هوش مصنوعی چطور لینکهای شما رو واقعاً وزندهی میکنه (تحلیل ۳۵۰۰۰ داده)
تا حالا کسی تاثیر بکلینکها روی دیده شدن در هوش مصنوعی رو اینقدر عمیق بررسی نکرده بود. اما من این کار رو کردم و به یه سری نتایج غافلگیرکننده رسیدم که میتونه استراتژی لینکسازی شما رو از این رو به اون رو کنه.
از قدیم، بکلینکها همیشه یکی از معتبرترین ارزها برای دیده شدن توی نتایج جستجو بودن.
میدونیم که لینکها برای دیده شدن در جستجوی مبتنی بر هوش مصنوعی مهمن، اما اینکه چطوری داخل مدلهای زبانی بزرگ (LLMها) – مثل AI Overviews گوگل، Gemini یا ChatGPT و بقیه – کار میکنن، هنوز یه جورایی مثل یه جعبه سیاهه.
ظهور مدلهای جستجوی هوش مصنوعی، قوانین دیده شدن به صورت ارگانیک و رقابت برای گرفتن سهم از صدا (Share of Voice) در نتایج LLMها رو تغییر داده.
حالا سوال اینه که آیا بکلینکها هنوزم میتونن باعث بشن توی مدلهای مختلف جستجوی هوش مصنوعی دیده بشیم؟ و اگه آره، کدوم نوع بکلینکها؟
اگه بکلینکها رو پول رایج دنیای وب قبل از LLMها بدونیم، تحلیل این هفته ما یه نگاه اولیه است به اینکه آیا این پول هنوزم توی اقتصاد جدید جستجوی هوش مصنوعی اعتبار داره یا نه.
من با همکاری سمراش (Semrush)، ۱۰۰۰ دامنه و تعداد منشنهای اونها در هوش مصنوعی رو در برابر معیارهای اصلی بکلینک بررسی کردم.
این دادهها چهار تا نکته کلیدی رو به ما نشون داد:
- اعتباری که از بکلینک به دست میاد کمک میکنه، اما همه چیز نیست.
- کیفیت لینکها از تعدادشون مهمتره.
- و نکته غافلگیرکننده اینه که لینکهای نوفالو (nofollow) واقعاً تاثیرگذارن.
- لینکهای تصویری میتونن روی اعتبار سایت حسابی تاثیر بذارن.
این یافتهها به همه ما کمک میکنه تا بفهمیم مدلهای هوش مصنوعی چطور سایتها رو نمایش میدن و به ما نشون میده که دیجیتال مارکترها از چه اهرمهای بکلینکسازی میتونن برای تاثیر گذاشتن روی دیده شدن سایتشون استفاده کنن.
در ادامه، با روششناسی تحقیق، نتایج عمیقتر دادهها و توصیههایی (همراه با بنچمارک) برای عملی کردن این یافتهها آشنا میشید.
روششناسی تحقیق
برای این تحلیل، من روابط بین منشنهای هوش مصنوعی برای ۱۰۰۰ دامنه اینترنتی که به صورت تصادفی انتخاب شدن رو بررسی کردم. همه دادهها از ابزار هوش مصنوعی سئو سمراش (Semrush AI SEO Toolkit) گرفته شده که پلتفرم تحلیل دیدهشدن در هوش مصنوعی و جستجوی سمراشه.
به همراه تیم سمراش، من تعداد منشنها رو در پلتفرمهای زیر بررسی کردم:
- چتجیپیتی (ChatGPT).
- چتجیپیتی با قابلیت جستجوی فعال.
- جمینای (Gemini).
- AI Overviews گوگل.
- پرپلکسیتی (Perplexity).
(اگه براتون سواله که چرا Claude.ai توی این تحلیل نیست، باید بگم که ما فعلاً اون رو لحاظ نکردیم، چون کاربرهاش معمولاً کمتر برای جستجوی وب و بیشتر برای کارهای تولیدی (generative) ازش استفاده میکنن.)
برای پلتفرمهای بالا، ما سهم از صدا (Share of Voice) و تعداد منشنهای هوش مصنوعی رو در برابر معیارهای بکلینک زیر سنجیدیم:
- تعداد کل بکلینکها.
- تعداد دامنههای لینکدهنده یکتا.
- لینکهای فالو (Follow).
- لینکهای نوفالو (Nofollow).
- امتیاز اعتبار یا Authority Score (یکی از معیارهای سمراش که در ادامه بهش Ascore میگیم).
- لینکهای متنی.
- لینکهای تصویری.
توی این تحلیل، من از دو روش مختلف برای اندازهگیری همبستگی بین دادهها استفاده کردم: همبستگی پیرسون (Pearson) و همبستگی اسپیرمن (Spearman).
اگه با این مفاهیم آشنا هستید، میتونید از این بخش بگذرید و مستقیم برید سراغ نتایج.
برای بقیه، من این دو تا رو توضیح میدم تا درک بهتری از یافتههای ادامه مطلب داشته باشید.
هم پیرسون و هم اسپیرمن ضریب همبستگی هستن؛ یعنی عددی بین -۱ و +۱ که نشون میده دو تا متغیر مختلف چقدر به هم مرتبطان.
هرچقدر این ضریب به +۱ یا -۱ نزدیکتر باشه، همبستگی محتملتر و قویتره. (نزدیک به صفر یعنی همبستگی ضعیف یا عدم وجود همبستگی.)
- ضریب r پیرسون (Pearson’s r) قدرت و جهت یک رابطه خطی بین دو متغیر رو اندازه میگیره. پیرسون به دنبال یک همبستگی خطی در دادهها با استفاده از مقادیر خام میگرده. این روش اندازهگیری به دادههای پرت (outliers) حساسه. اما اگه رابطه بین دادهها منحنی باشه یا آستانهای داشته باشه، پیرسون اون رو کمتر از مقدار واقعیاش نشون میده.
- ضریب ρ اسپیرمن (Spearman’s ρ) قدرت و جهت یک رابطه یکنواخت (monotonic) رو اندازه میگیره؛ یعنی بررسی میکنه که آیا مقادیر به طور مداوم در یک جهت (یا جهت مخالف) حرکت میکنن یا نه، حتی اگه این حرکت روی یک خط راست نباشه. اسپیرمن به همبستگی رتبهای بین دادهها نگاه میکنه. سوالش اینه: «وقتی یه متغیر زیاد میشه، آیا اون یکی هم معمولاً زیاد میشه؟». این نوع همبستگی در برابر دادههای پرت مقاومتره و الگوهای غیرخطی و یکنواخت رو هم در نظر میگیره.
وجود اختلاف بین ضریب همبستگی پیرسون و اسپیرمن میتونه به این معنی باشه که دستاوردها غیرخطی هستن.
به عبارت دیگه: یه آستانهای وجود داره که باید ازش عبور کرد. و این یعنی تاثیر X روی Y بلافاصله شروع نمیشه.
بررسی هر دو ضریب پیرسون و اسپیرمن میتونه به ما بگه که آیا تا قبل از رسیدن به یک نقطه مشخص، هیچ اتفاقی (یا اتفاق خاصی) نمیافته و بعد از عبور از اون نقطه، رابطه به شدت خودش رو نشون میده.
بذارید یه مثال سریع بزنم تا بهتر متوجه بشید:
مثلاً خرج کردن ۵۰۰ دلار (اقدام X) برای تبلیغات ممکنه هیچ تاثیر محسوسی روی رشد فروش (نتیجه Y) نداشته باشه. اما وقتی از یه حدی، مثلاً ۵۰۰۰ دلار در ماه (اقدام X)، عبور میکنید، فروش شروع به رشد مداوم میکنه (نتیجه Y).
خب، کلاس آمار امروزمون همینجا تموم میشه.
اولین سیگنالی که ما بررسی کردیم، قدرت رابطه بین تعداد بکلینکهای یک سایت و سهم از صدای اون در هوش مصنوعی (AI Share of Voice) بود.
نتایج دادهها این بود:
- امتیاز اعتبار (Authority Score) یک ارتباط متوسط با سهم از صدا (SoV) داره: پیرسون ~۰.۲۳، اسپیرمن ~۰.۳۶.
- اعتبار بالاتر به معنی سهم از صدای بیشتره، اما این رشد یکنواخت نیست. یه آستانهای وجود داره که باید ازش رد بشید.
- اعتبار به دیده شدن کمک میکنه، اما بیشترِ این تفاوت در نتایج رو توضیح نمیده. معنی این حرف اینه که بکلینکها روی دیده شدن در هوش مصنوعی تاثیر دارن، اما داستان چیزهای دیگهای هم داره، مثل محتوای شما، دیدگاه مخاطب نسبت به برندتون و غیره.
همچنین، تعداد دامنههای لینکدهنده یکتا از تعداد کل بکلینکها مهمتره.
به زبان ساده، وقتی از سایتهای مختلف و زیادی لینک داشته باشید، احتمال اینکه سهم از صدای بیشتری بگیرید، بیشتر از زمانیه که تعداد خیلی زیادی لینک فقط از چندتا سایت محدود داشته باشید.
در تمام مدلهای هوش مصنوعی، قویترین رابطه بین امتیاز اعتبار (پیرسون ۰.۶۵، اسپیرمن ۰.۵۷) و تعداد منشنها وجود داشت.
سمراش معیار امتیاز اعتبار (Authority Score) رو اینطوری تعریف میکنه:
امتیاز اعتبار یا Authority Score، معیار ترکیبی ماست که کیفیت کلی یک وبسایت یا یک صفحه وب رو درجهبندی میکنه. هرچقدر این امتیاز بالاتر باشه، فرض بر اینه که لینکهای خروجی اون دامنه یا صفحه به یک سایت دیگه، وزن و اعتبار بیشتری دارن.
این امتیاز، تعداد و کیفیت بکلینکها، ترافیک ارگانیک صفحات مبدا لینک، و میزان اسپم بودن پروفایل لینک رو در نظر میگیره.
البته، Ascore فقط یک نماینده برای سنجش کیفیته. LLMها روشهای خودشون رو برای ارزیابی کیفیت بکلینک دارن. اما دادهها نشون میده که ما میتونیم از Ascore سمراش به عنوان یک شاخص خوب استفاده کنیم.
بیشتر مدلها برای منشنها به یک اندازه به این معیار اهمیت میدن، اما ChatGPT Search و Perplexity در مقایسه با بقیه، کمترین ارزش رو براش قائلن.
جالبه که ChatGPT معمولی (بدون قابلیت جستجو) بین همه مدلها، بیشترین وزن رو به Ascore میده.
نکته خیلی مهم: میانه منشنها از حدود ۲۱.۵ در دهک هشتم به حدود ۷۹.۰ در دهک نهم میپره. این یعنی رابطه غیرخطیه. به عبارت دیگه، بزرگترین دستاوردها زمانی اتفاق میافته که به بالاترین سطح اعتبار، یا در اینجا Ascore، میرسید.
(برای اینکه بهتر متوجه بشید، دهک (decile) روشی برای تقسیم کردن یک مجموعه داده به ۱۰ قسمت مساویه. هر بخش یا دهک، شامل ۱۰٪ از نقاط داده است که به ترتیب مرتب شدن.)
شاید مهمترین یافته این تحلیل این باشه که خیلی فرقی نمیکنه لینکها نوفالو باشن یا نه!
و این پیامدهای خیلی بزرگی داره.
تایید ارزش لینکهای نوفالو خیلی مهمه، چون ساختن این نوع لینکها معمولاً راحتتر از لینکهای فالو هست.
اینجاست که LLMها به طور مشخصی با موتورهای جستجو فرق دارن: ما مدتیه که میدونیم گوگل هم لینکهای نوفالو رو حساب میکنه، اما نمیدونیم چقدر و برای چه کاری (مثلاً برای خزش، رتبهبندی و غیره).
اینجا هم دوباره، تا وقتی که توی ۳ دهک بالایی، یعنی ۳۰٪ برتر دادهها، قرار نگیرید، دستاورد بزرگی نمیبینید.
لینکهای فالو ← منشنها:
- پیرسون ۰.۳۳۴، اسپیرمن ۰.۵۰۴
لینکهای نوفالو ← منشنها:
- پیرسون ۰.۳۴۰، اسپیرمن ۰.۵۰۹
در مقابل، AI Overviews گوگل و Perplexity بیشترین وزن رو به لینکهای معمولی (فالو) و کمترین وزن رو به لینکهای نوفالو دادن.
و جالب اینجاست که Gemini و ChatGPT بیشترین وزن رو به لینکهای نوفالو میدن (حتی بیشتر از لینکهای فالو معمولی).
اینم نظریه شخصی من در مورد اینکه چرا Gemini و ChatGPT به لینکهای نوفالو وزن بیشتری میدن:
در مورد Gemini، برام سواله که آیا گوگل داره به لینکهای نوفالو وزن بیشتری از اون چیزی که قبلاً فکر میکردیم میده یا نه. و در مورد ChatGPT، فرضیه من اینه که بینگ هم داره وزن بیشتری به لینکهای نوفالو میده (بعد از اینکه گوگل این کار رو شروع کرد). اما این فقط یک نظریه است و فعلاً دادهای برای اثباتش ندارم.
علاوه بر بکلینکهای متنی، ما این رو هم آزمایش کردیم که آیا بکلینکهای تصویری هم همون وزن رو دارن یا نه.
و در بعضی موارد، اونها رابطه قویتری با منشنها داشتن تا لینکهای متنی.
اما چقدر قوی؟
- تصاویر در برابر منشنها: پیرسون ۰.۴۱۵، اسپیرمن ۰.۵۳۸
- لینکهای متنی در برابر منشنها: پیرسون ۰.۳۳۴، اسپیرمن ۰.۴۷۲
لینکهای تصویری وقتی واقعاً نتیجه میدن که شما از قبل مقداری اعتبار داشته باشید.
- از دهکهای میانی به بالا، این رابطه مثبت میشه، بعد قویتر میشه و در دهکهای بالایی به قویترین حالت خودش میرسه.
- در دهکهای با Ascore پایین (دهکهای ۱ و ۲)، رابطه بین تصاویر و منشنها ضعیف یا حتی منفیه.
اگه هدف شما افزایش منشن در Perplexity یا Search-GPT هست، لینکهای تصویری به خصوص موثر هستن.
- تصاویر بیشترین همبستگی رو با منشنها در Perplexity و Search-GPT دارن (اسپیرمن ≈ ۰.۵۵ و ۰.۵۳)، بعد از اونها ChatGPT/Gemini (≈ ۰.۴۹ – ۰.۵۲) و در نهایت Google-AI (≈ ۰.۴۶).
پاسخی بگذارید