هل تحسين المحرك التوليدي علم أم شعار تسويقي؟ ما يقوله البحث فعلاً

في اجتماع تسويقي داخل مجموعة فنادق بوتيك في دبي، عرضت وكالة رقمية "باقة GEO" بسعر يقترب من ضعف ما كانت المجموعة تدفعه لتحسين محركات البحث التقليدي. الوعد: أن يصبح الفندق هو الإجابة التي يقدّمها ChatGPT حين يسأله سائح عن "أفضل مكان للإقامة قرب نخلة جميرا". مدير التسويق، وهو شخص محترف اعتاد أن يُطلب منه إنفاق ميزانية بلا دليل واضح على العائد، سأل سؤالاً بسيطاً لم يحصل على جواب مباشر: "هل هذا علم فعلي مدعوم ببحث، أم أنه SEO القديم نفسه بملصق جديد؟" نفس السؤال يتكرر هذه الأيام في أبوظبي والرياض وعمّان، من مكاتب استشارية إلى شركات عقارية إلى متاجر تجارة إلكترونية — والإجابة الصادقة أكثر تعقيداً من "نعم" أو "لا" المباشرة، لكنها موجودة، وموثّقة في ورقة بحثية فعلية يمكن لأي شخص فتحها والتحقق منها بنفسه.

تلك الورقة عنوانها "GEO: Generative Engine Optimization"، وهي التي صاغت المصطلح نفسه. كتبها فريق من جامعة برينستون ومعهد جورجيا للتقنية — برانجال أغاروال وفيشفاك موراهاري وتانماي راجبوروهيت وأشوين كاليان وكارثيك ناراسيمهان وأميت ديشباندي — ونُشرت أول مرة على arXiv في نوفمبر 2023، ثم نُقّحت حتى منتصف 2024، وقُدّمت رسمياً في مؤتمر ACM SIGKDD 2024. تقريباً كل من يستخدم اليوم كلمة "GEO" في عرض مبيعات يستند، من بعيد أو قريب، إلى هذا البحث بالذات. المشكلة ليست في البحث نفسه، بل في أن معظم من يستشهد به يقرأ الملخص فقط، ويقفز إلى الرقم الجذّاب — "تحسين يصل إلى 40%" — دون أن يكمل القراءة إلى الصفحات التي تشرح ماذا يعني هذا الرقم فعلاً، وأين تنتهي حدوده.

من الداخل: كيف صمّم الباحثون التجربة

لم يكن هذا اختباراً سريعاً على عشرين أو ثلاثين استعلاماً. الفريق بنى معياراً كاملاً أسموه GEO-bench، يضم 10,000 استعلام حقيقي جُمعت من تسعة مصادر مختلفة: بحث حقيقي لمستخدمي Bing وGoogle عبر مجموعتي بيانات MS MARCO وORCAS-1، وأسئلة من Natural Questions، وأسئلة مقالات AllSouls من جامعة أكسفورد المعروفة بصعوبتها، ومجموعة LIMA كثيفة الاستدلال، وأسئلة مناظرات، واستعلامات رائجة سُحبت من ميزة Discover في Perplexity.ai نفسها، ومواضيع Reddit ELI5، ودفعة أخيرة من استعلامات ولّدها GPT-4 لتغطية مجالات ونيّات محددة لم تكن ممثَّلة بشكل كافٍ. قُسّمت هذه العشرة آلاف إلى 8,000 للتدريب و1,000 للتحقق و1,000 للاختبار النهائي.

التنويع هنا ليس تفصيلاً تقنياً عابراً، بل هو ما يمنح النتائج مصداقيتها. ثمانون بالمئة من الاستعلامات معلوماتية بطبيعتها، وعشرة بالمئة معاملاتية، وعشرة بالمئة ملاحية، وكلها موسومة عبر 25 مجالاً — من الفنون إلى الصحة إلى الألعاب — ومصنّفة أيضاً وفق سبعة أنظمة تصنيف مختلفة في آنٍ واحد. لو كان الباحثون اختاروا فقط استعلامات يعرفون مسبقاً أن تقنية معينة تنجح معها، لكان الرقم "40%" مجرد فقرة تسويقية عن حالة محظوظة. لأن العيّنة واسعة ومتنوعة فعلاً، يصبح الرقم قابلاً للدفاع عنه كنتيجة علمية، لا كمثال منتقى بعناية.

أما آلية التجربة نفسها، فتسير على خطوتين لا خطوة واحدة، وهذا التفصيل بالذات هو ما يحدد أين تنتهي صلاحية النتيجة. أولاً، بحث فعلي على Google يُرجع أفضل خمسة مصادر مرشّحة لكل استعلام. ثانياً، نموذج GPT-3.5-turbo (بدرجة حرارة 0.7 وخمس عيّنات إجابة لكل استعلام) يقرأ هذه الخمسة، ويكتب إجابة يختار فيها ما يستشهد به منها. بعد ذلك، تُطبَّق كل واحدة من تقنيات "GEO" على إعادة كتابة أحد تلك المصادر الخمسة تحديداً، وتُعاد العملية لقياس هل حصل المصدر المُعاد كتابته على وزن أكبر في الإجابة النهائية أم لا.

من ربح، ومن كان الخاسر الوحيد

مقابل خط أساس بلا أي تحسين — يسجّل 19.3% على المقياس الأساسي في الورقة، المعروف بـ Position-Adjusted Word Count، ويقيس تقريباً كم من إجابة الذكاء الاصطناعي مصدرها محتواك ومدى بروزه فيها — توزّعت التقنيات التسع على ثلاث طبقات واضحة:

• إضافة الاقتباسات (اقتباسات مباشرة من مصادر موثوقة): 27.2%، أي ارتفاع نسبي بمقدار 40.9% — الأداء الأفضل في الدراسة كاملة.
• إضافة الإحصاءات (استبدال العبارات المبهمة بأرقام فعلية): 25.2%، +30.6%.
• تحسين الطلاقة (إعادة كتابة أوضح وأكثر طبيعية): 24.7%، +28.0%.
• الاستشهاد بالمصادر (تضمين إشارات لمصادر خارجية موثوقة): 24.6%، +27.5%.
• المصطلحات التقنية (مفردات دقيقة خاصة بالمجال): 22.7%، +17.6%.
• سهولة الفهم (تبسيط اللغة): 22.0%، +13.9%.
• نغمة موثوقة (أسلوب أكثر إقناعاً وثقة): 21.3%، +10.3%.
• كلمات فريدة (مفردات غير مألوفة): 20.5%، تحسّن هامشي بمقدار +6.2% فقط.
• حشو الكلمات المفتاحية (الحيلة الكلاسيكية في تحسين محركات البحث التقليدي): 17.7% — أي انخفاض بمقدار 8.3% عن خط الأساس. التقنية الوحيدة من التسع التي أضرّت بالنتيجة فعلياً.

السطر الأخير هو ما يستحق التوقف عنده طويلاً. العادة الأكثر رسوخاً في عقلين من ممارسة السيو التقليدي — حشر الكلمة المفتاحية في كل مكان ممكن — لم تفشل في المساعدة فقط، بل أضرّت فعلياً بالنتيجة داخل هذا المعيار المحدد. في المقابل، التقنيات الأربع التي تصدّرت القائمة تتشارك في شيء واحد: كل منها يضيف تفصيلاً حقيقياً قابلاً للتحقق — اقتباس فعلي، رقم فعلي، استشهاد فعلي، كتابة أوضح — بدلاً من محاولة التحايل على إشارة ترتيب. هذه لعبة مختلفة جذرياً عن اللعبة التي تدرّب عليها معظم المسوّقين لعقدين كاملين، وهو أمر يستحق أن يتذكره أي مدير تسويق في الخليج قبل أن يوقّع على "خطة محتوى AEO" تكون في جوهرها منشورات مكرّرة محسّنة للكلمات المفتاحية، فقط بغلاف جديد.

الباحثون لم يتوقفوا عند المعيار المضبوط داخل المختبر. أجروا أيضاً فحصاً واحداً في العالم الحقيقي، بتطبيق هذه التقنيات فعلياً على Perplexity.ai كمحرك توليدي منشور تجارياً يستخدمه ملايين الأشخاص، وسجّلوا تحسناً في الظهور يصل إلى 37% — رقم قريب جداً من نتيجة المختبر، بما يكفي لطمأنة أي قارئ متشكك أن النتيجة ليست مجرد أثر جانبي لتصميم التجربة. لكنه يبقى فحصاً واحداً على منصة واحدة، لا معياراً كاملاً ثانياً.

الفجوة التي يتجاهلها أغلب من يكرّر رقم الـ40%

هنا التفصيل الذي يسقط من شبه كل ملخص تسويقي، وهو تفصيل جوهري لا هامشي. لاحظ ماذا تفترضه الخطوة الأولى من التجربة: أن محتواك أصلاً واحد من المصادر الخمسة التي استرجعها البحث. الورقة تقيس ماذا يحدث بعد أن تكون بالفعل داخل الغرفة، لا ماذا يُدخلك الغرفة أساساً. والباحثون واضحون بشأن السبب — يذكرون حرفياً "قيود طول السياق وتكلفة القياس التربيعية المرتبطة بحجم سياق نماذج المحوّلات" كسبب اقتصار الاسترجاع على خمسة مصادر فقط. قيد منطقي تماماً لتصميم معيار مضبوط، لكنه يعني أن التعريف الأكاديمي الدقيق لـ GEO يتعلق بجودة التركيب والاستشهاد بين مصادر مُسترجَعة مسبقاً — لا بقابلية الزحف، أو الفهرسة، أو ما إذا كانت خطوة الاسترجاع في محرك توليدي ستُظهر صفحتك كمرشح من الأساس.

هذا الفارق هو بالضبط ما يفصل بين "GEO" بمعناه الأكاديمي الضيق و"AEO" بمعناه الأوسع الذي تتحدث عنه معظم الوكالات اليوم. الطبقة الأولى — أن يجدك المحرك أصلاً ضمن مرشحيه — قضية منفصلة تماماً، تتعلق باتساق الهوية والبيانات المنظّمة وبنية الموقع، وهي الطبقة التي تناولناها بتفصيل أكبر في صفحة تحسين المحرك التوليدي الخاصة بنا. هذا المقال يتحدث بالتحديد عن ماذا اختبره البحث الأصلي فعلاً، وكيف صمد ذلك منذ نشره.

ماذا قالت الأبحاث والنقاشات بعد نشر الورقة؟

ورقة يُستشهد بها كثيراً لا تعني بالضرورة أنها صمدت أمام التمحيص. أدق إجابة متوفرة الآن تأتي من دراسة استقصائية نقدية نُشرت في يوليو 2026 بعنوان "Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026)"، كتبها أوليفييه مارتينيز، وراجعت 45 دراسة منفصلة نُشرت في هذا المجال منذ صدور ورقة GEO الأصلية.

خلاصتها ليست تفنيداً للبحث الأصلي، بل تضييق جدّي لحدود ما يمكن الاستدلال به منه. بكلمات الدراسة نفسها، فإن المكاسب "الواسعة الاستشهاد" التي أظهرتها الورقة الأصلية "صحيحة داخل إطارها التجريبي، لكنها مشروطة بأن يكون المصدر موجوداً أصلاً ضمن سياق ثابت مسبق التحديد؛ ولا تُثبت لا قابلية الاكتشاف العضوي ولا أثراً مروريّاً مستداماً". بلغة أوضح: رقم الـ40% حقيقي، لكنه لا يخبرك إلا بما يحدث بعد أن تكون قد وصلت أصلاً إلى القائمة المختصرة — وهي تحديداً الفجوة التي تفتحها آلية الخطوتين المذكورة أعلاه. الدراسة تذهب أبعد من ذلك، فتذكر أن "المعايير العامة للتحسين تنتقل بشكل ضعيف" بين المجالات والمنصات المختلفة، وأن الضغط التنافسي من مواقع أخرى تطبّق نفس التقنيات يؤدي إلى تآكل المكاسب الفردية بمرور الوقت، وهي نقطة أكثر إحراجاً: بعض إعادات الكتابة الموجّهة للاستشهاد قد تُضعف فعلياً فرصة استرجاع الصفحة من الأساس — أي أنها تستبدل مقياساً بآخر لا تحسّنه فعلاً. أدوات تتبّع الظهور التجارية، بحسب الدراسة، تُظهر تطابقاً منخفضاً بين ما تعتبره أدوات مختلفة "استشهاداً"، وتبايناً كبيراً حتى عند قياس الاستعلام نفسه مرتين متتاليتين.

"لا توجد أي تقنية من التقنيات المُراجَعة تُظهر أثراً سببياً مستقراً وطويل الأمد وعابراً للمنصات على قابلية الاكتشاف العضوي أو السلوك اللاحق"

أوليفييه مارتينيز، "Optimizing Visibility in Generative Engines"، يوليو 2026

هذا تحذير مهم فعلياً لكل من يستشهد بعبارة "GEO يرفع الظهور بنسبة 40%" كحقيقة نهائية ثابتة، بدل نتيجة محددة وقابلة لإعادة الإنتاج داخل إطار تجريبي محدد. الباحثون الأصليون أنفسهم لم يزعموا غير ذلك أبداً — شكوى الدراسة الاستقصائية موجّهة لكل من نزع التحفظات على الطريق إلى صفحة مبيعات.

ليس كل ما نُشر بعد 2024 نقداً. فريق من جامعة كارنيغي ميلون — يوجيانغ وو وشانشان تشونغ ويوبين كيم وتشنيان شيونغ — نشر في أكتوبر 2025 ورقة بعنوان "What Generative Search Engines Like and How to Optimize Web Content Cooperatively"، وبنى إطاراً سمّاه AutoGEO يكتشف تلقائياً ما يفضّله محرك توليدي معيّن ويعيد كتابة المحتوى تبعاً لذلك. توصّل نظامهم إلى أكثر من 20 قاعدة تفضيل، وتتوافق ملامحها العامة مع نتائج برينستون الأصلية بشكل لافت: تغطية شاملة، ونسب مصادر موثوقة، وبيانات وإحصاءات دقيقة، وبنية واضحة، ونغمة محايدة لا ترويجية — كل هذه ارتبطت بمعدلات استشهاد أعلى. باستخدام مجموعات قواعد خاصة بكل محرك بدل قائمة عامة واحدة، حقّق AutoGEO تحسناً متوسطاً بنسبة 35.99% في الظهور — قريب جداً من سقف الـ40% في الورقة الأصلية، من فريق مستقل تماماً وبعد عامين كاملين.

اللافت أن الفريق وجد فرقاً حسب المجال، وهي نقطة أشارت الورقة الأصلية إليها كقيد دون أن تقيسها بدقة. المحركات الموجّهة للتجارة الإلكترونية كانت تفضّل الأدلة التفصيلية خطوة بخطوة والتوصيات الملموسة، بينما السياقات البحثية كانت تفضّل العمق التوضيحي وعرض الآراء المتنافسة بشكل متوازن. الآلية الأساسية واحدة، لكن المحتوى الفعلي يختلف بشكل جوهري بحسب نوع الاستعلام — وهذه مشكلة حقيقية لأي "قائمة محتوى ذكاء اصطناعي واحدة تناسب الجميع" تسلّمك إياها وكالة دون أن تسأل أولاً أي نوع من الأسئلة يتلقّاه نشاطك التجاري فعلاً. مستشار في أبوظبي يستهدف عملاء شركات كبرى يحتاج نغمة مختلفة تماماً عن متجر تجزئة في دبي يستهدف مشترياً يبحث عن توصية سريعة.

أما أكثر نقاش عملي دار حول هذا البحث، فظهر مؤخراً ليس في مقال تسويقي بل في نقاش حقيقي على Hacker News. في موضوع بعنوان "Launch HN: Sitefire (YC W26) — Automating actions to improve AI visibility"، وصف المؤسس الذي يستخدم اسم المستخدم vincko منصة ترصد "استعلامات المروحة" (fan-out queries) التي تولّدها أنظمة الذكاء الاصطناعي عبر ChatGPT وGemini وGoogle AI Mode، وتدفع تعديلات على المحتوى مباشرة داخل نظام إدارة محتوى العميل — وذكر أن مقالات محسّنة بهذه الطريقة رفعت طلبات الزيارات من الروبوتات لعميل واحد من نحو 200 طلب يومياً إلى 570 طلباً يومياً خلال عشرة أيام فقط.

التعليقات دخلت في التفاصيل بسرعة. مستخدم باسم onecommit طرح سؤالاً يلامس جوهر ما ستؤكده الدراسة الاستقصائية بعد ذلك بأشهر: "كيف تتعامل النماذج مع تقييم جودة المحتوى ودقّته عند التوصية بمنتجات حالياً؟ وماذا تفعل الجهات المزوّدة لتجنّب وضع تصبح فيه المعادلة 'محتوى أكثر يعني زيارات أكثر' بلا اعتبار للجودة؟" ردّ vincko برابط مباشر لورقة برينستون الأصلية، ملخّصاً منهجها: "هذه الورقة جرّبت استراتيجيات مختلفة لتحسين الأداء في هذه الخطوة الأخيرة... إضافة الإحصاءات والمصادر والبيانات الأصلية كلها استراتيجيات نطبّقها. في السيو التقليدي، إنتاج محتوى أكثر وأكثر يقود إلى 'التآكل الداخلي'، وهذا عموماً يضرّ بأداء كل المحتوى المتداخل حتى يصبح الأمر غير مجدٍ." معلّق آخر باسم marzapower ضغط على المنهجية بطريقة تتوافق تماماً مع ما ستخلص إليه الدراسة الاستقصائية لاحقاً، معتبراً أن مراقبة الاستعلامات نفسها أرض هشة: "التخصيص الشخصي، وتباين الموقع، وسجل الحساب — كل ذلك يُدخل ضجيجاً يصعب التحكم به"، ومقترحاً بدلاً من ذلك "تحليلاً بنيوياً على مستوى الصفحة: عوضاً عن سؤال ChatGPT هل يستشهد بهذا الموقع، تحلّل الصفحة مباشرة بحثاً عن الإشارات التي تتنبأ بالاستشهاد — كثافة المصادر، بنية الإجابة، الطلاقة، الإحصاءات... استناداً إلى بحث برينستون في KDD." وكان معلّق أكثر تشككاً، باسم ceejayoz، شكّك في الفرضية الأساسية كلها من زاوية الحوافز: الجهة التي تدفع مقابل تحسين الظهور بالذكاء الاصطناعي هي الشركة، لا الشخص الذي يسأل الذكاء الاصطناعي، الذي "يميل إلى قبول أي نتيجة بحث تظهر أولاً حتى لو كانت خاطئة تماماً أو ركيكة" — وهو نفس القلق الذي رافق تحسين محركات البحث لعقدين، موجّهاً الآن لهدف جديد.

لا أحد في ذلك النقاش يشكّك في أن البحث نفسه خاطئ. النقاش الحقيقي يدور حول طبقة القياس المبنية فوقه — الأدوات والواجهات التي تزعم تتبّع "الظهور بالذكاء الاصطناعي" لحظياً — وهل هي أرض صلبة تُبنى عليها قرارات، أم ضجيج بمقدار كافٍ يجعل الإجابة الصادقة "الاتجاه العام صحيح على الأغلب، لكن لا تثق بالرقم الدقيق".

ماذا يعني هذا عملياً لعلامة خليجية؟

لنعد إلى مدير التسويق في فندق دبي. الإجابة الصادقة على سؤاله ليست "نعم، هذا علم مضبوط تماماً" ولا "لا، إنه مجرد شعار". هي أدق من ذلك: هناك بحث حقيقي، أُعيد فحصه بشكل مستقل على مدى ثلاث سنوات، وأثبت باستمرار أن التحديد يتفوّق على العمومية — الاقتباسات والإحصاءات والاستشهادات تتفوّق دائماً على الكتابة الترويجية العامة، وهذه النتيجة تكرّرت الآن بشكل مستقل من فريق آخر على نماذج أخرى بعد عام ونصف كامل. وحشو الكلمات المفتاحية لا يفشل في المساعدة فقط، بل يضرّ فعلياً — وهذا وحده كافٍ لدفن فكرة أن GEO هو مجرد SEO بزيّ جديد.

لكن المكاسب التي قاستها الورقة الأصلية حقيقية ومشروطة في الوقت نفسه — تصف ما يحدث بعد أن يكون محتواك أصلاً ضمن المرشّحين المُسترجَعين، لا ما إذا كان سيُسترجَع أصلاً من الأساس. تلك مشكلة منفصلة تماماً، تتعلق باتساق الهوية والبيانات المنظّمة وقابلية الزحف، لا بذكاء الصياغة. ولا يوجد بعد أي بحث منشور يُظهر أن هذه التقنيات تنتج أثراً مستقراً طويل الأمد عابراً للمنصات في قابلية الاكتشاف العضوي الفعلي — الدراسة الاستقصائية لعام 2026 واضحة في هذا الشأن، وهي ثغرة حقيقية لا يجدر التقليل منها.

ما يبقى صحيحاً وقابلاً للبناء عليه، عملياً وبدون مبالغة، هو ما يلي:

• محتوى غنيّ بأرقام واقتباسات ومصادر موثوقة يتصدّر باستمرار، عبر كل الدراسات المذكورة هنا.
• حشو الكلمات المفتاحية ليس محايداً؛ هو مضرّ فعلياً وفق البيانات.
• ما يُظهره المحرك التوليدي كإجابة يختلف حسب نوع القطاع — مستشاري الأعمال في أبوظبي يحتاجون نغمة مختلفة عن متاجر التجزئة في دبي، ولا توجد قائمة تعليمات واحدة تناسب الجميع.
• الظهور داخل الإجابة (طبقة التركيب) وقابلية الاكتشاف من الأساس (طبقة الاسترجاع) مشكلتان منفصلتان، ويحتاج حل كل واحدة منهما نهجاً مختلفاً.

إذا كنت تريد معرفة أين يقف محتواك الفعلي أمام هذه المعايير المحددة نفسها، قبل أن توقّع على أي باقة تسويقية جديدة، فإن أداة AEO Score المجانية نقطة انطلاق أسرع بكثير من التخمين استناداً إلى رقم واحد جذّاب في عنوان مقال.