TL;DR: در یک بازرسی روی ۱۰۰ listing در ChatGPT و Perplexity و Gemini، نرخ استناد از ۱۲٪ برای listingهایی که فقط متن داشتند به ۷۱٪ برای listingهایی با دادهی جغرافیایی ساختیافتهی کامل رسید. سه سیگنالی که بیشترین تأثیر را داشتند، مختصات جغرافیاییِ تأییدشده، فیلدهای nearby context، و سازگاری NAP میان پلتفرمها بودند.
در دو هفتهی اول آوریل 2026 ما یک بازرسی کنترلشده روی 100 listing مکانی انجام دادیم تا به یک سؤال جواب دهیم: دادهی جغرافیایی ساختیافته واقعاً تا چه حد نرخی را که دستیار AI در آن یک listing را استناد میدهد تغییر میدهد؟
جواب، بهطور خلاصه، این است که بین بدترین و بهترین bucket حدود شش برابر تغییر میدهد. در ادامه متدولوژی کامل، نتایج هر bucket و پیامدهای عملی برای هر کسی که یک listing را برای جستوجوی AI بهینه میکند، میآید.
متدولوژی
listingها. 100 listing در چهار دسته: 30 اقامتگاه اجارهای، 25 بوتیک هتل، 25 رستوران مستقل، 20 جاذبهی محلی. پراکندگی جغرافیایی شامل 14 شهر اروپایی بود تا سوگیری به یک بازار محدود شود. همهی listingها یک صفحهی اصلی فعال و قابل ایندکس و حداقل یک حضور در دایرکتوری third-party داشتند.
مجموعهی پرسوجو. پانزده قالب prompt با نیت discovery برای هر listing، شامل discovery عمومی («بوتیک هتلهای ساکت در پورتو»)، discovery ویژگیمحور («هتلهای پورتو که پیاده به مترو میرسند») و named recall («Casa do Vale اقامتگاه خوبی در پورتو است؟»). هر قالب تازه، بدون تاریخچهی مکالمه و در یک session تمیز فرستاده شد.
مدلها. ChatGPT (از کلاس GPT-5)، Perplexity، Gemini. هر prompt یک بار در هر مدل فرستاده شد، یعنی 45 جواب برای هر listing و مجموعاً 4,500 جواب.
امتیازدهی. یک جواب وقتی استناد حساب شد که listing بهعنوان منبع لینکدار ظاهر شود، صریحاً در جواب با نام آورده شود، یا هر دو. تطابقهای جزئی نام بهصورت دستی بازبینی شدند تا false positive رد شوند.
bucketing. هر listing با MapAtlas AEO Checker در مقابل 29 سیگنال ساختیافته امتیازدهی شد، بعد در چهار bucket کاملبودن گروهبندی شد. آستانههای bucket قبل از شروع امتیازدهی تعیین شدند.
نتیجهی اصلی
شکاف نرخ استناد بین bucket پایین و بالا بزرگتر از آن چیزی بود که انتظار داشتیم.
منبع: بنچمارک MapAtlas، آوریل 2026، n=100 listing، 4,500 جواب.
bucket پایین، یعنی listingهایی با متن غنی اما بدون دادهی ساختیافته، نرخ استناد 12% داشت. bucket بالا، یعنی listingهایی با مخطط Place کامل، مختصات جغرافیای تأییدشده، فیلدهای context نزدیک، مخطط FAQ و NAP سازگار در بین پلتفرمها، به 71% رسید.
تفکیک سیگنال به سیگنال
برای فهم اینکه کدام سیگنالهای منفرد نتیجهی bucket بالا را جلو بردهاند، یک تحلیل feature-ablation انجام دادیم. برای هر کدام از شش سیگنال با بالاترین وزن، نرخ استناد را بین listingهایی که آن سیگنال را داشتند و listingهایی که نداشتند مقایسه کردیم، با ثابت نگه داشتن تقریبی سایر متغیرها.
| سیگنال | با سیگنال | بدون سیگنال | Lift |
|---|---|---|---|
Place JSON-LD کامل با geo | 58% | 19% | 3.1x |
| دادهی POI نزدیک تأییدشده | 62% | 24% | 2.6x |
| فیلدهای نزدیکی به حملونقل | 54% | 22% | 2.5x |
| مخطط FAQ با سؤالات مکانی | 49% | 26% | 1.9x |
| سازگاری NAP در 3 پلتفرم یا بیشتر | 56% | 21% | 2.7x |
| شناسهی خارجی (Wikidata / Place ID) | 51% | 27% | 1.9x |
منبع: بنچمارک MapAtlas، آوریل 2026.
چهار نکته از این جدول:
- مختصات جغرافیایی قویترین lift منفرد است. یک بلوک Place بدون
geoفقط حاشیهای بهتر از نبود کامل مخطط عمل میکند. - context نزدیک تقریباً به همان قدرت است. نزدیکی به POIهای نامدار و حملونقل دومین پیشبینیکنندهی بزرگ استناد است.
- مخطط FAQ کمک میکند، اما کمتر از سیگنالهای مکانی. FAQهایی که به سؤالات مکانی جواب میدهند («نزدیکترین مترو چقدر دور است») با فاصلهی زیاد از FAQهای عملیاتی عمومی جلوتر بودند.
- شناسههای خارجی بیشتر از وزنشان اثر دارند. تطبیق یک listing با Wikidata QID یا Google Place ID نرخ استناد را در ablation تقریباً دو برابر کرد، احتمالاً چون به سیستمهای AI اجازه میدهد در بین منابع deduplicate کنند.
تفاوتهای عمودی
اندازهی اثر در بین دستهها یکسان نبود. اقامتگاههای اجارهای که از ضعیفترین baseline شروع میکنند، بیشترین سود مطلق را از دادهی ساختیافته نشان دادند. جاذبهها که از قبل در دادهی تمرین بهخوبی نمایندگی شدهاند، کمترین سود را داشتند.
| عمودی | bucket پایین | bucket بالا | شکاف |
|---|---|---|---|
| اقامتگاه اجارهای | 7% | 68% | +61 |
| بوتیک هتل | 14% | 74% | +60 |
| رستوران مستقل | 13% | 69% | +56 |
| جاذبهی محلی | 18% | 72% | +54 |
منبع: بنچمارک MapAtlas، آوریل 2026.
اقامتگاههای اجارهای واضحترین بُرد هستند. یک listing که نامرئی شروع میکند میتواند فقط با دادهی ساختیافته به منبعی تبدیل شود که بهطور مستمر استناد میشود. اثر برای مکانهایی که از قبل نمایندگی عمومی قوی دارند ضعیفتر است، هرچند همچنان معنادار.
مدل واقعاً چه میکند
در بازبینی کیفی 200 جواب، یک الگوی تکراری ظاهر شد. وقتی یک listing دادهی ساختیافتهی کامل داشت، دستیار تمایل داشت واقعیتهای مشخصی را نقل کند: زمان پیادهروی تا ایستگاه، تعداد رستورانها در 300 متری، نام محله، ساعات کار. وقتی همان listing از دادهی ساختیافتهاش خالی شد، دستیار یا کلاً آن را حذف میکرد یا با عبارات عمومی توصیف میکرد.
این با رفتار معمول مدلهای retrieval-augmented همخوانی دارد. این مدلها ترجیح میدهند منابعی را استناد دهند که به سؤال با واقعیتهای مشخص و قابلراستیآزمایی جواب میدهند. متنی که listing را «آرام و قابلپیادهروی» توصیف میکند، در برابر یک فیلد ساختیافته که میگوید «walk score 92، میانگین شاخص نویز 18 dB» میبازد. نسخهی دوم برای استخراج، مقایسه با پرسوجوی کاربر و attribution راحتتر است.
چه چیزی listing را از bucket 1 به bucket 4 میبرد
بر اساس ablation، چهار تغییر بخش اعظم lift را توضیح میدهند:
۱. یک بلوک کامل JSON-LD از نوع Place یا LodgingBusiness با مختصات جغرافیای اضافه کن. مختصاتی که با آدرس پستی جور درمیآیند، یک شناسهی خارجی استاندارد و همهی فیلدهای ضروری Schema.org. خودِ راهنمای Google دربارهی دادههای ساختیافته برای کسبوکار محلی فیلدهایی را که بیشترین وزن را دارند فهرست میکند. برای جزئیات سطح فیلد به JSON-LD schema برای استنادهای AI کسبوکار محلی مراجعه کن.
۲. listing را با context نزدیک تأییدشده غنی کن. زمان پیادهروی تا نزدیکترین ایستگاههای حملونقل، تعداد رستورانها و کافههای نزدیک، POIهای نامدار در یک شعاع مشخص. GeoEnrich از MapAtlas این را در مقیاس از منابع تأییدشده تولید میکند تا بتواند هم در مخطط و هم در کپی صفحه تعبیه شود.
۳. مخطط FAQ مخصوص مکان منتشر کن. سؤالهایی که مستقیم با نحوهی بیان پرسوجوهای مکانی توسط کاربر نقشه میخورند. پرسشهای متداول مخصوص مکان برای جستوجوی AI را ببین.
۴. NAP را در بین پلتفرمها یکی کن. صفحهی اصلی listing، Google Business Profile و حداقل یک دایرکتوری third-party باید همه نام، آدرس و تلفن یکسان نشان دهند. سازگاری NAP در جستوجوی AI مکانیزم را پوشش میدهد.
هشدارها
این بنچمارک جهتدار است، نه قطعی. سه محدودیت قابلذکر:
- اندازهی نمونه. 100 listing برای دیدن اثرات بزرگ کافی است اما برای تمیز کردن تفاوتهای ریز کافی نیست.
- drift مدل. دستیارهای AI مرتب بهروز میشوند. اعداد مطلق جابهجا خواهند شد؛ ترتیب نسبی سیگنالها پایدارتر است.
- ترکیب پرسوجو. قالبهای ما به سمت نیت discovery متمایلاند. پرسوجوهای تراکنشی («همین امشب یک اتاق در پورتو رزرو کن») بهطور متفاوتی مسیریابی میشوند و خارج از scope بودند.
نکتهی گستردهتر دقت یک عدد خاص نیست. نکته این است که شکاف بین listingهای ساختیافته و غیرساختیافته بزرگ، قابلاندازهگیری و تا حد زیادی قابلبستن با کاری است که در کنترل صاحب listing قرار دارد.
baseline خودت را اندازه بگیر
MapAtlas AEO Checker یک listing را در مقابل همان 29 سیگنال استفادهشده در این بنچمارک امتیاز میدهد. روی بهترین ملک خودت اجرا کن، بعد روی ضعیفترین. delta امتیاز معمولاً با delta در اینکه هر کدام چقدر توسط دستیارهای AI ظاهر میشوند عملاً یکی است.
نرخ استناد دارد تبدیل میشود به معادل رنکینگ ارگانیک برای نسلی از کاربران که از طریق AI جستوجو میکنند. listingهایی که برنده میشوند همانهاییاند که به مدل چیزی برای استخراج میدهند. بقیه، متنیاند که مدل مؤدبانه نادیده میگیرد.
خواندنیهای مرتبط:
- چرا دستیارهای هوش مصنوعی آدرسها را از خودشان میسازند
- سئو قبلاً کلمه به کلمه بود، حالا دیتابیس به دیتابیس است
- پرسشهای متداول مخصوص مکان برای جستوجوی AI
- امتیاز دیدهشدن AI خودت را رایگان بررسی کن
سوالات متداول
نرخ استناد در AI یعنی چی؟
نرخ استناد AI سهمی از پرسوجوهای مرتبط کاربر است که دستیار AI در آنها یک listing مشخص را در منابع استنادی خودش قرار میدهد یا listing را در جوابش با اسم ذکر میکند. این معادل رنکینگ ارگانیک در جستوجوی AI است، اما در سطح جواب اندازهگیری میشود نه در سطح صفحهی نتایج. یک listing با نرخ استناد 40% در دو تا از هر پنج جواب مرتبط در دستیارهای تستشده ظاهر میشود.
این معیار چطور انجام شد؟
ما 100 listing را در چهار دسته انتخاب کردیم: اقامتگاههای اجارهای، بوتیک هتلها، رستورانهای مستقل و جاذبههای محلی. از هر listing در ChatGPT و Perplexity و Gemini با یک قالب استاندارد از سؤالات discovery، 15 بار پرسوجو شد. جوابها بررسی شدند که listing بهعنوان منبع استنادی یا توصیهی با اسم ظاهر شده یا نه. سپس listingها بر اساس کامل بودن دادهی ساختیافته که توسط MapAtlas AEO Checker اندازهگیری شد، در bucketهایی گروهبندی شدند.
چه چیزی بیشترین اثر را روی نرخ استناد داشت؟
سه سیگنال بیشترین تأثیر را داشتند: حضور یک بلوک کامل JSON-LD از نوع Place یا LodgingBusiness با مختصات جغرافیایی، context نزدیک تأییدشده مثل زمان حملونقل و نزدیکی به POIهای نامدار، و سازگاری NAP در بین Google Business Profile، صفحهی اصلی listing و حداقل یک دایرکتوری third-party. listingهایی که در هر سه امتیاز بالا داشتند نرخ استناد حدود شش برابر listingهایی داشتند که در هر سه امتیاز پایین داشتند.
آیا توضیحات متنی بهتنهایی کمک کرد؟
حاشیهای. توضیحات متنی طولانی که کلیدواژهی مکانی دارند اما بدون دادهی ساختیافته، نرخ استناد پایهای حدود 12% تولید کردند. اضافه کردن Schema.org markup بدون فیلدهای جغرافیایی تأییدشده این را به حدود 28% رساند. اضافه کردن context نزدیک تأییدشده و دادهی NAP سازگار این را بیشتر بالا برد، تا حدود 71% برای بهترین bucket. کیفیت متن برای اعتماد کاربر بعد از اینکه listing استناد شد اهمیت دارد، اما اثر کمی روی اینکه listing اصلاً استناد بشود یا نه دارد.
چطور نرخ استناد خودم را اندازه بگیرم؟
آدرس listing خودت را در ابزار رایگان MapAtlas AEO Checker در mapatlas.eu/ai-seo-checker وارد کن. این ابزار همان 29 سیگنالی را که در این بنچمارک استفاده شده امتیاز میدهد و نشان میدهد کدامها غایباند. این را با prompt دستی دورهای در ChatGPT و Perplexity و Gemini ترکیب کن تا در طول زمان ببینی listing تو چند وقت یکبار ظاهر میشود.
