موتورهای جست‌وجو منسوخ شده‌اند؛ برند باید در LLMها دیده‌شود

حتماً تا کنون بارها برایتان پیش‌آمده که مثلاً برای یافتن یک نرم‌افزار خاص، به‌جای اینکه در یک موتور جست‌وجو مثل گوگل، به دنبال آن باشید، مستقیماً از یک هوش مصنوعی مثل ChatGPT راجع به آن سؤال کرده‌اید. تنها شما نیستید که چنین تجربه‌ای داشته‌اید؛ در یکی دو سال اخیر و با رشد پرشتاب و محبوبیت فزاینده مدل‌های زبانی بزرگ، برای درصد بسیار زیادی از افراد موتورهای جست‌وجو دیگر انتخاب اول برای یافتن اطلاعات در فضای اینترنت نیستند و جای خود را به مدل‌های هوش مصنوعی داده‌اند.

تغییر سلیقه بنیادین

هنوز زمان زیادی از روزهایی ابزارهای هوش مصنوعی مولد صرفاً ابزاری سرگرم‌کننده و تفریحی بودند، نگذشته است. اما هوش مصنوعی رفته‌رفته به شکلی جدی‌تر به خود گرفت، جای خود را به‌عنوان یک نیروی توانمند در مشاغل حرفه‌ای تثبیت کرد و اکنون برای برخی کاربران نقش یک مشاور همه‌چیزدان را به خود گرفته است. نحوه تعامل با مدل‌های هوش مصنوعی نسبت به موتورهای جست‌وجو، راحت‌تر، کاربرپسندتر و شخصی‌سازی‌شده‌تر است و بنا به همین دلایل است که درصد قابل‌توجهی از افراد؛ به‌جای موتورهای جست‌وجو، هوش مصنوعی را برای یافتن پاسخ پرسش‌های خود درباره هر چیزی که در اینترنت وجود دارد، انتخاب می‌کنند.

این تغییر رویکرد و سلیقه کاربر در نحوه تعامل با فضای اینترنت؛ یعنی استفاده از مدل‌های زبانی بزرگ به‌جای موتورهای جست‌وجو، عاملی است می‌توانند تمامی قوانین و قواعد حاکم بر فضای مجازی را به‌طورکلی و از ریشه تغییر دهد. شرکت‌ها، برندها و به‌طورکلی هر شخص یا ماهیتی که برای دیده‌شدن خود در فضای وب، تاکنون به موتورهای جست‌وجو متکی بوده‌؛ اکنون به‌ناچار، می‌بایست استراتژی‌های خود را به‌گونه‌ای تغییر دهد که با ضوابط ورود و حضور در مدل‌های زبانی بزرگ هم نیز هم‌راستا و هماهنگ باشد. کاربران اینترنت دیگر تنها مشتریان بالقوه یک برند نیستند، بلکه LLMها نیز به‌عنوان یک مرجع اطلاع‌رسانی، به‌نوعی مشتری محصولات مجازی این برندها، یعنی همان داده‌ها و اطلاعات برند، هستند.

مسیر جدید سفر مشتری

«مدرسه کسب‌وکار هاروارد» در گزارشی با عنوان « Forget What You Know About Search. Optimize Your Brand for LLMs» به بررسی و معرفی مفهومی جدید در ادبیات تجاری و دنیای برندها، به نام «سهم از مدل» (Share of Model) یا به‌اختصار SOM پرداخته است. این معیار جدید که به برندها کمک می‌کند جایگاه خود را در پاسخ‌های ارائه‌شده توسط LLMها بیابند و دریابند که تا چه اندازه در معرض دید جست‌وجوی کاربران مدل‌های زبانی بزرگ قرار می‌گیرد.

در یکی دو سال اخیر کاربران اینترنت به معنای واقعی کلمه، از موتورهای جست‌وجوی سنتی مانند گوگل و بینگ، به پلتفرم‌های هوش مصنوعی مولد مانند ChatGPT و Gemini مهاجرت کرده‌اند. نتایج یک نظرسنجی در Capgemini نشان می‌دهد که در میان ۱۲ هزار کاربر شرکت‌کننده در این نظرسنجی، ۵۸٪ از آن‌ها (در مقایسه با تنها ۲۵٪ در سال ۲۰۲۳) برای دریافت توصیه درباره محصولات و خدمات از ابزارهای هوش مصنوعی مولد استفاده می‌کنند. یک مطالعه دیگر در The Verge نیز جهش بی‌سابقه ۱۳۰۰ درصدی در ارجاعات حاصل از جست‌وجوهای مبتنی بر هوش مصنوعی به وب‌سایت‌های خرده‌فروشی ایالات متحده در فصل تعطیلات سال ۲۰۲۴ را نشان می‌دهد.

وب‌سایت‌های Adobe blog و Neuron Expert نیز در گزارشی ادعا می‌کند، افرادی که از LLMها برای جست‌وجو محصول، برنامه‌ریزی و خرید استفاده می‌کنند، به‌طور میانگین جوان‌تر، ثروتمندتر و تحصیل‌کرده‌تر هستند. برای چنین افرادی، مفهموم سفر مشتری (customer journey) دیگر منحصر به یک جست‌وجوی ساده یا بازدید از وب‌سایت برندها نمی‌شود، بلکه با یک گفت‌وگو با هوش مصنوعی شروع می‌شود. به‌عنوان مثال این کاربران از دستیارهای هوش مصنوعی می‌پرسند: «بهترین دستگاه قهوه‌ساز زیر ۲۰۰ دلار کدام دستگاه است؟» یا « یک سفر آخر هفته مقرون‌به‌صرفه را برنامه‌ریزی کن.»

مدیران برند، اهمیت چنین تغییروتحولی نمی‌توانند نادیده بگیرند یا آن را انکار کنند. امروزه دیگر استراتژی دیجیتال برندها نباید تنها بر اساس الگوریتم‌های موتورهای جست‌وجو تدوین شود؛ بلکه می‌بایست برای موتورهای پیشنهاد گر و سیستم‌های توصیه‌گر هوش مصنوعی نیز بهینه‌سازی شود. به بیان ساده، برندها می‌بایست آگاهی مدل‌های زبانی بزرگ از برند خود را افزایش دهند.

ظهور مفهوم سهم از مدل

تا پیش‌ازاین، معیار سنجش آگاهی از برند (brand awareness) به معنای ارزیابی میزان توجه مصرف‌کنندگان، چه به‌صورت آفلاین از طریق نظرسنجی‌های یادآورانه (مثلاً: «وقتی به کفش ورزشی فکر می‌کنید، چه برندهایی به ذهنتان می‌رسد؟») و چه به‌صورت آنلاین، با تحلیل حجم جست‌وجوهای وب یا داده‌های شبکه‌های اجتماعی بود که نشان‌دهنده اهداف یا محبوبیت برندها است.

اما اکنون با رشد نقش و اهمیت مدل‌های زبانی بزرگ، به‌عنوان واسطه‌ای میان مصرف‌کنندگان و برندها، کارشناسان بازاریابی باید نوعی دیگر از «آگاهی» را نیز در نظر بگیرند. این‌که برند هر چند وقت یک‌بار، با چه میزان تأکید و با چه لحن و محتوایی توسط LLMها به مصرف‌کنندگان معرفی می‌شود؛ معیار و شکل جدیدی از مفهوم آگاهی از برند است که به‌عنوان «سهم از مدل» (Share of Model) یا به‌اختصار SOM شناخته می‌شود.

مفهوم نوظهور سهم از مدل را می‌توان به‌عنوان یک انشعاب مخصوص عصر هوش مصنوعی، از دو مفهوم «سهم از جست‌وجو» و «سهم از صدا» در تعاریف پایه‌ای بازاریابی در نظر گرفت. بررسی و ارزیابی اینکه «چه تعدادی از مردم یک برند را در مقایسه با سایر رقبا جست‌وجو می‌کنند؟»، مثالی از مفهوم سهم از جست‌وجو (Share of Search – SOS) و در مقابل بررسی اینکه «مردم چه‌قدر درباره یک برند در مقایسه با سایر رقبا صحبت می‌کنند؟» مثالی برای مفهوم سهم از صدا (Share of Voice – SOV) در ادبیات سنتی و رایج بازاریابی و مارکتینگ است. اما تفاوت اصلی در اینجاست که شاخص SOM صرفاً بازتاب‌دهنده برداشت‌ها و پیشنهادهای یک مدل زبانی در پاسخ به یک پرامپت و نه لزوماً بازتابی از نیت انسانی (مانند SOS) یا محتوای در دسترس (مانند SOV) است. (اطلاعات بیشتر در جدول ۱)

کمی‌سازی سهم از مدل

آژانس بازاریابی Jellyfish ، یک روش‌شناسی نوین برای اندازه‌گیری SOM از طریق پرامپت‌های مقیاس‌پذیر طراحی کرده است. بر اساس این روش، یک چارچوب سه‌گانه برای درک بهتر «طرز تفکر» هوش مصنوعی راجع به برندها پیشنهاد می‌شود:

1. نرخ اشاره (Mention Rate): یک هر چند وقت یک‌بار در یک مدل زبانی خاص، به یک برند اشاره و از آن نام‌برده می‌شود.
2. شکاف آگاهی انسان–هوش مصنوعی (Human-AI Awareness Gap): اندازه‌گیری میزان اختلاف بین مفهوم آگاهی انسانی از برند و آگاهی مدل‌های زبانی از همان برند.
3. احساسات نسبت به برند و دسته محصول (Brand and Category Sentiment): تحلیل استدلال‌های مدل در نحوه پیشنهاد برند، بر اساس نقاط قوت و ضعف آن.

برای مثال، نرخ اشاره برندهای برتر در بازار مواد شوینده لباس ایتالیا، در ۶ مدل زبانی مختلف با استفاده از پلتفرم اختصاصی Share of Model شرکت Jellyfish بررسی شده و دو نکته قابل‌توجه از نتایج آن به‌دست‌آمده است:

1. میزان SOM بین مدل‌ها تفاوت چشمگیری دارد که نشان‌دهنده تفاوت در نحوه پردازش اطلاعات برند در LLMهای مختلف است. برای مثال، سهم برند Ariel در مدل LLaMA حدود ۲۴٪ است، اما در Gemini کمتر از ۱٪ است.
2. برخی برندها در یک یا چند مدل اصلاً وجود ندارند و برای آن مدل شناخته‌شده نیستند. برای مثال، درحالی‌که برند Chanteclair  سهم ۱۹ درصدی در مدل Perplexity دارد، در داده‌های مدل Meta اصلاً وجود ندارد.

در واقع، مدل‌های زبانی برخلاف موتورهای جست‌وجو یا شبکه‌های اجتماعی، یا یک برند را نشان می‌دهند یا اصلاً نشان نمی‌دهند. یعنی اگر برندی در یک LLM ثبت نشده باشد، عملاً هیچ‌گاه برای کاربر مدل، نشان داده نخواهد شد. بر خلاف گوگل، در ChatGPT چیزی به اسم «صفحه دوم نتایج» وجود ندارد. (اطلاعات بیشتر در نمودار ۱)

آگاهی برند از دید انسان و هوش مصنوعی

این نکته بسیار مهم را به‌خاطر داشته باشید که میزان دیده‌شدن یک برند (brand’s visibility) در مدل‌های زبانی بزرگ ممکن است تفاوت چشمگیری با سهم بازار یا سایر شاخص‌های آگاهی از برند داشته باشد. ازاین‌رو، نخستین وظیفه مدیران برند این است که ارتباط میان آگاهی انسانی (مثلاً از طریق سهم از جست‌وجو یا سهم از مدل) را با آگاهی LLMها از برند خود موردبررسی و ارزیابی قرار دهند.

نکته کوتاه: گرچه همان‌طور که در بخش قبل دیدیم، میزان SOM یک برند در مدل‌های مختلف می‌تواند متفاوت باشد، اما برای ساده‌تر شدن بحث، مثال‌های این بخش، عمدتاً بر SOM برندها در سطح کلی (صرف‌نظر از تفاوت مدل‌ها) متمرکز است و پیامدهای این اختلاف در SOM بین مدل‌ها، در ادامه تشریح خواهد شد.

به‌عنوان نمونه، میزان دیده‌شدن برندهای خودروسازی ایالات متحده در سال ۲۰۲۴، در بازار و در مدل‌های زبانی بررسی و بر اساس آن یک ماتریس آگاهی انسان-هوش مصنوعی طراحی شده (نمودار ۲) که در آگاهی از برند در LLMها با استفاده از ابزار Jellyfish و آگاهی عمومی از برند با استفاده از داده‌های تحقیقات بازار YouGov به‌صورت هم‌زمان بررسی و مقایسه شده‌اند. (اطلاعات بیشتر در نمودار ۲)

بر اساس این ماتریس، برندها به چهار دسته تقسیم می‌شوند:

• سایبورگ‌ها (Cyborgs)

برندهایی که هم در سنجه‌های سنتی (نظرسنجی‌ها، رتبه‌های جست‌وجو، سهم از صدا) و هم در مدل‌های زبانی از آگاهی بالایی برخوردارند.

مثال: تسلا (Tesla). حضور پررنگ ایلان ماسک به‌عنوان مالک این برند، چه در فضای مجازی چه در جامعه آمریکا، باعث شده آگاهی عمومی از برند تسلا بسیار بالا باشد. از سوی دیگر، تمرکز برند بر ویژگی‌های فنی و خاص آن باعث شده در میان مدل‌های زبانی نیز جایگاه بالایی داشته باشد. استراتژی تبلیغات دیجیتال جدید تسلا نیز دقیقاً برای افزایش امتیاز برند نزد هم انسان و هم مدل‌های زبانی طراحی شده است.

پی‌نوشت: سایبورگ در اصطلاحات داستانی به موجودی گفته می‌شود که ترکیبی از انسان و ماشین است. یکی از شخصیت‌های دنیای کمیک DC نیز سایبورگ نام دارد که نیمی انسان و نیمی ماشین است.

• پیش‌گامان هوش مصنوعی (AI Pioneers)

برندهایی که در مدل‌های زبانی حضور پررنگی دارند؛ اما در بازار هنوز چندان شناخته‌شده نیستند. این برندهای اغلب نوظهور، ذاتاً مبتنی و بومیِ هوش مصنوعی (AI-native) هستند که در فضاهای دیجیتال گسترده‌تر جایگاه خاصی دارند.

مثال: ریویان (Rivian). احتمالاً استراتژی محتوای متمرکز بر حل مسئله دلیل اصلی دیده‌شدن این برند در LLMها است که توجیهی منطقی برای جایگاه فعلی آن به‌عنوان یک برند خالق راه‌حل است.

• قهرمانان خیابان (High-Street Heroes)

برندهای قدیمی و شناخته‌شده‌ای که در بازار آگاهی بالایی دارند، اما در محتوای تولیدشده توسط هوش مصنوعی کم‌رنگ یا غایب‌اند.

مثال: لینکلن (Lincoln). همان برندی که فرانک لوید رایت (Frank Lloyd Wright)، معمار و نویسنده برجسته امریکایی، آن را «زیباترین خودروی جهان» توصیف کرده بود. اما تمرکز این برند بر ویژگی‌های ناملموس مانند زیبایی کلاسیک یا میراث تاریخی آن، باعث شده از نظر مدل‌های زبانی کم‌تر موردتوجه قرار گیرد؛ چرا که این ویژگی‌ها برای LLMها ارزش عملیاتی کمتری دارند.

• برندهای در حال ظهور (Emergent)

برندهایی که هم در بازار و هم در میانLLMها آگاهی پایینی دارند. این برندها در آستانه محوشدن از فضای دیجیتال قرار دارند، به‌ویژه در شرایطی که جست‌وجوی مبتنی بر هوش مصنوعی روزبه‌روز مرسوم‌تر می‌شوند.

مثال: پولستار (Polestar). برخلاف جایگاه ممتاز این برند، نتایج ما نشان می‌دهد که این برند به دلیل نداشتن ردپای دیجیتالی و عدم جذابیت برای الگوریتم‌های مدل‌های زبانی، هنوز نتوانسته در مقیاس گسترده دیده شود.

نکته کلیدی؟ کارشناسان بازاریابی می‌بایست استراتژی‌هایی طراحی کنند سبب افزایش «آگاهی» مدل‌های زبانی از برند شود. این استراتژی‌ها احتمالاً بسیار متفاوت از روش‌هایی خواهند بود که برای جلب‌توجه انسان‌ها استفاده می‌شود. زیرا آن‌طور که اکنون می‌دانیم، مدل‌های زبانی بزرگ برای «جلب‌توجه» بهینه‌سازی نشده‌اند؛ بلکه برای «حل مسئله» طراحی شده‌اند؛ بنابراین، اگر برندی بخواهد در سنجه SOM موفق ظاهر شود و دست بالا را نسبت به سایر رقبا داشته باشد، شناسایی و شناخت دقیق «کاری که باید انجام شود» (Job to Be Done)، مهم‌ترین اولویت مدیران برند خواهد بود.

چگونه آگاهی برند را در مدل‌های زبانی بزرگ افزایش دهیم

تحلیل‌های انجام‌شده در دسته‌بندی‌های مختلف محصولات نشان می‌دهد که ادراک متفاوت مدل‌های زبانی از هر صنعت، فرصت‌های خاصی را برای برندها فراهم می‌کند. این مسئله نه‌تنها بر نوع محتوایی که باید تولید شود (اعم از متن، تصویر یا ویدئو) تأثیر می‌گذارد، بلکه تعیین‌کننده این است که برندها پیام خود را در چه بسترهایی (وب‌سایت رسمی، رسانه‌ها، منابع تخصصی یا جوامع آنلاین) می‌بایست منتشر کنند. مدل‌های زبانی دیگر صرفاً به کلمات کلیدی توجه نمی‌کنند؛ بلکه بر مفاهیم و روابط تمرکز دارند و این یعنی راه‌های تازه‌ای برای ایجاد آگاهی از برند در این مدل‌ها به وجود آمده است.

برندها باید محتوایی تولید کنند که نه فقط محصول را معرفی کند، بلکه آن را در زمینه‌ای وسیع‌تر، با کاربردها و نیازهای کاربران پیوند دهد. برای مثال، به‌جای این‌که صرفاً بگویند «ما بهترین کفش‌های مخصوص دویدن را می‌فروشیم»، بهتر است بنویسند: «طراحی زیره فیبر کربنی ما، عملکرد دوندگان در مسافت طولانی را بهبود می‌دهد.»

برندها باید بر تخصص واقعی خود را نیز تأکید داشته باشند و آن را نمایش دهد. مثلاً یک برند محصولات مراقبت از پوست که به پژوهش‌های تأییدشده توسط متخصصان پوست یا مقالات علمی در پایگاه‌هایی مثل PubMed ارجاع می‌دهد، احتمالاً نسبت رقبایی که چنین کاری نمی‌کنند، بیشتر دیده می‌شود. برندهایی که با دقت و وسواس زیادی بر چالش‌ها، نیازها، پرسش‌ها و وظایف مشخص موردنیاز کاربران تمرکز می‌کنند، بیشتر در معرض دید مدل‌ها قرار می‌گیرند. در مقابل، برندهایی که صرفاً فقط پیام‌های تبلیغاتی ارسال می‌کنند، ممکن است از دید مدل‌ها پنهان بمانند.

این مسئله می‌تواند توضیح دهد که چرا برندهای خودروسازی قدیمی مانند Lincoln که به ارزش‌های سنتی، میراث‌گونه خود پایبند هستند و محتوایی غالباً نامأنوس با ادبیات جدید بازاریابی تولید می‌کنند، نسبت به برندهایی مثل Tesla یا Rivian که بر روی ویژگی‌های فنی، عمر باتری، معماری نرم‌افزار و ساختار فناوری تمرکز دارند، کمتر در مدل‌های زبانی ارجاع داده می‌شوند.

به طور مشابه، باوجوداینکه برندهایی مانند Shein در دنیای مد، شاخص SOV بسیار بالایی دارند و به‌اصطلاح پرسروصدا هستند، اما SOM پایینی دارند. دلیل این امر نیز می‌تواند مربوط حجم بسیار بالای محتوای مشابه و نبود نشانه‌هایی مبنی بر اعتماد و اعتبار برند، مانند نظرات کاربران یا گواهی‌نامه‌های معتبر باشد.

در مقابل، برند Ordinary که در حوزه محصولات مراقبت از پوست فعالیت می‌کند، صفحات معرفی محصول بسیار ساختاریافته و همراه با توضیحات دقیق و کامل درباره ترکیبات و مبتنی بر شواهد و تحقیقات علمی (به‌صورت کامل توضیح می‌دهد که یک کرم صورت چرا و چگونه تأثیرگذاری خود را نشان می‌دهد) را در اختیار کاربر و LLMها قرار می‌دهد. برند Nike نیز با محتوای تولیدشده توسط کاربران (مانند بلاگ‌های دوندگان، Reddit، یا Strava)، صفحات محصول دقیق با کاربردهای مشخص (مثلاً «بهترین کفش برای تمرین ماراتن») و اکوسیستم اپلیکیشن‌های خود (Nike Run Club و Nike Training Club) آگاهی برند خود را در سطح جهانی در بالاترین حد ممکن نگه داشته است.

نکته مهم این است که برندهای قدیمی نیز می‌توانند در عصر هوش مصنوعی موفق باشند، مشروط بر اینکه با دیدی راهبردی و مبتنی بر مدیریت استرانژیک برند بر روی «ارتباطات برند» (relevance)، «نمایندگی مؤثر» (representation) و «داستان‌سرایی ساختارمند در دنیای دیجیتال» سرمایه‌گذاری کنند. برند Cadillac یک نمونه موقف از این موضوع است. این برند قدیمی اتومبیل‌سازی، هم در میان انسان‌ها و هم در میان مدل‌های هوش مصنوعی، از آگاهی برند بالایی برخوردار است. کمپین‌هایی مانند «جسارت» (Audacity) و «۲۵ جسور» (The Daring 25) و همچنین همکاری‌های بین‌المللی به افزایش شاخص دیده‌شدن آن در مدل‌های هوش مصنوعی کمک شایانی کرده است.

سنجش احساسات در LLMها

در کنار بررسی آگاهی برند در مدل‌های هوش مصنوعی و ارتباط آن با سایر شاخص‌های آگاهی، کارشناسان بازاریابی می‌توانند «احساسات» (مثبت یا منفی بودن برداشت‌ها) و «شناخت معنایی» (واژگان و مفاهیم مرتبط) برند یا دسته محصول خود را نیز تحلیل کنند. این تحلیل‌ها به کارشناسان بازاریابی کمک می‌کند تا به پرسش‌هایی مانند موارد زیر پاسخ دهند:

به‌عنوان‌مثال، تحلیل‌های انجام‌شده در صنعت گردشگری ایالات متحده نشان می‌دهد که مدل‌های زبانی بزرگ، ویژگی‌هایی مانند راحتی، تنوع و محیط و فضا را در این صنعت مهم و ارزشمند می‌دانند. در این میان، برند Booking در رتبه نخست شاخص دیده‌شدن توسط مدل‌ها قرار دارد. همچنین در این تحلیل نقاط قوت و ضعف برندها در مقایسه با سایر رقبایشان شناسایی و معرفی شده است. به‌عنوان‌مثال، برند Vrbo امتیاز بسیار بالاتری نسبت به Booking در زمینه‌هایی مانند «حریم خصوصی» و «منحصربه‌فرد بودن» دارد. چنین تمایزی می‌تواند به‌عنوان یک مزیت رقابتی برای افزایش و بالارفتن شاخص دیده‌شدن در مدل‌های هوش مصنوعی به کار آید. (اطلاعات بیشتر در نمودارهای ۳ و ۴)

چگونه برای مدل‌های زبانی بازاریابی کنیم

با شناخت دقیق نحوه عملکرد مدل‌های زبانی در درک احساسات و در نهایت رسیدن به بینش‌های منطقی از آن، کارشناسان بازاریابی می‌توانند از چندین راهبرد متفاوت برای افزایش شاخص دیده‌شدن برند در هوش مصنوعی استفاده کنند.

در ابتدا می‌بایست یک استراتژی رسانه‌ای چندوجهی اتخاذ شود که متن، تصویر، ویدئو و داده‌های ساختاریافته (مانند جدول‌ها، فهرست‌ها، نقد و بررسی‌ها) را به طور کامل و هماهنگ پوشش دهد. چنین محتوایی می‌بایست توانایی این را داشته باشد که خدمات و محصولات برند در زمینه‌های کاربردی گسترده‌تر، موارد استفاده و نیازهای مشتریان را به‌خوبی با یکدیگر پیوند دهد و بتواند یک ارتباط مفهومی قوی در عمق و مغز متفکر مدل‌های زبانی ایجاد کند (مثلاً «بهترین خودروهای برقی برای رانندگی در زمستان» به‌جای «SUV  برقی»). برندها همچنین می‌بایست مدیریت و راهبری «جایگاه معنایی» (semantic niche) خود؛ یعنی خوشه‌های مفهومی خاصی که محصولات به طور طبیعی در آن جای می‌گیرند، را به دست بگیرند. (مانند برند The Ordinary که جایگاه خود را در حوزه علمی مراقبت از پوست تثبیت کرده است)

اما نکته مهم این است که درست همان‌طور که هر شبکه اجتماعی قواعد خاص خود را دارد (مثلاً چیزی که در TikTok محبوب است، ممکن است در LinkedIn مناسب نباشد) هر مدل زبانی بزرگ نیز الگوریتم و دیدگاه تحلیلی منحصربه‌فرد خود را برای ارزیابی محتوا دارد. با نگاهی دیگر به تحلیل صنعت گردشگری ایالات متحده درمیابیم که مدل Llama بیشتر بر منحصربه‌فرد بودن خدمات برند تمرکز دارد درحالی‌که برای ChatGPT تنوع گزینه‌های محلی برندها مهم است و مدل Perplexity انعطاف‌پذیری را معیار مهم‌تری می‌داند.

این مسئله با نکته‌ای که پیش‌تر گفتیم هم‌راستاست: برندها در مدل‌های مختلف شاخص دیده‌شدن متفاوتی دارند؛ بنابراین، توصیه می‌شود برندها محتوای خود را متناسب با مدل‌هایی طراحی کنند که سبک پردازش محتوا در آن‌ها بیشترین هماهنگی و تطابق را با نقاط قوت محتوایی و روایت‌گرانه برند دارند. درعین‌حال اصول کلی (مانند پاسخ‌های راه‌حل‌محور) را در همه مدل‌ها رعایت کنند. تمرکز بر فعالیت هم‌راستا با مدل‌های مشهور می‌تواند منجر به افزایش شاخص دیده‌شدن شود، اما اگر جابجایی مکرر میان این مدل‌ها از حد متعادل خود خارج شود، ممکن است اثرگذاری نهایی را کاهش دهد. (اطلاعات بیشتر در نمودار ۵)

انتهای مسیر

تغییر مسیر و سلیقه کاربران اینترنت از موتورهای جست‌وجوی سنتی به سمت مدل‌های زبانی بزرگ صرفاً یک تحول فناورانه نیست، بلکه یک دگرگونی اساسی در رفتار کاربران است. چنین تغییری نیازمند تحولی متناظر در رویکردهای بازاریابی نیز هست. تحولاتی مانند: دقت داده‌محور به‌جای تأثیرگذاری احساسی، ارائه مشاوره به‌جای کلمات کلیدی و تمرکز بر سهم مسئله به‌جای سهم بازار را می‌توان نمونه‌هایی کارآمد از اقدامات متناظر راهبردی در چالش‌های پیش روی برندها برای دیده‌شدن در مدل‌های زیانی دانست. اگر این مسیر به‌درستی طی شود، برندها می‌توانند جایگاه خود را به‌عنوان بازیگران اصلی و ضروری برای گفت‌وگوهای الگوریتمی تثبیت کنند، گفت‌وگوهایی که به طور فزاینده‌ای بر تصمیم‌گیری‌های کاربران مدل‌های زبانی تأثیر می‌گذارند.