هل تتنبأ إشارات AEO داخل الموقع بالظهور في إجابات الذكاء الاصطناعي؟ قسنا 62 نشاطًا تجاريًا

لا، ليس في هذه الدراسة. عبر 62 نشاطًا تجاريًا محليًا في اليابان، لم تُظهر نتيجة AEO لدينا داخل الموقع (البيانات المنظمة وllms.txt وإتاحة الوصول للزواحف وإشارات مشابهة) أي علاقة بعدد المرات التي ذكر فيها Perplexity النشاط أو استشهد به عند طلب توصيات: معامل سبيرمان ρ = 0.03 (فاصل ثقة 95%: من −0.23 إلى 0.28، p = 0.834). ومع 62 نشاطًا لم يكن بوسع الدراسة أن تكشف بموثوقية إلا عن ارتباطات تبلغ نحو |ρ| ≥ 0.35، لذا لا يمكن استبعاد وجود علاقة أضعف.

نُشر في 28 أكتوبر 2026. قيست البيانات في 24 أكتوبر 2026. تطوّر Nurevo أدوات AEO، ومنها النتيجة التي اختُبرت هنا؛ راجع قسم «تضارب المصالح لدينا» أدناه.

الملخص

  1. السؤال: هل تظهر الأنشطة التجارية التي تحصل مواقعها على نتيجة أعلى في مقياس Nurevo لقابلية القراءة بالذكاء الاصطناعي (من 0 إلى 100) بصورة أكثر في إجابات الذكاء الاصطناعي عن أسئلة لا تذكرها بالاسم؟
  2. الإجابة: غير مدعومة. ρ = 0.03 إجمالًا، وتبقى 0.03 بعد التعديل حسب القطاع والمدينة.
  3. إجمالًا، ظهرت الأنشطة في 21.0% من الإجابات عن أسئلة الاستكشاف؛ وظهر 25 من أصل 62 نشاطًا مرة واحدة على الأقل.
  4. لم يُظهر أي مكوّن منفرد من مكونات النتيجة (البيانات المنظمة، llms.txt، التغطية وغيرها) علاقة كذلك، بعد التصحيح للاختبارات المتعددة.
  5. ما نستخلصه: تساعد البيانات المنظمة الذكاء الاصطناعي على قراءة معلومات النشاط بشكل صحيح، لكنها وحدها لا تحدد ما إذا كان النشاط سيُذكر. فهناك عوامل أخرى أهم، من المرجح جدًا أن يكون من بينها ما تقوله المواقع الأخرى عن النشاط. وهذه النقطة الأخيرة فرضية لم تختبرها هذه الدراسة.

لماذا أجرينا هذه الدراسة

تقول نصائح AEO (تحسين محركات الإجابة)، ومنها نصائحنا، إن جعل الموقع سهل القراءة للذكاء الاصطناعي (بيانات schema.org المنظمة، وملف llms.txt، والسماح لزواحف الذكاء الاصطناعي بالدخول، والمحتوى المعروض من جهة الخادم) يساعد النشاط التجاري على الظهور في إجابات الذكاء الاصطناعي. وتبيع Nurevo نتيجة مبنية على هذه الإشارات تحديدًا. أردنا دليلًا صادقًا على ما إذا كانت النتيجة تعكس ما يهم أصحاب الأنشطة فعلًا: أن يذكرهم الذكاء الاصطناعي. حددنا الفرضية والتحليل ومعايير القرار قبل جمع أي إجابات، والتزمنا بنشر النتيجة أيًّا كانت.

المنهجية

  1. العينة: 72 نشاطًا تجاريًا محليًا لها مواقع رسمية خاصة بها، اختيرت عبر البحث على الويب (مع استبعاد مواقع البوابات) في 5 قطاعات (عيادات الأسنان، المطاعم، صالونات التجميل، المحاسبون الضريبيون، الإقامة) و4 مدن يابانية (طوكيو، أوساكا، فوكوكا، سابورو). استُبعد 10 منها لتعذّر حساب النتيجة لمواقعها، فبقي 62 نشاطًا للتحليل.
  2. النتيجة: قُيّمت الصفحة الرئيسية وملفا robots.txt وllms.txt لكل موقع بالشيفرة نفسها المستخدمة في نتيجة Nurevo العامة: البيانات المنظمة (30 نقطة)، والتغطية (25)، وسهولة القراءة (20)، وllms.txt (15)، والاتساق (10)، مع بوابة لإتاحة الوصول للزواحف والحجب على مستوى الحافة والعرض من جهة الخادم (يؤدي الإخفاق فيها إلى تحديد النتيجة بحد أقصى 15).
  3. المحرك: Perplexity، عبر Agent API الخاصة به مع الإعداد المسبق «fast» (بحث واحد على الويب ثم إجابة)، وهو المحوّل نفسه الذي تستخدمه خطة Nurevo المدفوعة لقياس الظهور في الذكاء الاصطناعي. محرك واحد فقط؛ راجع القيود.
  4. الأسئلة: ثلاثة أسئلة «استكشافية» لكل نشاط تذكر المنطقة ونوع النشاط دون ذكر النشاط نفسه (مثل: «اقترح طبيب أسنان في Umeda»)، وتشترك فيها كل الأنشطة من القطاع نفسه في المنطقة نفسها، إضافة إلى سؤال واحد «بالاسم» يطلب عنوان النشاط وساعات عمله. طُرح كل سؤال ثلاث مرات.
  5. المخرَج: يُعدّ النشاط «ظاهرًا» في إجابة ما إذا ورد اسمه في الإجابة أو كان نطاقه الخاص ضمن المصادر المستشهد بها. ومعدل الظهور هو نسبة إجابات الاستكشاف التي ظهر فيها.
  6. التحقق من أداة الكشف: في الإجابات عن الأسئلة بالاسم، اكتُشف اسم النشاط في 84.3% من الحالات، وهو أعلى من حد 70% الذي وضعناه للوثوق بأداة الكشف.
  7. التحليل: ارتباط سبيرمان الرتبي مع قيمة p بطريقة التبديل وفاصل ثقة بطريقة bootstrap؛ وارتباط جزئي مع القطاع والمدينة كتأثيرات ثابتة؛ واختبار تبديل داخل الطبقات؛ وانحدار لوجستي مع تأثيرات ثابتة للقطاع والمدينة وتصحيح شبه ثنائي الحد (quasi-binomial)، لأن الإجابات المتكررة عن السؤال نفسه ليست مستقلة. وصُحّحت اختبارات المكونات الستة بطريقة Holm.

حُدد معيار «مدعومة» مسبقًا: ρ ≥ 0.3، وp < 0.05، وفاصل ثقة 95% أعلى من الصفر، وارتباط معدَّل موجب. لم يُخزَّن نص الإجابات؛ بل فقط ما إذا ظهر الاسم، وما إذا استُشهد بالنطاق، وموضع الاستشهاد.

النتائج

الحكم هو «غير مدعومة». فكل اختبار للنتيجة مقابل الظهور يعطي ارتباطًا قريبًا من الصفر:

n = 62 نشاطًا تجاريًا. القياس على Perplexity في 24 أكتوبر 2026.
الاختبارالنتيجةقيمة p
النتيجة مقابل معدل الظهور (سبيرمان ρ، الاختبار الرئيسي)0.03 (فاصل ثقة 95%: من −0.23 إلى 0.28)0.834
الاختبار نفسه بعد التعديل حسب القطاع والمدينة (ارتباط جزئي)0.030.845
الاختبار نفسه، اختبار تبديل داخل الطبقات0.030.829
النتيجة مقابل ظهور الاسم (أسئلة الاستكشاف)−0.040.782
النتيجة مقابل الاستشهاد بموقع النشاط (أسئلة الاستكشاف)0.180.149
النتيجة مقابل الاستشهاد بموقع النشاط (الأسئلة بالاسم)−0.030.813
انحدار لوجستي مع تأثيرات ثابتة للقطاع/المدينة، شبه ثنائي الحد: نسبة الأرجحية لكل +1 انحراف معياري في النتيجة (18.81 نقطة)×1.01 (فاصل ثقة 95%: من 0.62 إلى 1.64)0.972

أكبر معامل، وهو 0.18 بين النتيجة والاستشهاد بموقع النشاط نفسه، لا يمكن تمييزه عن الصفر (p = 0.149) ولا ينبغي تفسيره على أنه نتيجة.

حسب فئة النتيجة

تعرض Nurevo النتيجة باللون الأحمر أو الأصفر أو الأخضر. كانت معظم المواقع في العينة حمراء، ولم يصل أي منها إلى الأخضر، لذا لا تقول هذه الدراسة شيئًا عن النتائج المرتفعة جدًا.

الفئةالأنشطةمتوسط معدل الظهورظهر مرة واحدة على الأقل
أحمر5420.8%22
أصفر822.2%3
أخضر0--

حسب مكونات النتيجة

لم يرتبط أي من مكونات النتيجة بالظهور. بعد تصحيح Holm، كانت كل قيم p تساوي 1.000. وكانت هذه الاختبارات استكشافية.

قيمة p بعد تصحيح Holm = 1.000 لكل مكوّن.
المكوّنسبيرمان ρ مع معدل الظهور
البيانات المنظمة (schema)0.08
التغطية0.12
سهولة القراءة−0.17
llms.txt−0.02 (نسبة الأرجحية 1.41، فاصل ثقة 95%: من 0.79 إلى 2.52)
الاتساق0.06
البوابة (إتاحة الوصول للزواحف، الحافة، العرض من جهة الخادم)اجتاز 61: ظهور 21.3%؛ أخفق 1: 0%

حسب القطاع والمدينة

تفاوت الظهور حسب القطاع والمدينة أكثر من تفاوته حسب النتيجة. هذه أرقام وصفية من مجموعات صغيرة، وليست فروقًا مختبرة.

تغطي صفوف القطاعات وصفوف المدن كلٌّ منها الأنشطة الـ62 نفسها.
المجموعةالأنشطةمتوسط النتيجةمعدل الظهور
المحاسبون الضريبيون1327.9210.3%
الإقامة1321.0823.9%
عيادات الأسنان1340.1525.6%
صالونات التجميل824.258.3%
المطاعم1524.2030.4%
أوساكا1526.2715.6%
سابورو1729.419.8%
طوكيو1525.5331.1%
فوكوكا1529.2728.9%

القيود

  1. دراسة مقطعية: قياس واحد لمواقع كثيرة يُظهر ارتباطًا لا سببية. ولمعرفة ما إذا كان تحسين الموقع يغيّر ظهوره، يلزم إجراء دراسة قبل وبعد على المواقع نفسها.
  2. القوة الإحصائية: مع 62 نشاطًا، كثيرًا ما سيفوتنا ارتباط أضعف من نحو |ρ| = 0.35. كما أن الأنشطة في المنطقة والقطاع نفسيهما تتشارك الإجابات نفسها، لذا فالعينة الفعلية أصغر من ذلك. و«لم يُعثر عليه» هنا لا تعني «غير موجود».
  3. محرك واحد وأسبوع واحد: Perplexity مع الإعداد المسبق «fast»، بقياس في 24 أكتوبر 2026. يستخدم ChatGPT وGemini وAI Overviews من Google وCopilot فهارس بحث ونماذج مختلفة؛ ولا تنطبق هذه النتائج عليها.
  4. عوامل مُربِكة غير مرصودة: لم تُقَس المراجعات، ولا شهرة العلامة التجارية، ولا الإعلانات، ولا سنوات النشاط، ولا الإدراج في مواقع أخرى. ولم يُعدَّل إلا حسب القطاع والمدينة.
  5. العينة: عُثر على الأنشطة عبر البحث على الويب، لذا تميل نحو الأنشطة التي يسهل العثور عليها أصلًا. لم يحصل أي موقع على اللون الأخضر. وقد لا تمثّل 5 قطاعات و4 مدن في اليابان قطاعات أو مناطق أو لغات أخرى.

ماذا يعني ذلك لموقع نشاطك التجاري

لا تزال البيانات المنظمة وllms.txt وإتاحة الوصول للزواحف تؤدي دورًا: فهي تتيح للذكاء الاصطناعي قراءة معلومات النشاط (العنوان، ساعات العمل، رقم الهاتف، الخدمات) مباشرة وبدقة بدلًا من التخمين. وهذا دور يستحق القيام به، لكنه يختلف عن دور الحصول على توصية. ففي هذه الدراسة، لم يكن الموقع الأفضل قراءةً هو الأكثر ذكرًا.

فرضيتنا العملية هي أن المصادر خارج الموقع (قوائم المراجعات والخرائط، ووسائل الإعلام المحلية، والأدلة، والمواقع الأخرى التي تذكر النشاط) لها وزن كبير في ما إذا كان الذكاء الاصطناعي يذكر نشاطًا ما عند الإجابة عن سؤال توصية. لم تقِس هذه الدراسة تلك المصادر، لذا فهذه فرضية تحتاج إلى اختبار، وليست نتيجة.

عمليًا: حافظ على سلامة الأساسيات داخل الموقع لأنها تجعل ما يقوله الذكاء الاصطناعي عنك دقيقًا، وقِس ما إذا كان الذكاء الاصطناعي يذكرك فعلًا بدلًا من استنتاج ذلك من نتيجة قابلية القراءة.

تضارب المصالح لدينا وما نغيّره

تطوّر Nurevo أدوات AEO، والنتيجة المختبرة هنا أحد منتجاتنا. إن نتيجة تفيد بأن هذا المقياس لا يتنبأ بالظهور ليست ما كنا سنختاره، ونحن ننشرها لأن المعايير حُددت قبل وصول البيانات، ولأن من حق أصحاب الأنشطة أن يعرفوا ما يمكن للنتيجة أن تخبرهم به وما لا يمكنها.

ما نفعله حيال ذلك: لا نقدّم نتيجة قابلية القراءة بالذكاء الاصطناعي على أنها أداة للتنبؤ بالظهور في إجابات الذكاء الاصطناعي. بل نقيس الظهور مباشرة: إذ تقيس خطة Pro عدد المرات التي يذكر فيها Perplexity موقعًا أو يستشهد به (نسخة تجريبية)، ونضيف فحصًا شهريًا مصغّرًا للظهور لمواقع خطتي Free وStandard. كما نطوّر إصدارًا ثانيًا من النتيجة يمزج الظهور المقيس في الذكاء الاصطناعي مع الإشارات داخل الموقع، بدلًا من الاعتماد على الإشارات داخل الموقع وحدها.

لا تُنشر أسماء الأنشطة التي قيست ولا مواقعها الإلكترونية.

الأسئلة الشائعة

هل تجعل البيانات المنظمة الذكاء الاصطناعي يذكر نشاطي التجاري؟

في هذه الدراسة التي شملت 62 نشاطًا تجاريًا محليًا على Perplexity، لم نجد أي علاقة بين الإشارات داخل الموقع مثل البيانات المنظمة وعدد مرات ذكر النشاط (ρ = 0.03). تساعد البيانات المنظمة الذكاء الاصطناعي على قراءة معلوماتك بشكل صحيح، لكنها وحدها لم تتنبأ بالذكر.

هل يساعد llms.txt النشاط التجاري على الظهور في إجابات الذكاء الاصطناعي؟

لم نجد علاقة في هذه الدراسة: ρ = −0.02 بين مكوّن llms.txt ومعدل الظهور (قيمة p بعد تصحيح Holm = 1.000). كانت الدراسة صغيرة واستخدمت محركًا واحدًا، لذا فهذا ليس دليلًا على أن llms.txt لا أهمية له أبدًا.

هل يعني هذا أن AEO بلا فائدة؟

لا. فـAEO داخل الموقع يجعل ما يقوله الذكاء الاصطناعي عن النشاط دقيقًا. وتشير هذه الدراسة إلى أنه لا يكفي وحده للحصول على توصية، وأن الذكر ينبغي قياسه مباشرة بدلًا من استنتاجه من نتيجة قابلية القراءة.

ما محرك الذكاء الاصطناعي الذي جرى قياسه؟

Perplexity فقط، عبر Agent API الخاصة به مع الإعداد المسبق «fast»، في 24 أكتوبر 2026. ولا تنطبق النتائج على ChatGPT أو Gemini أو AI Overviews من Google أو Copilot.