GEO وAI SEO دون أساطير: ما الذي ينجح فعلًا في إجابات الذكاء الاصطناعي

تصل العلامة التجارية إلى إجابات ChatGPT وGemini وPerplexity وAI Overview عبر طريقين رئيسيين يتداخلان، والعمل على GEO هو العمل على الطريقين معًا:

1. عبر البحث. يبحث النموذج في الويب أثناء الإجابة ويستشهد ببعض الصفحات التي وجدها. هنا ينفع ما ينفع في السيو: وصول الروبوتات، والفهرسة، والظهور في الكلمة المفتاحية وصيغها، ومقاطع تجيب عن السؤال دون بقية الصفحة. ويظهر الأثر، كما في السيو، بعد أسابيع أو أشهر.
2. عبر ذاكرة النموذج. يجيب النموذج مما تعلّمه قبل نهاية التدريب، وهذه الذاكرة تؤثر أيضًا فيمن يذكره حين يبحث في الويب. هنا يهم ما كتبه الآخرون عن العلامة، ووصف واحد متسق لها في مصادر كثيرة. لم أقِس سرعة تغيّر الذاكرة، فلا أعد هنا بشيء خلال ربع سنة.

معظم “حيل GEO” بلا دليل، وبعضها اختبرته على بياناتي. ملف llms.txt والبيانات المنظمة لا دليل على أنهما يجلبان استشهادات. وزيادة العناوين لم ترفع الصفحات إلى أفضل 3 نتائج في اختباري. أما اختبار هل يتنبأ الترتيب في الاستعلامات الفرعية بالاستشهاد أفضل من الترتيب في الكلمة المفتاحية الرئيسية فلم يحسم شيئًا، واستنتاجي الأول منه دحضته المراجعة المتقاطعة. وأدلة كل جملة من هذه الجمل أدناه.

ما هو GEO وماذا يُسمّى؟

GEO هو العمل على أن تظهر العلامة التجارية في الإجابات التي يولّدها الذكاء الاصطناعي: في AI Overview ووضع الذكاء الاصطناعي في Google، وفي ChatGPT وGemini وPerplexity وCopilot. للعمل نفسه عدة أسماء، والفروق بينها تسويقية في الغالب:

اسم GEO مصدره بحث علمي، وأساس هذا العمل كله هو نفسه أساس السيو. نشأ GEO في ورقة علمية من نوفمبر 2023 قُبلت في مؤتمر KDD 2024. وأظهر مؤلفوها، Pranjal Aggarwal وزملاؤه، على مجموعة اختبار خاصة بهم أن تغييرات في المحتوى قد تزيد ظهور المصدر في الإجابات التوليدية بنسبة تصل إلى 40% (arXiv). وتكتب Google في وثائقها أن التحسين للبحث التوليدي هو السيو نفسه (Google Search Central). ويجيب Cyrus Shepard من Zyppy بالمعنى نفسه عن سؤال هل تحتاج الشركة إلى استراتيجية GEO منفصلة:

ليس للناس اسم واحد لهذا العمل، وهذا يظهر في نتائج Google. يظهر السؤال “ما اسم الظهور في الذكاء الاصطناعي؟” في قسم “أسئلة ذات صلة” في النتائج البولندية، ونظائره في نتائج ألمانيا وإسبانيا وفنلندا، والسؤال الإنجليزي “What is AI SEO called now?” في نتائج الولايات المتحدة والسويد وسنغافورة. أما السؤال عن الفرق بين GEO (أو LLMO) والسيو فيظهر في 9 من 27 سوقًا فحصتها، من البرازيل إلى اليابان.

الاسم المهيمن يتوقف على السوق. في اليابان 72% من نحو 16,730 عملية بحث شهريًا في هذا الموضوع هي LLMO، وللكلمة المفتاحية “llmo” وحدها نحو 12,100 عملية بحث، أي أكثر من “ai seo” في الولايات المتحدة (نحو 6,600). وفي ألمانيا وفرنسا يهيمن GEO (64% و66%)، وفي كوريا الجنوبية 83%. وفي بولندا 58% من نحو 2,265 عملية بحث شهريًا هي AI SEO مع الكلمة المفتاحية “ai seo” والأوصاف البولندية (“pozycjonowanie ai” و“pozycjonowanie w ai”)، و32% GEO. وفي الولايات المتحدة يتقارب AI SEO وGEO: 42% و39% من نحو 25,400 عملية بحث، وفي إسبانيا تعادل (44% و44%). وفي التشيك لا يوجد في البيانات طلب على أي من الأسماء.

الكلمة المفتاحية “ai seo” ملتبسة، فأعدّ حصة AI SEO حدًّا أعلى. عند البحث عن “ai seo” تعرض Google إلى جانب نصوص عن الظهور في الذكاء الاصطناعي أدوات ذكاء اصطناعي وأدلة عن كيفية عمل السيو بمساعدة الذكاء الاصطناعي: في الولايات المتحدة أكثر من نصف نتائج أفضل 10، وفي الدنمارك 6 على الأقل من 8. غير أن AI Overview لهذه الكلمة في الولايات المتحدة والدنمارك يصف AI SEO بأنه تحسين للإجابات التي يولّدها الذكاء الاصطناعي، فتعاملها Google اسمًا لهذا العمل. ودون هذه الكلمة وحدها يتصدر GEO في 25 من 26 سوقًا في مدونتي، ويبقى LLMO في اليابان. وفي بولندا تبلغ الأوصاف البولندية الواضحة (“pozycjonowanie ai” و“pozycjonowanie w ai”) معًا نحو 580 عملية بحث شهريًا، وGEO نحو 725. وسأخصص نصًا مستقلًا لأدوات الذكاء الاصطناعي في السيو.

لا أحتسب الكلمة المفتاحية “aeo” وحدها، لأنها تعني في بولندا شهادة جمركية أساسًا، وفي الولايات المتحدة جزء من النتائج أسعار أسهم سلسلة ملابس American Eagle. وفي Google البولندية ثلاث من أول أربع نتائج لـ “aeo” صفحات وزارة المالية. أما الكلمات المفتاحية بالاسم الكامل، مثل “answer engine optimization”، فأحتسبها في سلسلة “أخرى”.

كل نسخة لغوية من هذا النص تستخدم الاسم الذي يبحث عنه الناس في السوق المعنية. النسخة اليابانية تتحدث عن LLMO، والألمانية والفرنسية عن GEO، والبولندية عن “pozycjonowanie w AI” وAI SEO. وفي السعودية الطلب صغير: نحو 45 عملية بحث شهريًا على هذه الأسماء كلها (56% منها GEO و44% AI SEO)، لذلك تستخدم هذه النسخة GEO وAI SEO معًا.

كيف يختار الذكاء الاصطناعي مصادر إجابته؟

يجيب النموذج من البحث أو من الذاكرة، وعلى ذلك يتوقف ما يمكنك تغييره أصلًا. حين يبحث في الويب يفكك السؤال إلى عدة استعلامات، ويجلب النتائج، ويختار منها مقاطع، ويستشهد ببعضها. وتسمّي Google ذلك في وثائقها “query fan-out”: يرسل النظام عدة عمليات بحث مرتبطة عن موضوعات فرعية ومن مصادر مختلفة (Google Search Central). وحين لا يبحث النموذج يجيب مما تعلمه أثناء التدريب، وعندها لا يغيّر ترتيب الصفحة في Google شيئًا.

الطريقان يتداخلان، لأن ذاكرة النموذج تؤثر أيضًا في الإجابة التي بحث فيها النموذج في الويب. يكتب Dan Petrovic من Dejan أن الإشارة إلى العلامة في نص الإجابة تعتمد أساسًا على معرفة النموذج السابقة، وأن صفحة واحدة لا تحركها تقريبًا (Dejan، 07/07/2026). لذلك أقيس الطريقين كلًّا على حدة، لكنني أعمل عليهما بالتوازي.

يتوقف عدد مرات بحث النموذج في الويب على النموذج: في اختباري من 10 إلى 94 كلمة مفتاحية من 94. فحصتُ ذلك عبر API على 94 كلمة مفتاحية من المشاريع التي أديرها، بالإنجليزية والبولندية، في ليلة 3 إلى 4 أكتوبر 2026 وصباحًا للمرة الثانية. وفي نص استراتيجية السيو وصفتُ الأثر نفسه على خمسة أسئلة إرشادية، وهنا هو على مجموعة أكبر.

• 93 من 94هذا عدد المرات التي لجأ فيها Gemini 2.5 Flash إلى محرك البحث في الجولة الأولى (وفي الثانية 94 من 94).اختباري عبر API، 3-4 أكتوبر 2026
• 71 من 94هذا عدد مرات بحث Gemini 3.5 Flash (وفي الجولة الثانية 69 من 94).اختباري عبر API، 3-4 أكتوبر 2026
• 25 من 84هذا عدد مرات بحث Gemini 3.1 Pro (انتهت 10 استدعاءات بخطأ الحد الأقصى؛ وفي الجولة الثانية 32 من 94).اختباري عبر API، 3-4 أكتوبر 2026
• 10 من 94هذا عدد مرات بحث Gemini 3.8 Flash (وفي الجولة الثانية 15 من 94). وفي بقية الكلمات المفتاحية أجاب من الذاكرة.اختباري عبر API، 3-4 أكتوبر 2026

في هذا الإعداد بحثت إصدارات Gemini Flash الأحدث أقل، لكن Gemini 3.1 Pro لا ينسجم مع هذا النمط. رقم إصدار Pro أقدم من 3.5 Flash، ومع ذلك بحث أقل منه. هذه عائلة نماذج واحدة وإعداد API واحد، وليست تطبيق Gemini الذي يراه المستخدم، فأعدّ الأرقام إشارة لا قاعدة. لكنها تكفي لأتحقق عند كل قياس من عدد الأسئلة التي يبحث فيها النموذج أصلًا.

تبيّن أن ذاكرة النماذج عن علامة بولندية جديدة مليئة بالثغرات، وأن بعض النماذج اختلقت وصفها. في المشروع نفسه قيّم نموذج مستقل، دون أن يعرف مصدر الإجابات، نحو 500 إجابة عن أسئلة تخص علامات أعمل لها. إحدى العلامات البولندية الجديدة في هذه المجموعة كانت مجهولة لكل النماذج المفحوصة، وفي 9 من 12 إجابة عنها كان الوصف مختلقًا. وتفاوتت نسبة الاختلاق بحسب النموذج: من 5% إلى 77% من الإجابات عن كل العلامات. وقيّم الإجابات نموذج واحد بصفة حكم، فأعدّ الفروق الأقل من نحو 10 نقاط مئوية ضجيجًا.

قد يظهر النطاق نفسه في طريق ولا يظهر في الآخر. استُشهد بأحد المواقع في وضع الذكاء الاصطناعي في Google في 10 من 13 زوجًا من الكلمات المفتاحية، ولم يظهر في إجابات النماذج دون بحث ولا مرة (0 من 13). هذا نطاق واحد و13 زوجًا، فهو توضيح لا قاعدة.

ظاهرة قريبة تظهر في دراسة أوسع. ينقل Dan Petrovic دراسة من Google Research على 13 نموذجًا و2,150 حقيقة من ويكيبيديا: النماذج المتقدمة، مثل Gemini 3 Pro وGPT-5، تحمل في أوزانها 95-98% من هذه المعرفة، لكنها تعجز عن استحضار 26-34% منها (Dejan، 17/08/2026). هذه حقائق موسوعية لا معرفة بالعلامات، لكن الخلاصة للعلامة مشابهة: وجود المعلومة في بيانات التدريب لا يضمن أن النموذج سيقولها.

كيف تصل إلى إجابات الذكاء الاصطناعي عبر البحث؟

في طريق البحث ينفع ما ينفع في السيو، مع فرق واحد. تكتب Google أن الصفحة، كي تظهر في AI Overview ووضع الذكاء الاصطناعي، يجب أن تكون في الفهرس وأن تستطيع الظهور في النتائج بمقطع نصي، وأنه لا توجد متطلبات تقنية إضافية (Google Search Central). والفرق أن النموذج يرسل عدة استعلامات دفعة واحدة، فالصفحة الظاهرة في كلمة مفتاحية رئيسية واحدة فقط لها فرص استشهاد أقل من صفحة ظاهرة في صيغها أيضًا. ولدى ChatGPT روبوت بحث خاص به (أتحدث عنه أدناه)، فالظهور في Google لا ينتقل إليه مباشرة.

وصول روبوتات الذكاء الاصطناعي

قد تكون روبوتات محركات البحث بالذكاء الاصطناعي محجوبة دون علم صاحب الموقع. قد يحجبها جدار الحماية أو إعداد في شبكة توصيل المحتوى (CDN)، وغالبًا بعد تجاوز حد معين من عدد الطلبات، فلا يكشف اختبار واحد شيئًا. أفحص سلسلة طلبات بأسماء روبوتات Google وOpenAI وPerplexity وAnthropic، وأقارن استجابة الخادم بما يحصل عليه متصفح عادي.

حجب تدريب النماذج قرار مختلف عن حجب البحث. تفصل OpenAI بين الدورين: يجمع GPTBot محتوى قد يدخل في تدريب النماذج، ويحدد OAI-SearchBot الحضور في نتائج بحث ChatGPT. وتكتب OpenAI أن المواقع التي تحجب OAI-SearchBot لن تظهر في إجابات بحث ChatGPT، وأن حجب GPTBot لا يغيّر ذلك (OpenAI). وبالمثل يتحكم Google-Extended في استخدام المحتوى من نماذج Gemini، لكنه بحسب Google لا يؤثر في الحضور ولا في الترتيب في البحث (Google Search Central). ومن يحجب كل روبوتات الذكاء الاصطناعي بمفتاح واحد قد يخسر حضورًا في بحث ChatGPT لم يكن يريد التخلي عنه.

الترتيب في الكلمة المفتاحية والاستعلامات الفرعية

لا أعرف هل يزيد الترتيب الأعلى فرصة الاستشهاد، لأن بياناتي لا تحسم ذلك. في نص استراتيجية السيو، في خريطة الفرضيات، وصفتُ مقالًا استُشهد به في AI Overview في كلمة مفتاحية واحدة فقط من خمس كلمات متقاربة جدًا، وهي الكلمة التي كان فيها في أدنى مرتبة. والاستعلامات الفرعية يضعها النموذج وقد تختلف في كل إجابة، فلا توجد قائمة ثابتة واحدة لـ “الاستعلامات الفرعية للكلمة س”. وفي مجموعتي من 94 كلمة مفتاحية ولّد النموذج في جولة واحدة 493 استعلامًا فرعيًا مختلفًا، بمتوسط أكثر من خمسة لكل كلمة.

اختبرتُ هل يتنبأ الترتيب في الاستعلامات الفرعية بالاستشهاد أفضل من الترتيب في الكلمة المفتاحية الرئيسية، ونتيجتي الأولى لم تصمد أمام المراجعة. على أزواج كلمة مفتاحية وصفحة من المشاريع التي أديرها دوّنتُ القاعدة قبل أن أحسب النتيجة. المقياس هو المساحة تحت منحنى ROC (AUC)، أي مدى جودة فصل الإشارة بين الصفحات المستشهد بها وغير المستشهد بها (0.5 مستوى رمي العملة، و1 فصل بلا أخطاء). كان على الاستعلامات الفرعية أن تفوز إذا زادت مساحتها بما لا يقل عن 0.10. وعلى 29 زوجًا خُصصت لاختبار AI Overview بلغ الفرق 0.44، أي أن الاختبار “اجتيز”.

أظهرت المراجعة المتقاطعة أنني قارنت قياسين مختلفين في الدقة. المراجع الذي أعاد الحساب من الصفر طابق أرقامي إلى آخر رقم، لكنه لاحظ أنني أخذت الترتيب في الكلمة المفتاحية الرئيسية من سحب واحد لنتائج Google، والاستشهاد من خمسة. وبعد حساب الترتيب من عمليات السحب الخمس نفسها هبط الفرق إلى 0.04، بفاصل من -0.28 إلى +0.36. فلم أُثبت أن الاستعلامات الفرعية أفضل من الترتيب، ولا أنها أسوأ. الإشارتان تقولان شيئًا، فأعمل على كلتيهما.

تبيّن أن الترتيب من سحب واحد من DataForSEO أقرب إلى سحب عشوائي لإحدى عدة صيغ من النتائج. حين سحبتُ الكلمات المفتاحية الـ 94 نفسها ثلاث مرات بفارق نحو ساعة، كان بين أي سحبين للكلمة نفسها عدد قليل من العناوين المشتركة في أفضل 10 نتائج في الوسيط: بلغ مؤشر Jaccard، أي مقياس تطابق مجموعتين من 0 إلى 1، ما بين 0.14 و0.15. وبعض الصيغ على الأرجح نتائج لا يراها الإنسان في المتصفح، لأن المتصفح في 5 كلمات مفتاحية طابق إحداها. وكان AI Overview مستقرًا: تطابق وجوده بين عمليات السحب بنسبة 97-99%. لذلك أحتسب اليوم الترتيب من هذه الأداة حصةً من نحو 10 عمليات سحب مرسلة معًا. ولم أفحص أدوات أخرى بهذه الطريقة.

مقاطع تجيب بنفسها

لا يستفيد النموذج عادةً من الصفحة كلها، بل من المقاطع التي تجيب عن استعلامه. لذلك أكتب بحيث يمكن فهم كل مقطع دون بقية الصفحة: الإجابة في الجملة الأولى تحت العنوان، وأرقام محددة بمقامها وتاريخها، وأسماء بدل “هذا” و“تلك”. وكل فقرة في هذا النص تبدأ بجملة تحمل الخلاصة لهذا السبب تحديدًا. هذه ممارسة كتابة جيدة تفيد البشر أيضًا، وليست تقنية منفصلة للذكاء الاصطناعي.

هذا لا يعني أنه يجب تقطيع المحتوى إلى قطع صغيرة أو تكثير العناوين. تكتب Google صراحةً أنه لا يلزم تقسيم المحتوى إلى مقاطع صغيرة كي يفهمه الذكاء الاصطناعي أفضل (Google Search Central). وفحصتُ أيضًا هل تساعد العناوين الأكثر على دخول أفضل 3 نتائج. على 632 صفحة من أفضل 10 نتائج لـ 119 استعلامًا بالإنجليزية في مجال برمجيات الشركات (الولايات المتحدة، 26 سبتمبر 2026) بلغت نسبة الأرجحية 0.95 (فاصل الثقة 95%: 0.81-1.12)، وبعد احتساب طول النص 1.00. وكانت حصة الصفحات في أفضل 3 نتائج متقاربة تقريبًا في ثلاث مجموعات من الأقل عناوين إلى الأكثر: 32% و34% و32%. هذا هو الاختبار نفسه الذي أذكره في نص استراتيجية السيو: مجال واحد ويوم قياس واحد. لكنه يكفي لئلا أضيف عناوين لتحسين الترتيب: العنوان يجب أن يقول ما موضوع المقطع تحته.

أسئلة بولندية، استعلامات فرعية بالإنجليزية

في مجموعتي كان جزء من الاستعلامات الفرعية للأسئلة البولندية بالإنجليزية. 81 من 277 استعلامًا فرعيًا ولّدها النموذج للكلمات المفتاحية البولندية لم تكن فيها سمات اللغة البولندية. فمثلًا تحوّل سؤال بولندي عن ترتيب المنتجات في فئة واحدة إلى استعلام إنجليزي يتضمن السنة في صياغته. هذه قاعدة تقريبية على مجموعة واحدة، لكنها تكفي لأتحقق عند علامة بولندية مما تقوله عنها المصادر الإنجليزية أيضًا.

كيف تصل إلى ذاكرة النموذج؟

لا تغيّر ذاكرة النموذج بموقعك وحده: يهم ما يكتبه الآخرون عنك. يتعلم النموذج من مجموعات نصوص كبيرة جُمعت قبل نهاية التدريب. فإن كانت العلامة هي من تكتب عن نفسها أساسًا، وكانت مصادر الآخرين قديمة أو متناقضة، كرّر النموذج صورة قديمة أو متناقضة. ليس عندي قياس لسرعة تجدد ذاكرة النماذج. أفترض أن ذلك لا يحدث إلا في الإصدارات التالية، فلا أعد هنا بشيء خلال ربع سنة.

على علامتي أرى مصدرَي الخطأ معًا. وصفني Gemini بصاحب عمل قبل بضع سنوات بصيغة المضارع، ووصف rogala.pro بأنه موقع “قيد الإنشاء”. ووصفان من أكثر ما كررته النماذج عني مأخوذان حرفيًا من سيرتي في موقع متخصص يظهر عاليًا في Google عند البحث باسمي. أما صاحب العمل ذاك بوصفه صاحب عملي الحالي فلا يذكره أي من 26 موقعًا فحصتها في نتائج اسمي الكامل، فالخطأ على الأرجح في ذاكرة النموذج. وسأفحص ذلك بالأسئلة نفسها حين تُحدَّث السيرة.

يمكنك أن تفحص بنفسك ما يتذكره النموذج عن علامتك، دون أدوات الظهور في الذكاء الاصطناعي. اطرح أسئلة عن العلامة دون وصول إلى البحث، والأضمن عبر API دون أداة بحث. اسأل عما تعمله العلامة ولمن ومنذ متى، وكرّر كل سؤال ثلاث مرات. ثم قارن الإجابات بالوقائع ودوّن على حدة ما هو حديث وما هو قديم وما هو مختلق.

الإشارات إلى العلامة دون تعريف متسق لها تكرر وصفًا قديمًا، لذلك أبدأ بالهوية. ترتيبي:

• تعريف واحد للعلامة، هو نفسه في الموقع وفي الملفات الشخصية وفي السير على مواقع الآخرين؛
• بيانات منظمة بمعرّفات فحصتها يدويًا؛
• إدخالات في قواعد المعرفة مثل Wikidata، فقط حيث توجد مصادر تؤكدها؛
• وبعد ذلك فقط الإشارات والمنشورات في أماكن يحررها شخص آخر.

يجب فتح المعرّف وقراءته قبل أن يدخل في كود الصفحة. في 5 أكتوبر 2026 لاحظتُ أن معرّف Knowledge Graph الذي وُضع قبل يوم في البيانات المنظمة لموقع rogala.pro يقود إلى لوحة ممثل يحمل اسمي نفسه. فظل موقعي نحو يوم يعلن لمحركات البحث أنني ممثل. والفحص يستغرق دقيقة: العنوان google.com/search?kgmid= مع المعرّف يوضح لمن هو فعلًا.

لن تمنحك Wikidata مكانًا لا مصادر له. تشترط Wikidata مصادر للمعلومات عن الأحياء، فلا يمكن أن تعلن فيها تخصصًا لم يكتب عنه أحد غيرك. لذلك بدأتُ عندي بالنشر في أماكن يحررها آخرون لا بإدخال في قاعدة المعرفة.

ما الذي ينجح في GEO وما الذي هو أسطورة؟

أقسم الادعاءات عن GEO بحسب قوة الدليل. “موثّق” تؤكده وثائق محرك البحث، و“قياس خاص بي” نتيجة من إعداد واحد أكررها. أما “مدحوض في اختباري” و“لم يثبت في اختباري” فهما ما اختبرته على بياناتي ولم يصمد أو لم يحسم شيئًا. و“بلا دليل” نصائح شائعة لا يقف خلفها قياس، وأحيانًا يقف خلفها دليل معاكس.

لا دليل على أن ملف llms.txt ونسخ الصفحات بصيغة Markdown تساعد على دخول إجابات الذكاء الاصطناعي. تكتب Google أن الظهور في محركها لا يتطلب إنشاء ملفات جديدة للآلات ولا ملفات نصية للذكاء الاصطناعي ولا وسومًا ولا Markdown (Google Search Central). وحين فحصتُ 10 نطاقات من محفظتي في يوليو 2026 لم يقدّم أي منها لوكلاء الذكاء الاصطناعي نسخة Markdown. وفي rogala.pro لكل صفحة منذ 8 أكتوبر نسخة Markdown وملف llms.txt، وحتى 8 نوفمبر أقيس في سجلات الخادم هل ينزّلها أحد. وفي بولندا للكلمة المفتاحية “llms txt” نحو 720 عملية بحث شهريًا، فسأكتب عن هذا الموضوع على حدة.

تصف البيانات المنظمة العلامة لمحرك البحث، لكن لا دليل على أنها تجلب استشهادات. تكتب Google أن البيانات المنظمة غير مطلوبة في البحث التوليدي، وأنه لا توجد وسوم schema.org خاصة يجب إضافتها (Google Search Central). حلّل Matt Buxbaum من Seer Interactive نحو 8,500 كلمة مفتاحية ظهر لها AI Overview و6,354 صفحة نالت فيها أول استشهاد: كان ارتباط schema وإشارات E-E-A-T بالفوز الأضعف، وجاءت الصفحات الأكثر وسومًا لـ FAQ وHowTo أسوأ بنحو 10 مرات (Seer Interactive، 28/05/2026). هذا ارتباط، فلا أعرف هل تضر الوسوم، لكنني لا أقرأ هذه البيانات دليلًا على فائدتها. وأستخدم البيانات المنظمة لوصف الكيانات (من وماذا وأين، بأي معرّفات) لأنها لهذا وُجدت. ولم أنهِ بعد اختبارًا خاصًا بأثرها في إجابات الذكاء الاصطناعي.

الإشارة إلى العلامة والاستشهاد بالصفحة شيئان مختلفان، وكثير من التقارير تخلط بينهما. يفصل Petrovic بين ثلاثة أحداث: الصفحة التي جلبها النظام مادةً للإجابة، والاستشهاد، أي الصفحة المعروضة مصدرًا، والإشارة، أي اسم العلامة في نص الإجابة الذي يقرؤه المستخدم ويتذكره (Dejan، 07/07/2026). قد يُستشهد بالعلامة دون إشارة إليها في النص، وقد تُذكر دون الاستشهاد بصفحتها. لذلك أقيس الأمرين على حدة ولا أجمعهما في “نتيجة ظهور في الذكاء الاصطناعي” واحدة.

كيف تعرف أن GEO ينجح؟

دون خط أساس لن تنسب الأثر إلى أي تغيير، لذلك أدوّنه قبل أول تعديل. يتضمن خط الأساس الأسئلة مدوّنة حرفيًا، وأسماء النماذج وإصداراتها، والتاريخ والسوق. أضع الأسئلة من بيانات الطلب ومن Search Console، ومعظمها لا يتضمن اسم العلامة، لأن الاسم في السؤال يوحي للنموذج بالإجابة. وأصف مجموعة أسئلة من نطاقين للمراتب في نص استراتيجية السيو.

أقيس خمسة أشياء على حدة، لأن كلًّا منها قد يتجه اتجاهًا مختلفًا:

1. الإشارة إلى العلامة في نص الإجابة.
2. الاستشهاد بالصفحة مصدرًا.
3. هل بحث النموذج في الويب أصلًا، أي البحث والذاكرة كل على حدة.
4. الزيارات من مساعدي الذكاء الاصطناعي في التحليلات، وهي دائمًا حد أدنى، لأن جزءًا من الزيارات يصل دون معلومة عن المصدر.
5. الزيارات من Google في الفترة نفسها، كي لا يأتي التغيير للذكاء الاصطناعي على حساب النتائج العادية.

إجابات المحادثات عشوائية، فأسأل السؤال الواحد ثلاث مرات معًا. AI Overview مستقر ويكفيه سحب واحد. وأقرأ الرقم من أداة الظهور في الذكاء الاصطناعي دائمًا مع مقامه: هو حصة في مجموعة أسئلتي، لا “حصة في سوق الذكاء الاصطناعي” التي لا يعرفها أحد.

ماذا أفعل في موقعي وما الذي لا أعرفه بعد؟

أتحدث علنًا عن الذكاء الاصطناعي في البحث منذ 2016، ولا أملك بعد علامتي في إجابات الذكاء الاصطناعي، ومن هنا بدأت تجربتي. خط الأساس بتاريخ 26 يوليو 2026: لم يكن لـ rogala.pro استشهاد واحد على أي من 7 أسطح للذكاء الاصطناعي فحصتها في Ahrefs لبولندا، وفي 6 فحوص على ثلاث منصات، في أسئلة دون اسمي، لم يذكرني أي نموذج. وحين سُئل عني باسمي كرر النموذج وصفًا عمره بضع سنوات. هذا قياس واحد ودون ChatGPT، لأن الأداة التي جمعتُ بها الإجابات لم تُرجع له نتائج، فأعدّه نقطة بداية لا دليلًا.

ترتيب أعمالي تحدده البيانات: الهوية أولًا ثم الانتشار. وحّدتُ التعريف في الملفات الشخصية (على LinkedIn في 30 نسخة لغوية)، وفحصتُ المعرّفات في البيانات المنظمة (ومن هنا زلّة الممثل)، وأقمتُ الموقع والمدونة بـ 27 لغة مع نسخ Markdown. أما الانتشار، أي المنشورات والإشارات في وسائل الإعلام عند الآخرين، فيأتي بعد ذلك فقط.

لا أعرف بعد هل ينجح هذا. خططتُ لأول قياس متكرر لإجابات الذكاء الاصطناعي من 1 نوفمبر 2026، ونتيجة قياس ملفات Markdown ستكون بعد 8 نوفمبر. وسأضيف النتائج إلى هذا النص، حتى لو كانت صفرية.

الأسئلة الشائعة عن GEO

من أين تبدأ؟

الخطوات الثلاث الأولى لا تكلف شيئًا غير الوقت. تحقق هل تصل روبوتات محركات البحث بالذكاء الاصطناعي إلى موقعك. واسأل ثلاث مرات معًا عدة أسئلة يطرحها عملاؤك، دون اسم علامتك، ودوّن من يُذكر ومن يُستشهد به. واقرأ ما تقوله نتائج Google عن علامتك باسمها وحده، لأن النماذج تستفيد من المصادر نفسها. وإن فاجأتك النتيجة فهي موضوع جيد لـ استشارة.