البنية ثنائية الطبقات للظهور في الذكاء الاصطناعي

ست دراسات مستقلة، نُشرت بين فبراير وأكتوبر 2026، قاست مدى استقرار الاستشهادات في الذكاء الاصطناعي فعليًا. أرقامها الرئيسية تبدو غير قابلة للتوفيق. 96.8% من النطاقات المستشهد بها لا تُظهر أي تغيّر من أسبوع لآخر (BrightEdge، أسبوع 1 فبراير 2026) [3]. ومع ذلك فإن 69% من النطاقات المستشهد بها تتغيّر من يوم لآخر، قياسًا على 530,875 استشهادًا (GetMentions AI، يونيو 2026) [6]. كذلك فإن 73.5% من الروابط المستشهد بها فرديًا تظهر مرة واحدة بالضبط ولا تعود، بعمر وسيط صفر يوم (Trakkr، 108,650 رابطًا على مدى 177 يومًا) [4].

الأرقام الثلاثة صحيحة. إنها تصف طبقات مختلفة من النظام نفسه بوحدات مختلفة — وفي حالة [3] و[6]، الطبقة نفسها مقروءة في نافذتين مختلفتين. وبمجرد فهم ذلك، تتوقف المشكلة المركزية للقطاع عن أن تكون نقص البيانات، وتصبح ما كانت عليه دائمًا: مشكلة وحدة قياس. يمكن لنطاق أن يحافظ على مكانه في المجموعة المستشهد بها بينما تُستبدل الصفحة التي تحمله؛ ويمكن لمتوسط أسبوعي أن يبدو مستقرًا بينما تختلف كل قراءة يومية داخله؛ ويمكن لتنفيذ واحد أن ينتج فرقًا لا يدعمه أي اختبار إحصائي.

الاكتشاف الأكثر حسمًا لا يتعلق بأي محرك بعينه. إنه أن الدقة التي يعلنها القطاع ليست قابلة للتحقيق بمعدلات أخذ العينات التي يستخدمها القطاع. للإبلاغ عن حصة استشهاد بفاصل ثقة 95% بعرض خمس نقاط مئوية — أي نحو ±2.5 نقطة، وهي الدقة التي تقول بها الفرق «لقد ارتفعنا» — تقدّر إحدى الدراسات 40–50 تكرارًا على Gemini، ونحو 100 على Perplexity، و150 أو أكثر على بحثGPT [1]. معظم اللوحات تنفّذ مرة واحدة. والفجوة بين ما يُبلَّغ عنه وما يمكن قياسه هي موضوع هذا المستند.

كل منتج للظهور في الذكاء الاصطناعي في السوق يقوم على فرضية موروثة من تتبّع الترتيب: أن رقمًا يُنتج اليوم يمكن مقارنته بالرقم الذي أُنتج أمس، وأن الفرق تغيّر في مركزك. اكتسب تتبّع الترتيب هذه الفرضية بالكفاح. كانت نتائج البحث حتمية بما يكفي لأن يعني الانتقال من المركز 8 إلى المركز 5 شيئًا، وكانت الأداة التي تبلّغ عنه قابلة للتحقق من شخص يكتب الاستعلام.

محركات الإجابة تكسر الحلقة الأخيرة في تلك السلسلة. اطرح السؤال نفسه مرتين، وقد يجيب المحرك بشكل مختلف، مستشهدًا بمجموعة مصادر أخرى، دون أن يتغير شيء في صفحاتك. ليس عيبًا يجب إصلاحه؛ هذه هي طريقة عمل نظام توليدي بحرارة أعلى من الصفر واسترجاع على فهرس يتحدّث باستمرار. وأدبيات القياس بالكاد تطرقت إلى المسألة قبل 2026.

أول معالجة صارمة جاءت في مارس 2026. Quantifying Uncertainty in AI Visibility لسييلينسكي يعيد صياغة التمرين كله: حصة الاستشهاد ليست خاصية لعلامة تجارية، بل مقدّر عيّنة لتوزيع استجابة كامن. أخذ عيّنة واحدة من ذلك التوزيع يعطي تقديرًا نقطيًا بهامش خطأ لم يطبعه أحد. وتذكر الورقة ادعاءها التجريبي المركزي بوضوح: كثير من الفروق الظاهرة بين النطاقات، وكثير من التغيرات الظاهرة بين العينات، «لا يمكن تمييزها إحصائيًا عن الضجيج» [1].

“Single-run visibility metrics provide a misleadingly precise picture of domain performance in generative search.” — Sielinski, arXiv:2603.08924, 39 pages, 13 figures, August 2026 revision [1]

هذا الادعاء، إذا أُخذ على محمل الجد، يبطل جزءًا كبيرًا مما يبلّغ عنه القطاع. ولا يبطل غرض القطاع. ما تزال العلامات التجارية تحتاج أن تعرف ما إذا كانت تظهر في الإجابة. ما يتغير هو الشكل الذي يجب أن تتخذه الإجابة: لا «أنت اليوم عند 12.4%، أقل من 15.1%»، بل «حصتك بين 12% و16% بحجم العيّنة هذا، والحركة التي رأيتها تقع داخل ذلك النطاق».

المخاطرة غير متكافئة. علامة تجارية تبالغ في ردّها على الضجيج تحرق ميزانية بإعادة كتابة صفحات لم تكن المشكلة يومًا. وعلامة تجارية تعيّن قليلًا تفوتها تغيّر هيكلي حقيقي — ودراسات القسم 3 تُظهر أن هذه التغيرات تحدث، لكنها أبطأ وفي طبقة أخرى غير التي يوحي بها التتبّع اليومي.

هذا بحث ثانوي، وهذا المستند يقول ذلك دون مواربة. لا تشغّل Novaxilabs أي عيّنة مراقبة خاصة بها. كل رقم أدناه هو نتيجة منشورة لدراسة محددة، يُبلَّغ عنه بحجم عيّنته ونافذة قياسه وفئة دليله. وما يقدمه هذا المستند ليس بيانات جديدة، بل قراءة هيكلية لدراسات تبدو متعارضة، وترجمة تلك القراءة إلى معيار إبلاغ.

فئات الدليل

تُصنَّف الادعاءات على مقياس من خمسة مستويات مستخدم في هذه السلسلة كلها: رسمي (توثيق المزوّد)، مسودة أكاديمية (منشور على arXiv بمناهج وبيانات معلنة، ولم تخضع بعد لمراجعة الأقران الرسمية)، قياس مستقل (عيّنة طرف ثالث بحجم ونافذة معلنين؛ لا حالة في هذه الإصدار)، تقرير المزوّد (شركة تتبّع تنشر بيانات منصتها)، وتحليل (استدلال مبني على الحجة، وليس صراحةً ادعاءً بالوصول إلى داخل المحرك).

حقيقة مزعجة تستحق أن تُقال قبل النتائج، لأنها تحدد كيف يجب قراءتها: خمس من الدراسات الست المستشهد بها هنا يبلّغ عنها مزوّدوها. قاست BrightEdge وTrakkr وAhrefs وGetMentions AI وSISTRIX بيانات تتبّعها الخاصة ونشرت النتيجة؛ وورقة سييلينسكي وحدها مصدر أكاديمي بلا مصلحة تجارية في الإجابة. والمرجعان [7] و[8] صفحتان تكميليتان من مجموعة بيانات Trakkr نفسها التي منها [4]: يُستشهد بهما لأرقام محددة، ولا يُعدّان دراستين منفصلتين. لا يوجد مدقق مستقل لبيانات الاستشهاد في الذكاء الاصطناعي. هذه حالة المجال، وليست قيدًا على هذا المستند — وتعني أن الطريقة الأمينة لقراءة أي رقم في هذا القطاع، بما فيه هذا، هي التحقق أولًا من عيّنته ونافذته المعلنة، ثم من عنوانه.

لماذا لا تُقارن الأرقام المطلقة بين الدراسات أبدًا

الدراسات لا تتشارك المنهج، وهذا المستند لا يتظاهر بأنها تفعل. تتبّعت SISTRIX 82,619 استعلامًا أسبوعيًا على مدى 17 أسبوعًا في ستة بلدان [2]. قارنت BrightEdge لقطات أسبوعية متتالية في منصتها AI Catalyst [3]. تتبّعت Trakkr 108,650 رابطًا على مدى 177 يومًا في ثمانية نماذج [4]. تتبّعت Ahrefs 37,500 استشهاد يوميًا على مدى 20 يومًا في خمس أدوات [5]. نفّذت GetMentions 2,398 استعلامًا مرة يوميًا على مدى 7 أيام في أربعة محركات [6]. نسبة مئوية من إحدى هذه الدراسات لا يمكن طرحها من نسبة في أخرى، وعندما يضع هذا المستند إحداها بجانب الأخرى فهو يقارن الاتجاه والبنية، لا الحجم.

ما لا يؤكده هذا المستند

لا يؤكد معرفته بكيفية اختيار أي محرك لمصادره من الداخل. ولا يؤكد أن هذه النتائج تنطبق على كل الأسواق: المجموعة المتعددة البلدان الوحيدة هنا تغطي ستة أسواق غربية وليست دليلًا على غيرها. ولا يؤكد أن البنية دائمة — كل دراسة مؤرخة، ودليل المستند نفسه يُظهر أن سلوك المحركات يتحرك أسرع مما تكرره أي دراسة.

كل نتيجة أدناه تذكر ادعاءً، وتسمّي الدراسة التي تسنده، وتبلّغ عن العيّنة التي يقوم عليها. وعندما تختلف دراستان يظهر الرقمان — لأن الاختلاف في هذا القطاع كثيرًا ما يكون هو النتيجة، لا خطأً يجب حلّه.

قراءة الطبقتين تحلّ ما يبدو خلافًا بين أدق دراسات المجال. وتغيّر أيضًا ما يمكن أن يعنيه «انخفض ظهورنا في الذكاء الاصطناعي». إذا خرجت صفحة من إجابة بينما بقي النطاق في المجموعة المستشهد بها، فستبلّغ طبقة النطاقات عن لا تغيّر، وستبلّغ طبقة الصفحات عن خسارة، وكلتاهما تصف الحدث نفسه بدقة. أما التقرير الذي يخلط الاثنين فينتج رقمًا لا يستطيع أحد التصرّف بناءً عليه.

صياغة SISTRIX هي الأكثر فائدة تشغيليًا بين ما نُشر حتى الآن: لكل إجابة نواة ثابتة ودوّار. في 86.5% من الاستعلامات توجد مجموعة صغيرة ثابتة من النطاقات تستمر لأسبوع وشهور؛ وكل ما عداها يُعاد توزيعه أسبوعيًا. والسؤال الذي ينبغي لعلامة تجارية أن تطرحه ليس «هل أنا في الإجابة؟» بل «هل أنا في النواة أم في الدوّار؟» [2] تحليل

لهذا التمييز بُعد زمني تتجاهله اللوحات اليومية. سلسلة Trakkr على مستوى العلامة التجارية — 857,138 تقريرًا يوميًا تغطي 10,991 علامة على مدى عشرة أشهر — تضع الزمن الوسيط من القمة إلى النصف عند 31 يومًا، وتجد 173 فقط من 1,314 علامة متتبَّعة 90 يومًا أو أكثر تحافظ على حضور استشهاد مستقر [4]. فقدان النواة حدث بطيء يُقاس بالأسبوع. وفقدان صفحة حدث سريع يُقاس باليوم. والإبلاغ عن الاثنين بالإيقاع نفسه يضمن أن يغرق الحدث السريع الحدث البطيء.

هذا هو السبب الميكانيكي لعدم إمكان مقارنة تعدادات الاستشهاد الخام بين المحركات، والسبب في أن «حصة الاستشهاد» هي المقياس الوحيد بمعنى قابل للدفاع بين المنصات [1]. علامة تجارية مستشهد بها مرتين داخل إجابة بحثGPT بستة روابط تملك نحو ثلث تلك الإجابة؛ والإشارتان نفساهما داخل إجابة Gemini بأربعين رابطًا هما خطأ تقريب. ويمكن عرض كليهما للعميل على أنهما «استشهادان».

تضيف SISTRIX نتيجة تقوّض فرضية استراتيجية محتوى عالمية واحدة. في Google AI Mode، 80% من نطاقات النواة بالألمانية للاستعلامات الألمانية، و85% من روابط النواة دائمة الخضرة، مع هيمنة صفحات المنتج والمتجر على النواة بينما تدور الأدلة والأخبار. وفي ChatGPT بحث ينقلب الملف: تحصل نطاقات النواة على 16/20 في E-E-A-T مقابل 14/20 للمحيطية، وتشكل المصادر المؤسسية والتوثيقية النواة، و68% من محتوى النواة بالإنجليزية حتى للاستعلامات الألمانية [2]. تكافئ المنصتان ملفّي محتوى شبه متعاكسين، ولا يمكن لصفحة واحدة أن تحتل النواتين معًا براحة.

رقم آخر من الدراسة نفسها يستحق الانتباه لأنه أقوى حجة ضد تخطيط استراتيجية الاستشهاد حول التغطية الصحفية: فقط 1.4% من مقالات الأخبار المستشهد بها كمصدر بقيت بشكل دائم في مجموعة الاستشهاد [2]. الخبر التحريري تذكرة ذهاب بلا عودة. وما يبقى دائم الخضرة بالبناء.

التحذير العملي الثاني في الورقة أدقّ وأسهل في الخطأ. فواصل الثقة لا تضيق دائمًا بسلاسة عند إضافة استعلامات؛ فقد تضيق في بحثGPT ثم تتسع مجددًا، لأن التوزيع الكامن ينزاح أثناء أخذ العينات. ومن يتوقف عند نقطة ضيقة بشكل مريح سيبلّغ عن فاصل يقلّل من تقدير عدم اليقين الحقيقي [1]. والقاعدة الآمنة هي الالتزام بحجم عيّنة مسبقًا — مشتق من المنصة والموضوع — بدلًا من التوقف عندما يبدو الرقم مقبولًا.

بجمع النتيجتين، الأثر على الإبلاغ حتمي. لوحة تأخذ عيّنة واحدة وتطبع نسبة مئوية بمنزلتين عشريتين لا تقيس فرقًا صغيرًا؛ إنها تطبع أثرًا صناعيًا. الرقم حساب حقيقي على بيانات حقيقية، ولا يحمل محتوى استدلاليًا يتجاوز العيّنة الواحدة التي خرج منها. والفجوة ببضع نقاط التي يسأل عنها العميل كل شهر هي، بحجم العيّنة هذا، عدم يقين القياس نفسه معبّرًا عنه كأداء ظاهر.

تصل SISTRIX إلى الاستنتاج نفسه من اتجاه آخر وتضيف الميكانيزم. تختلف استعلامات العلامة التجارية بنحو 20% أقل من المتوسط (45% مقابل 56% دورانًا إلى الداخل)، وهذا يبدو مطمئنًا حتى تُفحص الاستشهادات المصاحبة: النطاقات الاثنا عشر إلى الخمسة عشر المستشهد بها إلى جانب علامة تجارية تتغير بنسبة 70% أسبوعيًا [2]. نطاق العلامة التجارية نفسه مرساة؛ والفضاء المحيط به يعاد توزيعه أسبوعيًا. وهناك يحدث التزحزح التنافسي فعليًا، وهو غير مرئي لمقياس يسأل فقط إن كانت العلامة قد ظهرت.

النتيجة على التخطيط ملموسة. علامة تجارية تتابع اسمها فقط سترى خطًا مستقرًا وستستنتج أن لا شيء يتحرك، بينما تدور مجموعة المصادر المستشهد بها إلى جانبها كل أسبوع. وعلامة تتابع مصطلحات الفئة فقط سترى حركة دائمة وستستنتج أن الفئة غير قابلة للقياس. كلتاهما تنظر إلى نصف البنية.

تسجل الورقة نفسها حالة في الطرف المقابل، وهي مفيدة لأنها تُظهر أن الخلل ليس شاملًا. كان لـبحثGPT في مغذيات الطيور خمسة أزواج متتالية بفواصل ضيقة بما يكفي للثقة، ولم يبلغ أي منها عتبة الاستقرار 0.90 — وكان متوسط عرض الفواصل 0.225، قريبًا من الحد الذي تتوقف عنده المقارنة عن أن تكون مفيدة [1]. وفي الموضوعين الآخرين لم تكن الأزواج كافية حتى للحساب. وكانت لوحة يومية ستبلّغ عن رقم لكل من تلك الأيام.

هناك قراءة تشغيلية نظيفة لذلك. مقارنة الأزواج تجيب عن «هل تغيّر منذ أمس»، وهو سؤال عن الضجيج. ومقارنة الطرفين تجيب عن «هل تغيّر على مدى الفترة التي تهمّنا»، وهو السؤال الذي تطرحه مراجعة فصلية فعلًا. ونظام قياس يفعل الأولى فقط سيظل يؤكد أن لا شيء يسوء بينما الشيء الذي استُخدم لمراقبته يتحرك بصمت.

لا شيء من هذا يزعم وجوب التوقف عن قياس الظهور في الذكاء الاصطناعي. إنه يزعم أن وحدة القياس يجب أن تتغير، وأن ثلاث عادات في الممارسة الحالية توقع في الخطأ فعليًا.

رقمان تكميليان من صفحات بيانات Trakkr العامة يثبتان النقطة نفسها على عيّنتين مختلفتين. يشير مؤشر الاستشهاد الحي إلى أن 74% من الروابط المستشهد بها تظهر في إجابة واحدة ولا تعود أبدًا — عيّنة ثانية خلف الرقم الطولي 73.5%، لا تكرارًا مستقلًا [7]. ويجد تحليل المجموعة نفسه لـ1.3 مليون استشهاد أن ويكيبيديا وحدها تركّز نحو 17% من كل الاستشهادات في الذكاء الاصطناعي، وهو مظهر طبقة نواة عندما يحتلها نطاق واحد [8]. دوّار من آلاف الصفحات يدور تحت حفنة من مصادر ثابتة هيكليًا.

1. التوقف عن معاملة «مستشهد به» كحالة ثنائية

تقول البيانات إن لكل إجابة نواة ودوّارًا [2]. العلامة التجارية إما في النواة — ثابتة لأسبوع وشهور، وهي ما يجب على منافس أن يزحزحه — أو في الدوران، حيث يتنبأ حضور اليوم بحضور الأسبوع القادم بقدر ضئيل جدًا. والإبلاغ برقم واحد من نوع «تظهر في 34% من الإجابات» يدمج الحالتين في رقم، ويغلب على ذلك الرقم النصف المتقلب. والسؤال المفيد هو ما نسبة الاستعلامات المتتبَّعة التي تحتلها علامة تجارية في موضع النواة، وكيف تتحرك تلك النسبة شهرًا بشهر.

2. التوقف عن الإبلاغ بالفروقات اليومية كأداء

الحركة اليومية حقيقية وواسعة وغير مفيدة تقريبًا بعيّنة واحدة لكل استعلام [1][6]. السلسلة اليومية تستحق الحفظ — فهي الطريقة التي يُعلن بها انهيار أو تحديث نموذج أو إزالة مفاجئة من الفهرس — لكنها ليست مقياس أداء. والرقم الذي ينبغي لصاحب مصلحة أن يراه كل أسبوع هو حصة بفاصل؛ والرقم الذي يستحق التصعيد هو انقطاع في السلسلة، لا تذبذب بنقطتين.

3. التوقف عن حساب متوسط المحركات في درجة واحدة

يستشهد Gemini بـ36–43 رابطًا لكل إجابة، وبحثGPT بـ5–7، وكلاهما يدير المصادر بإيقاعات مختلفة على ملفّي محتوى مختلفين [1][2]. «درجة ظهور في الذكاء الاصطناعي» مخلوطة بين المحركات هي متوسط كميات بوحدات مختلفة، وتتحرك عندما يتغير مزيج الاستعلامات لا عندما تتغير العلامة التجارية. الأرقام بحسب المحرك، المبلَّغ عنها منفصلة، أقل إمتاعًا للنظر وأكثر فائدة للتصرّف.

وهناك نتيجة تتعلق بالميزانية. إذا كانت طبقة النواة تدور على مقياس أسبوع إلى أشهر — العلامة الوسيطة عند Trakkr تستغرق 31 يومًا لتهبط من القمة إلى النصف [4] — فإن دورة التدخل ينبغي أن تكون شهرية لا يومية. المحتوى المنشور لمطاردة تذبذب يومي يُحسّن ضد الضجيج. والمحتوى المنشور للدخول في مجموعة نواة ينافس على المقياس الزمني الذي تدعمه البيانات فعلًا.

القواعد الست أدناه ليست أسلوبًا خاصًا. كل واحدة مشتقة مباشرة من خاصية مقيسة في البيانات، وكل واحدة موجودة لمنع خطأ محدد توثقه الدراسات السابقة. والتقرير الذي يحذفها ليس كاذبًا في حسابه؛ إنه كاذب في ما يؤكده عن معنى الحساب.

قاعدتان من هذه القواعد ستُحسّان كتخفيض، لأنهما تحذفان أرقامًا يقرأها العميل منذ سنة. استبدال نسبة يومية بفاصل أسبوعي يقصّر التقرير ويجعله للوهلة الأولى أقل إفادة. وهو أكثر إفادة بالمعنى الوحيد المهم: يمكن الدفاع عنه. رقم بلا حجم عيّنة معلن لا يمكن الطعن فيه، ورقم لا يمكن الطعن فيه ليس دليلًا.

“If a visibility report cannot answer ‘what was your sample size and window’, the number it contains is not a measurement — it is an impression with two decimal places.” — Inference from the sampling thresholds in [1], stated here as a reporting rule rather than a finding

وللمعيار استخدام تنافسي أيضًا. في قطاع ينشر فيه كل مزوّد رقمًا مختلفًا للعلامة التجارية نفسها، فإن المزوّد الذي يعلن حجم عيّنته ونافذته وفاصله هو الذي يمكن التوفيق بين رقمه والأرقام الأخرى. هذا ليس موقفًا تسويقيًا؛ إنه الموقف الوحيد الذي يمكن من خلاله مقارنة قياس ما.

نقاط ضعف هذا المستند ملموسة وتستحق الذكر كاملة، لأن التركيب يرث كل ضعف من مصادره ويضيف بعضًا من عنده.

لا قياس أصلي

لا تشغّل Novaxilabs أي عيّنة مراقبة. لم يُقس المحرر شيئًا هنا، ولا يُقدَّم أي رقم كتأكيد مستقل لآخر. ومساهمة المستند هيكلية: إنه يقرأ ست دراسات كنظام واحد ويُظهر أن تناقضاتها الظاهرة فروق في الوحدة والنافذة ونوع السؤال.

معظم الأدلة يبلّغ عنها المزوّدون

خمس من الدراسات الست تنشرها شركات تبيع تتبّع الاستشهادات. وأقسام المنهج فيها مفصّلة على نحو غير معتاد، وحيث تذكر قيودًا يكررها هذا المستند — لكن لا واحدة منها دققها طرف ثالث، ولكل منها مصلحة واضحة في أن تكون الظاهرة حقيقية. وورقة arXiv [1] وحدها أكاديمية بلا مصلحة. والقارئ الذي يستبعد كل الأرقام المبلَّغ عنها من مزوّدين يبقى معه النواة المنهجية لهذا المستند سليمة: بنية الطبقتين وعتبات أخذ العينات تقومان كلتاهما أساسًا على [1] وعلى الاتساق الداخلي لـ[2]–[6].

تغطية ضيقة في كل بُعد

تغطي البيانات المتعددة البلدان ستة أسواق غربية ولا شيء غيرها [2]. والعمل على عتبات أخذ العينات يغطي ثلاثة مواضيع منتجات استهلاكية [1]. وأطول نافذة عشرة أشهر [4]؛ وأقصرها سبعة أيام [6]. لا شيء من هذا يمكن تعميمه على فئة أو لغة أو سوق دون التحقق، وهذا المستند لا يحاول.

الميكانيزم غير مفسّر

يصف هذا المستند سلوكًا لا أسبابًا. يمكنه تأكيد أن الاستشهاد على مستوى النطاقات مستقر بينما الاستشهاد على مستوى الصفحات ليس كذلك؛ ولا يمكنه قول لماذا، لأن أيا من الدراسات لا يعزل المتغير. إعادة تصنيف الاسترجاع ودورات تحديث الفهرس وسياسة طول الإجابة وإعادة صياغة الاستعلامات تسهم بشكل معقول، وعزلها يتطلب اضطرابًا مضبوطًا لم تحاوله أي دراسة منشورة. وأي ادعاء سببي مرتبط بهذه الأرقام — بما فيها المتملّق — هو استدلال لا قياس.

دراسة واحدة ستغلق معظم الفجوات

الغياب الأبرز في المجال هو دراسة واحدة تجمع أربع خصائص في وقت واحد: عدة لغات، وعدة محركات، ونافذة لا تقل عن ستة أشهر، وتكرارات كافية لكل استعلام لإرفاق فاصل. وكل مجموعة بيانات موجودة تملك ثلاثًا من الأربع. وتلك الدراسة غير موجودة في السجل العام حتى تاريخ قطع بيانات هذا المستند، ولهذا فإن ادعاءاته هيكلية لا تنبؤية.

لماذا ثمانية مراجع لا عشرين

حمل المستند الأول في هذه السلسلة عشرين مصدرًا لأن سؤاله — أي بنى الصفحات تبقى بعد الاستشهاد — له أدبيات واسعة خلفه. وهذا السؤال لا. فكل مجموعة بيانات عامة تقيس استقرار الاستشهادات على نطاق واسع تملكها واحدة من خمس شركات تتبّع، وورقة أكاديمية واحدة فقط تتعامل مع الإحصاء مباشرة. وتضخيم القائمة بتعليقات ثانوية كان سيضيف طولًا ويسحب قابلية التتبع، لذا تتوقف القائمة عند الصفحات الثماني التي تحمل فعلًا الأرقام المستخدمة هنا. إنه حكم على ما يمكن التحقق منه، لا ادعاء بأن الأدبيات شحيحة.

كيف تستخدم هذا المستند

كمفتاح قراءة، لا حكمًا. وبتطبيقه على تقرير مزوّد يطرح ثلاثة أسئلة بالترتيب: أي طبقة يقيس هذا الرقم، وما حجم عيّنته، وما نافذته. ومعظم التقارير تفشل في السؤال الأول. وهذا الفشل ليس عادةً عدم أمانة — إنه المخرجات الافتراضية لأداة بُنيت لتأخذ عيّنة واحدة وتُظهر نسبة — لكنه السبب في أن مزوّدين موثوقين يمكن أن ينشرا رقمين غير متوافقين للعلامة التجارية نفسها في الشهر نفسه دون أن يكذب أي منهما.

والقراء الذين يريدون المصادر الأولية ينبغي أن يذهبوا إليها مباشرة. هذا المستند خريطة لأين تتفق الأدلة وأين تتصادم؛ والتصادمات أنفع من أي ملخص لها.

كل مصدر أدناه فُتح وقُرئ في صفحته الأولية قبل الاستشهاد بأي رقم منه. ولا رقم في هذا المستند يأتي من تجميع ثانوي. وعندما تعذّر تتبّع رقم شائع إلى أصل منشور — ادعاء 23 مليون استشهاد الذي نوقش في §02 — حُذف بدلًا من نسبته بشكل غامض.

1. 1 Sielinski, R. (2026). Quantifying Uncertainty in AI Visibility: A Statistical Framework for Generative بحث Measurement. arXiv:2603.08924v3 [stat.AP]، 39 صفحة، 13 شكلًا. الإصدار الأول 9 مارس 2026؛ ومراجَع في 26 أغسطس 2026. arxiv.org/abs/2603.08924 ARXIV PREPRINT
2. 2 SISTRIX. (2026، 1 مايو). AI Citation Drift: How stable are sources in AI search results? 82,619 استعلامًا مؤهلًا، 1,548,213 لقطة، 2,556 رابطًا مصنّفًا، ستة بلدان (DE, US, UK, IT, ES, FR)، ثلاث منصات، 17 أسبوعًا (17 ديسمبر 2025 – 8 أبريل 2026). sistrix.com/blog/ai-citation-drift المورّد
3. 3 BrightEdge. (2026، 6 فبراير). AI بحث Citations: How Much Do They Really Change Week to Week? لقطات أسبوعية متتالية، أسبوع عيّنة 1 فبراير 2026. help.brightedge.com — weekly AI search insights المورّد
4. 4 Trakkr Research. (2026، 30 مارس). The Half-Life of AI Citations (Study 009). 108,650 رابطًا في 200 علامة تجارية مسحوبة من 960، ثمانية نماذج، نافذة 177 يومًا؛ زائد سلسلة على مستوى العلامة التجارية من 857,138 تقريرًا يوميًا تغطي 10,991 علامة. trakkr.ai/trakkr-research/citation-decay المورّد
5. 5 Ahrefs. (2026، 29 أكتوبر). How Stable Are AI Citations? 10 Things We Learned Tracking 37,500 Citations. خمس أدوات ذكاء اصطناعي، 20 يومًا من التتبّع اليومي. ahrefs.com/blog/how-stable-are-ai-citations المورّد
6. 6 GetMentions AI. (2026، 9 يوليو). AI Citation Volatility: A 530,875-Citation Study. 2,398 استعلامًا حقيقيًا من 56 حساب علامة تجارية، أربعة محركات، سبعة أيام متتالية، يونيو 2026؛ 67,144 إجابة، 181,225 رابطًا، 55,387 نطاقًا، 46,259 مقارنة لأزواج الأيام. مقيس على مستوى النطاقات. getmentions.ai/blog/ai-citation-volatility-study المورّد
7. 7 Trakkr. (2026). Trakkr Data — مجموعات بيانات استشهاد محدّثة باستمرار، سارية حتى 28 أكتوبر 2026. تُستخدم هنا فقط لحصة الروابط المستشهد بها التي تظهر مرة واحدة وللسلسلة اليومية للصفحات المشاهدة. trakkr.ai/data المورّد
8. 8 Trakkr. (2026). The Complete, Data-Backed Guide to Earning AI Citations. 1.3 مليون استشهاد في 60,209 نطاقًا، بما في ذلك أرقام تركّز النطاقات. trakkr.ai/guides/how-to-get-cited-by-ai المورّد

Dr. Adrian Whitmore
Research Lead, Novaxilabs

يدير أدريان أبحاث القياس في Novaxilabs، حيث يعمل على الأساس الإحصائي لتتبّع الاستشهادات في الذكاء الاصطناعي: كم عيّنة يحتاج ادعاء الظهور، وكيف يبدو مقياس مستقر عندما يكون النظام الكامن عشوائيًا، وأين تتناقض أرقام المجال المنشورة فيما بينها.

هذا هو المستند الثاني في السلسلة. الأول، Beyond Rankings — What Actually Gets a Page Cited in AI Answers، فحص أي خصائص هيكلية للصفحة تبقى بعد اختيار محرك الإجابة لها. وهذا يتراجع خطوة إلى الوراء ويطرح سؤالًا سابقًا: هل الأرقام التي يُبلَّغ بها عن ذلك الاختيار دقيقة بما يكفي لتعني شيئًا. ويعمل المستندان حصريًا بقياس منشور من طرف ثالث؛ ولا تشغّل Novaxilabs أي عيّنة مراقبة خاصة بها، ولا تُستخدم بيانات منصتها هنا كدليل. والمحادثات عن المنهج، بما فيها الخلاف مع القراءات السابقة، مرحّب بها على info@novaxilabs.com.