“جلبت مصادر AI هذا الشهر عددا من الزيارات ومبلغا من الإيراد.” تبدو الجملة واضحة، لكنها غالبا واضحة أكثر مما ينبغي. فهي تخلط بين حقائق مختلفة: إجابة AI ذكرت العلامة، وكيل قرأ صفحة، إنسان ضغط على توصية، هذا الإنسان أظهر نية تجارية، وربما أمكن ربط طلب لاحق بتلك الجلسة. هذه مستويات مختلفة من الدليل.
الخطر الأكبر في إسناد AI ليس نقص البيانات فقط، بل خلط بيانات لا تعني الشيء نفسه.
الطبقات الخمس في AIAA
Answer هي طبقة الظهور داخل إجابات AI. تظهر العلامة، أو يتم اقتباس صفحة، أو تستخدم معلومات منتج. هذا ظهور، وليس زيارة.
Request هي طبقة النشاط الآلي. وكيل AI يقرأ صفحات المنتج أو الأسعار أو السياسات أو المخزون. هنا تصبح سجلات الخادم وEdge مهمة. لكن request لا يثبت نية بشرية.
Visit هي طبقة الزيارة البشرية. مستخدم يضغط من ChatGPT أو Perplexity أو Gemini أو تجربة AI أخرى. هذه أقرب إلى القيمة، لكنها ليست تحويلا بعد.
Commerce هي طبقة السلوك التجاري: مشاهدة منتج، إضافة إلى السلة، بدء الدفع، تعبئة نموذج، طلب عرض. هنا تبدأ رؤية AI في التأثير على مؤشرات النمو.
Attribution هي أقوى طبقة. بيانات referrer وsession وorder وCRM تسمح بتفسير سبب إسناد إيراد معين إلى مصدر AI.
المجال | مصدر البيانات | المؤشرات الأساسية | التكرار |
|---|---|---|---|
Answer | عينات إجابات AI، مراقبة SOV | معدل ذكر العلامة، دقة الاقتباس، مقارنة المنافسين | أسبوعي |
Request | سجلات Edge وسجلات الخادم | حجم طلبات Agent، توزيع المسارات، أنواع الوكلاء | يومي |
Visit | JS first-party، GA4 AI Assistants | جلسات مصدرها AI، صفحات الهبوط، السلوك | يومي |
Commerce | منصة التجارة + بيانات first-party | مشاهدات صفحات المنتج، السلة، بدء الدفع | يومي |
Attribution | ربط الجلسة بالطلب | طلبات منسوبة إلى AI، الإيراد، متوسط الطلب | أسبوعي |
الطبقة | الوزن | السبب |
|---|---|---|
Answer | 0.2 | ظهور مرصود بعينة، وليس زيارة مباشرة |
Request | 0.3 | مرئي على الخادم، لكن دليل النية البشرية ضعيف |
Visit | 0.5 | وصول بشري، من دون دليل تحويل بعد |
Commerce | 0.8 | سلوك قريب من الشراء |
Attribution | 1.0 | الإيراد متصل بدليل AI |
هذه البنية تمنع تحويل مساهمة AI إلى رقم واحد. إذا ارتفعت طلبات Request بعد تشغيل Edge logs، فقد يكون السبب اتساع التغطية لا نمو السوق. وإذا زادت mentions داخل الإجابات من دون زيادة في Visit، فقد تكون المشكلة في الروابط أو بحث العلامة أو صفحات المنتج أو المصادر الخارجية التي يمكن للنماذج الاستشهاد بها.
في التقارير يجب فصل observed growth عن comparable growth. الأول يعرض كل ما نراه الآن. الثاني يقارن فقط المصادر الموجودة في الفترتين. من دون هذا الفصل، تتحول زيادة التغطية القياسية إلى نمو مزيف في الطلب.
تختلف المسؤولية حسب الطبقة. Answer يخص GEO والمحتوى. Request يخص البنية التقنية وSEO التقني. Visit وCommerce يخصان growth والتجارة والتحليلات. Attribution يحتاج BI وCRM وpaid media والمالية. AIAA ليس رقما جميلا، بل نظام لتصنيف قوة الدليل.
عمليا، تغير القراءة بالطبقات القرار. إذا زادت Answer وRequest من دون زيادة Visit، فقد تكون العلامة بدأت تدخل ذاكرة نماذج AI لكن الروابط أو الصفحات القابلة للاقتباس أو البحث عن العلامة لم تنضج بعد. وإذا زادت Visit من دون Commerce، فالمشكلة قد تكون في صفحة الهبوط أو الثقة أو السعر أو المقارنة أو checkout. وإذا زادت Commerce من دون Attribution، فالأولوية تصبح ربط الجلسة بالطلب وCRM وسجلات الخادم.
هذا يمنع خطأين متعاكسين. الأول هو التقليل من أثر AI لأن last click يظهر كـ Direct أو Organic أو retargeting. والثاني هو المبالغة في أثر AI لأن أي crawler أو ذكر داخل إجابة يتحول إلى مساهمة تجارية. AIAA يحافظ على طموح قياس السلسلة كاملة، لكنه يجبر الفريق على إعلان قوة الدليل في كل رقم.
كما أن هذا الفصل يساعد الإدارة المالية. يمكنها أن تقبل Answer وRequest كإشارات مبكرة، لكنها لا يجب أن تعاملها كإيراد. ويمكنها أن تقبل Visit وCommerce كمؤشرات نية، لكنها تحتاج إلى Attribution قبل ربطها بالموازنة أو CAC. بهذه الطريقة يصبح قياس AI قابلا للنقاش بين التسويق والمالية، لا مجرد لغة تقنية.
الخلط يصنع إسنادا زائفا
الذكر في إجابة ليس زيارة. الزيارة ليست شراء. الشراء ليس تلقائيا إيرادا منسوبا إلى AI. عندما تختفي هذه الحدود، تظهر مشكلتان: ارتفاع طلبات crawlers يفسر كطلب حقيقي، وإيرادات عادية تعرض كأنها AI revenue من دون دليل كاف.
هذا قد يجعل التقرير الشهري يبدو أفضل، لكنه يضعف الثقة. الإدارة لا تحتاج إلى أكبر رقم AI. تحتاج إلى رقم يمكن الدفاع عنه.
لوحة قياس أكثر انضباطا
يجب أن تعرض لوحة AIAA الطبقات الخمس منفصلة. يجب أن توضح مصدر البيانات في كل طبقة. ويجب أن تميز عند إضافة مصدر جديد، لأن القفزة بعد تشغيل Edge logs قد تعني أنك أصبحت ترى ما كان مخفيا، لا أن السوق نما فجأة.
الفرق بين observed growth وcomparable growth أساسي. الأول يعرض كل ما نراه اليوم. الثاني يقارن فقط المصادر التي كانت متاحة في الفترتين. من دون هذا الفصل، تختلط زيادة التغطية مع النمو الحقيقي.
بالنسبة إلى شركات التجارة وB2B، هذا مهم جدا. AI يؤثر غالبا في مرحلة البحث الأولى، بينما قد يأتي آخر click من بحث العلامة أو direct أو retargeting. last click يقلل قيمة AI. تسمية كل شيء AI تبالغ فيها. AIAA يحاول بناء طريق وسط: أوسع من last click، لكنه قابل للدفاع.
Gravity تنظر إلى GEO وطبقة أدلة الموقع والlogs وpaid media وCRM كأجزاء من سلسلة واحدة. AI يكتشف الحقائق، الوكلاء يقرأون الصفحات، البشر يزورون، والإيراد يظهر لاحقا. الإسناد يجب أن يصل هذه السلسلة من دون محو الفروق بين مستويات الدليل.
FAQ
Q1: ما الفرق بين AI traffic وAI contribution؟
A: traffic يصف الزيارات غالبا. contribution يشمل الظهور والطلبات والزيارات والسلوك التجاري والإيراد المنسوب.
Q2: لماذا نفصل crawlers عن الجلسات البشرية؟
A: crawlers نشاط آلي. قد يدل على اهتمام الأنظمة، لكنه لا يثبت نية إنسانية.
Q3: أي طبقة هي الأهم؟
A: للتقارير المالية، Attribution هي الأقوى. للإشارات المبكرة، Answer وRequest مهمتان.
Q4: ما الخطأ الشائع؟
A: تفسير القفزة بعد ربط logs جديدة كنمو حقيقي، مع أنها قد تكون مجرد زيادة في الرؤية.
Q5: كيف نبدأ؟
A: بلوحة تقسم Answer وRequest وVisit وCommerce وAttribution بدلا من رقم AI واحد.