بث مباشر 18.11 · الدفعة 318 نوفمبر، 19:00 بتوقيت موسكو — ورشة عملية مجانية لوكلاء الذكاء الاصطناعي · الدفعة 3 تبدأ 23.11ورشة 18 نوفمبر ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارHabr AI→ المصدر

ملخص الذكاء الاصطناعي في 94% من قوائم B2B بالكاد يعرض مواقع الشركات نفسها

موقع المتعاقد في المراتب العشر الأولى على Google، ومع ذلك يذكر ChatGPT أدلة الشركات لا الشركة نفسها حين يُسأل: «من ينفّذ هذا في مدينتي؟». في 200 استعلام B2B ظهر ملخص الذكاء الاصطناعي في 94 من أصل 100 قائمة، لكن مواقع الشركات بالكاد وردت فيها. فالنموذج يتحقق من الشركة عبر رقمها الضريبي في السجلات الخارجية، ولا يصدّق ما تقوله عن نفسها. لذلك تحتاج الشركة إلى بطاقة في سجل خارجي تتضمن رابطًا إلى موقعها.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
ملخص الذكاء الاصطناعي في 94% من قوائم B2B بالكاد يعرض مواقع الشركات نفسها
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
حقيقة رئيسية #1يستخرج النموذج من الصفحة رقم UNP المكوّن من 9 أرقام ويتحقق من الكيان القانوني باستعلام منفصل
حقيقة رئيسية #2فُتح ملف llms.txt 14 مرة فقط من أصل 773 704 طلبات إلى الدليل خلال 30 يومًا
حقيقة رئيسية #3أجرى GPTBot 383 898 طلبًا، وPerplexityBot 308 764 طلبات

المشكلة أن موقع الشركة قد يحتل بثبات المراتب العشر الأولى في البحث التقليدي، ومع ذلك لا تذكره الشبكة العصبية. تخيّل أن عميلًا يسأل ChatGPT أو Perplexity أو ملخص الذكاء الاصطناعي في Google: «من ينفّذ هذا في مدينتي؟». بدلًا من المنفّذين أنفسهم، يقدّم النموذج قائمة من الأدلة والمراجع الخارجية.

وقد اختبر كاتب تحليل نُشر على Habr 200 استعلام B2B حقيقي، أي أسئلة عن البحث عن متعاقد. في 94 من أصل 100 قائمة قطاعية فُتح ملخص الذكاء الاصطناعي فعلًا، لكن مواقع الشركات بالكاد وردت فيه. والأدق قراءة العنوان عن «94% من الإجابات» على هذا النحو: في 94 من أصل 100 قائمة لم تدخل مواقع الشركات نفسها إلى القائمة تقريبًا.

وإذا كنت مسؤولًا عن الموقع أو التسويق، فهذا يشير إلى البيانات التي ينبغي نشرها عن الشركة خارج نطاقها الخاص.

كيف يتحقق النموذج من المتعاقد

بعد ذلك راجع المؤلف يدويًا سلوك نموذجَي Gemini 3 Flash وgpt-5-mini مع البحث على الويب (جرت التجارب في 31 أكتوبر و1 نوفمبر 2026). وتبيّن أن آلية العمل متشابهة في النموذجين:

  • يبدأ البحث باسم الشركة ومدينتها وكتابة الاسم بالحروف اللاتينية؛
  • ثم يستخرج النموذج من الصفحة الرقم الضريبي المكوّن من 9 أرقام (UNP) ويرسل استعلامًا منفصلًا بهذه الأرقام وحدها؛
  • بعد ذلك يتحقق من وجود الكيان القانوني ومن تطابق خدماته مع الوصف المنشور على الموقع.

والمنطق بسيط: النص المنشور على النطاق الخاص يبقى في نظر النموذج دعاية ذاتية. فعبارة «عشرون عامًا من الخبرة» وأي أسعار لا يثبتها هذا النص. وإذا لم يجد النموذج في نتائج البحث تأكيدًا مستقلًا عبر UNP، فإما أن يستبعد الموقع، أو يأخذ البيانات من فهارس قديمة. وكثيرًا ما تحتوي هذه الفهارس على أرقام هواتف قديمة ورموز أنشطة فضفاضة مثل «تجارة الجملة بتشكيلة واسعة».

لماذا لا يفيد llms.txt بينما تقرأ الروبوتات JSON وMarkdown

نص دليل Google Search بتاريخ 15 يونيو 2026 صراحةً على أن llms.txt لا يُستخدم لا في الترتيب ولا في نظرات الذكاء الاصطناعي العامة. وتؤكد ذلك سجلات دليل مفتوح يضم 30 900 بطاقة. فخلال 30 يومًا سُجّل فيه 773 704 طلبات. منها 705 323 طلبات جرى التحقق منها عبر عناوين IP الرسمية وDNS العكسي، أي أنها روبوتات حقيقية لا منتحلة.

وجاء التوزيع على النحو التالي: القوائم القطاعية — 616 242 طلبًا، والبطاقات بصيغة JSON — 38 139، والبطاقات بصيغة Markdown — 20 110. أما الملفان /llms.txt و/llms-full.txt فلم يُفتحا إلا 14 مرة. وبحسب السجل اليومي ليوم 16 نوفمبر، أجرى عملاء خارجيون 7 087 طلبًا إلى واجهة REST API المفتوحة، وكانوا يصفّون الشركات بحسب المدينة ونوع الخدمة ووجود موقع.

وعلى مستوى الروبوتات: GPTBot — 383 898 طلبًا، وPerplexityBot — 308 764، وClaudeBot — 40 614. ومن محركات البحث التقليدية: YandexBot — 5 534، وApplebot — 2 587، وGooglebot — 1 956، وbingbot — 975. أما طلبات المستخدمين في الوقت الفعلي فأقل بكثير: ChatGPT-User — 82، وOAI-SearchBot — 48. ويلاحظ المؤلف أن الأدلة القديمة كثيرًا ما تعيد إلى أدوات الاستخراج الآلي أخطاء 403 أو 429، ولا توفّر Markdown نظيفًا، وتفيض بالإعلانات. وتتفوق البيانات النظيفة المقروءة آليًا لمجرد أنه من السهل جمعها.

«الجواز الرقمي» للشركة والتحفظات

يرى المؤلف أن تحسين صفحة الهبوط وحده لا يكفي. فالمطلوب بطاقة خارجية في سجل محايد تستوفي أربعة شروط:

  1. الربط بالسجل الحكومي (UNP أو INN): تُسحب حالة الكيان القانوني وتاريخ التسجيل والمنطقة من القواعد الرسمية، ولا يمكن تعديلها يدويًا.
  2. خدمات محددة ونطاق جغرافي بدل رموز ОКЭД العامة، مع مؤشرات للأسعار وإجابات عن الأسئلة المتكررة.
  3. تقديم البيانات دون أغلفة: بطاقة واحدة بصيغ HTML من الخادم وMarkdown وJSON ووسوم Schema.org مع الحقل taxID.
  4. ارتباط متبادل بالموقع: لا يكفي ادعاء المدير، بل يلزم رابط من الموقع إلى البطاقة أو الخاصية sameAs في وسوم Organization.

ويربط المؤلف ذلك بدمج Google AI Overviews وAI Mode (19 مايو 2026) وبتطور مواصفة WebMCP في W3C: فوكلاء المتصفح يقرؤون البيانات المنظّمة بصورة متزايدة بدل تحليل التخطيط.

وهناك تحفظات. فقد جُمعت البيانات من دليل المؤلف نفسه، فله مصلحة تجارية، ويبدو المقال في بعض المواضع أشبه بعرض لمنتج. والعيّنة صغيرة (200 استعلام)، كما أن حركة الروبوتات إلى الدليل لا تثبت بعد أن النموذج سيستشهد لاحقًا بشركة بعينها.

والخلاصة العملية مفيدة بصرف النظر عن الدليل. تحقق من أن رقم UNP أو INN الخاص بك يسهل العثور عليه على الموقع ويتطابق مع بيانات السجلات. وتأكد من وجود صفحات مستقلة عن الشركة تتضمن خدماتها وهواتفها الحالية. وأضف وسوم Organization مع sameAs وtaxID. ولا تعوّل على llms.txt: فبحسب هذه البيانات لا يكاد أحد يقرؤه.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كيف يتحقق النموذج من المتعاقد؟

بعد ذلك راجع المؤلف يدويًا سلوك نموذجَي Gemini 3 Flash وgpt-5-mini مع البحث على الويب (جرت التجارب في 31 أكتوبر و1 نوفمبر 2026). وتبيّن أن آلية العمل متشابهة في النموذجين: يبدأ البحث باسم الشركة ومدينتها وكتابة الاسم بالحروف اللاتينية؛ ثم يستخرج النموذج من الصفحة الرقم الضريبي المكوّن من 9 أرقام (UNP) ويرسل استعلامًا منفصلًا بهذه الأرقام وحدها؛ بعد ذلك يتحقق من وجود الكيان القانوني ومن تطابق خدماته مع الوصف المنشور على الموقع. والمنطق بسيط: النص المنشور على النطاق الخاص يبقى في نظر النموذج دعاية ذاتية.

ما أبرز التفاصيل حول لماذا لا يفيد llms.txt بينما تقرأ الروبوتات JSON وMarkdown؟

نص دليل Google Search بتاريخ 15 يونيو 2026 صراحةً على أن llms.txt لا يُستخدم لا في الترتيب ولا في نظرات الذكاء الاصطناعي العامة. وتؤكد ذلك سجلات دليل مفتوح يضم 30 900 بطاقة. فخلال 30 يومًا سُجّل فيه 773 704 طلبات. منها 705 323 طلبات جرى التحقق منها عبر عناوين IP الرسمية وDNS العكسي، أي أنها روبوتات حقيقية لا منتحلة. وجاء التوزيع على النحو التالي: القوائم القطاعية — 616 242 طلبًا، والبطاقات بصيغة JSON — 38 139، والبطاقات بصيغة Markdown — 20 110. أما الملفان /llms.txt و/llms-full.txt فلم يُفتحا إلا 14 مرة.

ما أبرز التفاصيل حول «الجواز الرقمي» للشركة والتحفظات؟

يرى المؤلف أن تحسين صفحة الهبوط وحده لا يكفي. فالمطلوب بطاقة خارجية في سجل محايد تستوفي أربعة شروط: الربط بالسجل الحكومي (UNP أو INN): تُسحب حالة الكيان القانوني وتاريخ التسجيل والمنطقة من القواعد الرسمية، ولا يمكن تعديلها يدويًا. خدمات محددة ونطاق جغرافي بدل رموز ОКЭД العامة، مع مؤشرات للأسعار وإجابات عن الأسئلة المتكررة. تقديم البيانات دون أغلفة: بطاقة واحدة بصيغ HTML من الخادم وMarkdown وJSON ووسوم Schema.org مع الحقل taxID.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
ما رأيك؟
جارٍ تحميل التعليقات…