מדידת נראות מותג ב-AI: מדריך Share of Voice

מה זה בכלל "נתח קול" בתשובות AI ולמה זה שונה מדירוג בגוגל?

נתח קול ב-AI (AI Share of Voice) הוא פשוט: מתוך כל התשובות שמנוע בינה מלאכותית מחזיר על שאלות בקטגוריה שלכם, באיזה אחוז מהן הוא מזכיר או ממליץ עליכם — ביחס לכלל המותגים שעולים שם. הנוסחה ישירה: מספר האזכורים שלכם חלקי סך כל אזכורי המותגים, כפול מאה. אם ChatGPT מזכיר אתכם ב-30 מתוך 100 תשובות רלוונטיות, נתח הקול שלכם עומד על 30 אחוז. היחידה הנמדדת היא התשובה עצמה, לא מיקום בדף תוצאות.

וכאן ההבדל המהותי מ-SEO קלאסי. בגוגל יש דירוג מסודר, יציב יחסית, שאפשר לבדוק שוב ושוב ולקבל כמעט אותו דבר. במנוע תשובות אין "מקום ראשון" — יש פסקה אחת שנכתבת מחדש בכל פעם, לפעמים מזכירה אתכם ולפעמים לא. דירוג גבוה בגוגל כבר לא מבטיח נוכחות בתשובת ה-AI: רק חלק קטן מהדפים שמדורגים בעמוד הראשון של גוגל מופיעים גם בציטוטים של ChatGPT.

המשמעות התפעולית גדולה. רוב המשווקים יודעים בדיוק כמה מבקרים מגיעים מחיפוש אורגני, אבל אין להם מושג כמה פעמים המותג שלהם עולה בשיחות עם בינה מלאכותית — ערוץ גילוי שגדל בקצב מסחרר. נתח קול ב-AI הוא המטריקה שסוגרת את הפער הזה והופכת נראות מעורפלת למספר תפעולי שאפשר לעקוב אחריו ולשפר.

אילו מטריקות GEO באמת שווה למדוד?

נתח קול הוא הכותרת, אבל מתחתיו יש כמה מדדים שמספרים את הסיפור המלא. הבסיסי ביותר הוא שיעור האזכור — באיזה אחוז מהתשובות אתם בכלל מופיעים. אחריו בא המיקום: האם אתם מוזכרים ראשונים ובהמלצה חמה, או נדחקים לסוף כהערת אגב. ואז נתח השוק היחסי — הפרופורציה שלכם מול המתחרים הישירים באותה קטגוריה. שלושת אלה יחד נותנים תמונה הרבה יותר מדויקת ממספר בודד.

חשוב להבחין בין אזכור לבין ציטוט. אזכור הוא הופעת שם המותג בגוף התשובה; ציטוט הוא הפניה למקור שמקושר אליכם. אפשר להיות מוזכרים בלי להיות מצוטטים, ולהפך. מעבר לכך כדאי לעקוב אחרי סנטימנט — באיזה הקשר מדברים עליכם — ואחרי "שיעור ביצוע לשאלה", כלומר כמה פעמים אתם עולים בשאלה ספציפית וקריטית. אתם יכולים להחזיק 32 אחוז נתח קול כללי ובכל זאת רק 8 אחוז בשאילתה "הכי טוב לעסקים קטנים".

המטרה אינה רק להופיע יותר. המטרה היא להופיע בשאלות הנכונות, להיות מצוטטים על ידי מקורות איכותיים, להיות מתוארים בסנטימנט חיובי, ולהתחבר להחלטות רכישה בעלות כוונה גבוהה. לכן מערך מדידה רציני עוקב אחרי כמה ממדים במקביל ולא מסתפק באחוז אחד מבודד.

איך מגדירים מערך מדידה לנראות מותג ב-AI מאפס?

הכול מתחיל בבחירת השאלות, וזה השלב החשוב ביותר — חשוב יותר מכמות השאלות. עדיף סט קצר וממוקד מאשר רשימה ארוכה ולא רלוונטית. התחילו עם 20 עד 40 שאלות שמשקפות איך לקוחות אמיתיים מתנסחים, ומפו אותן לשלבי המסע: מודעות, שיקול ורכישה. שמרו שאלות השוואתיות ("X מול Y") בנפרד, כי הן מטות את המדדים הכלליים אם מערבבים אותן פנימה. ככל שהשאלה ספציפית יותר, כך היא קרובה יותר לאופן שבו ה-AI באמת מתאים תשובות אישיות.

אחרי שיש סט שאלות, מגדירים בסיס. הריצו כל שאלה בכל מנוע, רשמו אילו מותגים הופיעו בכל תשובה, וחשבו אחוזים. הוסיפו 3 עד 5 מתחרים ישירים למעקב, כדי שנתח הקול יהיה יחסי ולא מספר שמרחף בחלל. תעדו הכול במבנה אחיד — גיליון פשוט ברמת השאילתה מספיק בהתחלה. תשובות גולמיות שנשארות בצילומי מסך הן חסרות ערך; הנתונים חייבים להיות מובנים כדי שאפשר יהיה להשוות לאורך זמן.

קבעו תדירות מראש. מנו את הבסיס פעם, ואז חיזרו עליו לפחות פעם בחודש — ובמהלך קמפיין קריטי אפילו אחת לשבועיים. נראות ב-AI זזה מהר יותר מדירוג בגוגל: הזיה אחת, כתבה שלילית במקור סמכותי או קמפיין של מתחרה יכולים להזיז את נתח הקול בתוך ימים. בלי מדידה קבועה לא תזהו את התנועות האלה בזמן.

איך עוקבים אחרי אזכורים ב-ChatGPT, Perplexity ו-Gemini בפועל?

העיקרון המתודולוגי החשוב ביותר: אל תמדדו את המנועים יחד. הם פשוט לא מצטטים את אותם המקורות. בבדיקות שנערכו לאחרונה נמצא שרק כ-11 אחוז מהדומיינים ש-ChatGPT מצטט חופפים לאלה ש-Perplexity מצטט. כל מנוע בנוי על פילוסופיית מקורות שונה — אחד נשען על מקורות חדשותיים ואנציקלופדיים, אחר על קהילות ופורומים, שלישי על תוכן עריכתי ארוך. לכן אותו מותג יכול להחזיק נתח קול גבוה במנוע אחד ונמוך מאוד באחר. תמיד דווחו לפי מנוע, לעולם לא מספר מאוחד.

הנקודה השנייה: תשובות AI אינן דטרמיניסטיות. שתי הרצות זהות של אותה שאלה יכולות להחזיר מותגים שונים, מקורות שונים ואפילו מסגור שונה לגמרי. שאילתה בודדת מספרת כמעט כלום. הפתרון הוא דגימה חוזרת — הריצו כל שאלה לפחות שלוש עד חמש פעמים בכל מנוע, ומצעו את התוצאות. כך מפרידים בין מגמה אמיתית לרעש אקראי. התייחסו לנראות כאל התפלגות, לא כאל נקודת נתון אחת.

אפשר לעשות את זה ידנית בהחלט — גיליון, סט שאלות, הרצה משולשת בכל מנוע, תיעוד אזכורים וסנטימנט. הבעיה היא קנה המידה: 30 שאלות, שלושה מנועים, חמש דגימות ומעקב שבועי מצטברים מהר למאות הרצות חוזרות. בנקודה הזו תיעוד ידני הופך לבלתי מעשי, וכדאי לעבור לתהליך אוטומטי שמריץ, סופר וממצע במקומכם — אחרת המדידה תישחק עוד לפני שתספיק לראות מגמה.

איך הופכים את הנתונים לפעולה שמשפרת נראות?

מדידה היא רק חצי מהעבודה. ברגע שיש לכם נתח קול לפי מנוע, השאלה הבאה היא מה מזיז אותו. כאן יש ממצא חשוב: נראות ב-AI היא בעיקר בעיית סמכות, לא בעיית פורמט. מה שמתואם עם נוכחות במנועים הוא אותות סמכות מסורתיים — דומיינים מפנים, נוכחות בקהילות ודיון ער ברשת. הרוב המוחלט של הציטוטים מגיע ממקורות צד שלישי, לא מאתר המותג עצמו. כלומר, אם נתח הקול שלכם נמוך בהרבה מנתח השוק האמיתי, תוכן באתר לבדו לא יסגור את הפער.

הדרך לסגור אותו היא לזהות בנתונים את השאלות שבהן אתם נעדרים, ולבנות סביבן תוכן סמכותי, רב-לשוני, שמנוסח כך שמנועי AI יכולים לשלוף ולצטט אותו בקלות — ובמקביל לחזק את העדויות החיצוניות שמסביב. זו בדיוק הלולאה ש-Artiql בונה אוטומטית: יצירת מאמרי SEO ו-GEO בכמה שפות, וידאו AI לכל מאמר שעובר ל-YouTube ומשם בקלות לאינסטגרם ולטיקטוק, תור סקירה לאישור, פרסום ב-CMS על הדומיין שלכם וחיבור MCP — כל זה בלי לגייס צוות תוכן.

הרעיון הוא להפוך את המדידה למנוע פעולה. אתם רואים בדיוק היכן המתחרים מקבלים את נתח הקול שלכם, מייצרים את החומר שסוגר את הפער, ומודדים שוב כדי לראות אם המחט זזה. אם אתם רוצים לראות איך זה עובד על הקטגוריה שלכם בפועל, אפשר לקבוע הדגמה ולקבל תמונת נראות ראשונית — בגוגל ובמנועי התשובות גם יחד.

שאלות נפוצות