أن تكون مسوقًا إلكترونيًا اليوم يمثل تحديًا بسبب التحولات السريعة في كيفية اكتشاف المحتوى الإلكتروني واستهلاكه. تقليديًا، كان المرور العضوي يأتي من المستخدمين الذين يبحثون في محركات كبيرة مثل جوجل، ويطالعون النتائج العليا، ويضغطون على الأنسب لهم. ومع ذلك، فإن محركات الذكاء الاصطناعي الحوارية تغير هذا النمط بسرعة، مما يسرع من عملية التغيير. ونتيجة لذلك، فإن حركة المرور المباشرة إلى المواقع تتراجع سنة بعد أخرى، والإعلانات المدفوعة أصبحت أكثر تكلفة مع معدلات تحويل أدنى، وتسيطر نتائج جوجل المعتمدة على ذكاء جيمي ني على عمليات البحث. حوالي 60% من عمليات البحث العام الماضي انتهت دون نقر، وهو اتجاه يتصاعد باستمرار. وقيمة التصدر في نتائج البحث انخفضت إلى أقل من نصف ما كانت عليه قبل بضع سنوات. فما هو الطريق للمستقبل؟ تقديم مفهوم **تحسينات المحرك التوليدي (GEO)**. المستخدمون في تزايد لا يرون الروابط، والأهم من ذلك، أن محركات البحث التقليدية أُنشئت لتقديم إجابات، وليس صفحات. أدوات الذكاء الاصطناعي مثل كلاود أو ChatGPT تركز على تقديم الإجابات بدلاً من توجيه المستخدمين إلى الروابط. إشارة جوجل الأخيرة إلى وضع “الذكاء الاصطناعي” ترمز إلى تحول مماثل في هذا الاتجاه. على سبيل المثال، أثناء بحث عن سيارة مستعملة مع ابنتي، كانت جميع الاستفسارات تقريبًا عن المميزات والموثوقية تمت الإجابة عليها مباشرة بواسطة كلاود، دون الحاجة لزيارة مواقع متعددة. مع أن النظام ليس مثاليًا، إلا أن نماذج اللغة الكبيرة تتجه بزيادة لتوجيه رحلة العميل خارج اللقاءات التقليدية مع العلامة التجارية. يثير هذا سؤالًا هامًا: كيف يمكن للمسوقين أن يؤثروا على التوصيات التي تولدها أنظمة الذكاء الاصطناعي؟ الأخبار الجيدة أن الكثير مما يُنشئ محتوى موثوقًا لمحركات البحث لا يزال مهمًا، مثل إنشاء محتوى عالي الجودة، وضمان سهولة الوصول، وتوفير البيانات الوصفية القوية. محركات البحث، سواء التقليدية أو المعززة بالذكاء الاصطناعي، تتطلب سياقًا وهيكلًا لتفسير المحتوى. بالإضافة إلى اهتمامات تحسين محركات البحث التقليدية، يجب على المسوقين الآن التركيز على كيفية إدراك الذكاء الاصطناعي وتصنيفه للمحتوى الخاص بهم — وهو مجال يتطور بسرعة ويُعرف broadly باسم GEO. **فهم المحتوى لموديلات اللغة الكبيرة (LLMs)** في حين أن المحتوى ذو القيمة للبشر يساعد أيضًا نماذج الذكاء الاصطناعي، إلا أن الفرق الحاسم يكمن في القدرة على reasoning.

نماذج اللغة الكبيرة تعالج أنماط اللغة لكنها تفتقر للفهم الحقيقي. على سبيل المثال، البشر يعلمون أن “AWD” تعني الدفع الرباعي، وأن “يدوية” تشير إلى نوع ناقل الحركة. أما النماذج بدون سياق صريح، فهي ترى الكلمات فقط — قد تخلط بين “يدوية” وكتاب أو لا تدرك أن “AWD” تعني دفع رباعي. رغم أن بيانات التدريب توفر بعض السياق، إلا أن المُسَوّقين يمكنهم المساعدة عبر تضمين شرح مفصل على المواقع، مثل القواميس الموسعة، كما يوصي خبراء مثل كوري فيلهاور. كما تلعب الأسئلة الشائعة المعدة بشكل جيد دورًا متجددًا، فهي لا تركز فقط على الأسئلة المفترضة من المستخدمين، بل على الأسئلة التي قد يطرحها نموذج اللغة الكبير نفسه. تقديم إجابات دقيقة لتلك الأسئلة المتوقعة يزيد من فرص أن يُقدمها الذكاء الاصطناعي. **تعزيز دور البيانات الوصفية** علامات البنية (Schema markup) والمعاني المضمّنة مثل البيانات المجهرية (microdata) أو JSON-LD ليست جديدة، لكنها أصبحت أكثر أهمية الآن. يوفر schema. org المئات من الأنماط المختلفة، وبينما كان التوجيه سابقًا لمساعد جوجل في نتائج غنية، فإن فهم الذكاء الاصطناعي الأوسع يتيح استغلال أنواع أوسع من الأنماط التي تتطابق بشكل أدق مع المحتوى الحقيقي. أداة جديدة ناشئة هي ملف llms. txt، المشابه لـ sitemaps. txt لكنه مصمم خصيصًا لنماذج اللغة الكبيرة، مكتوب باللغة Markdown. يوفر هذا الملف جولة إرشادية للنموذج، يبرز الأقسام الرئيسية والمصطلحات والميزات لتحسين فهم الذكاء الاصطناعي للموقع. **بناء السلطة عبر الخبرة** تبقى إنشاء سلطة الموقع أمرًا حاسمًا — فبالإضافة إلى المحتوى الجيد، يتطلب الأمر ظهورًا من خلال التعاونات، والتواجد الإعلامي، والمداخلات الدقيقة على ويكيبيديا، والروابط ذات الجودة العالية. تزداد سلطة الموقع عندما يشير الآخرون إلى محتواه، مما يزيد من احتمالية أن يستشهد به النموذج. فالسلطة تعتمد على دعم البشر بقدر ما تعتمد على جودة المحتوى. **مبادئ قديمة، لكن بأهمية متجددة** العديد من استراتيجيات تحسين محركات البحث التقليدية لا تزال ضرورية، لكنها الآن أصبحت أكثر إلحاحًا، حيث يتنافس المحتوى على لفت انتباه يتجاوز الزيارات المباشرة للموقع. يجب أن تكون رسالتك، وهيكل الموقع، وجودة البيانات كلها استثنائية. لا توجد طرق مختصرة، ولكن في الحقيقة، لم تكن هناك أبدًا.