قياس الظهور في الذكاء الاصطناعي: مؤشرات GEO ولوحة المراقبة

إذا كنت لا تعرف ما إذا كان عملك في GEO يؤتي ثماره، فما تفعله ليس تحسينًا بل تخمينًا.

في دليل GEO السابق تناولنا الجانب التقني للظهور في البحث بالذكاء الاصطناعي: ملف llms.txt، وschema.org، والعرض من جانب الخادم، وWebMCP. في ذلك المقال جدول يقارن GEO بـ SEO، وقد تُرك أحد صفوفه فارغًا بصدق:

أدوات القياس: لم تنضج بعد - تتبع ذكر العلامة التجارية، واختبار يدوي.

هذا المقال يملأ ذلك الصف. ماذا تقيس، وأي المقاييس يقول لك شيئًا فعليًا وأيها مجرد مطمئن، وكيف تبني اللوحة التي تجمعها على بنيتك التحتية.

إجابة سريعة: الظهور في الذكاء الاصطناعي ليس مقياسًا واحدًا بل أربع طبقات منفصلة: جلب الروبوت لصفحتك (الزحف)، وذكر النموذج لك في إجابته (الاستشهاد)، ونقر المستخدم للوصول إليك (الإحالة)، وتحول هذا المرور إلى أعمال (التحويل). كل طبقة تُقرأ من مصدر بيانات مختلف، وهذه المصادر لا يحل بعضها محل بعض. بيانات الزحف موجودة في سجلات الخادم ولا تظهر في Google Analytics. بيانات الاستشهاد ليس لها واجهة برمجية رسمية ويجب أخذ عينات منها بمجموعة أسئلة ثابتة. بيانات الإحالة تظهر في التحليلات كمصدر إحالة. وحتى تجمع الأربع في مكان واحد، لن يكون لسؤال "هل ينجح GEO" أي إجابة.

المحتويات

• لماذا يصعب القياس؟
• الطبقات الأربع للظهور في الذكاء الاصطناعي
• جدول مؤشرات GEO
• أي المقاييس جدير بالثقة وأيها ليس كذلك؟
• بناء لوحة المراقبة
• نموذج تقرير أسبوعي
• مسرد المصطلحات
• الأسئلة الشائعة
• قائمة التنفيذ

لماذا يصعب القياس؟

النصائح حول GEO وفيرة. هناك مئات المقالات التي تطلب منك إضافة المخططات، وكتابة تعريفات واضحة، ونشر ملف llms.txt. أما جانب القياس فيكاد يكون فارغًا، لأن سلسلة القياس الموجودة في السيو التقليدي غير موجودة هنا ببساطة.

في السيو التقليدي الحلقة مغلقة: يُكتب الاستعلام، ويُقاس الترتيب، وتظهر النقرة في Search Console، ويصل المرور إلى Analytics، ويُسجل التحويل في نظام إدارة العملاء. كل خطوة قابلة للملاحظة.

في البحث بالذكاء الاصطناعي، منتصف تلك السلسلة مظلم. لا يمكنك رؤية ما سأله المستخدم لـ ChatGPT. ولا يمكنك رؤية المصادر التي قرأها النموذج. ولا شيء يُعلمك ما إذا ظهرت علامتك في الإجابة. وفي أغلب الأحيان يحصل المستخدم على ما يريد دون أن ينقر على أي شيء.

لذلك فإن قياس الظهور في الذكاء الاصطناعي ليس مسألة فتح لوحة واحدة، بل مسألة جمع أربع إشارات مستقلة ووضعها جنبًا إلى جنب.

الطبقات الأربع للظهور في الذكاء الاصطناعي

معظم المحتوى يجمع هذه الأربع في كيس واحد باسم "الظهور في الذكاء الاصطناعي". لكن كل واحدة تُقرأ من مصدر مختلف، وقياس إحداها لا يخبرك شيئًا عن البقية. قد يجري الزحف إلى صفحاتك يوميًا بينما لا تظهر في أي إجابة. أو قد تظهر باستمرار دون أن تحصل على أي نقرة. هذه مشكلات مختلفة ولها حلول مختلفة.

١. الزحف: هل جلب الروبوت الصفحة؟

الطبقة الأساسية. إذا لم يزر روبوت الذكاء الاصطناعي صفحتك قط، فلن تتحقق أي من الطبقات الثلاث الأخرى.

هنا تمييز جوهري: زواحف التدريب والجلب المدفوع بالمستخدم ليسا الشيء نفسه. GPTBot وClaudeBot يزحفان على نطاق واسع. أما ChatGPT-User وPerplexity-User فيجلبان صفحتك لأن مستخدمًا يسأل شيئًا في هذه اللحظة. والثاني إشارة أقوى بكثير: فهو يعني أن شخصًا ما، الآن، سأل سؤالًا احتاج إلى صفحتك.

٢. الاستشهاد: هل ذكرك النموذج؟

هذا هو الأهم، وهو الأصعب قياسًا لعدم وجود واجهة برمجية رسمية له. لا يقدم أي مزود للذكاء الاصطناعي لوحة تقول لك "ظهرت علامتك في ٤٧ إجابة هذا الأسبوع".

الأسلوب الوحيد المتاح هو أخذ العينات: تحدد مجموعة أسئلة ثابتة، وتطرحها على النماذج على فترات منتظمة، وتسجل ما إذا ظهرت علامتك. هذا لن يعطيك الحقيقة المطلقة، بل يعطيك اتجاهًا، والاتجاه يكفي ما دمت تعرف إلى ماذا تنظر.

٣. الإحالة: هل نقر المستخدم؟

الظهور في إجابة الذكاء الاصطناعي لا يعني مرورًا تلقائيًا. قد يقرأ المستخدم الإجابة ويقتنع ولا ينقر على شيء. يسمى هذا بالنقر الصفري، ونسبته في البحث بالذكاء الاصطناعي أعلى بكثير منها في البحث التقليدي.

لكن بعض الناس ينقرون فعلًا، وهم يظهرون في التحليلات كمرور إحالة من مصادر مثل chatgpt.com وperplexity.ai وcopilot.microsoft.com وgemini.google.com. جودة هذا المرور عالية عادة، لأن المستخدم وجدك داخل توصية لا في قائمة من عشرة روابط زرقاء.

٤. التحويل: هل تحول إلى أعمال؟

الطبقة الأخيرة، وهي التي تحدد لماذا تهم الطبقات الثلاث الأخرى. هل يملأ المرور القادم من الذكاء الاصطناعي النماذج، ويطلب عروض الأسعار، ويتحول إلى إيرادات؟

الطريقة الوحيدة لقياس ذلك هي تمرير مصدر اللمسة الأولى إلى سجلات النماذج ونظام إدارة العملاء. فحين يأتي المستخدم من ChatGPT ثم يعود مباشرة بعد ثلاثة أيام ليملأ نموذجًا، يُسجل هذا العميل المحتمل بوصفه "زيارة مباشرة" وتختفي مساهمة الذكاء الاصطناعي. وما لم تخزن مصدر اللمسة الأولى في ملف تعريف ارتباط وترسله مع النموذج، ستبقى هذه الطبقة فارغة إلى الأبد.

جدول مؤشرات GEO

المقاييس الجديرة بالتتبع في كل طبقة، ومن أين تُقرأ، وكيف تبدو الإشارة الصحية:

أي المقاييس جدير بالثقة وأيها ليس كذلك؟

هناك الكثير من الكتابات الواثقة في هذا المجال. ومعرفة مصدر الأرقام هي ما يمنعك من اتخاذ قرارات خاطئة حين تنظر إلى لوحتك.

Search Console صار يفصل ظهور الذكاء الاصطناعي، لكنه لا يعطي النقرات. في ٣ يونيو ٢٠٢٦ أضافت Google تقريرًا مخصصًا لأداء Gen-AI في Search Console. ولم تعد مرات الظهور في AI Overviews و AI Mode مدفونة داخل البيانات العضوية التقليدية. غير أن التقرير يعطي الظهور والصفحات والدول والأجهزة، ولا يوجد فيه بيانات نقر ولا معدل نقر ولا تفصيل بالاستعلامات. أي أن سؤال "كم معدل النقر لدينا في جانب الذكاء الاصطناعي" لا إجابة له اليوم. قالت Google إنها ستضيف مقاييس مع الوقت، لكن هذا هو الواقع الحالي.

Google Analytics لا يُظهر الزواحف. يقوم GA4 بترشيح مرور الروبوتات المعروفة تلقائيًا. وإن حاولت قراءة طبقة الزحف من GA4 فستعود النتيجة صفرًا بصمت، وثمة خطر حقيقي في اعتبار ذلك نتيجة. المصدر الموثوق الوحيد لبيانات الزحف هو سجلات الخادم أو سجلات الحافة.

إجابات النماذج اللغوية ليست حتمية. اطرح السؤال نفسه مرتين وقد تحصل على إجابتين مختلفتين. لذلك فاختبار سؤال واحد حكاية لا بيانات. وإن كنت تقيس، فأنت بحاجة إلى مجموعة أسئلة ثابتة، وعدة تشغيلات لكل سؤال، ونسبة على شكل "ظهر في N من أصل M". أما إجابة نعم أو لا فلا تُعد قياسًا.

أدوات GEO الخارجية لا ترى داخل النموذج. أدوات الظهور في الذكاء الاصطناعي المتاحة تستخدم أسلوب العينات نفسه تمامًا: تطرح مجموعات أسئلتها الخاصة وتعد النتائج. ورقم حصة الصوت الذي تمنحك إياه تقدير لتلك المجموعة، لا حقيقة مطلقة. استخدام أداة قد يكون منطقيًا، أما اعتبار مخرجاتها حقيقة نهائية فلا.

رقمان للمقارنة. نمت زيارات البحث بالذكاء الاصطناعي بنسبة ٤٢٫٨٪ على أساس سنوي بين الربع الأول من ٢٠٢٥ والربع الأول من ٢٠٢٦، من ١٥٫٦ مليار إلى ٢٧٫٤ مليار. وفي المقابل، لا يتتبع سوى ١٤٪ من المسوقين الاستشهادات في الذكاء الاصطناعي، بينما يعتبر ٤٣٪ منهم التحسين للبحث بالذكاء الاصطناعي استراتيجية أساسية لعام ٢٠٢٦. أي فجوة تقارب ثلاثة أضعاف بين من يسميها استراتيجية ومن يقيسها فعلًا. والبدء بالقياس ما زال حتى اليوم نقطة تميز.

بناء لوحة المراقبة

التصميم أدناه يفترض Next.js وMongoDB وCloudflare وGA4. وتكييفه مع منظومتك ليس صعبًا، فالمنطق واحد.

جمع سجلات الزحف

تعزل روبوتات الذكاء الاصطناعي عبر user-agent. وعد زواحف التدريب بمعزل عن الجلب المدفوع بالمستخدم أمر مهم، لأن الثاني إشارة نية أقوى بكثير:

# زواحف التدريب والبحث
CRAWLERS='GPTBot|ClaudeBot|Google-Extended|Bytespider|CCBot|Applebot-Extended'

# الجلب المدفوع بالمستخدم - شخص ما يسأل الآن
USER_FETCH='ChatGPT-User|Perplexity-User|OAI-SearchBot|PerplexityBot'

# أي روبوت جلب أي صفحة وكم مرة
grep -E "$CRAWLERS|$USER_FETCH" access.log \
  | awk -F'"' '{print $6, $2}' \
  | sort | uniq -c | sort -rn | head -30

إن كنت على Cloudflare فيمكنك دفع البيانات نفسها إلى مخزن عبر Logpush وتجميعها يوميًا. المهم هو تراكم هذا الرقم في مكان ما، لأن النظرة الواحدة لا تفيد. أنت بحاجة إلى الاتجاه.

تعريف لوحة الأسئلة

أساس قياس الاستشهاد مجموعة أسئلة ثابتة. والثبات شرط لا يقبل التفاوض: فإن تغيرت الأسئلة بين قياس وآخر، فلا شيء يمكن مقارنته. اشتق الأسئلة من أسئلة العملاء الحقيقية، لا من أسئلة تتضمن اسم علامتك أصلًا:

{
  "brand": "Detartech",
  "competitors": ["المنافس أ", "المنافس ب", "المنافس ج"],
  "locale": "ar",
  "runsPerPrompt": 5,
  "schedule": "0 6 * * 1",
  "prompts": [
    {
      "id": "geo-agency-ar",
      "text": "هل توصي بشركة برمجيات تعمل في GEO وتحسين البحث بالذكاء الاصطناعي؟",
      "intent": "تجاري"
    },
    {
      "id": "mvp-agency-ar",
      "text": "ما الشركات التي تطور المنتج الأولي MVP في إسطنبول؟",
      "intent": "تجاري"
    },
    {
      "id": "llms-txt-ar",
      "text": "هل ملف llms.txt مفيد فعلًا؟",
      "intent": "معلوماتي"
    }
  ]
}

ثلاث نقاط مهمة. يجب أن يكون runsPerPrompt أكبر من واحد، لأن التشغيل الواحد حكاية. وحقل intent يتيح فصل الأسئلة التجارية عن المعلوماتية، والظهور في إجابة تجارية أثمن بكثير. ومن دون قائمة competitors لا يمكن حساب حصة الصوت أصلًا.

تشغيل اللوحة

حلقة بسيطة تطرح مجموعة الأسئلة وتسجل النتيجة. المثال أدناه يستخدم نموذجًا مفعلًا فيه البحث على الويب، لأن ما تريد قياسه ليس بيانات تدريب النموذج بل الإجابة التي ينتجها من الويب الحي:

import Anthropic from '@anthropic-ai/sdk';

const client = new Anthropic();

type PromptRun = {
  promptId: string;
  runIndex: number;
  mentioned: boolean;
  competitorsMentioned: string[];
  citedUrls: string[];
  answer: string;
  checkedAt: Date;
};

async function runPrompt(
  prompt: { id: string; text: string },
  brand: string,
  competitors: string[],
  runIndex: number,
): Promise<PromptRun> {
  const response = await client.messages.create({
    model: 'claude-opus-5',
    max_tokens: 4096,
    tools: [{ type: 'web_search_20260209', name: 'web_search' }],
    messages: [{ role: 'user', content: prompt.text }],
  });

  const answer = response.content
    .filter((block) => block.type === 'text')
    .map((block) => block.text)
    .join('\n');

  return {
    promptId: prompt.id,
    runIndex,
    mentioned: new RegExp(brand, 'i').test(answer),
    competitorsMentioned: competitors.filter((c) =>
      new RegExp(c, 'i').test(answer),
    ),
    citedUrls: [...new Set(answer.match(/https?:\/\/[^\s)\]]+/g) ?? [])],
    answer,
    checkedAt: new Date(),
  };
}

احفظ الإجابات الخام أيضًا. فحين ينخفض معدل الذكر، يكون التفسير في تلك النصوص: من الذي بدأ النموذج يوصي به بدلًا منك، وأي مصدر استشهد به. ولا يمكنك رؤية ذلك إلا بقراءة الإجابة.

فصل مرور الإحالة

تصنف مصادر الذكاء الاصطناعي عبر مصدر الإحالة وتحفظ النتيجة كمصدر لمسة أولى. وطبقة التحويل تعتمد على هذا كليًا:

const AI_REFERRERS: Record<string, string> = {
  'chatgpt.com': 'ChatGPT',
  'chat.openai.com': 'ChatGPT',
  'perplexity.ai': 'Perplexity',
  'copilot.microsoft.com': 'Copilot',
  'gemini.google.com': 'Gemini',
  'claude.ai': 'Claude',
};

export function classifyReferrer(referrer: string | null): string | null {
  if (!referrer) return null;
  try {
    const host = new URL(referrer).hostname.replace(/^www\./, '');
    return AI_REFERRERS[host] ?? null;
  } catch {
    return null;
  }
}

اكتب هذه القيمة في ملف تعريف ارتباط عند أول زيارة وأرفقها ببيانات النموذج عند الإرسال. وإلا فإن المستخدم الذي يعود مباشرة بعد ثلاثة أيام سيُسجل بوصفه "زيارة مباشرة" وتصير مساهمة الذكاء الاصطناعي غير مرئية.

تجميع البيانات في مكان واحد

تُجمع المصادر الثلاثة في مجموعة واحدة ويُستخرج منها ملخص أسبوعي:

// مجموعة geo_metrics: { layer, metric, value, source, recordedAt }

db.geo_metrics.aggregate([
  { $match: { recordedAt: { $gte: new Date(Date.now() - 7 * 864e5) } } },
  {
    $group: {
      _id: { layer: '$layer', metric: '$metric' },
      total: { $sum: '$value' },
      samples: { $sum: 1 },
    },
  },
  { $sort: { '_id.layer': 1, total: -1 } },
]);

نموذج تقرير أسبوعي

بعد تشغيل اللوحة، تبدو القراءة الأسبوعية على هذا النحو:

المهارة الحقيقية هنا ألا تتفاعل مع حركة أسبوع واحد. فمعدل الذكر قائم على العينات، ولذلك يتذبذب بطبيعته. انظر إلى اتجاه أربعة أسابيع قبل اتخاذ أي قرار.

مسرد المصطلحات

• GEO (تحسين المحركات التوليدية): ممارسة هيكلة المحتوى بحيث تستطيع نماذج الذكاء الاصطناعي التوليدية استخدامه مصدرًا في إجاباتها.
• معدل الذكر: نسبة التشغيلات التي ظهرت فيها العلامة ضمن مجموعة أسئلة ثابتة.
• حصة الصوت: نصيبك من مجموع ذكر العلامات التجارية في الإجابات نفسها.
• لوحة الأسئلة: مجموعة الأسئلة الثابتة التي تُطرح على النماذج بانتظام لقياس الاستشهاد.
• النقر الصفري: حصول المستخدم على إجابته وإنهاء البحث دون النقر على أي موقع.
• الجلب المدفوع بالمستخدم: جلب صفحة بسبب سؤال يطرحه مستخدم في هذه اللحظة (ChatGPT-User، Perplexity-User).
• مصدر اللمسة الأولى: القناة التي التقى فيها المستخدم بالموقع أول مرة، وتُحفظ كي لا تضيع في الزيارات اللاحقة.
• تقرير أداء Gen-AI: تقرير Search Console الذي يفصل مرات الظهور في AI Overviews و AI Mode.

الأسئلة الشائعة

هل يمكنني قياس الظهور في الذكاء الاصطناعي بمقياس واحد؟ لا. الزحف والاستشهاد والإحالة والتحويل طبقات منفصلة، وواحدة منها لا تخبرك شيئًا عن البقية. قد يجري الزحف إليك يوميًا دون أن تظهر في أي إجابة.

هل يُظهر Search Console نقراتي من الذكاء الاصطناعي؟ لا. تقرير Gen-AI الصادر في يونيو ٢٠٢٦ يعطي الظهور والصفحات والدول والأجهزة، ولا يعطي النقرات ولا معدل النقر ولا تفصيل الاستعلامات.

كم سؤالًا ينبغي أن تضم لوحة الأسئلة؟ من ١٥ إلى ٣٠ سؤالًا يكفي لمعظم الشركات. المهم ليس العدد بل أن تُشتق الأسئلة من أسئلة العملاء الحقيقية وأن تبقى ثابتة مع الوقت. فإن غيّرت المجموعة فقدت إمكانية المقارنة.

هل أشتري أداة GEO جاهزة أم أبني بنفسي؟ كلاهما ممكن. الأدوات الجاهزة تبدأ بسرعة، لكن عيناتها ليست خاصة بك ولن تربط طبقة التحويل بنظام إدارة العملاء لديك. أما لوحتك الخاصة فجهد أكبر، لكنها تملأ طبقتي الزحف والتحويل ببيانات هي بياناتك فعلًا.

متى أرى النتائج؟ طبقة الزحف تستجيب خلال أيام. أما الاستشهاد فأبطأ بكثير وأكثر تذبذبًا، وتحتاج إلى أربعة أسابيع من البيانات على الأقل لاتجاه ذي معنى. وطبقة التحويل منخفضة الحجم وينبغي مراجعتها شهريًا.

انخفض معدل الذكر لدي، ماذا أفعل؟ اقرأ الإجابات الخام أولًا. من الذي بدأ النموذج يوصي به بدلًا منك، وأي مصدر استشهد به؟ في أغلب الأحيان لا تكون المشكلة في صفحتك، بل في أن منافسًا نشر تعريفًا أوضح وأسهل للاستشهاد.

قائمة التنفيذ

• أفرد تقريرًا مستقلًا لـ user-agent روبوتات الذكاء الاصطناعي في سجلات الخادم أو الحافة
• عُد زواحف التدريب والجلب المدفوع بالمستخدم بشكل منفصل
• حدد مجموعة أسئلة ثابتة من ١٥ إلى ٣٠ سؤالًا ولا تغيّرها
• شغّل كل سؤال من ٣ إلى ٥ مرات على الأقل، لا مرة واحدة
• احفظ الإجابات الخام لا مجرد علامة نعم أو لا
• حدد قائمة منافسين، فمن دونها لا يمكن حساب حصة الصوت
• أنشئ مصادر إحالة الذكاء الاصطناعي كشريحة مستقلة في GA4
• احفظ مصدر اللمسة الأولى في ملف تعريف ارتباط وأرفقه بإرسال النموذج
• راجع تقرير Gen-AI في Search Console أسبوعيًا
• انظر إلى اتجاه أربعة أسابيع قبل أن تقرر أي شيء

الخلاصة

قياس الظهور في الذكاء الاصطناعي ليس ناضجًا اليوم بقدر قياس السيو التقليدي، ولن يكون كذلك قريبًا. لكن "لا يمكن قياسه" و"لا يصل في لوحة واحدة جاهزة" عبارتان مختلفتان.

اجمع الطبقات الأربع كلًا على حدة وضعها جنبًا إلى جنب، وسيكون لديك من البيانات ما يكفي لدعم قرار: أي محتوى يجري الزحف إليه، وفي أي الأسئلة تظهر، وأي الإجابات تجلب النقرات، وأي المرور يتحول إلى أعمال. هذا ليس قياسًا مثاليًا، لكنه أفضل بكثير من التخمين.

ننفذ العمل التقني في GEO ضمن خدمة GEO، والجانب التقليدي للبحث ضمن خدمة SEO. وللاطلاع على الجانب التقني للظهور راجع دليل GEO، ولمعرفة كيف ستتعامل وكلاء الذكاء الاصطناعي مع المواقع راجع مقال WebMCP.