تلاش برندها برای دیده شدن در موتورهای جستجوی مبتنی بر هوش مصنوعی، رویکرد جدیدی را در صنعت بازاریابی دیجیتال شکل داده است: تولید محتوایی که صرفاً برای عامل‌های هوش مصنوعی (AI Agents) طراحی شده و از دسترس کاربران انسانی دور نگه داشته می‌شود. کریس گرین (Chris Green)، متخصص و تحلیل‌گر سئو، در تحلیلی که در وب‌سایت اختصاصی خود و «سرچ انجین ژورنال» (Search Engine Journal) منتشر کرده، نسبت به پیامدهای شکل‌گیری این «وب سایه» (Shadow Web) هشدار داده است. به عقیده گرین، الگوریتم‌ها و توسعه‌دهندگان سیستم‌های هوش مصنوعی در بلندمدت هیچ انگیزه‌ای برای اعتماد به اطلاعاتی ندارند که مستقلاً توسط کاربران انسانی قابل راستی‌آزمایی نباشند.
تکرار تاریخ سئو؛ از انباشت کلیدواژه تا پنهان‌کاری الگوریتمی
صنعت سئو طی دهه‌های گذشته بارها شاهد چرخه‌های مشابهی بوده است؛ رفتارهایی که در ابتدا برای دور زدن یا تاثیرگذاری بر موتورهای جستجو شکل گرفتند و در نهایت با پاسخ سخت الگوریتم‌ها مواجه شدند. در سال‌های نخست توسعه سئو، تکنیک‌هایی نظیر متن‌های مخفی، انباشت کلیدواژه (Keyword Stuffing)، صفحات ورودی (Doorway Pages) و پنهان‌کاری (Cloaking) رواج داشتند. موتورهای جستجو این قواعد را نه از سر دشمنی با متخصصان سئو، بلکه برای جلوگیری از تنزل کیفیت نتایج و مقابله با جعل اعتبار ایجاد کردند.
سیر تطور موتور جستجوی گوگل الگوی روشنی از این تقابل تاریخی را نشان می‌دهد:
- سال ۲۰۲۲: گوگل سیستم «محتوای مفید» (Helpful Content) را معرفی کرد تا محتوایی را که برای کمک به انسان‌ها نوشته شده، نسبت به محتوای صرفاً جلب‌کننده ترافیک، ارتقا دهد.
- سال ۲۰۲۴: گوگل سیاست‌های اسپم خود را به‌روزرسانی کرد تا موضع شفاف‌تری علیه «سوءاستفاده از محتوای انبوه» (Scaled Content Abuse) اتخاذ کند؛ صرف‌نظر از اینکه محتوا توسط هوش مصنوعی تولید شده باشد یا انسان.
گوگل همچنان تکنیک پنهان‌کاری (Cloaking) را صریحاً مصداق اسپم می‌داند. اگرچه تعاریف فنی تکنیک‌های جدید پیچیده‌تر شده است، اما شباهت میان ساخت محتوای پنهان برای هوش مصنوعی و تکنیک‌های قدیمی پنهان‌کاری غیرقابل‌چشم‌پوشی است.
تفاوت میان اصلاح فرمت و تولید اطلاعات متفاوت
امروزه مجموعه‌ای از ابزارها و استانداردهای جدید برای دسترس‌پذیرتر کردن داده‌ها برای هوش مصنوعی ظهور کرده‌اند. ابتکارهایی مانند ساختار پیشنهادی llms.txt، صفحات مارک‌داون اختصاصی برای عامل‌ها، نقاط پایانی (Endpoints) مجزا و خوراک‌های داده ساختاریافته از این جمله‌اند. برای نمونه، قابلیت «مارک‌داون برای عامل‌ها» (Markdown for Agents) ارائه شده توسط شرکت Cloudflare نمونه‌ای از بازآفرینی فرمت محتوای موجود است. در این روش، منبع اطلاعات همان صفحه اصلی است، اما ساختار آن برای پردازش ماشین ساده‌تر می‌شود.
گرین تاکید می‌کند که ارائه اطلاعات یکسان در فرمت‌های گوناگون (مانند نقشه‌های سایت XML، داده‌های ساختاریافته یا APIها) نه تنها مشکلی ندارد، بلکه ضروری است. چالش اصلی زمانی آغاز می‌شود که برندها اقدام به ارائه اطلاعات کاملاً متفاوت و مجزا به عامل‌های هوش مصنوعی می‌کنند؛ محتوایی که کاربران انسانی در وب‌سایت اصلی هرگز آن را نمی‌بینند.
چالش‌های نظارتی و ساختار جستجوی هوش مصنوعی
تمایل شرکت‌ها به استفاده از این میان‌برها قابل درک است. محدودیت‌های سیستم‌های مدیریت محتوا (CMS)، الزامات طراحی، کمبود منابع توسعه، فرآیندهای پیچیده تایید و اولویت‌های متضاد تیم‌های داخلی همیشه انتشار محتوا در وب‌سایت‌های اصلی را دشوار کرده است. انتشار یک فایل متنی ساده یا میزبانی محتوای هوش مصنوعی در یک مسیر مجزا، میان‌بری جذاب به نظر می‌رسد.
با این حال، تفاوت عمده‌ای میان جستجوی سنتی و جستجوی هوش مصنوعی وجود دارد. در این فضای جدید، گوگل تنها بازیگر میدان نیست. سیستم‌هایی مانند چت‌جی‌پتی (ChatGPT) و موتورهای جستجوی متعدد دیگر از خطوط بازیابی (Retrieval Pipelines) و ابزارهای متفاوتی استفاده می‌کنند. بررسی رفتار عامل‌های هوش مصنوعی نشان می‌دهد که آنها اغلب از اصل «حداقل تلاش» برای بازیابی، خلاصه‌سازی و ارائه پاسخ استفاده می‌کنند.
این مسئله پرسش‌های بنیادی و بی‌پاسخی را مطرح می‌سازد:
- اگر یک عامل هوش مصنوعی با محتوایی مواجه شود که صرفاً برای تاثیرگذاری بر پاسخ ساخته شده، چگونه باید صحت و مطابقت آن را با وب‌سایت اصلی بسنجد؟
- وقتی نسخه ماشین‌خوان با نسخه عمومی وب‌سایت تفاوت داشته باشد، کدام‌یک معتبرتر است؟
- چرا ارائه‌دهندگان هوش مصنوعی باید به داده‌هایی اعتماد کنند که مستقلاً توسط کاربران انسانی قابل راستی‌آزمایی نیستند؟
راهکار استراتژیک: منبع واحد و قابل راستی‌آزمایی
ارائه‌دهندگان هوش مصنوعی برای حفظ اعتماد کاربران ناچارند پاسخ‌های دقیق و کاربردی ارائه دهند. آنها هیچ انگیزه‌ای برای تشویق یک زیست‌بوم چندپاره و غیرقابل‌اعتماد ندارند. اکثر برندها حتی در به‌روز نگه‌داشتن یک نسخه از وب‌سایت خود با چالش مواجه‌اند؛ بنابراین ایجاد و مدیریت یک پایگاه محتوایی دوم و پنهان، تنها مشکلات حاکمیت داده (Data Governance) و نگهداری را دوچندان می‌کند.
کریس گرین معتقد است هدف نهایی نباید رد کردن فرمت‌های اختصاصی هوش مصنوعی یا اجبار ماشین‌ها به خواندن وب مشابه انسان‌ها باشد، بلکه هدف باید ارائه اطلاعات واقعاً کاربردی از یک منبع واحد، معتبر و قابل راستی‌آزمایی باشد که همزمان برای انسان و ماشین قابل استفاده باشد. ساخت وب سایه برای هوش مصنوعی نه یک پیشرفت، بلکه میان‌بر نادرستی است که صنعت بازاریابی ممکن است سال‌ها تاوان اصلاح آن را بپردازد.