אותה שאלה, תשובה אחרת: למה צאט-ג'יפיטי עונה אחרת לכל משתמש

שני אנשים יכולים לשאול את צאטג'יפיטי את אותה שאלה, באותן מילים, באותה שעה, ולקבל תשובות שונות. לפעמים ההבדל קטן - ניסוח אחר, דוגמה אחרת, סדר שונה של הסברים. לפעמים ההבדל גדול יותר: מותג אחד יופיע אצל משתמש אחד, מתחרה יופיע אצל השני, וההמלצה הסופית תהיה שונה.

זה אינו באג. קלוד, צאטג'פיטי, ג'מיני ופרפלקסיטי אינם שולפים תשובה קבועה ממאגר סגור כמו דף אנציקלופדי. הם בונים את התשובה בזמן אמת, מילה אחרי מילה, לפי ההסתברות של המילה הבאה, לפי ההקשר של השיחה, לפי ההגדרות של המשתמש, לפי גרסת המודל ולפי מידת האקראיות שמובנית במערכת.

אם גולש שואל למשל "מהי תוכנת ניהול הפרויקטים הטובה ביותר לעסק קטן", תשובה אחת תכלול את מאנדיי, אסאנה וטרלו; תשובה אחרת תכניס גם את קליקאפ או נושן; ותשובה שלישית תדגיש מחיר ורביעית תדגיש התאמה לצוותים טכנולוגיים. 

שאלת המותגים כבר אינה רק איך להגיע למקום הראשון בגוגל - השאלה היא איך להפוך לשם שחוזר שוב ושוב בתשובות AI, גם כאשר השאלה משתנה מעט, המשתמש שונה והמודל מייצר תשובה אחרת.

להרחבה: כשאחד מכל חמישה בוחר לשאול את ChatGPT, גוגל כבר דואגת

למה אותה שאלה מייצרת תשובות שונות

הסיבה הראשונה היא האופי ההסתברותי של המודל. צאטג'יפיטי אינו "יודע" תשובה אחת ולשלוף אותה.  הוא מחשב בכל שלב מה יכולה להיות המילה הבאה הסבירה. כאשר יש כמה אפשרויות סבירות, הוא יכול לבחור בכל פעם ניסוח אחר. כאן נכנס מושג הטמפרטורה - מד האקראיות של המודל. טמפרטורה נמוכה מצמידה אותו לתשובות צפויות בעוד שטמפרטורה גבוהה מאפשרת יותר גיוון. במוצרים צרכניים כמו צאטג'יפיטי, המטרה היא תשובה טבעית ולא רובוטית, ולכן יש בה שונות מסוימת.

גם כאשר מצמצמים את האקראיות, התשובות אינן תמיד זהות. המודלים עובדים על תשתיות חישוב גדולות עם מיליארדי חישובים. הבדלים קטנים בחישוב, בעומס על השרתים או בסדר עיבוד הנתונים יכולים לגרום לתשובה לסטות אחרי כמה משפטים - לא בהכרח ברעיון המרכזי, אך בניסוח, בדוגמאות ולעיתים גם בשמות המותגים שמופיעים.

הסיבה השנייה היא ההקשר של השיחה. שאלה שנשאלת בתחילת שיחה מקבלת מענה שונה משאלה זהה שנשאלת אחרי עשר הודעות שבהן המודל כבר יודע את התחום, את רמת הידע של המשתמש, מגבלות שהוזכרו וסגנון המענה המתאים.

הסיבה השלישית היא זיכרון והתאמה אישית. צאטג'יפיטי יכול להשתמש בזיכרונות ובהיסטוריית שיחות כדי להתאים תשובות למשתמש, כאשר האפשרות מופעלת. OpenAI הרחיבה את יכולות הזיכרון בשנים האחרונות, כולל עדכון זיכרונות לאורך זמן ושאיבת הקשר משיחות קודמות. אדם ששוחח רבות על ניהול מוצר, בריאות או השקעות יקבל לעיתים תשובה מותאמת לאותם תחומים בעוד שמשתמש אחר, בלי היסטוריה, יקבל תשובה כללית יותר.

• פוינטפייב מגייסת 60 מיליון דולר: הסטארט-אפ הישראלי רוצה לעצור את בזבוז הכסף על AI
• הצד הפחות נוצץ של ה-AI: יותר משרות, יותר השקעות - וגם חשמל ודיור יקרים יותר

הסיבה הרביעית היא הוראות מותאמות אישית. משתמש יכול להגדיר לצאטג'יפיטי איך לענות: בקצרה, בפירוט, ברמה מקצועית, בלי מושגים מסובכים, עם דוגמאות, בגישה עסקית או טכנית. מנהלת שיווק, מתכנת, סטודנט, משקיע וצרכן רגיל יכולים לשאול את אותה שאלה ולקבל תשובות שנבנות סביב עולמות שונים לחלוטין.

הסיבה החמישית היא גרסת המודל. לא כל המשתמשים עובדים עם אותה גרסה, מצב פעולה או רמת גישה. משתמשים חינמיים, משתמשי פרו, משתמשי ארגון, ממשקי API ומודלים שונים עשויים להפיק תשובות שונות. גם עדכונים שוטפים יכולים לשנות את ההתנהגות: תשובה שניתנה היום לא בהכרח תיראה אותו דבר בעוד חודש.

להרחבה: שדרוג של OpenAI: ה-AI לא רק עונה אלא מנהל שיחה קולית

נראות מותג ב-AI: לא מיקום בגוגל, אלא סיכוי להופיע

בעולם גוגל, מותגים התרגלו לחשוב במונחי מיקום. אם אתר מופיע במקום הראשון בביטוי מסוים, יש לו נכס שאפשר למדוד, לשפר ולדווח עליו. גם בגוגל קיימים התאמה אישית, היסטוריית חיפוש ועדכוני אלגוריתם, אך הדירוג עדיין יציב מספיק כדי לבנות סביבו אסטרטגיה. 

ב-AI אין רשימת תוצאות קבועה, אין עמוד ראשון ואין עמוד שני. יש תשובה אחת שנבנית באותו רגע, ובה יכולים להופיע שלושה מותגים, חמישה מותגים - או אף אחד מהם. המדד החשוב הוא שיעור ההופעה - כמה פעמים מותג מופיע מתוך מאות שאלות רלוונטיות. האם הוא מופיע כאשר שואלים על "הכי טוב", "הכי זול", "אלטרנטיבה ל...", או "חברה אמינה בתחום". ככל שמותג מופיע ביותר הקשרים, כך הנראות שלו ב-AI חזקה יותר. זה דומה לנתח קול תקשורתי: לא כתבה אחת קובעת, אלא מספר האזכורים לאורך זמן, הנושאים שבהם המותג מופיע, המתחרים שמופיעים לידו והטון שבו הוא מוצג.

• 1,200 ימים חלפו מאז צ'אט GPT נכנס לחיינו - מתי זה ישפיע על רווחי הפירמות?
• אפל מציגה את סירי החדשה - והמשקיעים עדיין מחכים להוכחות

צילום מסך אחד של צ'אטג'יפיטי אינו אומר הרבה. אם מנכ"ל שואל "מהן החברות המובילות בתחום שלנו" ורואה את החברה שלו בתשובה - זה נחמד, אך לא מהווה מדד. באותה מידה, אם הוא אינו רואה את החברה שלו, זה לא בהכרח אומר שהמותג אינו קיים בעיני המודל. זו רק דגימה אחת מתוך מרחב גדול של תשובות אפשריות. SEO אינו נעלם - הוא משתנה. בעבר, לעיתים הספיק לבנות עמוד טוב סביב מילת מפתח.

כיום צריך לבנות סמכות סביב נושא: לא רק עמוד אחד על "תוכנה לניהול פרויקטים", אלא אשכול תוכן רחב שכולל השוואות, מדריכים, שאלות ותשובות, מקרי שימוש, מחירים, יתרונות, חסרונות, שילובים עם כלים אחרים וביקורות משתמשים.

בנוסף, מודלי AI מחפשים הקשר. הם צריכים להבין מה החברה עושה, למי היא מתאימה, באילו קטגוריות היא פועלת ומה אומרים עליה מקורות נוספים. כאשר המידע מפוזר, שיווקי מדי או לא עקבי, המודל עלול להתעלם מהמותג. תוכן תדמיתי בלבד יעבוד פחות: משפטים כמו "הפתרון המוביל בעולם" אינם מספיקים. מודלים מחפשים הסברים ברורים, שימושים אמיתיים, נתונים, ביקורות ואזכורים חיצוניים.

סימילרווב (SMWB) נמצאת בנקודה מעניינת בשוק הזה. במשך שנים החברה עסקה במדידת תנועה לאתרים, ניתוח מתחרים וחיפוש דיגיטלי. בעידן ה-AI, השוק מתחיל לבקש מדד חדש: לא רק כמה גולשים הגיעו מגוגל, אלא כמה פעמים מותג מופיע בתשובות AI. מדידה כזו אינה יכולה להסתפק בשאלה אחת. צריך להריץ מאות שאלות בניסוחים שונים לאורך זמן, ולבדוק את שיעור ההופעה, ליד מי המותג מוצג ואילו מקורות מצוטטים.

היעלמות מותגים מתשובות AI

מותגים נעלמים מתשובות AI מחמש סיבות עיקריות:

הראשונה היא חוסר בהירות: אם האתר אינו מסביר בפשטות מה החברה עושה ולמי היא מיועדת, המודל מתקשה לשייך אותה לקטגוריה הנכונה. מותגים רבים מדברים בשפה כללית - "פתרון חכם", "פלטפורמה מתקדמת" - בלי להסביר את המוצר עצמו. 

השנייה היא חוסר תוכן השוואתי: מודלים מרבים לענות על שאלות "מה עדיף", "מה ההבדל", "מהי אלטרנטיבה" - ואם החברה אינה מספקת תוכן כזה, המודל יישען על אתרי ביקורות, פורומים ואתרי מתחרים.

השלישית היא חולשה במקורות חיצוניים: AI אינו מסתכל רק על האתר הרשמי אלא גם על כתבות, סקירות, ויקיפדיה ומדריכים - ומותג שמופיע רק באתר שלו יקבל פחות אמון. 

הרביעית היא חוסר עדכניות: תוכן ישן, מחירים שאינם מעודכנים ודפי מוצר שאינם משקפים פיצ'רים חדשים עלולים להוציא את המותג מהתשובות. 

החמישית היא שונות בשם המותג - נדרשת עקביות ואזכורים שמחברים בין השם הרשמי, המקוצר ושמות המשנה.

צרכנים עצמם צריכים להפנים שהמלצה של צאטג'יפיטי אינה רשימה אובייקטיבית קבועה. כאשר שואלים "איזה רכב חשמלי כדאי לקנות", התשובה תושפע מהניסוח - האם הדגש הוא מחיר, טווח נסיעה, משפחה, בטיחות או עלות אחזקה. שינוי קטן בשאלה יכול לשנות את כל ההמלצה. צרכן חכם אינו מסתפק בתשובת AI אחת: כדאי לשאול בכמה ניסוחים, לבקש השוואה, לבקש חסרונות ולאמת נתונים באתרים עצמאיים.

לעבוד עם שאלות מלאות, לא רק עם מילות מפתח

הצעד הראשון שחברות צריכות לנקוט הוא למפות את השאלות האמיתיות של לקוחותיהן - לא רק מילות מפתח, אלא שאלות מלאות: מה הם שואלים לפני רכישה, מה הם שואלים כשהם משווים, ומה הם שואלים כאשר הם מתלבטים בין מוצרים. 

הצעד השני הוא לבדוק איך המותג מופיע בתשובות AI - ולא פעם אחת. צריך דפוס: מאות שאלות, בכמה כלים ובכמה ניסוחים. 

הצעד השלישי הוא לבנות תוכן שמכסה את השאלות האלה - מדריכים, שאלות נפוצות, השוואות, דפי שימוש ומקרי בוחן. 

הצעד הרביעי הוא לחזק מקורות חיצוניים: ביקורות, כתבות, אזכורים ושיתופי פעולה. 

הצעד החמישי הוא למדוד לאורך זמן - לעקוב אחרי שיעור הופעה, מתחרים שמופיעים ליד המותג ושאלות שבהן מתחרים מקבלים עדיפות.

ככל שזיכרון צאטג'פיטי משתפר, התשובות הופכות אישיות יותר עבור המשתמש - אך גם מגדילות את השונות בין משתמשים. מערכת שיודעת שמשתמש עובד בשיווק תענה לו אחרת מאשר למשתמש שעובד בפיתוח; מי שמבקש תשובות קצרות יקבל מענה שונה ממי שמבקש ניתוחים ארוכים. מבחינת מדידת מותג, כל תשובה בודדת הופכת לנקודת דגימה אחת בלבד - ומה שנדרש הוא מעקב שוטף אחרי הסתברות ואזכורים.

המעבר מחיפוש קלאסי לתשובות AI פותח שוק חדש של כלים. חברות ירצו לדעת היכן הן מופיעות, מי מופיע במקומן ואיזה תוכן חסר להן. כלי SEO, פלטפורמות דאטה, חברות מדידת מותג ומערכות יחסי ציבור ינסו להיכנס לאותו אזור. זה נכון במיוחד בקטגוריות תוכנה, פיננסים, בריאות, תיירות, רכב וביטוח - תחומים שבהם משתמשים מבקשים המלצות, השוואות וחוות דעת, ובהם המשמעות המסחרית של כל תשובה גדולה.