سئو هوش مصنوعی چیست: جریان کاری عملی
سئو هوش مصنوعی به دو معنای متفاوت، اینکه مدلها واقعاً کجای جریان کاری سئو به کار میآیند و چطور بدون افتادن در تله مقیاس آن را بچینید.
نوشته Roozbeh Nazari · CEO
اصطلاح سئو هوش مصنوعی امروز برای توصیف همزمان دو کار متفاوت به کار میرود و بیشتر سردرگمی از همینجا برمیخیزد. نخست، استفاده از هوش مصنوعی بهعنوان ابزاری درون خود کار سئو: پژوهش، پیشنویس، دستهبندی، بازبینی. دوم، دیدهشدن روی سطوح جستجوی مبتنی بر هوش مصنوعی. این دو هدفهای متفاوت، تیمهای متفاوت و مجموعههای سنجش متفاوتی میخواهند. این نوشته معنای نخست، یعنی جریان کاری سئوی یاریشده با هوش مصنوعی را بررسی میکند؛ معنای دوم را زیر عنوانی جداگانه کاویدهایم.
جدا کردن دو معنا
جدا کردن اصطلاح تنها بحثی لفظی نیست، بحث بودجه است. بهکارگیری هوش مصنوعی در جریان کار تصمیمی درباره بهرهوری است: هدفش بیرون دادن کار بیشتر با همان تیم است و بازدهش با زمان صرفهجوییشده سنجیده میشود. دیدهشدن در جستجوهای هوش مصنوعی اما تصمیمی درباره دیدهشدن است: هدفش این است که روی سطوح جستجوی مولد بهعنوان منبع ذکر شوید و سنجشش کاملاً متفاوت است. دومی معمولاً با عنوان بهینهسازی جستجوی مولد شناخته میشود؛ چارچوب مفهومیاش را در نوشته GEO چیست تعریف کردهایم و معادل خدماتیاش را در صفحه مرئی بودن در جستجوی هوش مصنوعی گرد آوردهایم.
یک قاعده عملی برای تفکیک: اگر به پرسش “این کار بدون هوش مصنوعی هم انجام میشد، فقط کندتر؟” پاسخ بله میدهید، در معنای نخست هستید. اگر میگویید “این کار اگر سطوح جستجوی هوش مصنوعی نبودند اصلاً مطرح نمیشد”، در معنای دوم هستید. درآمیختن این دو کار در یک پروژه به اینجا میرسد که نمیتوانید بسنجید کدامیک کار کرده است.
هوش مصنوعی واقعاً کجای جریان کاری سئو به کار میآید؟
جاهایی که سود پایدار دیدهایم تولید خلاقانه نیست، کارهای کسالتبار و تکراری است. نخست دستهبندی: گروهبندی هزاران کوئری بر پایه نیت، تفکیک فهرست آدرسها بر پایه نوع قالب، برچسبگذاری نظرات بر پایه موضوع. این کارها دستی ساعتها وقت میبرند و چون راستیآزمایی خروجی آسان است ریسک خطا پایین میماند.
دوم اکتشاف و خلاصهسازی: مرور سریع اسناد بلند، متون مقرراتی یا صفحات رقبا. خروجی اینجا محصول نهایی نیست، میانبری است که انسان به آن نگاه میکند. سوم اسکلت پیشنویس: بیرون کشیدن اینکه یک موضوع باید چه زیرعنوانهایی را پوشش دهد و سپس پر کردن آن اسکلت با دانش کارشناس. چهارم بازبینی: پویش خودکار بندهایی مانند طول عنوان، وجود لینک داخلی و زبان ادعا پیش از انتشار. در صنایع مقرراتی همین گام آخر بیشترین بازده را میدهد، چون یکدستی کاری است که بیشتر به ماشین میآید تا به انسان.
نکتهای که باید مراقبش بود این است که در هیچیک از این گامها هوش مصنوعی جای منبع را نگیرد. مدل وقتی داده شما را پردازش میکند نیرومند است؛ وقتی آنچه خود ساخته را بهعنوان واقعیت عرضه میکند ضعیف. بردن خروجی پژوهش به محتوا بدون راستیآزمایی، رایجترین و پرهزینهترین خطایی است که میبینیم. بهویژه عدد، تاریخ و ارجاع مقرراتی باید هر بار از منبع اصلی تأیید شود.
تله مقیاس: کجا به کار نمیآید؟
مقیاس، جذابترین وعده هوش مصنوعی، بزرگترین ریسک آن هم هست. سیاستهای اسپم گوگل تولید صفحات پرشمار بدون افزودن ارزش برای کاربر را صراحتاً سوءاستفاده محتوایی در مقیاس تعریف میکند و میگوید این تعریف بدون توجه به روش تولید برقرار است. یعنی مسئله این نیست که محتوا با هوش مصنوعی ساخته شده، بلکه این است که ارزش اصیلی دارد یا نه. به همین ترتیب راهنمای محتوای سودمند گوگل بر این میایستد که محتوا برای انسان تولید شود نه برای رتبه.
ترجمه عملیاش روشن است: تولید صد صفحه در یک هفته از نظر فنی شدنی است، اما اگر هر یک از آن صفحهها همان قالب با کلمات متفاوت باشد، نتیجه دیدهشدن نیست، ریسک است. نوشته ما درباره هوش مصنوعی مقالهنویس طراحی فرایند را از سمت سیاست بررسی میکند. کنترلهای کیفیت سمت محتوا را هم در چارچوب خدمت سئو محتوایی ما استاندارد کردهایم.
تله دوم تلاش برای جانشینی تخصص است. دانش مبتنی بر تجربه (اینکه یک فرایند در واقعیت چگونه کار میکند و در کدام گام چه چیزی خراب میشود) دقیقاً همان چیزی است که مدل ندارد. متنی که بدون گردآوری این دانش از تیم تولید شود روان خوانده میشود اما متمایز نیست؛ و در کوئریهای رقابتی، محتوای غیرمتمایز جایی پیدا نمیکند.
جریان کاری که برای تیم کار میکند
ساختاری که جواب میدهد چهار لایه دارد. لایه نخست ورودی: آنچه به مدل میدهید باید داده خودتان باشد (فهرست کوئریها، محتوای موجود، اطلاعات محصول، یادداشت کارشناسان). لایه دوم وظیفه: برای هر گام خروجیای باریک و راستیآزماییپذیر تعریف کنید؛ بهجای “درباره این موضوع مقاله بنویس”، “این پانزده کوئری را بر پایه نیت گروهبندی کن”. لایه سوم راستیآزمایی: بنویسید هر خروجی را چه کسی و با چه معیاری بررسی میکند. لایه چهارم ثبت: یادداشت کنید در کدام گام از هوش مصنوعی استفاده شده تا وقتی مشکلی پیش آمد بدانید کجا را نگاه کنید.
وقتی این ساختار مستقر شود سود واقعی است، اما نه آنجا که انتظار میرود. بیشتر صرفهجویی زمان نه در گام نوشتن بلکه در گامهای آمادهسازی و بازبینی پدیدار میشود. بیشتر تیمها عکس آن را میآزمایند و سرخورده میشوند: نوشتن را واگذار میکنند، بازبینی را خودشان انجام میدهند و در نتیجه زمان کل کوتاه نمیشود.
در پایان سنجش: داوری درباره این کار بر پایه رتبه گمراهکننده است، چون آنچه تغییر کرده روش است نه هدف. شاخصهای دقیقتر اینهاست: زمان رسیدن یک محتوا از بریف تا انتشار، شمار خطاهای گرفتهشده پیش از انتشار، و شمار بندهای کاری که تیم در همان دوره بسته است. اگر این سه عدد بهتر شوند جریان کار دارد کار میکند؛ سمت رتبه هم مثل همیشه به کیفیت خود محتوا وابسته میماند.
انتخاب ابزار، داده و انضباط ثبت
هنگام چیدن جریان کار، انتخاب ابزار کماهمیتتر از آن است که بیشتر تیمها گمان میکنند و مدیریت داده مهمتر. اینکه از کدام مدل استفاده میکنید با گذر زمان عوض میشود؛ آنچه عوض نمیشود این است که چه دادهای به مدل میدهید و خروجی را چگونه راستیآزمایی میکنید. پس پیش از ورود به ارزیابی ابزارها باید دو پرسش روشن شود: چه دادهای میتواند بیرون برود و شرط نگهداری دادهای که بیرون میرود چیست؟
این پرسش در حوزههایی مانند سلامت، مالی و حقوقی نظری نیست. پردازش متونی که اطلاعات بیمار، داده شخصی یا داده منتشرنشده مشتری دارند موضوع انطباق جداگانهای است و به سیاست سازمان بستگی دارد. قاعدهای که در عمل به کار میبریم ساده است: دادهای که فرد را شناسایی میکند هرگز وارد جریان کار نمیشود و جایی که تحلیل لازم است، داده نخست ناشناسسازی میشود. این محدودیت جریان کار را کند نمیکند، چون تقریباً همه کارهای سمت سئو از پیش با داده تجمیعی و بدون هویت انجام میشود.
انضباط ثبت هرچه تیم بزرگتر شود تعیینکنندهتر میشود. اگر نوشته نشده باشد در کدام گام کدام دستور به کار رفته، دو نفر همان کار را با دو سطح کیفی متفاوت بیرون میدهند و دلیل فاصله پیدا نمیشود. نگه داشتن دستورها در جایی مشترک آنها را به داراییای تبدیل میکند که با زمان بهتر میشود. این همان نقطهای است که جریان کار از آزمایشی یکباره به توانمندی سازمانی تبدیل میشود و معمولاً پس از ماه سوم دیده میشود.
نشانه سادهای برای بلوغ این جریان کار هست: تیم دیگر گامهایی را که در آنها از هوش مصنوعی استفاده میکند جداگانه بحث نمیکند. ابزار، درست مانند یک صفحهگسترده، بخش عادی فرایند میشود و بحث به موضوع اصلی بازمیگردد، یعنی اینکه محتوا به چه کسی چه میگوید. در تیمهایی که به این نقطه میرسند سود سنجیدهشده ماندگار هم هست؛ آنها که در مرحله آزمایش میمانند معمولاً ابزار عوض میکنند و تفاوت را در ابزار میجویند.
منابع
- Google Search Central — Spam policies for Google web search: تعریف سوءاستفاده محتوایی در مقیاس و اینکه بدون توجه به روش تولید برقرار است.
- Google Search Central — Creating helpful, reliable, people-first content: پرسشهای خودارزیابی درباره تولید محتوا با اولویت انسان.