בקצרה: נראות בתשובות AI היא לא בעיה אחת אלא שלוש, וכל אחת יושבת בשכבה אחרת. בשכבה הראשונה השאלה היא אם המודל מצליח בכלל לשלוף את התוכן שלכם. בשכבה השנייה השאלה היא אם הוא מזהה אתכם כישות ברורה בתחום שלכם. בשכבה השלישית השאלה היא מה יודעים עליכם סוכני ה-AI שפועלים בתוך הארגונים של הלקוחות שלכם. כתיבת עוד תוכן עוזרת רק בחלק מהשכבה הראשונה, ולכן היא לא פותרת את רוב המקרים.
תרחיש שחוזר אצלנו בפגישות: חברת תוכנה ישראלית שמוכרת לעסקים מגלה שכשמבקשים מ-ChatGPT או מ-Perplexity להמליץ על פתרונות בתחום שלה, היא לא מופיעה, והמתחרה שלה כן. ההחלטה המהירה היא להגדיל את קצב הבלוג. אחרי רבעון יש עשרים מאמרים חדשים, והתשובות של ה-AI כמעט לא השתנו. הכסף לא בוזבז כי התוכן גרוע. הוא בוזבז כי הבעיה לא הייתה בתוכן.
שלוש שכבות, שלוש שאלות אבחון
לפני שמחליטים מה לעשות, צריך לדעת איפה הנראות נשברת. הטבלה הבאה מסכמת את שלוש השכבות:
| שכבה | שאלת האבחון | סימן לבעיה | מי מטפל |
|---|---|---|---|
| שליפה | האם המודל מצליח לקרוא ולשלוף את העמודים שלנו? | העמודים לא מצוטטים גם כשהשאלה ספציפית מאוד | שיווק יחד עם פיתוח ו-IT |
| ישות | האם המודל יודע מי אנחנו ובאיזו קטגוריה אנחנו? | המודל מתבלבל, מתאר אתכם לא נכון או מערבב אתכם עם מותג אחר | שיווק |
| הקשר ארגוני | מה מוצא סוכן AI בתוך הארגון של הלקוח כשהוא בודק אותנו? | קשה למדוד ישירות. מתגלה כשמכרזים או השוואות ספקים נסגרים בלעדיכם | שיווק ומכירות, עם השפעה עקיפה בלבד |
שכבה ראשונה: האם המודל בכלל מגיע לתוכן שלכם
כשמנוע AI עונה על שאלה עם מידע עדכני, הוא שולף קטעים ממקורות חיצוניים ובונה מהם תשובה. זו השכבה שעליה רוב הדיון ב-GEO מתמקד, והיא דומה מאוד לעבודת SEO קלאסית: עמודים שנסרקים, HTML נקי, תשובות שעומדות בפני עצמן.
דברים שכדאי לבדוק כבר השבוע:
- האם קובץ robots.txt או חומת האש חוסמים בוטים של מנועי AI. בכמה ספקי CDN החסימה הזו הפכה לברירת מחדל, ובעלי אתרים לא תמיד יודעים שהיא קיימת.
- האם התוכן החשוב נטען רק אחרי JavaScript. סורק שלא מריץ JS יראה עמוד ריק.
- האם לכל עמוד שירות יש פסקה שעונה ישירות על השאלה המרכזית, בלי שהקורא צריך לגלול.
- האם העמודים בעברית מסומנים נכון בשפה ובכיוון, ולא יושבים תחת כתובות עם פרמטרים כפולים.
לרוב הבעיות האלה יש פתרון טכני, ולכן הן עניין לקידום טכני יותר מאשר לכתיבה. אבל לשכבה הזו יש גבול: היא שולפת קטעים שנראים רלוונטיים, ולא תמיד מבינה איך הם קשורים זה לזה. כשהשאלה רחבה, כמו "מי הספקים המובילים בתחום", המודל צריך לדעת מי אתם, לא רק למצוא טקסט שלכם.
שכבה שנייה: האם המודל יודע מי אתם
כאן נכנסים גרפי הידע. גוגל, מיקרוסופט והגרף הפתוח שנבנה סביב Wikidata ו-schema.org מחזיקים ייצוג של עסקים כישויות: שם, קטגוריה, מיקום, קשרים לישויות אחרות. מותג שמוגדר היטב בשכבה הזו מצוטט בעקביות. מותג שמופיע ברשת כאוסף של מחרוזות לא עקביות נאלץ להתחרות על כל תשובה מחדש.
לעסקים בישראל יש כאן אתגר ייחודי: השם מופיע לפעמים בעברית, לפעמים באנגלית, ולפעמים בתעתיק שלישי. "אלפא מערכות", "Alpha Systems" ו"אלפא סיסטמס" עלולים להיראות למודל כשלושה עסקים שונים. מה שעובד בשכבה הזו:
- שם אחיד וקבוע בכל מקום, וקביעה מראש איך כותבים אותו בעברית ובאנגלית.
- סימון Organization באתר עם קישורי sameAs לפרופילים הרשמיים. אם זה חדש לכם, כדאי לקרוא את המדריך שלנו על נתונים מובנים.
- פרופיל עסקי בגוגל, דפי חברה ואינדקסים מקצועיים עם אותם פרטים בדיוק.
- אזכורים של המותג בהקשר הנכון באתרים שהתחום שלכם סומך עליהם, גם בלי קישור.
שימו לב: לכתוב עוד מאמרים כמעט לא עוזר כאן. אם ההגדרה של הישות מטושטשת, כל תוכן חדש רק מוסיף עוד חומר שהמודל לא יודע לשייך. בדקנו את התופעה הזו גם בניתוח של סקירות AI בחיפושי שמות מותגים, ושם רואים כמה מהר המודל ממלא חורים בתיאור של מותג במידע מאתרים אחרים.
שכבה שלישית: מה מוצא עליכם הסוכן של הלקוח
השכבה הזו חדשה יחסית ורוב אנשי השיווק עוד לא נתקלו בה. ארגונים גדולים מתחילים לבנות "גרפי הקשר": מבנה דומה לגרף ידע, אבל כזה שמתאר את הנתונים, המדיניות, ההחלטות והספקים של הארגון עצמו. עליו פועלים סוכני AI פנימיים, למשל סוכן רכש שממיין הצעות ספקים או סוכן שמשווה בין פתרונות.
לפי תחזית של Gartner, עד סוף 2026 כ-40% מהאפליקציות הארגוניות ישולבו עם סוכני AI ייעודיים, לעומת פחות מ-5% ב-2025. לחברת B2B ישראלית שמוכרת לבנקים, לחברות ביטוח או לרשתות קמעונאות, המשמעות היא שבחלק מהמקרים ההחלטה הראשונית עליכם תתקבל על ידי סוכן שקורא את מה שנקלט לתוך המערכות של הלקוח.
אין לכם גישה לגרף הזה, אבל יש לכם השפעה על מה שנכנס אליו:
- עקביות בין המסמכים: המצגת, מסמך המפרט, הצעת המחיר ועמוד המוצר באתר צריכים לתאר את אותו מוצר באותם מונחים. סתירות ביניהם יוצרות ייצוג עמום.
- עובדות ניתנות לאימות: תקנים, אישורים, לקוחות לדוגמה ותאריכים, כתובים במפורש ולא כסיסמאות.
- אותות מצד שלישי: מה שכתוב עליכם באתרי השוואה, ביקורות וכתבות. אם המידע הזה דליל או סותר, לסוכן אין על מה להישען.
מה שמעניין הוא שהעבודה בשכבה השלישית היא בעיקר תוצאה של עבודה טובה בשכבה השנייה. אם הישות שלכם ברורה ועקבית ברשת, היא תגיע ברורה גם לתוך המערכות של הלקוח.
איך מאבחנים באיזו שכבה הבעיה שלכם
אפשר לעשות בדיקה ראשונית בחצי שעה, בלי כלים מיוחדים:
- שאלו את ChatGPT, Gemini ו-Perplexity שאלה ספציפית מאוד שרק עמוד אחד שלכם עונה עליה. אם הוא לא מצוטט, חשדו בשכבת השליפה.
- שאלו "מה זה [שם החברה]" בעברית ובאנגלית. אם התשובה שגויה, חלקית או מערבבת אתכם עם מישהו אחר, הבעיה בשכבת הישות.
- שאלו "מי הספקים המובילים ב[קטגוריה] בישראל". אם אתם לא שם אבל שתי הבדיקות הקודמות עברו, כנראה שחסרים לכם אותות מצד שלישי ואזכורים.
- שאלו אנשי מכירות אילו מסמכים הלקוחות מבקשים, ובדקו אם הם עקביים עם האתר.
מי אחראי על מה בארגון
חלק גדול מהבעיה ארגוני. שכבת השליפה משותפת לשיווק, לפיתוח ול-IT, ולכן לפעמים אף אחד לא מרגיש שהיא שלו. שכבת הישות היא באמת התחום של השיווק, והיא דורשת עבודה סבלנית שמצטברת לאורך זמן. השכבה השלישית יושבת אצל הלקוח, וההשפעה עליה עוברת דרך שיווק ומכירות יחד.
רוב הצוותים שאנחנו פוגשים משקיעים כמעט הכול בתוכן באתר, מזניחים את הגדרת הישות, ולא מדברים בכלל על השכבה השלישית. החלוקה הנכונה של מאמץ מתחילה באבחון, לא בלוח תוכן.
שאלות נפוצות
אם אני מופיע טוב בגוגל, האם אני מופיע טוב גם ב-AI?
לא בהכרח. דירוג טוב עוזר בשכבת השליפה, אבל לא מבטיח שהמודל מזהה אתכם כישות ברורה או שהוא יבחר בכם כשהשאלה רחבה.
האם צריך ערך ב-Wikidata?
זה יכול לעזור לעסקים שעומדים בדרישות הבולטות של האתר, אבל זה לא תנאי. עקביות של השם והפרטים בכל הפרופילים הרשמיים חשובה יותר.
איך אפשר למדוד את השכבה השלישית?
ישירות כמעט שאי אפשר. מה שאפשר לעשות הוא לעקוב אחרי שאלות של לקוחות בתהליכי רכש, ולבדוק אם המידע שהם מצטטים עליכם תואם את מה שאתם מפרסמים.
רוצים לדעת באיזו שכבה הנראות שלכם נשברת? בשירות קידום GEO אנחנו מתחילים מאבחון של שלוש השכבות ורק אחר כך בונים תוכנית עבודה.
