ბოლო ორი წლის განმავლობაში, ხელოვნური ინტელექტის (AI) საძიებო სისტემებთან დაკავშირებული დისკუსიები ძირითადად ხილვადობაზე იყო ფოკუსირებული. მარკეტინგულ გუნდებს აინტერესებთ, არის თუ არა მათი ბრენდი ნახსენები, სად ჩნდება ის რეკომენდაციებში, რამდენად ხშირად ფიგურირებენ კონკურენტები და ხდება თუ არა მათი ციტირება ChatGPT-ის, Gemini-ს, Claude-ის, Perplexity-ის, Google-ისა და სხვა AI პლატფორმების მიერ. მიუხედავად იმისა, რომ ეს სასარგებლო მეტრიკებია, სულ უფრო მეტად ჩნდება კითხვა, რამდენად ასახავენ ისინი რეალურ ბიზნეს შედეგებს.

ამ კონტექსტში მნიშვნელოვანია ტერმინი „შესაბამისობის ბარიერები“ (eligibility gates), რაც აღწერს გადაწყვეტილების მიღების დეტალურ კრიტერიუმებს. სწორედ ეს კრიტერიუმები განსაზღვრავს, რჩება თუ არა კომპანია ან პროდუქტი კვალიფიციურ კანდიდატად, როდესაც მყიდველი გადაწყვეტილების მიღების პროცესში წინ მიიწევს. ამ იდეას ავითარებს „გადაწყვეტილების დაფარვის“ (Decision Coverage) კონცეფცია: აქვს თუ არა ორგანიზაციას წარმოდგენილი საკმარისი ინფორმაცია და მტკიცებულებები იმისთვის, რომ AI-მ შეძლოს მისი შეფასება, შედარება, კვალიფიცირება და თავდაჯერებული რეკომენდაციის გაცემა.

ხშირად, ინსტრუმენტებისა და პროცესების გამოყენება, რომლებიც უბრალოდ იმეორებენ კონკურენტების კონტენტს, ქმნის პარიტეტს (თანასწორობას), მაგრამ არ იძლევა გადაწყვეტილების მიღებისას უპირატესობას. ცოდნა, რომელიც ხელოვნურ ინტელექტს სჭირდება, ხშირად მარკეტინგული საიტის მიღმაა და გაბნეულია პროდუქტის განვითარების, გაყიდვების, მხარდაჭერის, საინჟინრო, იურიდიულ და მომხმარებელთა წარმატების განყოფილებებში, ისევე როგორც გარე წყაროებში.

პრობლემა არა ხილვადობა, არამედ შემცირებული გაყიდვების არხი იყო

ერთ-ერთი ბიზნეს შემთხვევის შესწავლისას გამოიკვეთა, რომ კომპანიას AI ხილვადობის პრობლემა არ ჰქონდა. ის ხშირად ხვდებოდა AI-ს მიერ გენერირებულ სარეკომენდაციო სიებში. პრობლემა იწყებოდა შემდეგ ეტაპზე, როდესაც პოტენციური მყიდველები აგრძელებდნენ დიალოგს და სვამდნენ უფრო სპეციფიკურ კითხვებს მოთხოვნების, სამუშაო პროცესების (workflows), ინტეგრაციების, შედეგების, მტკიცებულებებისა და კონკურენტული განსხვავებების შესახებ. კითხვა მდგომარეობდა არა იმაში, თუ „როგორ გამოვჩნდეთ AI-ში?“, არამედ „რატომ მცირდება გაყიდვების არხი (lead pipeline) ასეთი მაღალი ხილვადობის პირობებში?“

რეალობა ისეთი აღმოჩნდა, რომ რაც უფრო ღრმად შეჰყავდა AI პოტენციური მყიდველი განხილვის პროცესში, მით უფრო ნაკლებად კონკურენტუნარიანი ხდებოდა ბრენდი. ამ პრობლემის იდენტიფიცირებისთვის შეიქმნა 38 დეტალური, კრიტერიუმებზე დაფუძნებული პრომპტი სხვადასხვა პროდუქტის კატეგორიისა და მყიდველთა სეგმენტისთვის. ისინი შეფასდა ხუთ AI პლატფორმაზე, რამაც ჯამში 190 პასუხი წარმოქმნა. ეს არ იყო ზოგადი კითხვები „საუკეთესო მომწოდებლის“ შესახებ; ისინი ასახავდნენ რეალურ მოთხოვნებს: სამუშაო პროცესებთან თავსებადობას, მარეგულირებელ მოთხოვნებს, ოპერაციულ პირობებს, ანალიტიკას და პლატფორმის მასშტაბურობას.

კვლევამ აჩვენა, რომ კომპანია ნახსენები იყო შეფასებული პასუხების 98.4%-ში და ძირითად რეკომენდაციად ან მოკლე სიაში (shortlist) ფიგურირებდა შემთხვევების 93.2%-ში. ბევრი GEO (Generative Engine Optimization) პროგრამისთვის ეს დიდ წარმატებად ჩაითვლებოდა, თუმცა ხილვადობა არ იყო მთავარი გამოწვევა. როდესაც ეს პასუხები პრომპტებში მოცემული გადაწყვეტილების კრიტერიუმების მიხედვით შეფასდა, აღმოჩნდა, რომ:

  • შემთხვევების 73.7%-ში მტკიცებულებები, რომლებიც ამყარებდა მნიშვნელოვან პრეტენზიებს ან რეკომენდაციებს, იყო სუსტი ან საერთოდ არ არსებობდა.
  • შემთხვევების 15.8%-ში მნიშვნელოვანი გადაწყვეტილების კრიტერიუმი ან კონკურენტული განსხვავება შეიცავდა „მნიშვნელოვან ან კრიტიკულ ხარვეზს“.

AI სისტემებმა ზოგადად იცოდნენ, რომ კომპანია იმსახურებდა განხილვას, თუმცა ისინი ვერ ასაბუთებდნენ, თუ რატომ უნდა დარჩენილიყო ის სიაში მას შემდეგ, რაც მყიდველი სპეციფიკურ კრიტერიუმებს გამოიყენებდა.

ხილვადობა არ ნიშნავს გადაწყვეტილებისთვის მზაობას

არსებობს დიდი განსხვავება კითხვებს შორის: „რომელი მომწოდებლები არიან ბაზარზე?“ და „რომელ მომწოდებელს შეუძლია დააკმაყოფილოს ტექნიკური, ოპერაციული, მარეგულირებელი და ბიზნეს მოთხოვნების კონკრეტული კომბინაცია?“. მოდელმა შეიძლება იცოდეს, რომ კომპანია ლეგიტიმური მოთამაშეა, მაგრამ როგორც კი მყიდველი კითხულობს ინტეგრაციის დეტალებს, სამუშაო პროცესის მხარდაჭერას ან შედეგების დამადასტურებელ მტკიცებულებებს, ინფორმაციული მოთხოვნები მკაცრდება.

ეს არ არის მხოლოდ დამატებითი საკვანძო სიტყვები — ეს არის მტკიცებულებების მოთხოვნა. სწორედ ამით აიხსნება, როგორ შეიძლება ბრენდს ჰქონდეს 98.4%-იანი ხსენების მაჩვენებელი, მაგრამ მაინც განიცდიდეს მტკიცებულებების დეფიციტს პასუხების თითქმის სამ მეოთხედში. ხილვადობა კომპანიას ახვედრებს განხილვის სიაში, ხოლო გადაწყვეტილებისთვის მზაობა განსაზღვრავს, აქვს თუ არა AI-ს საკმარისი ინფორმაცია მის იქ დასატოვებლად.

სისუსტე ხშირად მტკიცებულებებშია და არა შესაძლებლობებში

მნიშვნელოვანი მიგნებაა ის, რომ სუსტი მტკიცებულება ყოველთვის არ ნიშნავს შესაძლებლობის არქონას. ხშირ შემთხვევაში, ფუნქციონალი არსებობდა, მაგრამ ხელმისაწვდომი ინფორმაცია მას საკმარისად კარგად ვერ ხსნიდა, რათა AI-ს ნდობის მაღალი დონე ჰქონოდა. მაგალითად, მარკეტინგული ტექსტი შეიძლება ამტკიცებდეს „სრულ პროცესს“ (end-to-end), მაგრამ არ აჩვენებდეს რეალურ კავშირებს ან მონაცემთა ნაკადს სისტემებს შორის.

ინფორმაცია ხშირად ფრაგმენტირებულია. მოდელს შეიძლება დასჭირდეს პროდუქტის გვერდის დაკავშირება ინტეგრაციის გვერდთან, შემდეგ კი სხვა ტექნიკურ დოკუმენტაციასთან, რათა დაასკვნას, აკმაყოფილებს თუ არა პროდუქტი მყიდველის მოთხოვნას. ყოველი დამატებითი ლოგიკური დასკვნა, რომელიც AI-მ უნდა გააკეთოს, ზრდის არასრული წარმოდგენის რისკს ან აძლევს უპირატესობას კონკურენტს, რომელსაც უფრო ნათელი მტკიცებულებები აქვს.

ყველაზე ძლიერი კონტენტი არ აღმოჩნდა ყველაზე გრძელი ან ტერმინოლოგიით გაჯერებული ტექსტი. პირიქით, საუკეთესო შედეგი აჩვენა კონტენტმა, რომელიც ნათლად აკავშირებდა შესაძლებლობებს, სამუშაო პროცესებს, მყიდველის მოთხოვნებსა და საბოლოო შედეგებს. ავტორიტეტული პროდუქტის დოკუმენტაცია ხშირად საუკეთესო მტკიცებულებაა ფუნქციონალის არსებობის დასადასტურებლად, თუმცა უპირატესობის, ეფექტურობის ან მასშტაბურობის შესახებ პრეტენზიებს ყოველთვის სჭირდება დამოუკიდებელი დადასტურება მომხმარებლების, ინდუსტრიის ექსპერტების ან ანალიტიკოსების მხრიდან.

კონტენტის პარიტეტის ლიმიტი

ბევრი GEO მცდელობა დღეს არის ის, რასაც შეიძლება ეწოდოს „SEO-სთან მიახლოებული GEO“. ეს არის რებრენდირებული SEO პროცესი, რომელიც იყენებს AI-ს სისწრაფეს ტრადიციული კონტენტის ხარვეზების ანალიზისთვის. გუნდები აკვირდებიან კონკურენტების დაფარვას, ხშირად დასმულ კითხვებს და ქმნიან კონტენტს ამ ხარვეზების შესავსებად. ეს მუშაობს კატეგორიაში ადგილის დასამკვიდრებლად, მაგრამ ლიმიტირებულია, როდესაც ყველა დაახლოებით ერთსა და იმავეს ამბობს.

თუ ყველა მომწოდებელი ამტკიცებს, რომ არის „ინტეგრირებული“, „AI-ზე დაფუძნებული“ და „მასშტაბირებადი“, ეს ეხმარება მათ კატეგორიაში მოხვედრაში, მაგრამ არაფერს ამბობს მაშინ, როდესაც მოდელმა უნდა განსაზღვროს, კონკრეტულად რას მოიცავს ეს ინტეგრაცია ან რა მტკიცებულება არსებობს ეფექტურობის შესახებ.

მტკიცებულებების შეფასების სისტემის (Scorecard) შექმნა

მტკიცებულებების შესაფასებლად საჭირო გახდა მრავალცვლადიანი სისტემის შექმნა, რომელიც განსაზღვრავდა, ჰქონდა თუ არა მოდელს საკმარისი საყრდენი კომპანიის შესაფასებლად. ეს მოითხოვდა იმის განსაზღვრას, თუ რა ითვლებოდა ძლიერ მტკიცებულებად და როდის ხდებოდა დამოუკიდებელი დადასტურება კრიტიკულად მნიშვნელოვანი.

ეს პროცესი მოითხოვს კომუნიკაციას კონტენტ გუნდის მიღმა:

  • გაყიდვების გუნდი: ეხმარება იმ კრიტერიუმებისა და წინააღმდეგობების იდენტიფიცირებაში, რომლებიც გავლენას ახდენს გარიგებებზე.
  • პროდუქტის გუნდი: ადასტურებს შესაძლებლობებსა და ლიმიტებს.
  • მომხმარებელთან მომუშავე გუნდები: ეხმარებიან რეალური შედეგების გამოკვეთაში.

უნივერსალური GEO მტკიცებულებების ცხრილი არ არსებობს; მეთოდოლოგია უნდა მოერგოს კონკრეტულ ბიზნეს გადაწყვეტილების კრიტერიუმებს.

კონტენტ გუნდს არ შეუძლია არარსებული ცოდნის გამოგონება

მტკიცებულებების ხარვეზების შევსება არ არის მხოლოდ კონტენტის შექმნის საკითხი. კონტენტ გუნდებმა არ შეიძლება გამოიგონონ ფაქტები. საჭირო ცოდნა ხშირად ორგანიზაციულია და მისი მოპოვება საინჟინრო ან გაყიდვების განყოფილებებიდანაა საჭირო. კონტენტ გუნდის როლია ამ ცოდნის ორგანიზება, კავშირების მკაფიოდ ჩვენება და ინფორმაციის ისე მიწოდება, რომ ის გასაგები იყოს როგორც ადამიანებისთვის, ისე AI სისტემებისთვის.

GEO გაზომვა მყიდველის გზას უნდა მიჰყვეს

მხოლოდ პირველი AI პასუხის გაზომვა არასაკმარისია. ზოგადი პრომპტები კარგია ვარიანტების სიის შესადგენად, მაგრამ მომხმარებლები, როგორც წესი, სვამენ დაზუსტებით კითხვებს. ყოველი მომდევნო პრომპტი უფრო ღრმად შედის კრიტერიუმებში. შესაბამისად, GEO გაზომვა უნდა გახდეს უფრო დახვეწილი და ითვალისწინებდეს როგორც ხილვადობას, ისე გადაწყვეტილებისთვის მზაობას.

არსებობს საფრთხე, რომ მარკეტერებმა დაიწყონ „მტკიცებულების ფორმის მქონე“ ზედაპირული კონტენტის შექმნა (ხელოვნური კვლევები, AI-ით გენერირებული ქეისები), რათა გავლენა მოახდინონ LLM-ებზე. თუმცა, მიზანია არა AI-სთვის დამაჯერებელი არტეფაქტების შექმნა, არამედ რეალური კონტენტის მიწოდება, რომელიც შეამცირებს მყიდველის რისკებს. თუ ინფორმაცია მცოდნე მომხმარებელს უკეთესი გადაწყვეტილების მიღებაში არ ეხმარება, ის არც GEO ქულის გასაუმჯობესებლად უნდა არსებობდეს.

დასკვნა

კომპანიამ შეიძლება მიაღწიოს დიდ წარმატებას ხილვადობის კუთხით, მაგრამ ვერ შესთავაზოს საკმარისი სარწმუნო მტკიცებულება იმისთვის, რომ დარჩეს კვალიფიციურ კანდიდატად, როდესაც საუბარი უფრო სპეციფიკური ხდება. მხოლოდ ხილვადობაზე ორიენტირებული გაზომვის მოდელი ვერ დაინახავს იმ სისუსტეებს, რომლებიც რეალურ გაყიდვებზე ახდენს გავლენას.