با افزایش روزافزون استفاده از مدلهای زبانی بزرگ (LLMs) برای جستجو و دریافت پیشنهادهای خرید، حضور برندها در پاسخهای هوش مصنوعی به یکی از دغدغههای اصلی بازاریابان تبدیل شده است. با این حال، بسیاری از کسبوکارها پس از تلاشهای فراوان برای دیده شدن در نتایج هوش مصنوعی، با چالش جدیدی مواجه میشوند؛ زمانی که کاربر مستقیماً از هوش مصنوعی میپرسد «آیا این برند را توصیه میکنید؟»، این ابزارها اغلب به جای حمایت، نقش یک منتقد سختگیر را بازی میکنند. بررسیها نشان میدهد که مدلهای پیشرو به دلیل دستورالعملهای ایمنی سختگیرانه، تمایل دارند کوچکترین شکایتها را برجسته کرده و کاربران را به سمت رقبا سوق دهند. اما آیا راهی برای اصلاح این دیدگاه وجود دارد؟
ریشه سوگیری هوش مصنوعی علیه برندها
توسعهدهندگان مدلهای هوش مصنوعی پیشرو، به سیستمهای خود آموزش دادهاند تا از ریسکهای مربوط به توصیه کالا و خدمات، بهویژه در حوزههای حساس یا قوانین مربوط به «پول یا زندگی شما» (YMYL)، اجتناب کنند. این محافظهکاری شدید باعث شده است که مدلها عملاً هرگونه شکایت یا نقد منفی موجود در وب را برجسته کنند. به عنوان مثال:
- شرکت OpenAI خواستار احتیاط بیشتر در مواردی شده است که خطاهای احتمالی میتوانند پیامدهای واقعی و جدی به همراه داشته باشند.
- قانون اساسی شرکت Anthropic (مصوب ژانویه ۲۰۲۶) از مدل هوش مصنوعی خود یعنی Claude میخواهد که آسیبهای بالقوه را بسنجد و در زمینه مسئولیت حقوقی احتیاط کند، در حالی که همچنان مفید باقی بماند.
- سیاست برنامه Gemini شرکت گوگل صراحتاً اعلام میکند: «Gemini نباید خروجیهای نادرست واقعی تولید کند که بتواند آسیبهای جدی و واقعی به سلامت، امنیت یا امور مالی افراد وارد کند.»
این رویکرد منجر به یک بیشاصلاحی (Over-correction) در سیستم شده است. هوش مصنوعی در تلاش برای دفع ریسک، تقریباً هر نقد منفی یا شکایت قدیمی را که پیدا میکند، مطرح کرده و با صادر کردن هشدارهای احتیاطی، رقبای شما را پیشنهاد میدهد. در این حالت، تلاشهای شما برای دیده شدن در هوش مصنوعی بیاثر میشود، زیرا سیستم بدون درک بافتار (Context)، مشتریان بالقوه را فراری میدهد.
حل مسئله با فرمول «صورت و مخرج کسر»
تحقیقات نشان میدهد که سیستمهای هوش مصنوعی به دلیل نداشتن «مخرج کسر» دچار سوگیری میشوند. به عنوان مثال، در یک مورد بررسیشده برای یکی از مشتریان پلتفرم AnswerShare، هوش مصنوعی با استناد به چند شکایت عمومی، این کسبوکار را گزینهای پرخاطره معرفی میکرد. این برند دارای ۷۵ نقد مثبت، ۵ نقد منفی و ۲ شکایت در انجمن کسبوکار بهتر (BBB) بود. اگر این برند تنها ۲۰ مشتری داشت، وجود ۷ نقد منفی و شکایت یک زنگ خطر بزرگ بود. اما برای برندی که طی ۱۳ سال به بیش از ۳۵,۰۰۰ مشتری خدمات ارائه داده است، این تعداد شکایت نشاندهنده نرخ رضایت ۹۹.۹۸ درصدی است.
برای حل این مشکل، این شرکت فایلهای llms-full.txt را حاوی داستان کامل برند منتشر کرد. همچنین برای سرعت بخشیدن به فرآیند، این محتوا روی یک «ورکر» (Worker) در لبه شبکه توزیع محتوا (CDN Edge) قرار گرفت تا مستقیماً در اختیار خزندههای هوش مصنوعی قرار گیرد. نتایج شگفتانگیز بود: تنها پس از سه روز، پاسخهای هوش مصنوعی متعادلتر شد و پس از ۱۴ روز، میزان توصیههای مثبت به ۱۰۰ درصد رسید. هوش مصنوعی همچنان شکایتها را مطرح میکرد، اما اکنون مقیاس فعالیت و سابقه شرکت را نیز در تحلیل خود لحاظ میکرد.
نقش «بیلبوردهای لبه شبکه» در آموزش هوش مصنوعی
در این آزمایشها، از کدهایی برای هدایت ترافیک به لایه ماشین (خزندههای هوش مصنوعی) یا لایه انسان (کاربران و رباتهای جستجوگر مانند Googlebot) استفاده شد که به آنها ورکر میگویند. بررسیها نشان داد که فایلهای ایستای llms-full.txt در طول دو ماه تنها ۱۵۴ بار خزیده شدند، در حالی که ورکر لبه شبکه ۷۴۴,۵۶۶ بار مورد خزش قرار گرفت. تکرار مداوم این دادهها مانند یک بیلبورد تبلیغاتی برای هوش مصنوعی عمل میکند.
اثربخشی تکرار در مدلهای زبانی بزرگ در مقالهای علمی با عنوان "Rational Synthesizers or Heuristic Followers? Analyzing LLMs in RAG-based Question-Answering" نوشته اتهارو نافاده (Atharv Naphade) در تاریخ ۸ ژانویه ۲۰۲۶ تایید شده است. این مقاله نشان میدهد که تکرار دادهها همانطور که روی انسانها تاثیر دارد، روی هوش مصنوعی نیز موثر است.
چگونه روایت برند خود را برای هوش مصنوعی بهینهسازی کنیم؟
برای مدیریت شهرت برند در عصر هوش مصنوعی، اطلاعات باید حول سه محور اصلی سازماندهی شوند:
- کسبوکار: هویت برند شامل لینکهای ویکیپدیا، ویکیدیتا، ثبت رسمی شرکت، مالکیت، تاریخچه، تعداد مشتریان خدماترسانیشده و مقیاس عملیاتی.
- سوابق شهرت: بررسی شفاف دغدغههای عمومی، دامنه آنها، پاسخ شرکت و بافتار لازم برای تفسیر آنها.
- مرزها و محدودیتها: تاریخ منابع، ارجاعات، سوالات حلنشده و مواردی که شواهد موجود آنها را اثبات نمیکنند.
به عنوان مثال، در پرونده مشتری مذکور، دو شکایت BBB مربوط به روشهای فروش یک کارمند سابق بود و ربطی به کیفیت خدمات نداشت. با توضیح این موضوع در فایل بیلبورد و اشاره به اقدامات مدیریتی برای جلوگیری از تکرار آن، هوش مصنوعی در پاسخهای بعدی یا این شکایت را حذف کرد یا آن را غیرمرتبط با کیفیت فعلی خدمات دانست.
نکته کلیدی این است که نباید سعی در فریب دادن هوش مصنوعی داشت، زیرا سیستمها به سرعت متوجه رفتارهای دستکاریشده میشوند و آن را به عنوان هرزنامه بازاریابی جریمه میکنند. اطلاعات باید به صورت شفاف، مستند و با ارجاع به منابع مستقل ارائه شوند.
فرصتهای بکر در بازار بهینهسازی هوش مصنوعی (GEO)
طبق دادههای ارائه شده، در حال حاضر حدود ۲۰۵,۰۰۰,۰۰۰ وبسایت تجاری فعال در جهان وجود دارد. از این میان، تنها حدود ۵,۰۰۰,۰۰۰ وبسایت (معادل ۲.۵ درصد) از نوعی بهینهسازی برای هوش مصنوعی استفاده میکنند. از سوی دیگر، حدود ۶۵ درصد از سایتها به طور فعال در برابر خزندههای هوش مصنوعی حالت تدافعی دارند. این آمار نشاندهنده یک بازار بکر و فرصتی عظیم برای برندهایی است که میخواهند زودتر از رقبا، سهم خود را از توصیههای هوش مصنوعی به دست آورند.