GEO مقابل AEO — الاستخراج مقابل التوليف

كلاهما يستهدف إجابات وسيطها الذكاء الاصطناعي، لكن بطرق مختلفة

وُجد المصطلحان لأن البحث لم يعد يقتصر على عشرة روابط زرقاء. نشأ AEO من مسار طويل سلكته Google نحو الإجابات المباشرة: النتائج المميزة، ولوحات المعرفة، وردود المساعدات الصوتية التي تنتزع مقطعًا واحدًا من صفحة واحدة وتعرضه كإجابة كاملة دون الحاجة لنقرة. مجموعة المهارات المطلوبة هنا ضيقة ومفهومة جيدًا: اكتب إجابة مباشرة وقائمة بذاتها قرب أعلى الصفحة، ونظّمها بحيث يسهل على أي محلل عزلها بدقة، وأضِف لها بيانات منظمة تجعل منطق الاستخراج يجد هدفًا واضحًا. العملية هنا آلية بمعنى الكلمة: يحدد الخوارزم مقطعًا، يتحقق من أنه يجيب عن الاستعلام، وينتزعه دون تغيير يُذكر.

أما GEO فيصف آلية مختلفة جذريًا. حين يجيب بحث ChatGPT أو Perplexity أو ميزة AI Overviews من Google عن سؤال، فهي لا تنتزع مقطعًا واحدًا، بل تُشغّل عملية توليد معزز بالاسترجاع: تجلب مجموعة من الصفحات المرشحة، وتُغذّي مقتطفات ذات صلة إلى نموذج لغوي، ثم تترك النموذج يكتب جملة أصلية قد تعتمد على عدة صفحات في آنٍ واحد. الورقة البحثية التي صاغت المصطلح، GEO: Generative Engine Optimization، والتي نشرها باحثون من جامعة برينستون ومعهد جورجيا التقني ومعهد IIT دلهي وقُدّمت في مؤتمر KDD 2024، تصف الأمر بدقة بأنه مسألة تحسين "صندوق أسود": لا يستطيع صنّاع المحتوى رؤية أو التحكم في خط أنابيب الاسترجاع والتوليف، لذا عليهم أن يستنتجوا تجريبيًا خصائص المحتوى التي تزيد احتمال سحب صفحتهم إلى داخل الإجابة المُركّبة للنموذج. هذه مهمة مختلفة جوهريًا عن كتابة فقرة واحدة قابلة للاستخراج؛ فهي أقرب إلى جعل الصفحة مدخلًا موثوقًا وقابلًا للاقتباس عبر عدد غير متوقع من الأسئلة المحتملة، لا مطابقة دقيقة لاستعلام واحد.

كيف يعمل AEO: استخراج لا إعادة صياغة

تحسين محركات الإجابة هو التخصص الأقدم والأضيق نطاقًا، ويستحق الدقة في تعريف ما يُحسِّنه فعليًا. النتائج المميزة، وصناديق "يسأل الأشخاص أيضًا"، ولوحات المعرفة في Google — إلى جانب ردود المساعدات الصوتية على أجهزة مثل Google Home — تعمل جميعها بالطريقة نفسها: يحدد الخوارزم مقطعًا واحدًا في صفحة واحدة يبدو أنه يجيب عن الاستعلام إجابة مباشرة وكاملة، ثم يعرض ذلك المقطع كما هو تقريبًا، غالبًا مع رابط يعود إلى مصدره. لا توجد هنا خطوة توليف؛ المحرك لا يُحلّل عبر صفحات متعددة ولا يكتب جملًا جديدة، بل يطابق نمط إجابة جيدة التكوين وينتزعها.

هذه الطبيعة الآلية هي ما يجعل AEO أسهل نسبيًا في الفهم والقياس. التكتيكات هنا ملموسة: أجب عن الاستعلام مباشرة في الجملة الأولى من القسم، واجعل تلك الإجابة قائمة بذاتها (مفهومة دون الحاجة للفقرة المحيطة بها)، واستخدم عناوين على شكل أسئلة تعكس طريقة بحث الناس الفعلية، وطبّق بيانات الأسئلة الشائعة أو الخطوات المنظمة كي تكون البنية واضحة تمامًا لأي محلل آلي. ولأن مصدرًا واحدًا فقط يُعرض، فإن AEO يميل إلى أن يكون "الفائز يأخذ كل شيء تقريبًا" — إما أن تمتلك النتيجة المميزة لاستعلام معين أو لا تمتلكها، والجائزة موقع واحد يمكن تتبعه أسبوعًا بعد أسبوع.

القيد هنا هو النطاق. آلية AEO تعمل فقط مع الاستعلامات التي لها إجابة واحدة واضحة وقابلة للاستخراج — تعريف، تاريخ، عدد خطوات، نعم أو لا. أما الفئة الأوسع بكثير من الأسئلة المفتوحة أو المقارنة أو متعددة الأجزاء، التي باتت المحركات التوليدية تجيب عنها اليوم بتوليف عدة مصادر، فهي بالضبط الفجوة التي صيغ مصطلح GEO لتغطيتها — وهو ما يفسر لماذا يصف تحليل صناعي AEO بأنه "نشأ مع النتائج المميزة ولوحات المعرفة" من Google تحديدًا لتحسين المحتوى كي تجيب محركات البحث مباشرة عن استعلامات المستخدمين، وهو امتداد يشارك فيه GEO لكنه تجاوزه بكثير، بحسب مقارنة Profound بين المصطلحين.

كيف يعمل GEO: تفريع الاستعلامات ثم التوليف

المحركات التوليدية لا تُجري بحثًا واحدًا، بل عدة عمليات بحث ثم توفّق بين نتائجها. تُصرّح Google بذلك بوضوح فيما يخص AI Overviews وAI Mode؛ إذ يصف توثيقها تقنية "تفريع الاستعلام" (query fan-out) التي تعني "إطلاق عمليات بحث متعددة ومترابطة عبر مواضيع فرعية ومصادر بيانات مختلفة" أثناء توليد الإجابة، وهو ما يفسر لماذا تستشهد ميزة AI Overview غالبًا بمجموعة أوسع وأكثر تنوعًا من الصفحات مقارنة بنتيجة بحث كلاسيكية لنفس الاستعلام، بحسب توثيق Google الرسمي لميزات الذكاء الاصطناعي.

ويتبع بحث ChatGPT نمطًا مشابهًا: بدلًا من إرسال سؤالك كما هو، يوضح مركز مساعدة OpenAI أن النظام يعيد صياغته إلى استعلام أو أكثر أكثر تحديدًا — فقد يتحول سؤال "ما أفضل المطاعم القريبة مني؟" إلى "أفضل مطاعم سان فرانسيسكو" — ثم يرسل تلك الاستعلامات إلى مزودي بحث شركاء قبل ترتيب النتائج حسب الصلة والموثوقية، وفق توثيق OpenAI الرسمي لبحث ChatGPT. أما Perplexity فتصف في مركز مساعدتها خط أنابيب مشابهًا: فهم سياق الاستعلام عبر نماذجها اللغوية، ثم البحث في الإنترنت عن مصادر موثوقة مثل "المقالات والمواقع والمجلات العلمية"، ثم تجميع الرؤى الأكثر صلة في إجابة متماسكة مع إرفاق استشهادات مرقّمة بكل ادعاء تدعمه.

القاسم المشترك بين المنصات الثلاث هو أن الاستشهاد نتيجة ثانوية لعملية توليف لا يمكنك ملاحظتها بالكامل. لا يُختار موقعك لأنه يطابق نص استعلام، بل لأنه اجتاز خطوة استرجاع، وحُكم عليه بأنه ذو صلة وموثوقية كافية لإدراجه في السياق، ثم صادف أنه يدعم ادعاءً معينًا قرر النموذج ذكره. هذه ثلاث عقبات منفصلة بدلًا من عقبة واحدة، ولا تنشر أي من هذه المنصات الترجيح الدقيق وراء أيٍّ منها.

لماذا يُعد GEO المشكلة الأصعب في الحل

يُعد GEO المشكلة الأصعب لأن الهدف نفسه متحرك، والآلية معتمة بالتصميم. أجرى الباحثون الذين صاغوا المصطلح تجارب مضبوطة على تسع استراتيجيات لتحسين المحتوى — إضافة إحصاءات، الاستشهاد بمصادر، اقتباس أقوال جهات موثوقة، تحسين الطلاقة اللغوية وغيرها — على نحو عشرة آلاف استعلام واقعي، ووجدوا أن أفضل الأساليب يمكن أن تحسّن ظهور المصدر في الإجابات التوليدية بنسبة تصل إلى 40%، لكن الأهم أن "تأثير الاستراتيجية يتفاوت بين المجالات"، أي أن ما يساعد صفحة على الاستشهاد بها في استعلام طبي لا يساعدها بالضرورة في استعلام مقارنة منتجات، بحسب الورقة البحثية الأصلية لـ GEO (Aggarwal وMurahari وآخرون، KDD 2024). هذا التفاوت بين المجالات هو بالضبط ما لم يكن على AEO التعامل معه يومًا: تؤدي إجابة أسئلة شائعة منظمة جيدًا بالأداء نفسه تقريبًا سواء كان الموضوع أوقات الطهي أو القانون الضريبي، لأن آلية الاستخراج لا تهتم بالمجال — بل بالبنية فقط.

يضيف GEO أيضًا تقلبًا فوق عدم الاستقرار. تشير تغطية Search Engine Land المستمرة لهذا التخصص، بالاستناد إلى مؤشر Semrush لظهور الذكاء الاصطناعي (AI Visibility Index)، إلى أن ما بين 40% و60% من المصادر التي يستشهد بها نظام ذكاء اصطناعي لموضوع معين قد تتغير من شهر لآخر مع إعادة النماذج للاسترجاع وإعادة الترتيب في مقابل ويب متغير باستمرار، بحسب شرح Search Engine Land لـ GEO. وخلافًا للنتيجة المميزة التي تمتلكها صفحة واحدة أو لا تمتلكها، يمكن للإجابة المُركّبة أن تستشهد بصفر أو واحد أو عدة منافسين إلى جانبك في الرد نفسه — فـGEO إذن ليس مجرد الفوز بموقع واحد، بل أن تُحكم عليك بالموثوقية الكافية لتجاور مصادر لا تتحكم بها، ضمن جملة لم تكتبها أنت، وفق جدول زمني لا يمكنك التنبؤ به.

ماذا تقول المنصات نفسها عن الاستشهاد

يستحق الأمر قراءة ما تقوله منصات الذكاء الاصطناعي نفسها، لأنه يُفنّد الكثير من الأساطير الشائعة حول GEO. تصرّح Google بوضوح أنه "لا توجد متطلبات إضافية للظهور في AI Overviews أو AI Mode، ولا تحسينات خاصة أخرى ضرورية" بخلاف تلبية متطلبات البحث القياسية وإنشاء "محتوى مفيد وموثوق يضع الأشخاص أولًا" — وتحديدًا أن المواقع لا تحتاج إلى "ملفات قابلة للقراءة الآلية جديدة، أو ملفات نصية للذكاء الاصطناعي، أو بيانات منظمة" لتكون مؤهلة، وفق دليل Google الرسمي للتحسين.

وتُبدي OpenAI صراحة مماثلة بشأن حدود ما يستطيع الناشرون التحكم به: يؤكد مركز مساعدتها أن ChatGPT "يرتّب نتائج البحث باستخدام عوامل متعددة تهدف لمساعدة المستخدمين على إيجاد معلومات ذات صلة وموثوقة"، لكنها تضيف صراحة أن "الترتيب غير مضمون"، وأن الترجيح الدقيق بين الصلة والموثوقية غير معلن. ويؤكد مركز مساعدة Perplexity الشفافية في الاستشهادات التي يعرضها للمستخدمين — كل ادعاء يحصل على رابط مرقّم يعود إلى مصدره — لكنه صامت بالمثل حول كيفية ترتيب المصادر أصلًا، باستثناء وصف عام لتفضيل المصادر الموثوقة.

النمط عبر المنصات الثلاث متسق: هي منفتحة بشأن الآلية (الاسترجاع، ثم التوليد، ثم الاستشهاد) لكنها مغلقة بشأن إشارات الترتيب داخلها. هذا هو السبب العملي وراء كون قياس GEO تجريبيًا لا مستندًا إلى وثيقة مواصفات — إذ يُشغّل الممارسون الاستعلام نفسه بعشرات الصيغ المختلفة، ويسجلون النطاقات التي يُستشهد بها، ويستنتجون الأنماط، لأن ما من مزوّد ينشر وثيقة عوامل ترتيب كما فعلت Google يومًا للبحث الكلاسيكي.

أين يتقاطع AEO مع GEO

رغم الفروق الآلية، ليس AEO وGEO تخصصين متضادين، ومعاملتهما كخيار إما/أو صارم خطأ. لا تزال خطوة التوليف في كل محرك توليدي تعتمد على الاسترجاع، ولا يزال الاسترجاع يكافئ الخصائص الأساسية نفسها التي يحسّن من أجلها AEO منذ عصر النتائج المميزة: إجابة مباشرة لا لبس فيها قرب أعلى المحتوى، وعناوين واضحة على شكل أسئلة، ومقطع منطقي عند قراءته بمعزل عن السياق دون الحاجة لبقية الصفحة. الصفحة المبنية للفوز بنتيجة مميزة هي، بحكم بنائها تقريبًا، مقطع سهل على نموذج لغوي انتزاعه ضمن إجابة مُركّبة أيضًا — وهو ما يفسر تزايد الآراء الصناعية القائلة بأن التخصصين يتقاربان أكثر مما يتباعدان، حتى إن أحد التحليلات ذهب لوصف AEO وGEO بأنهما "في جوهرهما الشيء نفسه" تحت اسمين مختلفين، بحسب مقارنة Profound بين المصطلحين.

يكمن الاختلاف في النطاق ومستوى اليقين. أدوات AEO — البيانات المنظمة، صياغة الإجابة المباشرة — ضرورية لكنها غير كافية لـGEO، لأن المحرك التوليدي يجب أيضًا أن يقرر أن صفحتك موثوقة ومحدّثة بما يكفي لتجاور مصادر أخرى استرجعها للاستعلام نفسه، وهو حكم لا تستطيع البيانات المنظمة وحدها التأثير فيه. وتوضح Google صراحة أن البيانات المنظمة لا تضمن الإدراج ضمن AI Overviews؛ فهي فقط تجعل تحليل محتوى الصفحة أسهل بمجرد أن يُحكم عليها بالفعل بأنها ذات صلة. عمليًا، هذا يعني: نفّذ عمل AEO أولًا لأن كلفته منخفضة ويخدم الآليتين معًا، ثم ابنِ فوق ذلك الإشارة الأوسع من الأدلة والسمعة — بيانات أصلية، مصادر واضحة، دقة واقعية متسقة عبر موقعك — التي يتطلبها GEO إضافيًا.

قياس أداء GEO مقابل AEO

يختلف التخصصان اختلافًا حقيقيًا من حيث القياس أيضًا، وهذا الاختلاف يستحق التخطيط له بذاته. يتوافق أداء AEO بسهولة مع الأدوات القائمة: يعرض تقرير الأداء الكلاسيكي في Search Console مرات الظهور والنقرات حسب الاستعلام، والفوز بنتيجة مميزة أو خسارتها حدث ثنائي وقابل للتتبع — إما أن تمتلك النتيجة المميزة لاستعلام معين هذا الأسبوع أو لا تمتلكها. أما أداء GEO فهو أكثر تعقيدًا بنيويًا. يمنح تقرير Search Console الأحدث الخاص بميزات الذكاء الاصطناعي التوليدي أصحاب المواقع مرات ظهور مُصنّفة حسب الصفحة والدولة والجهاز والفترة الزمنية عبر ظهورات AI Overviews وAI Mode وميزات الذكاء الاصطناعي في Discover — لكن دون بيانات نقر على الإطلاق، بحيث ترى أن صفحتك ظهرت داخل إجابة ذكاء اصطناعي دون أن تعرف إن كان أحد قد تفاعل معها، وفق إعلان Google الرسمي عن هذا التقرير في مدونة Search Console.

أما خارج منظومة Google — بحث ChatGPT وPerplexity وإجابات Gemini المستقلة — فلا يوجد تقرير رسمي من الأساس. لا يمكن قياس الظهور هناك إلا بشكل غير مباشر: تشغيل استعلامات تمثيلية بشكل متكرر وتسجيل النطاقات التي يُستشهد بها، وتتبع تكرار الذكر بالاسم التجاري وبدونه، والتعامل مع النتيجة كتقدير مبني على عيّنة لا كعدّ دقيق شامل، خصوصًا أن الاستشهادات ذاتها معروف عنها، كما سبق ذكره، أنها تتغير بشكل ملحوظ شهرًا بعد شهر. هذا هو السبب العملي وراء كون معظم قياسات GEO اليوم أقرب إلى دراسة حصة ظهور منها إلى تقرير ترتيب كلمات مفتاحية — فالوحدة التي تُتبّع هي حدث استشهاد عبر مجموعة غير معروفة من الاستعلامات المعتمدة على النموذج، لا موقع ثابت في صفحة نتائج محددة.

ملاحظات عملية

لا شيء مما سبق سبب لمعاملة GEO كأمر يستحيل إدارته — بل هو سبب لترتيب العمل بالتسلسل الصحيح. ابدأ بطبقة AEO لأنها منخفضة الكلفة ومفهومة جيدًا وتخدم الآليتين معًا: امنح كل صفحة مهمة إجابة مباشرة من جملة أو جملتين قرب الأعلى، ونظّم محتوى الأسئلة الشائعة والخطوات بالبيانات المنظمة المطابقة، واكتب العناوين بصيغة الأسئلة التي يكتبها الناس فعليًا أو يسألونها لمساعد صوتي. هذا وحده يجعل الصفحة أسهل استخدامًا لكل من خوارزم الاستخراج الكلاسيكي وخطوة الاسترجاع في النموذج اللغوي.

أضِف عمل GEO فوق ذلك لا بدلًا منه. ولأن البحث الذي صاغ المصطلح وجد أن إضافة الاستشهادات والإحصاءات والاقتباسات من مصادر موثوقة حسّنت الظهور في الإجابات التوليدية بشكل قابل للقياس — وأن حجم هذا الأثر يتفاوت حسب المجال — تعامل مع هذه الإضافات كتدخلات قابلة للاختبار لا كافتراضات مسلَّم بها: انشر بيانات أصلية أو اقتباسات من خبراء حيث يكافئ مجالك ذلك، وحافظ على تحديث الادعاءات الواقعية لأن المحركات التوليدية تعيد الاسترجاع بدل الاعتماد على ترتيب مخزَّن، وابنِ عمقًا موضوعيًا حقيقيًا كي يجد النموذج مقاطع أكثر موثوقية من محتواك عبر طيف أوسع من الاستعلامات ذات الصلة، لا استعلامًا واحدًا فقط تستهدفه.

أخيرًا، اضبط التوقعات الداخلية بدقة. الفوز بنتيجة مميزة ثابت وقابل للإسناد بوضوح؛ أما الاستشهاد من محرك توليدي فاحتمالي، ويتشارك فيه المنافسون معك في أغلب الأحيان، وسيتقلب شهرًا بعد شهر بصرف النظر عمّا تفعله، لأن مجموعة الاسترجاع نفسها متحركة باستمرار. تتبّع كليهما، لكن لا تُخضع GEO لمعيار ثبات AEO — فهذا التضارب هو مصدر أغلب استنتاجات "GEO لا يعمل"، بينما الذي حدث فعليًا هو إعادة تنظيم طبيعية وموثقة جيدًا لمجموعة استشهاد متقلبة بطبيعتها.