--- title: "كيف تعمل محركات البحث التوليدية؟ وكيف تختار مصادر إجاباتها؟" published_date: 2026-09-08 author: "سامي محمد بشير" description: "عندما يكتب المستخدم سؤالًا في محرك بحث تقليدي مثل Google أو Bing، يحصل عادةً على قائمة من الروابط التي يمكنه زيارتها وقراءة محتواها. هل تتطابق هذه الصورة مع ما يحدث فعليًا داخل محركات البحث التوليدية، قطعًا لا! يمكن أن نصف مخطط ما يحدث على هذه المحركات كالتالي: هذا المخطط يغير طبيعة العلاقة بين المستخدم والمحتوى المنشور على الوسط الإلكتروني. فبدلًا من أن يكون الهدف الوحيد هو الظهور ضمن صفحة النتائج، أصبح من المهم أيضًا أن يكون المحتوى قابلًا للاكتشاف والفهم والاستخدام كمصدر عند بناء الإجابة. وهنا تظهر أهمية فهم ما يحدث خلف أبواب محركات البحث التوليدية المغلقة! هذه بعض الأسئلة التي […]" canonical_url: https://www.e-marketips.com/%d9%83%d9%8a%d9%81-%d8%aa%d8%b9%d9%85%d9%84-%d9%85%d8%ad%d8%b1%d9%83%d8%a7%d8%aa-%d8%a7%d9%84%d8%a8%d8%ad%d8%ab-%d8%a7%d9%84%d8%aa%d9%88%d9%84%d9%8a%d8%af%d9%8a%d8%a9/ --- # كيف تعمل محركات البحث التوليدية؟ وكيف تختار مصادر إجاباتها؟ عندما يكتب المستخدم سؤالًا في محرك بحث تقليدي مثل Google أو Bing، يحصل عادةً على قائمة من الروابط التي يمكنه زيارتها وقراءة محتواها. هل تتطابق هذه الصورة مع ما يحدث فعليًا داخل محركات البحث التوليدية، قطعًا لا! يمكن أن نصف مخطط ما يحدث على هذه المحركات كالتالي: * يطرح المستخدم السؤال * يحصل على إجابة جديدة تم صياغتها من خلال المعلومات التي جمعها النظام من مصادر مختلفة * إدراج روابط أو استشهادات بالمصادر في كثير من الحالات. هذا المخطط يغير طبيعة العلاقة بين المستخدم والمحتوى المنشور على الوسط الإلكتروني. فبدلًا من أن يكون الهدف الوحيد هو الظهور ضمن صفحة النتائج، أصبح من المهم أيضًا أن يكون المحتوى قابلًا للاكتشاف والفهم والاستخدام كمصدر عند بناء الإجابة. وهنا تظهر أهمية فهم ما يحدث خلف أبواب محركات البحث التوليدية المغلقة! هذه بعض الأسئلة التي تدور في إذهاننا عند الحديث عن هذه المحركات: * كيف ينتقل السؤال من المستخدم إلى إجابة نهائية؟ * هل يعتمد النظام على المعلومات الموجودة داخل نموذج الذكاء الاصطناعي فقط؟ * كيف يعثر على صفحات الويب؟ * هل كل صفحة يتم العثور عليها تصبح مصدرًا في الإجابة؟ * وما الذي يجعل صفحة معينة أكثر احتمالًا لأن تظهر ضمن المصادر المستشهد بها؟ بعد الإجابة عن هذه الأسئلة سنفهم فكرة تحسين الظهور في محركات البحث التوليدية GEO بصورة أكثر واقعية، متجاوزين بذلك الاعتقاد بوجود ثوابت تضمن ظهور أي محتوى ضمن نتائج البحث في هذه المحركات. ## 1. ما المقصود بمحركات البحث التوليدية؟ يمكن تبسيط آلية عمل محركات البحث التوليدية إلى مكونين رئيسيين (مع مكونات اخرى)، الأول مكون الاسترجاع والبحث عن المعلومات والمصادر ذات العلاقة، والثاني المكون التوليدي الذي يعتمد على نموذج لغوي كبير LLM، والذي يقوم بفهم المعلومة وصياغة الإجابة المناسبة وتسمية المراجع عند توفرها. مما سبق يمكن وصف محركات البحث التوليدية بأنها أنظمة بحث تعتمد على الذكاء الاصطناعي لتوليد الاجابات على أسئلة المستخدم، تستند في إجابتها إلى المعرفة الداخلية للنماذج المدربة، بالإضافة إلى الاسترجاع الفوري للمعلومات المحدثة على شبكة الإنترنت عند الحاجة، وحسب طبيعة ومتطلبات الإجابة عن السؤال المطروح. قد تختلف طريقة عمل هذه الأنظمة من منصة إلى أخرى، لكن الفكرة العامة يمكن تبسيطها إلى سلسلة من العمليات: * فهم السؤال * البحث عن المعلومات المناسبة * استرجاع المصادر * معالجة المعلومات * توليد الإجابة * إسناد المعلومات إلى المصادر عند توفر الاستشهادات وهذا لا يعني أن كل محرك بحث توليدي يستخدم هذه الخطوات بالطريقة نفسها، ولا يعني أن كل إجابة تمر بالضرورة بالمسار نفسه. لكن هذا التصور يساعد على فهم الفرق الأساسي بين البحث التقليدي والبحث التوليدي. في البحث التقليدي، يكون محرك البحث وسيطًا بين المستخدم وصفحات الويب، بينما في البحث التوليدي يمكن للنظام أن يصبح وسيطًا إضافيًا يقوم بقراءة المعلومات المسترجعة، ومقارنتها، واستخلاص ما يراه مناسبًا، ثم صياغة إجابة جديدة. وهنا تحديدًا، تصبح قابلية المحتوى للفهم والاستخدام والاستشهاد اهتمام مختلف عن مجرد الحصول على ترتيب جيد في صفحة نتائج البحث. ## 2. هل تعتمد محركات الذكاء الاصطناعي على معلومات مخزنة مسبقًا؟ من أكثر المعتقدات شيوعًا تصور أن النموذج اللغوي يعرف كل شيء من خلال البيانات التي تدرب عليها، لذلك فهو قادر على الإجابة عن أي سؤال دون الحاجة إلى البحث في شبكة الإنترنت. هذا التصور غير دقيق عندما نتحدث عن أنظمة البحث التوليدي التي تستعين بمصادر خارجية. النموذج اللغوي يستطيع توليد إجابات اعتمادًا على ما تعلمه أثناء التدريب، والنموذج في حد ذاته يتكون من أوزان ومعلمات، ولا يحتفظ ببيانات التدريب ضمن قاعدة بيانات يمكن الرجوع إليها بل يستخدم هذه الأوزان لتوليد النصوص، وهذا ما تؤكده وثائق OpenAI على موقعها الرسمي. لكن ماذا يحدث في حال كان السؤال يتضمن الاستفسار عن معطيات حديثة تتجاوز فترة تدريب النموذج زمنيًا؟ في هذه الحالة، تستخدم أنظمة البحث التوليدي، بحسب النظام والمهمة، تقنيات تسمح لها بالوصول إلى معلومات خارجية حديثة ومن ثم استخدامها لتوليد الإجابة. ومن أشهر المفاهيم المرتبطة بهذا الأسلوب Retrieval-Augmented Generation أو RAG، أي التوليد المعزز بالاسترجاع، كآلية لاسترجاع بيانات خارجية تعتمده العديد من النماذج ومنها جوجل التي تعلن عن ذلك بصورة مباشرة في واحدة من مستنداتها بالخصوص. فبدل أن يعتمد النموذج على معرفته الداخلية فقط، يتم أولًا استرجاع معلومات ذات صلة بالسؤال، ثم تُقدم هذه المعلومات إلى النموذج لكي يستخدمها في صياغة الإجابة. وهذا ما يصنع الفرق المهم بالنسبة لمحرري المحتوى، حيث لا يحتاج المحتوى المنشور على الموقع إلى أن يكون معروفًا لدى محرك البحث، بل يجب أن يكون أيضًا قابلًا للاكتشاف والاسترجاع عندما يكون مرتبطًا بالسؤال الذي يطرحه المستخدم. وفي جميع الأحوال، الوصول إلى المحتوى لا يعني بالضرورة الاستشهاد به. وهذه نقطة جوهرية في فهم GEO. ## 3. من الاستعلام إلى الإجابة: ماذا يحدث خلف الكواليس؟ يمكن تصور العملية بشكل مبسط من خلال المثال التالي. لنفترض أن المستخدم يسأل: "ما أهم العوامل التي تؤثر في ظهور المواقع داخل نتائج البحث التوليدي؟" النظام هنا لا يتعامل بالضرورة مع الجملة كما كتبها المستخدم حرفيًا، يحاول أولًا فهم المقصود من السؤال، وتحديد الموضوعات والمفاهيم المرتبطة به، ثم البحث عن المعلومات ذات الصلة. بعد ذلك قد تظهر أمامه مجموعة كبيرة من الصفحات والمصادر، لكن هذه المجموعة ليست هي الإجابة النهائية. النظام يحتاج إلى تحديد المعلومات الأكثر ارتباطًا بالسؤال المطروح، ثم استخدامها في تكوين إجابة متماسكة. يمكن تبسيط ذلك إلى أربع طبقات: ### الطبقة الأولى: فهم السؤال ما الذي يريده المستخدم تحديدًا؟ فهم السؤال يتجاوز التفسير اللغوي له بل يتعداه إلى حملة من المعطيات والمكونات الأخرى مثل هل يبحث عن تعريف، مقارنة، خطوات تنفيذية، إحصائية حديثة، توصية، أم إجابة عن سؤال معقد يحتاج إلى أكثر من مصدر، وماهو السياق والقيود التي يحددها، فالسؤال نفسه يؤثر في نوع المعلومات المطلوبة. ### الطبقة الثانية: استرجاع المعلومات يحاول النظام العثور على المعلومات داخل نطاق المعرفة الموجودة لديه والتي يمكن أن تكون في حد ذاتها كافية للإجابة على السؤال، وإلا القيام باسترجاع المعلومات من مصادر وفهارس خارجية إذا كان نظامه والأدوات المتوفرة له تسمح بذلك، من خلال نظام RAG الذي سبق وصفه. قد تأتي هذه المعلومات من الويب أو قواعد بيانات أو مصادر أخرى، حسب النظام المستخدم وطبيعة السؤال. ### الطبقة الثالثة: اختيار وترجيح المعلومات هنا توجد نقطة لا ينبغي تبسيطها أكثر من اللازم، إذ ليس من الصحيح القول إن النظام يبحث عن "أفضل مقال" ثم يضعه مباشرة في الإجابة. قد تكون هناك عدة مصادر تتناول الموضوع نفسه، وقد تختلف درجة صلتها بالسؤال، وحداثتها، ووضوح المعلومات الموجودة فيها، وطبيعة المصدر نفسه، وعناصر اخرى غيرها قد تحدد اختيار أو تمييز مصدر عن آخر، كما أن طريقة اختيار هذه المصادر ليست واحدة بالضرورة في جميع محركات الذكاء الاصطناعي. ### الطبقة الرابعة: توليد الإجابة وهي المرحلة التي يبدأ فيها النموذج في صياغة إجابة جديدة بعد توفير المعلومات المناسبة له. الناتج هنا ليس مجرد نسخ من المصادر، بل نصًا مولدًا يجمع المعلومات التي استخدمها النظام في سياق واحد، ولهذا يمكن أن تكون الإجابة النهائية أقصر بكثير من المصادر التي بُنيت عليها، وقد تجمع معلومات من عدة صفحات مختلفة. **كيف نفسر بناء الاستشهادات إذن؟** عندما ترى رابطًا أو استشهادًا بجوار جملة في إجابة مولدة، فهذا لا يعني بالضرورة أن النظام أخذ الجملة حرفيًا من الصفحة المشار إليها، بل يشير الاستشهاد المدرج إلى مصدر المعلومات التي استندت إليها الإجابة أو جزء منها، وهذا يوضح الفرق بين مصدر المعلومات والنص المولد. وهنا تبدأ أهمية مفهوم الاستشهاد AI Citations بالنسبة إلى GEO. ## 4. لماذا لا تظهر كل الصفحات التي وجدها النظام كمصادر؟ هذه من أهم النقاط التي يجب فهمها عند تحليل الظهور في محركات البحث التوليدية. افترض أن النظام عثر على عشرين صفحة مرتبطة بالسؤال، فهل من المنطقي أن يضع الروابط العشرين كلها أمام المستخدم؟ بالطبع لا. لذلك توجد مرحلة يتم فيها تحديد المعلومات والمصادر الأكثر فائدة للإجابة النهائية، لكن تفاصيل هذه المرحلة تختلف من نظام إلى آخر، وقد تعتمد على طبيعة السؤال والنتائج المسترجعة والسياق الذي تعمل فيه المنصة. ولهذا لا يمكن اختزال المسألة في قاعدة مثل: "إذا احتلت الصفحة المرتبة الأولى في Google فسوف تصبح المصدر الأول في ChatGPT." ولا يمكن أيضًا افتراض العكس: "إذا لم تكن الصفحة في المرتبة الأولى فلن يستشهد بها الذكاء الاصطناعي." العلاقة أكثر تعقيدًا من ذلك. فأنظمة الذكاء الاصطناعي التوليدي قد تستخدم عمليات بحث واسترجاع ومصادر مختلفة، كما أن السؤال نفسه يمكن أن يغير مجموعة المصادر التي يعتمد عليها النظام. وهذا أحد الأسباب التي تجعل قياس ظهور المحتوى في البحث التوليدي أكثر تعقيدًا من قياس ترتيبه في نتائج البحث التقليدية. ## 5. هل ترتيب Google لم يعد مهمًا؟ بصراحة، لا. وهذه نقطة مهمة حتى لا يؤدي الحديث عن GEO إلى استنتاج خاطئ بأن SEO أصبح غير ضروري، وقد ناقشنا هذه النقطة في مقالنا السابق عن المحتوى وتحسين محركات البحث. محركات البحث التوليدية لا تعمل جميعها بالطريقة نفسها، وبعضها يستفيد من أنظمة البحث التقليدية أو مصادر الويب التي تمر أصلًا عبر عمليات اكتشاف وترتيب وفهرسة. كما أن جودة الموقع وسلطته ووضوح موضوعه وقابلية الوصول إلى محتواه تظل عوامل مهمة في البيئة الرقمية عمومًا. لكن وجود علاقة بين البحث التقليدي والبحث التوليدي لا يعني أن ترتيب Google هو نفسه ترتيب المصدر داخل الإجابة التوليدية، والأصح هو النظر إلى SEO وGEO باعتبارهما مجالين متداخلين، لكنهما لا يمثلان العملية نفسها. SEO يهتم بدرجة كبيرة بزيادة قدرة صفحات الموقع على الظهور في نتائج البحث التقليدية، بينما يركز GEO على جانب إضافي وهو زيادة احتمالية اكتشاف المحتوى واستخدامه والاستشهاد به في بيئات البحث والإجابة التوليدية. وهذا لا يعني وجود مجموعة مستقلة وثابتة من عوامل الترتيب يمكن تسميتها **خوارزمية GEO**، بل من الأفضل التعامل مع GEO باعتباره مجموعة من الممارسات والاستراتيجيات التي تهدف إلى تحسين حضور المحتوى في بيئة البحث التوليدي، وليس باعتباره نظام ترتيب معلن له معادلة معروفة أو خوارزمية محددة. ## 6. ما الذي يجعل المصدر مفيدًا لمحرك البحث التوليدي؟ هنا نصل إلى السؤال الذي يهم أصحاب المواقع أكثر من غيرهم! إذا كان النظام يسترجع مصادر متعددة، فما الذي يجعل محتوى معينًا مفيدًا لتوليد الإجابة؟ يمكن التفكير في مجموعة من الخصائص العامة والتي قد تفسر سبب اختيار محتوى معين دون غيره ضمن خيارات الإجابة، لكن يجب عدم النظر إليها كقائمة رسمية أو كخوارزمية أو كعوامل ترتيب مؤكدة وموحدة تناسب جميع محركات البحث التوليدية، وهذه الخصائص هي كالتالي: ### أولاً: مدى ارتباط المحتوى بالسؤال. إذا كان المستخدم يسأل عن موضوع محدد، فإن الصفحة التي تعالج هذا الموضوع بوضوح تكون أكثر فائدة من صفحة عامة تتناول السؤال بشكل سطحي. في دراسة حديثة جدًا حول محركات البحث التوليدية باللغة الصينية، شملت 614 استعلامًا وأكثر من 160 ألف سجل استشهاد، وجدت أن ملائمة المحتوى للسؤال المطروح كان من المتغيرات المهمة في نماذج التنبؤ باختيار هذا المحتوى ضمن إجابات النماذج. ### ثانيًا: وضوح المعلومات. المحتوى الذي يقدم إجابات مباشرة، ويشرح المفاهيم بوضوح، ويستخدم عناوين وفقرات منظمة، لا يسهل على الإنسان قراءته فقط، بل يساعد كذلك أنظمة معالجة المحتوى على فهم بنيته. وجدت دراسة نشرتها جامعة برينستون حول تحسين انسياب المحتوى ووضوحه أثر واضح في زيادة الظهور على نتائج البحث، وهذا دليل تجريبي قوي على أن خصائص صياغة المحتوى تؤثر في مقدار استخدامه داخل الإجابات التوليدية. ### ثالثًا: قابلية التحقق من المعلومات. عندما يتناول المقال إحصائية أو نتيجة دراسة أو معلومة قابلة للتحقق، فإن الإشارة إلى المصدر الأصلي تساعد في بناء سياق أكثر وضوحًا حول المعلومة. ### رابعًا: حداثة المعلومات عندما تكون الحداثة مطلب مهم. لا يحتاج كل موضوع إلى تحديث مستمر. تعريف مفهوم تاريخي، مثلًا، لا يتغير بالسرعة نفسها التي تتغير بها أسعار المنتجات أو إحصائيات السوق أو الأخبار، لذلك يجب أن تكون حداثة المصدر مرتبطة بطبيعة السؤال. ### خامسًا: الخبرة والموثوقية العامة للمصدر. وهنا ينبغي الحذر من تحويل هذا المفهوم إلى قاعدة بسيطة. وجود اسم مؤسسة معروفة لا يضمن تلقائيًا أن كل معلومة في صفحاتها ستستخدم في الإجابة، كما أن موقعًا صغيرًا لا يعني بالضرورة أن محتواه غير صالح. المسألة تتعلق بالسياق ومدى ملاءمة المصدر للمعلومة المطلوبة، إلى جانب عوامل أخرى تختلف بحسب النظام. ### سادسًا: قابلية استخراج المعلومات وفهمها من بنية المحتوى. إذا كانت الصفحة تقدم مجموعة من الأفكار المختلفة دون تنظيم، فقد يصبح تحديد المعلومة المطلوبة أكثر صعوبة، أما عندما تكون الموضوعات مقسمة بوضوح، وتستخدم العناوين المناسبة، وتقدم إجابات مباشرة للأسئلة، فإن المحتوى يصبح أكثر قابلية للمعالجة والفهم. النظام في هذه الحالة يحتاج بالإضافة للعثور على الصفحة، إلى استخراج جزء منها وفهمه وربطه بالسؤال ثم دمجه مع مصادر أخرى.في هذا الإطار، وجد بحث حديث أن الصفحات ذات التأثير الأعلى في الإجابات كان لها الخصائص التالية: * بنية أكثر تنظيمًا * توافقًا دلاليًا أكثر مع السؤال * غنية بالأدلة والتعريفا والحقائق القابلة للاستخراج ### سابعًا: اتساق وتوافق المعلومات مع الأدلة والمصادر الأخرى. لأن النظام قد لا يعتمد على محتوى واحد لتوليد الإجابة، فإن توافق معلومات وحقائق هذا المحتوى مع ماتذكره المصادر الأخرى، يعزز من فرص ظهور هذا المحتوى ضمن نتائج هذا النظام، خاصة إذا تم توليد الإجابة من مصادر متعددة أخرى. لكن هل هذه العوامل تضمن الاستشهاد؟ لا. وهذه من أهم النقاط التي يجب عدم تجاوزها عند الحديث عن GEO. لا توجد طريقة معروفة تضمن أن يستشهد محرك ذكاء اصطناعي بصفحة معينة. يمكنك تحسين جودة المحتوى، وتحسين بنيته، وزيادة وضوح مصادره، وتسهيل اكتشافه، وبناء سلطة موضوعية قوية، لكن ذلك لا يعني أن تكون هذه الممارسات ضمان مؤكد للظهور ضمن النتائج بسبب اعتماد النتيجة النهائية على عوامل عدة منها السؤال الذي يطرحه المستخدم، والمصادر المتاحة في تلك اللحظة، ونظام الاسترجاع المستخدم، وطريقة توليد الإجابة، وغيرها من العوامل. وهذا يفسر لماذا يمكن أن تظهر صفحة ما كمصدر في إجابة، ولا تظهر في إجابة أخرى عن سؤال قريب منها. للتوضيح، يمكننا سرد المثال التالي: لنفترض أن لديك مقالًا ممتازًا عن تحسين المحتوى لمحركات البحث التوليدية. قد يظهر المقال عندما يسأل المستخدم: "ما المقصود بـ GEO؟" لكن النظام قد يعتمد على مصدر آخر عندما يكون السؤال: "ما الأدوات التي يمكن استخدامها لقياس ظهور المواقع في نتائج البحث التوليدي؟" وقد يعتمد على مجموعة مختلفة من المصادر عندما يصبح السؤال: "هل GEO بديل عن SEO؟" الموضوع العام واحد، لكن نية البحث مختلفة. وهذا يعني أن تحسين صفحة واحدة لكي تجيب عن عشرات الأسئلة المختلفة بطريقة سطحية قد لا يكون أفضل استراتيجية، بلمن الأفضل بناء مجموعة أو عنقود محتوى يغطي الموضوع من زوايا مختلفة، بحيث تكون لكل صفحة وظيفة واضحة وهي الإجابة عن سؤال محدد. وهنا تظهر العلاقة المباشرة بين فهم محركات البحث التوليدية وبين استراتيجية كتابة المحتوى المجمع Content Clusters.وهذا ما سنناقشه في النقطة التالية. ## 7. لماذا تعد مجموعات أو عناقيد المحتوى Content Clusters مهمة في بيئة GEO؟ عندما ينشر صانع محتوى مقال واحد عن موضوع واسع، فإنه يقدم قدرًا محدودًا من المعلومات حول ذلك الموضوع، لكن عندما ينشر مجموعة من المقالات المترابطة وفق تصور متسلسل فإنه يغطي جوانب متعددة عن ذات الموضوع. في حالة تحسين المحتوى في مواجهة محركات البحث التوليدية، يمكن أن يكون لدينا مقال رئيسي يشرح الاستراتيجية العامة، ثم مقالات متخصصة تشرح: * كيف تعمل محركات البحث التوليدية؟ * كيف تختار المصادر؟ * كيف تعمل الإحالات؟ * كيف يمكن قياس الظهور؟ * كيف يمكن تحليل الاستشهاد أو الإحالة AI Citations؟ * ما دور الكيانات والسلطة الموضوعية؟ * ما العلاقة بين SEO وGEO؟ بهذه الطريقة لا يصبح المحتوى معتمدًا على مقال واحد للإجابة عن جميع الأسئلة، بل يمتلك مجموعة من المصادر المتخصصة التي تغطي موضوعًا مشتركًا من زوايا متعددة. وهذا يخدم المستخدم أولًا، كما يساعد محركات البحث وأنظمة الذكاء الاصطناعي على فهم نطاق الموضوعات التي يغطيها المحتوى. ## 8. هل كل استرجاع يتبعه توثيق المصدر Citation؟ من الأخطاء الشائعة التعامل مع عمليتي الاسترجاع وتوثيق المصدر أو رابط الإحالة باعتبارهما شيئًا واحدًا، أو الحكم بأن كل استرجاع لابد أن يولّد توثيقًا أو إحالة للمصدر! قد يستفيد النموذج من مقال أو صفحة أثناء مرحلة الاسترجاع دون أن تظهر الصفحة نفسها كرابط في الإجابة النهائية. بمعنى آخر، قد تكون الصفحة مفيدة للنظام دون أن تحصل على توثيق أو إحالة ظاهرة للمستخدم، وهذا له آثار مهمة جدًا على طريقة قياس GEO. إذا اعتمدنا فقط على عدد الروابط الظاهرة في الإجابات، فقد لا نعرف كل ما حدث منذ البداية وحتى ذكر الإحالة، كما أن ظهور رابط في إجابة ما لا يخبرنا وحده بكل الأسباب التي جعلت النظام يستخدم المصدر. وهذا هو السبب الذي يجعل قابلية الظهور AI Visibility وقابلية الاستشهاد AI Citations من الموضوعات التي تحتاج إلى قياس منهجي، وليس مجرد البحث يدويًا عن اسم الموقع داخل ChatGPT أو محرك آخر. ## 9. هل محركات البحث التوليدية تبحث دائمًا في الويب؟ لا. وهذه نقطة أخرى يجب توضيحها. طريقة الحصول على المعلومات تعتمد على النظام والمنصة ونوع السؤال والإعدادات المتاحة. بعض الأنظمة قد تعتمد على البحث في الويب في سياقات معينة، بينما يمكن لنماذج أخرى الإجابة اعتمادًا على معرفتها الداخلية أو على مصادر خاصة أو قواعد بيانات محددة، كما أن النظام الواحد قد يستخدم أكثر من طريقة بحسب نوع المهمة. لذلك لا يصح افتراض أن كل سؤال يطرح على نموذج لغوي يؤدي إلى عملية بحث على Google أو Bing ثم إلى إجابة، وهو ما يفسر لماذا لا ينبغي بناء استراتيجية GEO على افتراض أن هناك محرك بحث واحدًا تتحكم فيه قاعدة واحدة. البيئة التوليدية بيئة ديناميكية، متعددة المنصات، وقد تختلف آلياتها ومصادرها بمرور الوقت. ## 10. ما الذي يمكننا ملاحظته وما الذي يمكننا استنتاجه؟ من المهم في موضوع GEO التمييز بين ما يمكن ملاحظته فعليًا وما يتم استنتاجه من التجارب. يمكننا ملاحظة أن بعض المواقع تظهر كمصادر في إجابات معينة، كذلك يمكننا مقارنة الاستشهادات بين مجموعة من الاستعلامات،ويمكننا تحليل خصائص المصادر التي تظهر بشكل متكرر، كما يمكننا دراسة الأبحاث المنشورة حول أنظمة الاسترجاع والتوليد ومحركات البحث التوليدية. لكن هذا لا يعني أننا نستطيع من هذه الملاحظات وحدها استخراج معادلة ثابتة أو استنتاج خوارزمية ترتيب المصادر في ChatGPT أو Gemini أو Perplexity. حتى الدراسات التي تبحث في GEO لا ينبغي استخدامها لإثبات قواعد عامة تتجاوز نطاق التجربة التي أجريت فيها. وهذه نقطة مهمة جدًا عند بناء استراتيجية الموقع. لا يجب أن يكون هدفنا البحث عن سر خوارزمية GEO، وإنما تحسين مجموعة من الخصائص التي تجعل المحتوى أكثر فائدة وقابلية للاكتشاف والفهم والاستشهاد، ثم قياس النتائج ومراجعة الاستراتيجية باستمرار. ## 11. ماذا يعني ذلك لصناع المحتوى ومديري المواقع؟ إذا أردنا ترجمة كل ما سبق إلى نتيجة عملية، فإن أهم تغيير في التفكير هو التالي: ضمن بيئة محركات البحث التقليدية، قد يكون السؤال:كيف أجعل هذه الصفحة تظهر في نتيجة البحث؟ أما في GEO بيئة البحث التوليدي، فيضاف إليه سؤال آخر:كيف أجعل هذه الصفحة مصدرًا مفيدًا يمكن اكتشافه واستخدام معلوماته عند الإجابة عن الأسئلة المتعلقة بموضوعها؟ هذا لا يعني كتابة المحتوى للروبوتات بدل البشر. على العكس تمامًا، المحتوى الذي يجيب بوضوح عن سؤال المستخدم، ويقدم معلومات دقيقة ومصادر موثوقة، وينظم أفكاره جيدًا، هو في نفس الوقت المحتوى المفضل للقارئ. وهذا يجعل أفضل الممارسات في بيئة البحث التوليدي في كثير من الحالات امتدادًا منطقيًا لتحسين جودة المحتوى، وليس مجموعة حيل منفصلة عن التحسينات في البحث التقليدي. ## الخلاصة محركات البحث التوليدية لا تكتفي بعرض صفحات الويب للمستخدم، بل تستطيع استخدام المعلومات المسترجعة لتوليد إجابة جديدة ومباشرة. يمكن تبسيط العملية إلى مسار يبدأ بفهم سؤال المستخدم، ثم العثور على المعلومات ذات الصلة، واسترجاع المصادر المناسبة، ومعالجة محتواها، ثم توليد الإجابة وإظهار بعض المصادر أو الاستشهادات المرتبطة بها. لكن العثور على الصفحة لا يعني بالضرورة الاستشهاد بها، وظهورها في استشهاد معين لا يعني وجود عامل واحد محدد جعلها تظهر. اختيار المصادر عملية تعتمد على السياق والسؤال (نية البحث) والنظام ومجموعة المعلومات المتاحة، ولذلك لا توجد حتى الآن وصفة مضمونة يمكن تطبيقها على أي موقع للحصول على استشهادات من محركات الذكاء الاصطناعي. ومن هنا تأتي أهمية GEO، ليس باعتباره طريقة للتحايل على محركات البحث التوليدية، وإنما باعتباره توجهًا لتحسين المحتوى والموقع بحيث يكون أوضح، وأكثر قابلية للاكتشاف والفهم، وأكثر فائدة كمصدر للمعلومات. لكن يبقى السؤال الأكثر أهمية: عندما يجد محرك الذكاء الاصطناعي عشرات المصادر المرتبطة بسؤال واحد، كيف يقرر أيها يستخدم في الإجابة وأيها يظهر كمصدر مستشهد به؟ هذا السؤال يمثل المرحلة التالية في فهم GEO، وهو ما سنتناوله في المقال التالي: كيف تختار محركات الذكاء الاصطناعي المواقع والمصادر التي تستشهد بها.