איך קורנית דיגיטל הגדילה את כמות האזכורים והתנועה ממנועי AI ב-120% תוך 6 חודשים

בהמשך למחקר מקיף שצוות החיפוש באנגורה מדיה עשה יחד עם קורנית דיגיטל, יצאה לפועל אסטרטגייה מקיפה לקידום במנועי AI שהותאמה לאופן שבו מודלי שפה גדולים (LLMs) מאתרים, מדרגים ומייצרים מידע.

באמצעות Chatoptic, תוכנה מובילה לניטור מותגים ב-AI, מדדנו את נוכחות המותג במנועים גנרטיביים כמו ChatGPT, Gemini ו-Claude, ושילבנו בין מחקר פרומפטים רלוונטיים, התאמות תוכן, התאמות טכנית ושיפור הנראות של המותג במקורות סמכותיים חיצוניים (אזכורי מותג).

שלב 1: מחקר פרומפטים ומיפוי מתחרים

התחלנו במחקר מעמיק של פרומפטים תוך שימוש בטכניקת Query Fan-Out, במסגרתה הרחבנו פרומפטים מרכזיים לנוסחים מגוונים שמייצגים כוונות של משתמשים (Intent), תחומים וסגנונות שפה שונים.

הטכניקה הזו מחקה את הדרך שבה מודלי שפה גדולים מאומנים ומבינים הקשרים: הם לומדים ממגוון רחב של שאלות דומות סמנטית בהקשרים שונים. על ידי כיסוי רחב של גיוון פרומפטים מהעולם האמיתי, הגדלנו משמעותית את הסיכוי להתאמה לדפוסי אימון ושליפה, מה שמעלה את הסיכוי שהמותג יופיע בתשובות שנוצרות.

לאחר מכן ניתחנו כיצד מודלי השפה מגיבים לפרומפטים האלה, והאם הלקוח או המתחרים הם אלו שמוזכרים בתשובות. מהניתוח הזה בנינו מטריצת נוכחות ראשונית שמטרתה:

• לזהות אילו נושאים מעוררים אזכורים עקביים של המותג
• לאתר דפוסי ציטוטים (Citations) שמתעדפים את המתחרים
• לזהות את האופן שבו המודלים אוספים מידע חיצוני לתשובות, בדגש על דפוסי RAG
• לחשוף פערים סמנטיים בהכרה של ישויות, ניסוח והקשר

הניתוח הזה אפשר לנו לבצע בנצ’מרק מדויק של נראות המותג במודלים השונים, ולאתר נקודות חולשה גם בתוכן הקיים וגם בהפניות חיצוניות ובכך לבסס תשתית לאופטימיזציה ממוקדת.

שלב 2: אופטימיזציית תוכן עבור LLM

לאחר שזיהינו את הפער בין התוכן הקיים לבין התשובות שה-LLM סיפק, ביצענו סקירה מקיפה של נכסי התוכן של הלקוח, במטרה לבדוק עד כמה הם ניתנים לשליפה על ידי מודלים שאומנו על דאטה ציבורי מהאינטרנט.

הטכניקות המרכזיות כללו:

• כתיבת Entity-First: ארגנו מחדש עמודי מוצרים/שירותים ופוסטים בבלוג כך שכל אחד מהם יגדיר בצורה ברורה את הנושא המרכזי (למשל “הדפסה על בגדים DTG” ,”roll-to-roll printing”, “ייצור טקסטיל לפי דרישה”) ויחזק אותה בעזרת מושגים נלווים.
• שאלות ותשובות (Q&A): שילבנו בלוקים של שאלות ותשובות המבוססים על וריאציות אמיתיות של פרומפטים, כדי לשפר את ההתאמה לדאטה של האימון ולעזור לאלגוריתמים של שליפה ליישר קו בין
  פרומפט ← תשובה ← מקור.
• עמודי מילון מותאמים ל-LLM: ניסחנו מחדש את ערכי המילון בנימה סמכותית עם הגדרות מדויקות וחיבורים פנימיים, במטרה להעלות את הסיכוי שהם ישמשו כמקורות בטוחים לבדיקה בעת שליפת מידע על ידי מודלים המשתמשים בהיוריסטיקות של ייחוס (Attribution Modeling).
• סיכומי “Takeaways”: העשרנו את התוכן עם רשימות בולטים של נקודות מפתח (סוג של אמ;לק), אלמנטים שמודלים נוהגים לחלץ בזמן הרכבת התשובה (משמש כווקטור חזק).
• יישור סמנטי של הטמעה בווקטורים (Vector Embedding Alignment): ווידאנו שמונחים עם משמעות דומה מופיעים באופן עקבי בין עמודים, כדי להגדיל את הסיכוי שהם יקובצו יחד במרחב הווקטורי בעת שליפה.
• Schema Markup ונתונים מובנים: הטמענו סכמות כמו Product, Organization, FAQ, HowTo, כדי להבהיר קשרים בין ישויות ולתמוך בייחוס מדויק ברמת הטוקן.

שלב 3: חיזוק אותות חיצוניים

כדי שמודל AI יזהה מותג כאמין ורלוונטי בתחום מסוים, הוא צריך להיחשף אליו שוב ושוב בהקשרים הנכונים ובמקורות בעלי סמכות. זה קורה או בזמן האימון של המודל או דרך שליפות של מידע בזמן אמת מאתרים פתוחים שניתנים לסריקה (בהפעלת חיפוש). באמצעות מערכת Chatoptic, זיהינו אילו אתרים מצוטטים לעיתים קרובות בתשובות של המודלים כאשר המתחרים של Kornit Digital מוזכרים בהם, אתרים אלו נתפסים כמשפיעים במיוחד.

העבודה בשלב הזה כללה:

• פרסום תוכן באתרים הנכונים: אתרים סמכותיים שהמודלים מצטטים מהם במקרים של מתחרים בקטגוריה.
• יצירת אזכורים סמנטיים עקביים: וידאנו שהמותג מוזכר לצד מונחים מרכזיים בתחום כמו “חדשנות טקסטיל” או “אופנה דיגיטלית”, גם בתוכן שיווקי, גם אצל שותפים וגם בתוכן צד שלישי.
• דאגנו לגיוון בציטוטים: פיזרנו את האזכורים על פני מגוון סוגי אתרים, סיומות דומיין, פורמטים של תוכן ואזורים גיאוגרפיים, כדי לא להיות תלויים באתר אחד או בהטייה של מודלים כלפי מקורות מסוימים.

כל זה הרחיב את הנוכחות של המותג בנכסים הדיגיטליים שמודלי שפה באמת סופגים מהם מידע.

שלב 4: ניטור, ייחוס, והתאמה מתמשכת

בעזרת מערכת Chatoptic אנחנו ממשיכים למדוד את הנראות של קורנית דיגיטל בכל המודלים הרלוונטיים, בעזרת סט מדדים ייעודיים ל-GEO:

• כיסוי פרומפטים: כמה אחוז מהשאלות שנבדקו כוללות את המותג בתשובה.
• עקביות בין מודלים: האם המותג מופיע באופן דומה בין ChatGPT, Gemini, Claude, Perplexity ו-Grok.
• טון ותוכן האזכור: מהו הסנטימנט של ההופעה? ניטרלי? שיווקי? אולי שלילי? (כולל סגמנטציה לשווקים)
• ייחוס מקורות: אילו עמודים ספציפיים מצוטטים או מזוהים כמקור, בין אם בלינק ישיר או דרך ניסוח הדומה למקור.
• טראפיק ממודלי AI: כמה גולשים מגיעים לאתר מתוך ציטוטים שהופיעו בתשובות של מודלי ה-AI.

המידע הזה מאפשר לנו לדייק עוד יותר את העבודה, לשפר כיסוי של מושגים, לחדד את הטון, להתאים פורמטים של תוכן, ולהרחיב את מגוון המקורות כדי לשמר את הנראות של המותג גם כשהמודלים מתעדכנים כל הזמן.

לסיכום, זה לא פרויקט SEO רגיל. בעולם שבו מודלי שפה כמו ChatGPT ו-Gemini הופכים לממשק החיפוש החדש, נדרשת חשיבה מסוג אחר: תוכן שמנוסח במיוחד לשכבת אחזור מבוססת וקטורים, מסגור מדויק של ישויות (נושאים) בצורה שהמודלים יודעים לזהות, ואותות סמכות שמופיעים באתרים ספציפיים בהקשרים ספציפיים. GEO עוזר למותג להיות נוכח במודלי השפה בהקשרים הרלוונטיים, אנחנו שמחים שקורנית דיגיטל נמצאת עכשיו מהשיחה, חלק מהתשובות, חלק מהתודעה של הלקוחות הפוטנציאליים.