کاهش تاثیر بک لینک در هوش مصنوعی گوگل: آیا دوران لینک‌ها به پایان رسیده است؟

پرونده آنتی تراست (Antitrust) گوگل جزئیات جدیدی را فاش کرده است که میتواند آینده سئو را متحول کند: بررسی تاثیر بک لینک در هوش مصنوعی گوگل نشان میدهد که قابلیت جدید نمای کلی هوش مصنوعی (AI Overviews) از لینک‌ها برای رتبه بندی استفاده نمیکند. این موضوع سوالات مهمی را در مورد اهمیت خرید بک لینک و استراتژی‌های فعلی ایجاد کرده است.

یک کارشناس بازاریابی جستجوی تیزبین، دلیل نمایش صفحات وب اسپم در نمای کلی هوش مصنوعی گوگل را کشف کرده است. نظریه اخیر منتشر شده در پرونده آنتی تراست گوگل، شامل بخشی است که سرنخ مهمی در مورد علت این اتفاق ارائه میدهد و این گمانه زنی را تقویت میکند که گوگل در حال فاصله گرفتن از لینک‌ها به عنوان یک عامل رتبه بندی برجسته است و این موضوع مستقیماً تاثیر بک لینک در هوش مصنوعی گوگل را زیر سوال میبرد.

رایان جونز (Ryan Jones)، بنیانگذار SERPrecon، توجهات را به بخشی از این سند جلب کرد که نشان میدهد گوگل چگونه مدل‌های جمینی (Gemini) خود را برای ارائه پاسخ‌ها پایه ریزی و مستند میکند.

مبنای پاسخ‌های هوش مصنوعی مولد (Generative AI)

این بخش از سند در قسمتی قرار دارد که در مورد مستند سازی و پایه ریزی (Grounding) پاسخ‌ها با داده‌های جستجو صحبت میکند. به طور معمول، منطقی است که فرض کنیم لینک‌ها در رتبه بندی صفحات وبی که یک مدل هوش مصنوعی از طریق یک موتور جستجوی داخلی بازیابی میکند، نقش دارند. بنابراین وقتی کسی از نمای کلی هوش مصنوعی (AI Overviews) گوگل سوالی میپرسد، سیستم از جستجوی گوگل پرس و جو کرده و سپس خلاصه‌ای از آن نتایج جستجو ایجاد میکند.

اما ظاهراً، این روش کارکرد سیستم در گوگل نیست. گوگل یک الگوریتم مجزا دارد که تعداد اسناد وب کمتری را با سرعت بسیار بیشتری بازیابی میکند.

در این سند اینگونه آمده است:

«گوگل برای پایه ریزی مدل‌های جمینی (Gemini) خود، از یک فناوری اختصاصی به نام فست سرچ (FastSearch) استفاده میکند. فست سرچ بر اساس سیگنال‌های رنک امبد (RankEmbed signals) که مجموعه‌ای از سیگنال‌های رتبه بندی جستجو هستند، عمل میکند و نتایج وب رتبه بندی شده و خلاصه‌ای را تولید میکند که مدل بتواند از آنها برای ارائه یک پاسخ مستند (Grounded Response) استفاده کند. فست سرچ نتایج را سریعتر از جستجوی معمولی ارائه میدهد زیرا اسناد کمتری را بازیابی میکند، اما کیفیت حاصل از آن پایین‌تر از نتایج وب کاملاً رتبه بندی شده در جستجوی اصلی گوگل است.»

رایان جونز این دیدگاه‌ها را به اشتراک گذاشت:

«این موضوع جالب است و هم چیزی که بسیاری از ما فکر میکردیم و هم آنچه در آزمایش‌های اولیه میدیدیم را تأیید میکند. این به چه معناست؟ به این معنی است که گوگل برای پایه ریزی پاسخ‌های هوش مصنوعی خود، از همان الگوریتم جستجوی اصلی استفاده نمیکند. آنها به سرعت بالاتری نیاز دارند و همچنین به بسیاری از سیگنال‌ها اهمیتی نمیدهند. آنها فقط به متنی نیاز دارند که گفته‌هایشان را تأیید کند.

…احتمالاً مجموعه‌ای از سیگنال‌های مربوط به اسپم و کیفیت محتوا نیز برای فست سرچ محاسبه نمیشوند. این موضوع توضیح میدهد که چگونه و چرا در نسخه‌های اولیه، شاهد نمایش برخی سایت‌های اسپم و حتی سایت‌های جریمه شده در نمای کلی هوش مصنوعی بودیم.»

او در ادامه نظر خود را مبنی بر اینکه لینک‌ها در اینجا نقشی ندارند به اشتراک میگذارد، زیرا فرآیند پایه ریزی پاسخ‌ها از ارتباط معنایی (Semantic Relevance) استفاده میکند. این موضوع نشان میدهد که تاثیر بک لینک در هوش مصنوعی گوگل، حداقل در این بخش خاص، نزدیک به صفر است و این میتواند نیازمند بازنگری در استراتژی لینک سازی باشد.

فست سرچ (FastSearch) چیست؟

در جای دیگری از این سند، توضیح داده شده است که فست سرچ (FastSearch) نتایج جستجوی محدودی تولید میکند:

«فست سرچ یک فناوری است که به سرعت نتایج جستجوی ارگانیک محدودی را برای موارد استفاده خاص، مانند پایه ریزی مدل‌های زبان بزرگ (LLMs)، تولید میکند و عمدتاً از مدل رنک امبد (RankEmbed) مشتق شده است.»

اکنون این سوال پیش می‌آید که مدل رنک امبد (RankEmbed) چیست؟

سند توضیح میدهد که رنک امبد یک مدل یادگیری عمیق (Deep-Learning Model) است. به زبان ساده، یک مدل یادگیری عمیق، الگوها را در مجموعه‌های داده عظیم شناسایی میکند و برای مثال، میتواند معانی و روابط معنایی را تشخیص دهد. این مدل هیچ چیزی را به همان روشی که یک انسان درک میکند، نمیفهمد؛ بلکه اساساً الگوها و همبستگی‌ها را شناسایی میکند.

در این سند بخشی وجود دارد که توضیح میدهد:

«در سوی دیگر این طیف، مدل‌های نوآورانه یادگیری عمیق قرار دارند که مدل‌های یادگیری ماشینی هستند و الگوهای پیچیده را در مجموعه داده‌های بزرگ تشخیص میدهند.

…گوگل سیگنال‌های «سطح بالا» (Top-Level Signals) مختلفی را توسعه داده است که به عنوان ورودی برای تولید امتیاز نهایی یک صفحه وب عمل میکنند. از جمله سیگنال‌های سطح بالای گوگل، آنهایی هستند که کیفیت و محبوبیت یک صفحه وب را اندازه گیری میکنند.

سیگنال‌های توسعه یافته از طریق مدل‌های یادگیری عمیق، مانند رنک امبد، نیز در میان سیگنال‌های سطح بالای گوگل قرار دارند.»

این توضیحات نشان میدهد که گوگل برای ارزیابی سریع محتوا در هوش مصنوعی خود، به مدل‌های معنایی و مبتنی بر یادگیری عمیق تکیه میکند و نه لزوماً سیگنال‌های سنتی. درک این موضوع برای هر کسی که به دنبال آنالیز بک لینک و سنجش تاثیر بک لینک در هوش مصنوعی گوگل است، حیاتی میباشد.

داده‌های سمت کاربر (User-Side Data)

مدل رنک امبد (RankEmbed) از داده‌های «سمت کاربر» (user-side data) استفاده میکند. سند مذکور، در بخشی که به نوع داده‌هایی که گوگل باید در اختیار رقبا قرار دهد میپردازد، رنک امبد (که فست سرچ بر پایه آن است) را اینگونه توصیف میکند:

«داده‌های سمت کاربر که برای آموزش، ساخت یا اجرای مدل(های) رنک امبد استفاده میشوند؛»

در جای دیگری از این سند آمده است:

«رنک امبد و نسخه بعدی آن رنک امبد برت (RankEmbedBERT) مدل‌های رتبه بندی هستند که به دو منبع اصلی داده متکی میباشند: _____% از لاگ‌های جستجوی ۷۰ روزه به علاوه امتیازاتی که توسط ارزیابان انسانی تولید شده و توسط گوگل برای سنجش کیفیت نتایج جستجوی ارگانیک استفاده میشود.»

سپس ادامه میدهد:

«خودِ مدل رنک امبد یک سیستم مبتنی بر هوش مصنوعی و یادگیری عمیق است که درک زبان طبیعی (Natural-Language Understanding) قدرتمندی دارد. این ویژگی به مدل اجازه میدهد تا به طور مؤثرتری بهترین اسناد را برای بازیابی شناسایی کند، حتی اگر یک کوئری (Query) فاقد عبارات خاصی باشد. (“بازیابی مبتنی بر امبدینگ در تطبیق معنایی اسناد و کوئری‌ها مؤثر است”)؛

…رنک امبد با یک صدم داده‌های مورد استفاده برای آموزش مدل‌های رتبه بندی قدیمی‌تر آموزش دیده است، با این حال نتایج جستجوی با کیفیت‌تری ارائه میدهد.

…رنک امبد به ویژه به گوگل کمک کرد تا پاسخ‌های خود به کوئری‌های طولانی (Long-Tail Queries) را بهبود بخشد.

…از جمله داده‌های آموزشی زیربنایی، اطلاعات مربوط به کوئری، شامل عبارات برجسته‌ای که گوگل از کوئری استخراج کرده، و صفحات وب حاصل از آن است.

…داده‌های زیربنایی مدل‌های رنک امبد ترکیبی از داده‌های کلیک و کوئری (Click-and-Query Data) و امتیازدهی صفحات وب توسط ارزیابان انسانی است.

…رنک امبد برت (RankEmbedBERT) نیاز دارد تا برای منعکس کردن داده‌های جدید، مجدداً آموزش ببیند…»

این یافته‌ها به وضوح نشان میدهند که درک معنایی و رفتار کاربر، نقش محوری در مدل‌های جدید گوگل ایفا میکنند. در حالی که تاثیر بک لینک در هوش مصنوعی گوگل کمرنگ‌تر به نظر میرسد، اهمیت تولید محتوای با کیفیت که پاسخگوی نیاز کاربر باشد و سیگنال‌های مثبت از سوی کاربران (مانند نرخ کلیک بالا و ماندگاری در صفحه) دریافت کند، بیش از پیش افزایش یافته است. این تغییر رویکرد میتواند در آینده روی قیمت رپورتاژ آگهی و ارزش آن نیز تأثیرگذار باشد.

دیدگاهی جدید به جستجوی هوش مصنوعی (AI Search)

آیا این حقیقت دارد که لینک‌ها نقشی در انتخاب صفحات وب برای نمای کلی هوش مصنوعی (AI Overviews) ندارند؟ فست سرچ (FastSearch) گوگل سرعت را در اولویت قرار میدهد. رایان جونز این نظریه را مطرح میکند که این موضوع میتواند به این معنی باشد که گوگل از ایندکس‌های متعددی استفاده میکند و یکی از آنها مخصوص فست سرچ بوده و از سایت‌هایی تشکیل شده است که تمایل به دریافت بازدید بیشتری دارند. این میتواند بازتابی از بخش رنک امبد (RankEmbed) در فست سرچ باشد که گفته شد ترکیبی از «داده‌های کلیک و کوئری» و داده‌های ارزیابان انسانی است.

در مورد داده‌های ارزیابان انسانی، با وجود میلیاردها یا تریلیون‌ها صفحه در ایندکس گوگل، برای ارزیابان غیرممکن است که بتوانند بیش از بخش کوچکی از این صفحات را به صورت دستی رتبه بندی کنند. بنابراین، نتیجه گیری میشود که داده‌های ارزیابان انسانی برای ارائه نمونه‌های برچسب گذاری شده با کیفیت (Quality-Labeled Examples) جهت آموزش مدل استفاده میشوند. داده‌های برچسب گذاری شده نمونه‌هایی هستند که یک مدل بر اساس آنها آموزش میبیند تا الگوهای ذاتی برای شناسایی یک صفحه با کیفیت بالا یا یک صفحه با کیفیت پایین، آشکارتر شوند.

جمع بندی نهایی: آینده سئو و تاثیر بک لینک در هوش مصنوعی گوگل

اطلاعات فاش شده از پرونده آنتی تراست گوگل، تصویری واضح‌تر از آینده جستجو ترسیم میکند. سیستم فست سرچ که برای پاسخ‌های سریع نمای کلی هوش مصنوعی گوگل طراحی شده، به جای تکیه بر ساختار پیچیده لینک‌ها، بر سرعت و درک معنایی محتوا از طریق مدل رنک امبد متمرکز است. این مدل با استفاده از رفتار کاربران (داده‌های کلیک و کوئری) و نمونه‌های با کیفیت تایید شده توسط انسان، یاد میگیرد که محتوای مرتبط و مفید را شناسایی کند.

این به آن معناست که تاثیر بک لینک در هوش مصنوعی گوگل، به ویژه در بخش پاسخ‌های سریع آن، به شدت کاهش یافته است. اگرچه بک لینک‌ها همچنان به عنوان یک سیگنال مهم در نتایج جستجوی ارگانیک سنتی باقی خواهند ماند، اما این تغییر رویکرد نشان میدهد که سرمایه گذاری صرف روی لینک سازی خارجی بدون توجه به کیفیت محتوا و تجربه کاربری، یک استراتژی ناقص خواهد بود. برای موفقیت در عصر هوش مصنوعی گوگل، تمرکز باید بر تولید محتوای عمیق، پاسخگویی مستقیم به سوالات کاربران و ایجاد سیگنال‌های مثبت از سوی کاربران (مانند افزایش زمان ماندگاری و کاهش نرخ پرش) باشد. در نهایت، سایت‌هایی که اعتماد و رضایت کاربران را جلب میکنند، برندگان نهایی در این اکوسیستم جدید خواهند بود.

منبع : Google Antitrust Case: AI Overviews Use FastSearch, Not Links