آیا سیگنال‌های AEO درون سایت، حضور در پاسخ‌های هوش مصنوعی را پیش‌بینی می‌کنند؟ 62 کسب‌وکار را اندازه گرفتیم

نه، دست‌کم در این مطالعه نه. در میان 62 کسب‌وکار محلی در ژاپن، امتیاز AEO درون سایت ما (داده ساختاریافته، llms.txt، دسترسی خزنده‌ها و سیگنال‌های مشابه) هیچ رابطه‌ای با دفعاتی که Perplexity هنگام درخواست پیشنهاد، نام یک کسب‌وکار را آورد یا به آن استناد کرد نشان نداد: ρ اسپیرمن = 0.03 (بازه اطمینان 95%: −0.23 تا 0.28، p = 0.834). با 62 کسب‌وکار، این مطالعه تنها می‌توانست همبستگی‌هایی در حدود |ρ| ≥ 0.35 را به‌طور قابل‌اتکا تشخیص دهد؛ بنابراین نمی‌توان رابطه‌ای ضعیف‌تر را رد کرد.

تاریخ انتشار: 28 اکتبر 2026. تاریخ اندازه‌گیری داده‌ها: 24 اکتبر 2026. Nurevo ابزارهای AEO می‌سازد، از جمله امتیازی که در اینجا آزموده شده است؛ بخش «تعارض منافع ما» را در ادامه ببینید.

خلاصه

  1. پرسش: آیا کسب‌وکارهایی که وب‌سایتشان در امتیاز خوانایی برای هوش مصنوعی Nurevo (0 تا 100) نمره بالاتری می‌گیرد، در پاسخ‌های هوش مصنوعی به پرسش‌هایی که نامشان را نمی‌برند بیشتر ظاهر می‌شوند؟
  2. پاسخ: تأیید نشد. ρ = 0.03 در کل، و پس از تعدیل بر اساس صنعت و شهر نیز همچنان 0.03.
  3. در مجموع، کسب‌وکارها در 21.0% از پاسخ‌ها به پرسش‌های اکتشافی ظاهر شدند؛ 25 کسب‌وکار از 62 دست‌کم یک بار ظاهر شدند.
  4. هیچ‌یک از اجزای امتیاز (داده ساختاریافته، llms.txt، پوشش و غیره) نیز پس از اصلاح برای آزمون‌های چندگانه رابطه‌ای نشان نداد.
  5. برداشت ما: داده ساختاریافته به هوش مصنوعی کمک می‌کند اطلاعات کسب‌وکار را درست بخواند، اما به‌تنهایی تعیین نمی‌کند که از کسب‌وکار نام برده شود یا نه. عوامل دیگری اهمیت بیشتری دارند که به احتمال زیاد یکی از آن‌ها چیزی است که سایت‌های دیگر درباره کسب‌وکار می‌گویند. این نکته آخر فرضیه‌ای است که این مطالعه آن را نیازمود.

چرا این مطالعه را انجام دادیم

توصیه‌های AEO (بهینه‌سازی برای موتورهای پاسخ)، از جمله توصیه‌های خود ما، می‌گویند که خوانا کردن وب‌سایت برای هوش مصنوعی (داده ساختاریافته schema.org، فایل llms.txt، اجازه ورود به خزنده‌های هوش مصنوعی، محتوای رندرشده در سمت سرور) به دیده شدن کسب‌وکار در پاسخ‌های هوش مصنوعی کمک می‌کند. Nurevo امتیازی می‌فروشد که دقیقاً بر پایه همین سیگنال‌ها ساخته شده است. می‌خواستیم شواهدی صادقانه به دست آوریم که آیا این امتیاز با چیزی که واقعاً برای صاحبان کسب‌وکار مهم است، یعنی نام برده شدن توسط هوش مصنوعی، هم‌خوانی دارد یا نه. فرضیه، روش تحلیل و معیارهای تصمیم را پیش از گردآوری هر پاسخی تعیین کردیم و متعهد شدیم نتیجه را در هر حالت منتشر کنیم.

روش

  1. نمونه: 72 کسب‌وکار محلی دارای وب‌سایت رسمی خود، که از طریق جست‌وجوی وب (بدون سایت‌های پورتال) در 5 صنعت (کلینیک‌های دندان‌پزشکی، رستوران‌ها، سالن‌های زیبایی، مشاوران مالیاتی، اقامتگاه‌ها) و 4 شهر ژاپن (توکیو، اوساکا، فوکوئوکا، ساپورو) انتخاب شدند. 10 مورد به این دلیل کنار گذاشته شدند که امتیاز سایتشان قابل محاسبه نبود و 62 مورد برای تحلیل باقی ماند.
  2. امتیاز: صفحه اصلی، robots.txt و llms.txt هر سایت با همان کدی امتیازدهی شد که امتیاز عمومی Nurevo از آن استفاده می‌کند: داده ساختاریافته (30 امتیاز)، پوشش (25)، خوانایی (20)، llms.txt (15) و سازگاری (10)، به‌همراه یک دروازه برای دسترسی خزنده‌ها، مسدودسازی در لبه شبکه و رندر سمت سرور (رد شدن در آن، امتیاز را حداکثر به 15 محدود می‌کند).
  3. موتور: Perplexity، از طریق Agent API آن با پیش‌تنظیم «fast» (یک جست‌وجوی وب و سپس پاسخ)، همان آداپتوری که طرح پولی Nurevo برای سنجش دیده شدن در هوش مصنوعی به کار می‌برد. فقط یک موتور؛ بخش محدودیت‌ها را ببینید.
  4. پرسش‌ها: سه پرسش «اکتشافی» برای هر کسب‌وکار که منطقه و نوع کسب‌وکار را نام می‌برند اما نه خود کسب‌وکار را (مثلاً «یک دندان‌پزشک در Umeda پیشنهاد بده»)، و میان همه کسب‌وکارهای یک صنعت در یک منطقه مشترک‌اند، به‌علاوه یک پرسش «با نام» که نشانی و ساعات کاری کسب‌وکار را می‌پرسد. هر پرسش سه بار پرسیده شد.
  5. پیامد: یک کسب‌وکار در پاسخی «ظاهر شده» به شمار می‌آمد اگر نامش در پاسخ آمده بود یا دامنه خودش جزو منابع مورد استناد بود. نرخ حضور، سهم پاسخ‌های اکتشافی است که کسب‌وکار در آن‌ها ظاهر شده است.
  6. بررسی آشکارساز: در پاسخ‌ها به پرسش‌های با نام، نام کسب‌وکار در 84.3% موارد شناسایی شد، که بالاتر از آستانه 70% است که برای اعتماد به آشکارساز تعیین کرده بودیم.
  7. تحلیل: همبستگی رتبه‌ای اسپیرمن با مقدار p جایگشتی و بازه اطمینان bootstrap؛ همبستگی جزئی با صنعت و شهر به‌عنوان اثرات ثابت؛ آزمون جایگشتی درون طبقات؛ و رگرسیون لجستیک با اثرات ثابت صنعت و شهر و اصلاح شبه‌دوجمله‌ای (quasi-binomial)، زیرا پاسخ‌های تکراری به یک پرسش مستقل نیستند. شش آزمون اجزا با روش Holm اصلاح شدند.

معیار «تأیید شد» از پیش تعیین شده بود: ρ ≥ 0.3، p < 0.05، بازه اطمینان 95% بالاتر از صفر، و همبستگی تعدیل‌شده مثبت. متن پاسخ‌ها ذخیره نشد؛ فقط اینکه نام آمده بود یا نه، دامنه مورد استناد بود یا نه، و جایگاه استناد.

نتایج

حکم نهایی «تأیید نشد» است. هر آزمونِ امتیاز در برابر حضور، همبستگی‌ای نزدیک به صفر به دست می‌دهد:

n = 62 کسب‌وکار. اندازه‌گیری‌شده در Perplexity در 24 اکتبر 2026.
آزموننتیجهمقدار p
امتیاز در برابر نرخ حضور (ρ اسپیرمن، اصلی)0.03 (بازه اطمینان 95%: −0.23 تا 0.28)0.834
همان، تعدیل‌شده بر اساس صنعت و شهر (همبستگی جزئی)0.030.845
همان، آزمون جایگشتی درون طبقات0.030.829
امتیاز در برابر آمدن نام (پرسش‌های اکتشافی)−0.040.782
امتیاز در برابر استناد به سایت خود کسب‌وکار (پرسش‌های اکتشافی)0.180.149
امتیاز در برابر استناد به سایت خود کسب‌وکار (پرسش‌های با نام)−0.030.813
رگرسیون لجستیک با اثرات ثابت صنعت/شهر، شبه‌دوجمله‌ای: نسبت شانس به‌ازای هر +1 انحراف معیار امتیاز (18.81 امتیاز)×1.01 (بازه اطمینان 95%: 0.62 تا 1.64)0.972

بزرگ‌ترین ضریب، یعنی 0.18 میان امتیاز و استناد به سایت خود کسب‌وکار، از صفر قابل تمایز نیست (p = 0.149) و نباید آن را یک یافته تلقی کرد.

بر اساس بازه امتیاز

Nurevo امتیاز را به رنگ قرمز، زرد یا سبز نشان می‌دهد. بیشتر سایت‌های نمونه قرمز بودند و هیچ‌کدام به سبز نرسیدند؛ بنابراین این مطالعه درباره امتیازهای بسیار بالا چیزی نمی‌گوید.

بازهکسب‌وکارهامیانگین نرخ حضوردست‌کم یک بار ظاهر شده
قرمز5420.8%22
زرد822.2%3
سبز0--

بر اساس اجزای امتیاز

هیچ‌یک از اجزای امتیاز با حضور رابطه نداشت. پس از اصلاح Holm، همه مقادیر p برابر 1.000 هستند. این آزمون‌ها اکتشافی بودند.

مقدار p اصلاح‌شده با Holm برای همه اجزا = 1.000.
جزءρ اسپیرمن با نرخ حضور
داده ساختاریافته (schema)0.08
پوشش0.12
خوانایی−0.17
llms.txt−0.02 (نسبت شانس 1.41، بازه اطمینان 95%: 0.79 تا 2.52)
سازگاری0.06
دروازه (دسترسی خزنده‌ها، لبه شبکه، رندر سمت سرور)61 قبول: حضور 21.3%؛ 1 رد: 0%

بر اساس صنعت و شهر

حضور بیشتر بر اساس صنعت و شهر تغییر می‌کرد تا بر اساس امتیاز. این‌ها ارقام توصیفی از گروه‌های کوچک‌اند، نه تفاوت‌های آزموده‌شده.

ردیف‌های صنعت و ردیف‌های شهر هر کدام همان 62 کسب‌وکار را پوشش می‌دهند.
گروهکسب‌وکارهامیانگین امتیازنرخ حضور
مشاوران مالیاتی1327.9210.3%
اقامتگاه‌ها1321.0823.9%
کلینیک‌های دندان‌پزشکی1340.1525.6%
سالن‌های زیبایی824.258.3%
رستوران‌ها1524.2030.4%
اوساکا1526.2715.6%
ساپورو1729.419.8%
توکیو1525.5331.1%
فوکوئوکا1529.2728.9%

محدودیت‌ها

  1. مقطعی: یک بار اندازه‌گیری از سایت‌های متعدد، هم‌بستگی را نشان می‌دهد نه علیت را. برای اینکه بدانیم بهبود یک سایت حضور آن را تغییر می‌دهد یا نه، به مطالعه‌ای پیش و پس از تغییر روی همان سایت‌ها نیاز است.
  2. توان آماری: با 62 کسب‌وکار، همبستگی ضعیف‌تر از حدود |ρ| = 0.35 اغلب از دید پنهان می‌ماند. کسب‌وکارهای یک منطقه و یک صنعت پاسخ‌های یکسانی دارند، پس نمونه مؤثر از این هم کوچک‌تر است. «پیدا نشد» در اینجا به معنای «وجود ندارد» نیست.
  3. یک موتور، یک هفته: Perplexity با پیش‌تنظیم «fast»، اندازه‌گیری‌شده در 24 اکتبر 2026. ChatGPT، Gemini، AI Overviews گوگل و Copilot از نمایه‌های جست‌وجو و مدل‌های متفاوتی استفاده می‌کنند؛ این نتایج به آن‌ها تعمیم نمی‌یابد.
  4. متغیرهای مخدوش‌کننده مشاهده‌نشده: نظرات کاربران، شناخت برند، تبلیغات، سابقه فعالیت و درج در سایت‌های دیگر اندازه‌گیری نشدند. تنها صنعت و شهر تعدیل شدند.
  5. نمونه: کسب‌وکارها از طریق جست‌وجوی وب پیدا شدند، بنابراین به سمت کسب‌وکارهایی که از قبل به‌راحتی پیدا می‌شوند گرایش دارند. هیچ سایتی امتیاز سبز نگرفت. 5 صنعت و 4 شهر در ژاپن ممکن است نماینده صنایع، مناطق یا زبان‌های دیگر نباشند.

این برای وب‌سایت کسب‌وکار شما چه معنایی دارد

داده ساختاریافته، llms.txt و دسترسی خزنده‌ها همچنان کاری انجام می‌دهند: به هوش مصنوعی امکان می‌دهند اطلاعات کسب‌وکار (نشانی، ساعات کاری، شماره تلفن، خدمات) را مستقیم و دقیق بخواند، نه اینکه حدس بزند. این کار ارزش انجامش را دارد، اما با پیشنهاد شدن متفاوت است. در این مطالعه، سایتی که بهتر خوانده می‌شد، سایتی نبود که بیشتر از آن نام برده شود.

فرضیه کاری ما این است که منابع بیرون از وب‌سایت (فهرست‌های نظرات و نقشه، رسانه‌های محلی، دایرکتوری‌ها، سایت‌های دیگری که از کسب‌وکار نام می‌برند) در اینکه هوش مصنوعی هنگام پاسخ به یک پرسش پیشنهادی نام کسب‌وکاری را بیاورد یا نه، وزن زیادی دارند. این مطالعه آن منابع را اندازه نگرفت؛ پس این فرضیه‌ای برای آزمودن است، نه یک نتیجه.

در عمل: اصول پایه درون سایت را مرتب نگه دارید، چون باعث می‌شوند آنچه هوش مصنوعی درباره شما می‌گوید دقیق باشد، و به‌جای استنباط از یک امتیاز خوانایی، اندازه بگیرید که آیا هوش مصنوعی واقعاً از شما نام می‌برد یا نه.

تعارض منافع ما و آنچه تغییر می‌دهیم

Nurevo ابزارهای AEO می‌سازد و امتیازی که در اینجا آزموده شد یکی از محصولات ماست. نتیجه‌ای که نشان می‌دهد این امتیاز حضور را پیش‌بینی نمی‌کند، نتیجه‌ای نیست که خودمان انتخاب می‌کردیم؛ آن را منتشر می‌کنیم چون معیارها پیش از رسیدن داده‌ها تعیین شده بودند و چون صاحبان کسب‌وکار باید بدانند یک امتیاز چه چیزی را می‌تواند و چه چیزی را نمی‌تواند به آن‌ها بگوید.

اقدام ما: امتیاز خوانایی برای هوش مصنوعی را به‌عنوان پیش‌بینی‌کننده حضور در پاسخ‌های هوش مصنوعی معرفی نمی‌کنیم. در عوض، حضور را مستقیم اندازه می‌گیریم: طرح Pro اندازه می‌گیرد که Perplexity چند وقت یک بار از یک سایت نام می‌برد یا به آن استناد می‌کند (بتا)، و یک بررسی ماهانه کوچک حضور را برای سایت‌های Free و Standard اضافه می‌کنیم. همچنین در حال توسعه نسخه دومی از امتیاز هستیم که دیده شدن اندازه‌گیری‌شده در هوش مصنوعی را با سیگنال‌های درون سایت ترکیب می‌کند، به‌جای اینکه فقط به سیگنال‌های درون سایت تکیه کند.

نام و وب‌سایت کسب‌وکارهای اندازه‌گیری‌شده منتشر نمی‌شود.

پرسش‌های متداول

آیا داده ساختاریافته باعث می‌شود هوش مصنوعی از کسب‌وکار من نام ببرد؟

در این مطالعه روی 62 کسب‌وکار محلی در Perplexity، هیچ رابطه‌ای میان سیگنال‌های درون سایت مانند داده ساختاریافته و دفعات نام برده شدن یک کسب‌وکار یافت نشد (ρ = 0.03). داده ساختاریافته به هوش مصنوعی کمک می‌کند اطلاعات شما را درست بخواند، اما به‌تنهایی نام برده شدن را پیش‌بینی نکرد.

آیا llms.txt به حضور کسب‌وکار در پاسخ‌های هوش مصنوعی کمک می‌کند؟

در این مطالعه رابطه‌ای نیافتیم: ρ = −0.02 میان جزء llms.txt و نرخ حضور (مقدار p اصلاح‌شده با Holm = 1.000). مطالعه کوچک بود و فقط از یک موتور استفاده کرد؛ پس این اثباتی بر بی‌اهمیت بودن همیشگی llms.txt نیست.

آیا این یعنی AEO بی‌فایده است؟

نه. AEO درون سایت باعث می‌شود آنچه هوش مصنوعی درباره یک کسب‌وکار می‌گوید دقیق باشد. این مطالعه نشان می‌دهد که برای پیشنهاد شدن کافی نیست و نام برده شدن را باید مستقیم اندازه گرفت، نه اینکه از یک امتیاز خوانایی استنباط کرد.

کدام موتور هوش مصنوعی اندازه‌گیری شد؟

فقط Perplexity، از طریق Agent API آن با پیش‌تنظیم «fast»، در 24 اکتبر 2026. نتایج به ChatGPT، Gemini، AI Overviews گوگل یا Copilot تعمیم نمی‌یابد.