سازی دانش پارامتریک» (Parametric Knowledge Optimization یا PKO) نامیده است.
یافته‌های این گزارش در دو نوبت بازآزمایی دیگر نیز تایید شده است؛ نوبت اول با ۱۰۰ پرسش از طریق API و کنترل صریح فعال یا غیرفعال بودن جستجو، و نوبت دوم با ۲۰۰ پرسش در یک بازه زمانی سه هفته‌ای از طریق ابزار ردیابی Graphite انجام گرفت. در تمام گروه‌ها، برندهایی که در حالت بدون جستجو بیشتر نام برده شده بودند، در حالت متصل به جستجو نیز نرخ رؤیت‌پذیری بالاتری ثبت کردند.
تحلیل پرس‌وجوهای فرعی و الگوی جستجوی هوش مصنوعی
بخش دیگری از پژوهش Graphite به بررسی نام برندها در حدود ۹۵۷,۰۰۰ پرس‌وجوی فرعی (Fan-out Queries) اختصاص داشت؛ جستجوهای پس‌زمینه‌ای که ChatGPT پیش از ارائه پاسخ نهایی اجرا می‌کند. این داده‌ها از ۲۲,۹۵۳ پرسش مقایسه‌ای غیربرندی بین ماه‌های اوت تا اوایل اکتبر گردآوری شد. طبق ارزیابی مدل Claude Haiku 4.5 شرکت Anthropic، حدود ۵۹.۶ درصد از این پرس‌وجوها حاوی نام یک برند بودند و ۲۲.۷ درصد آن‌ها از اپراتور :site استفاده می‌کردند.
این در حالی است که هیچ‌یک از پرسش‌های ورودی کاربران حاوی نام برند نبود. Graphite اشاره می‌کند که وجود نام برند در پرس‌وجوی فرعی، احتمال بازیابی صفحاتی که آن برند را معرفی کرده‌اند افزایش می‌دهد. سوگانتان موهاناداسان نیز در آزمایشی کوچک‌تر که در ماه اوت منتشر کرد به الگوی مشابهی دست یافت؛ در ۲۱ مکالمه از ۲۷ مکالمه بررسی‌شده، اولین پرس‌وجوی جستجوی ChatGPT شامل نام برندهایی بود که کاربر آن‌ها را تایپ نکرده بود.
در همین حال، گزارش منتشرشده توسط Ahrefs در ۱۲ اکتبر نشان داد که ۱۴.۴ درصد از ۶۶.۶ میلیون پاسخ ChatGPT بدون ورود به حساب در شهرهای مختلف در ماه‌های اوت و سپتامبر، شامل پرس‌وجوهای فرعی بوده‌اند. البته داده‌های Ahrefs بر اساس حجم جستجوی عمومی ثبت شده، در حالی که پژوهش Graphite بر پرسش‌های مقایسه‌ای متمرکز بوده است.
روند صعودی ارجاعات و فاصله زمانی اثرگذاری محتوا
بر اساس داده‌های ردیابی Graphite، سهم پاسخ‌های حاوی ارجاع و لینک در ChatGPT بدون ورود به حساب، از ۵۶.۶ درصد در هفته ۳ اوت به ۸۸.۵ درصد در هفته ۲۸ سپتامبر افزایش یافته است. در همین بازه زمانی، این شاخص برای ابزار Gemini از ۷۹.۰ درصد به ۸۱.۲ درصد رسید. Graphite این رشد را نشان‌دهنده افزایش تکرار استفاده از جستجو می‌داند.
همچنین محاسبه زمان بین تاریخ قطع داده‌های آموزشی (Cutoff) و زمان انتشار مدل‌ها نشان می‌دهد که برای مدل‌های منتشرشده از ماه ژوئیه، این بازه زمانی بین دو تا پنج ماه بوده است. Graphite این فاصله را «حداقل زمان لازم برای اثرگذاری محتوای تازه منتشرشده» می‌نامد. با این حال، این حساب‌رسی سنجه‌ای برای زمان دقیق خزش محتوا در مجموعه داده یا تغییر پاسخ‌های مدل نیست.
Graphite روش‌های کاوشگرانه‌ای مانند سنجش رؤیت‌پذیری از طریق API در حالت بدون جستجو پس از عرضه مدل جدید (جمع‌آوری حداقل ۵۰ پاسخ برای هر پرسش) و باز گذاشتن دسترسی ربات‌های خزشگر آموزشی با بررسی محدودیت‌های شبکه توزیع محتوا (CDN) را به برندها پیشنهاد می‌کند. در این میان، گوگل نیز در راهنمای خود تصریح کرده است که توکن Google-Extended در فایل robots.txt تنها استفاده از محتوا برای آموزش Gemini و ابزارهای مرتبط را کنترل می‌کند و تاثیری بر رتبه‌بندی یا حضور سایت در جستجوی معمولی گوگل ندارد.