مسترجَع لكن غير مُستشهَد به: فجوة الاستشهاد بالذكاء الاصطناعي

افتح سجلات الخادم (server logs) الخاصة بموقعك الآن، وهناك احتمال كبير أن تجد GPTBot وClaudeBot وPerplexityBot يزحفون عبر صفحات خدماتك وأسئلتك الشائعة ومدونتك، بجدول يبدو فعلاً وكأنه اهتمام حقيقي. ثم اسأل المنصة نفسها سؤالاً تجيب عليه صفحتك مباشرة. لا شيء. لا ذكر، لا رابط، لا استشهاد. محتواك تمت قراءته بالفعل. لكنه لم يُستخدم. هذه الفجوة المحددة، والمُحبِطة بهدوء، أصبح لها الآن اسم، وفي سبتمبر 2026 بدأت أخيراً تُقاس بجدية بدلاً من أن تبقى مجرد شكوى متناثرة.

باحث يدير أداة صغيرة لقياس الظهور في الذكاء الاصطناعي وضع رقماً على هذه المشكلة أثار نقاشاً واسعاً على Hacker News: بعد تدقيق مئات المواقع الحقيقية لشركات فعلية، وجد أن 8.9% فقط من المواقع تحظر روبوتات الذكاء الاصطناعي عبر ملف robots.txt، بينما 94.8% منها لا تُذكر إطلاقاً في أي إجابة فعلية من الذكاء الاصطناعي. تقريباً لا أحد يرفض أن يُقرأ. وتقريباً الجميع يُتجاهل رغم ذلك. هذه ليست مشكلة محتوى بالمعنى الذي تفترضه معظم الشركات — إنها مشكلة الفرق بين "الاسترجاع" (retrieval) و"الاستشهاد" (citation)، وهما أمران مختلفان بنيوياً وقابلان للقياس بشكل منفصل تماماً.

لعبتان مختلفتان، لا لعبة واحدة

الاسترجاع أصبح الجزء السهل الآن. أنظمة الذكاء الاصطناعي الحديثة تسحب عشرات الصفحات المرشحة لاستعلام واحد، وأحياناً أكثر بكثير مما يظهر فعلاً في الإجابة النهائية — هكذا تعمل أنظمة التوليد المعزز بالاسترجاع (RAG) ببساطة. أما الاستشهاد فهو فلتر منفصل، وأصعب بكثير، يُطبَّق فوق تلك المجموعة المرشحة، ومعظم الصفحات التي تجتاز العتبة الأولى لا تجتاز الثانية أبداً. تحليل أجرته شركة ALM Corp في مارس 2026، شمل 548,534 صفحة استرجعتها ChatGPT عبر 15,000 استعلام (وصلت إلى 43,233 استعلاماً فعلياً بعد احتساب الاستعلامات الفرعية التي يولّدها ChatGPT بصمت خلف كل سؤال واحد)، وجد أن 15% فقط من الصفحات المسترجَعة استُشهد بها فعلاً في الإجابة النهائية. 85% منها دخلت مجموعة الترشيح، وقُيِّمت، ثم استُبعدت.

بيانات Peec AI على مستوى المنصات تروي القصة نفسها من زاوية مختلفة. بالنظر إلى أكثر من مليون استشهاد تم تتبعه، وجدت الشركة أن 64% من الروابط المتتبَّعة على Perplexity لا تحصل أبداً على استشهاد واحد، رغم أن واجهة Perplexity نفسها تعرض تلك المصادر ذاتها في الشريط الجانبي كمواد تم استرجاعها فعلاً. الصفحة موجودة ومرئية بوضوح. لكنها ببساطة ليست الصفحة التي يقع عليها الاختيار للاستشهاد.

هذا التمييز مهم فعلاً لما ستفعله بعد ذلك: إذا كنت تقيس فقط ما إذا كانت صفحتك تظهر في أدوات مرتبطة بالبحث، أو ما إذا كانت سجلات الخادم تُظهر حركة روبوتات، فأنت تقيس الاسترجاع — الجزء الذي أصبح شبه محلول تلقائياً، لأن هذه الروبوتات تزحف عبر الويب المفتوح بشكل غير انتقائي إلى حد كبير. الاستشهاد هو الجزء الذي يتطلب عملاً حقيقياً، وهو الجزء الذي لا يفصله تقريباً أي أحد عندما يقدّم تقريراً عن "الظهور في الذكاء الاصطناعي".

هذا الخلط بين المصطلحين ليس مجرد دقة لغوية بلا معنى عملي. فريق تسويق يعرض على الإدارة "شهدنا زيارات من GPTBot ارتفعت 40% هذا الربع" يقدّم رقماً حقيقياً لكنه يقيس المرحلة الخطأ تماماً. الرقم المفيد فعلاً هو: من بين تلك الزيارات، كم مرة تحوّلت فعلاً إلى استشهاد ظاهر في إجابة حقيقية؟ الأول رقم زحف. الثاني رقم نتيجة عمل. الفرق بينهما هو بالضبط ما تكشفه هذه الأبحاث.

إطار عمل حقيقي لقياس هذه الفجوة

حتى وقت قريب، كان معظم ما يُكتب عن هذا الموضوع مجرد ملاحظات متفرقة — لقطة شاشة لقائمة استشهادات، خيط شكوى، شعور غامض بأن شيئاً ما خاطئ. تغيّر ذلك مع بحث دقيق فعلاً نُشر في أبريل 2026 من ثلاثة باحثين مستقلين، هم Zhang Kai وHe Xinyue وYao Jingang، بعنوان "From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms". البحث مبني على مجموعة بيانات تضم 602 استعلاماً و21,143 استشهاداً صالحاً عبر ChatGPT وGoogle AI Overviews/Gemini وPerplexity، ويفعل ما لا تفعله معظم مقالات المدونات في هذا المجال: يقسّم "الحصول على استشهاد" إلى مرحلتين منفصلتين فعلاً، وقابلتين للقياس كل منهما على حدة.

المرحلة الأولى، ويسمونها "اختيار الاستشهاد" (citation selection)، هي بالضبط ما يوحي به اسمها — هل تسحب المنصة صفحتك وتدرجها كمصدر أصلاً. المرحلة الثانية، "استيعاب الاستشهاد" (citation absorption)، تطرح سؤالاً أدق: بمجرد إدراجك في تلك القائمة، هل تعكس الإجابة فعلاً محتواك، أم أن اسمك مجرد إضافة إلى فقرة كتبها النموذج من مصدر آخر تماماً؟ بنى الباحثون مؤشر "تأثير" (influence score) لقياس الاستيعاب، يجمع بين تكرار الإشارة، وموقع الاستشهاد داخل الإجابة، ونسبة الفقرات في الإجابة التي تعود إليك، والتشابه الدلالي بمقياس TF-IDF بين صفحتك والنص المُولَّد، وأخيراً — وهو الجزء الذي يرتبط مباشرة بما يعنيه "التأثير الحقيقي" فعلاً — تداخل الجمل والعبارات القصيرة (bigram وtrigram overlap) بين صياغتك الفعلية ومخرجات النموذج الفعلية.

النتيجة الرئيسية التي تستحق التوقف عندها هي هذه: استشهد ChatGPT بمصادر أقل لكل استعلام مقارنة بـGoogle وPerplexity (6.88 استشهاداً في المتوسط، مقابل 12.06 و16.35 على التوالي)، لكن المصادر التي استشهد بها فعلاً أظهرت درجة استيعاب أعلى بـ4.6 مرة. بمعنى آخر، أن تُستشهد بك كثيراً وأن يُستشهد بك بمعنى حقيقي ليسا المحور نفسه، وقد تظل منصة تذكرك باستمرار تتعامل مع محتواك كزخرفة لا كمضمون فعلي. كما وجد الباحثون أن المصادر الإخبارية تُستشهد بها بكثرة — من 16% إلى 31% من كل الاستشهادات عبر المنصات الثلاث — لكنها تُستوعب بضعف، بمتوسط درجة تأثير 0.0726، مقابل 0.2144 للمصادر الموسوعية. أن تُستشهد بك كثيراً وأن تُستخدم فعلاً نتيجتان مختلفتان مرة أخرى.

ما الذي يجعل صفحة مسترجَعة تخسر الاستشهاد

إذاً إذا كان الاسترجاع شبه مضمون والاستشهاد ليس كذلك، فما الذي يفصل فعلاً بين الصفحات التي تنجح؟ بيانات ALM Corp تقدّم إجابات محددة فعلاً. الصفحات التي يتطابق عنوانها بنسبة 50% أو أكثر مع كلمات الاستعلام حصلت على استشهاد بمعدل 20.1%، مقابل 9.3% للصفحات ذات التطابق الأقل من 10% — فجوة بمقدار 2.2 مرة لا علاقة لها بسلطة النطاق (domain authority) وكل العلاقة بمدى دقة تطابق لغة الصفحة نفسها مع ما سُئل فعلاً. الحداثة كانت مهمة بالقدر نفسه تقريباً: المحتوى الذي حُدِّث خلال الأشهر الثلاثة الأخيرة كان أكثر احتمالاً للاستشهاد بمقدار الضعف تقريباً مقارنة بالمحتوى الأقدم، حتى عندما يكون ذلك المحتوى الأقدم مرتَّباً جيداً في Google. والبنية حدّدت أين وقع الاستشهاد فعلاً — 44.2% من الاستشهادات جاءت من محتوى موجود في أول 30% من الصفحة، مما يعني أن إجابة صحيحة وموثّقة جيداً لكن مدفونة تحت ثلاث فقرات من المقدمات تصبح غير مرئية عملياً بالنسبة للجزء المسؤول عن الاختيار في هذه المنظومة.

بحث Zhang وHe وYao يضيف طبقة بنيوية للقصة نفسها. الصفحات في الربع الأعلى من حيث استيعاب الاستشهاد بلغ متوسط طولها 1,943 كلمة، مقابل 170 كلمة للربع الأدنى — فجوة بمقدار 11.4 مرة — وحملت الصفحات عالية التأثير عناوين فرعية أكثر بنحو 12.5 مرة وقوائم أكثف بنحو 8.9 مرة من الصفحات منخفضة التأثير. أنواع معينة من المحتوى أدّت أيضاً بشكل أفضل بوصفها مادة مصدرية: الصفحات المبنية حول تعريفات شهدت زيادة في الاستيعاب بنسبة 57%، والمقارنات 55%، وأمثلة الشيفرة البرمجية 77% — بينما، في نتيجة تستحق التذكر قبل إعادة هيكلة كل شيء إلى شكل أسئلة وأجوبة، أظهرت الصفحات المصمَّمة بصيغة سؤال وجواب بحتة أداءً أضعف بنحو 5.74% مقارنة بالصفحات غير المصمَّمة بهذا الشكل. يصف الباحثون النمط الفائز بأنه "حاوية دليل" (evidence-container) — صفحة تُقرأ أقل كمقال إقناعي متصل وأكثر كمجموعة معلومات واضحة ومحدَّدة، قابلة للاستخلاص كل منها بمفردها، يمكن للنموذج أن يسحب منها جزءاً دون الحاجة إلى فهم الحجة المحيطة به كاملة.

لا شيء من هذا يتعلق بكتابة نص أطول أو حشو العنوان بالكلمات المفتاحية. تحليل Ahrefs السابق لاستشهادات Google AI Overviews أظهر سابقاً أن سلطة النطاق لا تتنبأ بحصة الاستشهاد بوضوح كما تتنبأ بالترتيب التقليدي — هذا البحث الأحدث يفسّر جزءاً من السبب: النموذج لا يكافئ سمعة موقعك، بل يكافئ ما إذا كانت جملتك المحددة هي الإجابة الأنظف والأكثر تطابقاً حرفياً بين ما هو متاح فعلاً في مجموعة الاسترجاع في تلك اللحظة.

المشكلة الأعمق: استشهادات لا تعكس المصدر أصلاً

هناك طبقة أخرى غير مريحة تحت كل هذا، وسابقة على نقاش "AEO" بأكمله. عام 2023، أجرى باحثون من جامعة ستانفورد — نيلسون ليو، وتيانيي تشانغ، وبرسي ليانغ — دراسة تدقيق بشري دقيقة بعنوان "Evaluating Verifiability in Generative Search Engines"، نُشرت في مؤتمر EMNLP، واختبروا فيها أربعة أنظمة (Bing Chat وNeevaAI وPerplexity وYouChat) مقابل استعلامات حقيقية. وجدوا أن 51.5% فقط من الجمل المولَّدة كانت مدعومة بالكامل بالاستشهادات المرفقة بها، وأن 74.5% فقط من الاستشهادات كانت تدعم فعلاً الجملة التي أُرفقت بها. أي أن حوالي ربع الأحيان، رقم الحاشية الصغير بجانب ادعاء ما لا يدعم فعلاً ذلك الادعاء — الاستشهاد موجود، لكنه زخرفي فقط.

اجمع هذا مع سلسلة الاسترجاع-الاختيار-الاستيعاب وستحصل على الصورة الكاملة، غير المريحة: صفحتك قد تُسترجَع، وتُقيَّم، ويُستشهَد بها بشكل صحيح، ومع ذلك تُساء تمثيل ما تقوله فعلاً، لأن النظام ولّد الجملة أولاً ثم أرفق رابطك لاحقاً كتبرير لها بدلاً من بناء الجملة من صياغتك الفعلية. هذا بالضبط هو نوع الخلل الذي يحاول مؤشر التأثير في بحث Zhang وHe وYao التقاطه — استشهاد بتداخل عباراتي شبه معدوم مع المصدر المنسوب إليه هو استشهاد بالاسم فقط.

"هل نقول الآن إن عدم زحف الروبوتات إلينا أصبح مشكلة؟"

يستحق الأمر قراءة النقاش الفعلي حول هذا بدلاً من الاكتفاء بملخص له، لأنه أكثر جدلاً مما توحي به الإحصائية الأساسية وحدها. نقاش على Hacker News حول دراسة 8.9% مقابل 94.8% تلك جمع 61 تعليقاً، والخلاف فيه مفيد فعلاً. صاحب الدراسة، الذي كتب باسم SpikeyCoder، وضع جوهر المشكلة في تعليق أصبح نقطة مرجعية في نقاشات مشابهة لاحقاً: "في عصر البحث بالذكاء الاصطناعي، تُزحَف الشركات لبناء هذه الإجابات، لكن ليس لديها أي قياس (telemetry) يخبرها ما إذا كانت فعلاً ضمن من يتم اختيارهم." الشركات الصغيرة، أضاف لاحقاً في النقاش نفسه، "لا تملك تلك الرؤية. لكن بطريقة ما، تلك الشركات الكبرى يبدو أنها تحصل على الاستشهاد."

"طريقة استشهاد نماذج اللغة الكبيرة غامضة تماماً."

— SpikeyCoder، في رده ضمن نقاش Hacker News حول معدلات الاستشهاد بالذكاء الاصطناعي

لم يتفق الجميع على أن هذه مشكلة أصلاً. معلّق باسم brookst اعترض بقوة: "هذه شكوى غريبة... هل يُفترض بنماذج اللغة الكبيرة أن تربط بكل موقع؟ يمكنك قول الشيء نفسه عن نسبة المواقع التي تزحف إليها Google مقابل نسبة من يظهر منها فعلاً في الصفحة الأولى من النتائج." نقطة عادلة — لم يتوقع أحد أن يُرتَّب 100% من الويب المفهرَس في الصفحة الأولى أيضاً. لكن معلّقاً آخر، باسم ButlerianJihad، طرح اعتراضاً تقنياً أكثر حدة يقترب من بحث ستانفورد حول التحقق المذكور أعلاه: "من المستحيل بنيوياً أن يربط نموذج لغوي بين رابط أو استشهاد زحف إليه وبين إجابة معينة... كل رابط يقدمونه لدعم ادعاءاتهم مُلحَق لاحقاً فحسب." هذا الادعاء لم يمر دون رد؛ رد عليه معلّق باسم freedomben بأن "هناك بشكل متزايد نماذج لغوية كبيرة كثيرة تقوم فعلياً بعملية RAG مقابل نتائج البحث"، أي أن الجيل الأحدث من الأنظمة أقرب بنيوياً فعلاً إلى تأسيس الاستشهادات على نص مسترجَع حقيقي بدلاً من إلصاق الروابط لاحقاً، حتى لو كان كثير من التطبيقات الأقدم أو الأبسط لا يزال يعمل بالطريقة الأقل دقة. القراءة الصادقة لهذا التبادل كله هي أن كلا الأمرين صحيح بحسب النظام والوضع الذي تختبره فعلاً — وهذا بالضبط سبب أن قياس إجاباتك الحقيقية الخاصة على منصاتك الفعلية أفضل من افتراض أن قاعدة عامة تنطبق عليك تلقائياً.

لماذا هذا أشد وطأة في سوق ثنائي اللغة

بالنسبة لشركة تعمل في الإمارات والخليج الأوسع، لا تنقسم فجوة الاسترجاع-مقابل-الاستشهاد بشكل نظيف حسب اللغة كما قد تتوقع — قد تكون في الواقع أسوأ على الجانب العربي، تحديداً لأن مجموعات المحتوى العربي أرقّ عدداً. إذا كانت نتيجة ALM Corp حول تطابق العنوان صحيحة — أن أنظمة الذكاء الاصطناعي تكافئ التطابق الحرفي والمحدد بين ما سُئل وما تقوله الصفحة فعلاً — فإن شركة صفحاتها العربية مجرد ترجمة جزئية أو فضفاضة عن الأصل الإنجليزي تمنح النموذج مادة عباراتية أضعف ليستوعب منها، حتى عندما تكون الحقائق الأساسية متطابقة تماماً. قلة المصادر العربية المنافسة تعني أيضاً فرصاً أقل للنموذج ليجد إجابة عربية جيدة البنية، حديثة التاريخ، ومحدَّدة الصياغة في أي مكان — وهذا أمر ذو حدين: فجوة حقيقية يجب سدّها، وفرصة حقيقية أيضاً لمن يسدّها أولاً. التحقق مما إذا كان محتواك العربي يجتاز عتبة الاستشهاد، لا عتبة الاسترجاع فقط، يعني اختباره بشكل منفصل بدلاً من افتراض تكافؤه تلقائياً مع نتائجك الإنجليزية.

كيف يبدو القياس الفعلي لهذا

اجمع هذا البحث كله وستجد أن الشكل العملي للعمل محدد فعلاً، لا غامضاً. يبدأ بتحديد ما إذا كنت أصلاً ضمن مجموعة الاسترجاع للأسئلة المهمة لعملك — وهذا مرجّح فعلاً، نظراً لمدى عدم انتقائية عمل هذه الروبوتات. ثم ينتقل إلى السؤال الأصعب: عندما يتم استرجاعك، هل يُستشهَد بك؟ وسؤال منفصل تماماً مرة أخرى: هل تُظهر الإجابة المولَّدة تداخلاً عباراتياً وبنيوياً حقيقياً مع ما تقوله صفحتك فعلاً، أم أن اسمك موجود فقط بجانب جملة كتبها محتوى غيرك فعلياً؟ هذا التمييز الثلاثي — مُسترجَع، مستشهَد به، ومنعكِس فعلاً — هو صلب فكرة قياس "المساهمة في الاستشهاد" بدلاً من مجرد "الحضور في الاستشهاد"، وهو الجزء الذي تتجاهله معظم مزوّدي خدمات AEO لأن الحضور رقم سهل يمكن تقديمه في تقرير، بينما المساهمة تتطلب نوع المقارنة على مستوى المحتوى نفسه الذي احتاج كل من مؤشر تأثير Zhang وHe وYao ودراسة ستانفورد حول التحقق إلى بناء منهجية مخصصة له من الأساس.

هذه هي الفجوة المحددة التي بُنيت خدمتنا تحسين الاستشهاد بالذكاء الاصطناعي لسدّها — لا مجرد التحقق من ظهور شركتك في قائمة استشهادات، بل مقارنة الإجابة المولَّدة فعلياً بمحتواك المنشور فعلاً لمعرفة ما إذا حدث تأثير حقيقي أم أن الاستشهاد مجرد شكل بلا مضمون. إذا أردت قراءة أولى مجانية لموقع محتواك الحالي قبل الالتزام بأي شيء، فإن أداة AEO Score تمنحك نقطة انطلاق حقيقية ومدعومة بالدليل خلال دقائق قليلة.

أين يتركك هذا فعلاً

الحقيقة غير المريحة في كل هذا البحث هي أن الزحف إلى موقعك لم يكن يوماً خط النهاية — كان بالكاد بوابة الانطلاق. سجلاتك التي تُظهر حركة GPTBot تخبرك أن نموذجاً ما نظر إلى صفحتك. لكنها لا تخبرك شيئاً عمّا إذا كان قد صدّق صفحتك، أو استخدم كلماتها الفعلية، أو استشهد بهدوء بإجابة منافس أنظف وأحدث وأكثر تحديداً في صياغتها لنفس السؤال بالضبط بدلاً منها. الفجوة بين هاتين النتيجتين أصبحت الآن شيئاً يمكنك قياسه فعلاً بدلاً من مجرد الشك فيه عبر ارتفاع غامض في حركة الزيارات دون أي نتيجة ملموسة تظهر منه. وبالنظر إلى مدى تقلب هذا المجال — فإن النقاش نفسه على Hacker News الذي أنتج 61 تعليقاً من خلاف حقيقي هو بحد ذاته دليل على أن المجال لم يستقر بعد — فإن الشركات التي تفحص هذا بانتظام، على أسئلتها الحقيقية الخاصة، بلغتها الحقيقية الخاصة، هي التي ستلاحظ الفجوة وهي تُغلَق بدلاً من أن تخمّن إن كانت قد أُغلقت أصلاً.