ხელოვნური ინტელექტი [AI] სწრაფად გარდაქმნის ციფრულ მარკეტინგს, ძიების ოპტიმიზაციას [SEO] და გაყიდვების სტრატეგიებს. სააგენტოები სულ უფრო ხშირად იყენებენ AI ხელსაწყოებს მომხმარებელთა მოთხოვნებზე უფრო სწრაფი რეაგირებისთვის და მეტი ლიდის კონვერტირებისთვის. ბიზნესები ცდილობენ, ყოველი ლოკაცია კონკურენტუნარიანი გახადონ AI-ზე დაფუძნებულ აღმოჩენებში, ხოლო SEO სპეციალისტები ადაპტირდებიან ცვლილებებთან, სადაც AI საძიებო სისტემების პირველად ზედაპირად გვევლინება. 2026 წლის მარკეტინგული გეგმები უკვე მოიცავს AI ძიებას, SEO-დან PPC-მდე. თუმცა, რამდენად სანდოა ეს ახალი AI-ზე დაფუძნებული სამყარო?

AI რეკომენდაციების პარადოქსი: SparkToro-ს უახლესი კვლევა

უახლესი ანგარიშის მიხედვით, რომელიც SparkToro-მ გამოაქვეყნა, ხელოვნური ინტელექტის ხელსაწყოები [AI tools] თითქმის ყოველთვის განსხვავებულ ბრენდების რეკომენდაციების სიებს აწარმოებენ ერთი და იგივე მოთხოვნაზე [prompt] პასუხის გაცემისას. კვლევამ აჩვენა, რომ ChatGPT-ს ან Google-ის AI in Search-ს (AI Overviews/AI Mode) 100-დან 1-ზე ნაკლები შანსი ჰქონდა, რომ ერთი და იგივე მოთხოვნაზე [prompt] განმეორებითი გაშვებისას, იგივე ბრენდების სიას დაებრუნებინა.

ეს მასშტაბური კვლევა Rand Fishkin-მა, SparkToro-ს თანადამფუძნებელმა, Patrick O’Donnell-თან (Gumshoe.ai - AI ტრეკინგის სტარტაპი) ერთად ჩაატარა. გუნდმა 2,961 მოთხოვნა [prompt] გაუშვა ChatGPT-ზე, Claude-ზე და Google Search AI Overviews-ზე (AI Mode გამოიყენებოდა, როდესაც Overviews არ ჩნდებოდა). კვლევაში ასობით მოხალისე მონაწილეობდა ნოემბერ-დეკემბერში.

კვლევის მეთოდოლოგია: როგორ შემოწმდა AI-ის ცვალებადობა

ავტორებმა 12 სხვადასხვა მოთხოვნა [prompt] გამოსცადეს, რომლებიც ბრენდის რეკომენდაციებს ითხოვდნენ სხვადასხვა კატეგორიაში, მათ შორის: მზარეულის დანები, ყურსასმენები, ონკოლოგიური საავადმყოფოები, ციფრული მარკეტინგის კონსულტანტები და სამეცნიერო ფანტასტიკის რომანები. თითოეული მოთხოვნა 60-100-ჯერ გაიშვა თითოეულ პლატფორმაზე.

თითქმის ყველა პასუხი უნიკალური იყო სამი ასპექტით:

  • წარმოდგენილი ბრენდების სია;
  • რეკომენდაციების თანმიმდევრობა;
  • დაბრუნებული ნივთების რაოდენობა.

ფიშკინმა კვლევის ძირითადი დასკვნა ასე შეაჯამა: „თუ AI ხელსაწყოს ბრენდის/პროდუქტის რეკომენდაციებს ასჯერ სთხოვთ, თითქმის ყველა პასუხი უნიკალური იქნება.“ Claude-მა ოდნავ მაღალი თანმიმდევრულობა აჩვენა ერთი და იგივე სიის ორჯერ წარმოებაში, თუმცა ნაკლებად სავარაუდო იყო, რომ იგივე თანმიმდევრობა შეენარჩუნებინა. არცერთი პლატფორმა არ მიუახლოვდა ავტორების მიერ განსაზღვრულ საიმედო განმეორებადობას.

მომხმარებლის მოთხოვნების მრავალფეროვნება და AI-ის „განხილვის ნაკრები“

ავტორებმა ისიც შეისწავლეს, თუ როგორ წერენ რეალური მომხმარებლები მოთხოვნებს [prompts]. როდესაც 142 მონაწილეს სთხოვეს, დაეწერათ საკუთარი მოთხოვნები ყურსასმენების შესახებ მოგზაური ოჯახის წევრისთვის, თითქმის არცერთი მოთხოვნა არ ჰგავდა ერთმანეთს. ადამიანების მიერ დაწერილი მოთხოვნების სემანტიკური მსგავსების ქულა 0.081 იყო. ფიშკინმა ეს დამოკიდებულება შეადარა „კუნგ პაო ქათამსა და არაქისის კარაქს“ – მოთხოვნებს საერთო განზრახვა ჰქონდათ, მაგრამ სხვა არაფერი.

მოთხოვნების მრავალფეროვნების მიუხედავად, AI ხელსაწყოებმა ბრენდები შედარებით თანმიმდევრული „განხილვის ნაკრებიდან“ დააბრუნეს. Bose, Sony, Sennheiser და Apple გამოჩნდა 994 პასუხის 55-77%-ში ამ მრავალფეროვან ყურსასმენების მოთხოვნებზე [prompts].

AI რანჟირების პოზიციების მითი და ტრეკინგის ინსტრუმენტების მომავალი

ეს დასკვნები კითხვის ნიშნის ქვეშ აყენებს „AI რანჟირების პოზიციის“ [AI ranking position] ღირებულებას, როგორც მეტრულ ერთეულს. ფიშკინმა დაწერა: „ნებისმიერი ხელსაწყო, რომელიც „AI-ში რანჟირების პოზიციას“ გაძლევთ, სისულელეა.“ თუმცა, მონაცემები მიუთითებს, რომ რამდენად ხშირად ჩნდება ბრენდი მსგავსი მოთხოვნების [prompts] მრავალ გაშვებაში, უფრო თანმიმდევრულია. ვიწრო კატეგორიებში, როგორიცაა ღრუბლოვანი გამოთვლების პროვაიდერები [cloud computing providers], ტოპ ბრენდები პასუხების უმეტესობაში ჩნდებოდა. ფართო კატეგორიებში, როგორიცაა სამეცნიერო ფანტასტიკის რომანები, შედეგები უფრო მიმოფანტული იყო.

ეს ემთხვევა სხვა მოხსენებებს, რომლებიც უკვე განვიხილეთ. დეკემბერში Ahrefs-მა გამოაქვეყნა მონაცემები, რომელიც აჩვენებს, რომ Google-ის AI Mode და AI Overviews სხვადასხვა წყაროებს აციტირებენ შემთხვევების 87%-ში ერთი და იგივე მოთხოვნაზე [query]. ის მოხსენება ფოკუსირებული იყო სხვა კითხვაზე: ერთი და იგივე პლატფორმა, მაგრამ განსხვავებული ფუნქციებით. SparkToro-ს ეს მონაცემები კი იკვლევს ერთსა და იმავე პლატფორმასა და მოთხოვნას [prompt], მაგრამ განმეორებით გაშვებაზე.

ამ კვლევების ზოგადი სურათი ერთი და იმავე მიმართულებით მიუთითებს: AI რეკომენდაციები, როგორც ჩანს, განსხვავდება ყველა დონეზე, მიუხედავად იმისა, ადარებთ პლატფორმებს, პლატფორმის შიგნით ფუნქციებს, თუ ერთი და იგივე ფუნქციის განმეორებით მოთხოვნებს.

დასკვნები და რეკომენდაციები AI ტრეკინგის ხელსაწყოებისთვის

კვლევა ჩატარდა Gumshoe.ai-თან პარტნიორობით, რომელიც AI ტრეკინგის ხელსაწყოებს ყიდის. ფიშკინმა ეს გაამჟღავნა და აღნიშნა, რომ მისი საწყისი ჰიპოთეზა იყო, რომ AI ტრეკინგი „უაზრო“ იქნებოდა. გუნდმა სრული მეთოდოლოგია და ნედლი მონაცემები საჯარო მინი-საიტზე გამოაქვეყნა. გამოკითხვის მონაწილეებმა გამოიყენეს თავიანთი ჩვეულებრივი AI ხელსაწყოების პარამეტრები სტანდარტიზაციის გარეშე, რაც, ავტორების თქმით, მიზანმიმართული იყო რეალური სამყაროს ცვალებადობის დასაფიქრებლად. მოხსენება არ არის რეცენზირებული აკადემიური კვლევა. ფიშკინმა აღიარა მეთოდოლოგიური შეზღუდვები და მოითხოვა უფრო ფართომასშტაბიანი შემდგომი სამუშაოები.

ავტორებმა ღიად დატოვეს კითხვები იმის შესახებ, თუ რამდენი მოთხოვნის გაშვებაა საჭირო საიმედო ხილვადობის მონაცემების მისაღებად და იწვევს თუ არა API მოთხოვნები [API calls] იგივე ცვალებადობას, რასაც ხელით გაკეთებული მოთხოვნები [manual prompts].

AI ტრეკინგის ხელსაწყოების შეფასებისას, დასკვნები მიუთითებს, რომ პროვაიდერებს უნდა სთხოვოთ თავიანთი მეთოდოლოგიის დემონსტრირება. ფიშკინმა დაწერა: „სანამ AI ხილვადობის ტრეკინგისთვის ერთ ცენტსაც დახარჯავთ, დარწმუნდით, რომ თქვენი პროვაიდერი პასუხობს აქ წამოჭრილ კითხვებს და აჩვენებს თავის მათემატიკას.“

მთავარი სურათი: NOMONARTS/Shutterstock

სტატიის ავტორი: Matt G. Southern, Senior News Writer, Search Engine Journal.